研究｜AI在围手术期的这三个关键节点作用或可改善治疗结局

近年来，尽管围手术期护理取得了重大进展，但术后并发症仍相对常见并且是导致死亡的主要原因。比如，围手术期心肺功能不全很常见，但很多却并未被发现。

近期，一篇发表在《ICU 管理与实践》(ICU Management & Practice)的研究指出，预测性心肺指标有助于及早发现异常。利用患者的生理监测数据与电子健康档案中的信息可以构建出风险预测工具，借助算法识别高风险患者可为临床医生提供临床干预建议。作者预测，未来人工智能技术将在三个关键领域赋能围手术期医学：识别高危患者、及早发现并发症、及时有效治疗。

虽然并非所有的围手术期低血压都可以避免，但提前预测低血压并主动采取纠正措施将有助于避免其发生。比如，低血压与非心脏手术(MINS)后的心肌损伤密切相关。肌钙蛋白筛查可以帮助检测MINS，从而确保及时管理。患者的基线特征，如年龄和合并症也可以预测谁将遭受心肺功能损害。基于心率变异性的简单算法也可以帮助预测麻醉诱导后的低血压和心动过缓。

而使用机器学习算法（ML），研发出基于动脉波形特征的低血压预测指数(HPI)，可以提前15分钟预测低血压。根据一些回顾性和前瞻性的研究，HPI算法的预测性能似乎是最佳的（见下图）。 

Winjeberge等人(2020)开展的随机试验评估了HPI的预测性能在高危患者中的表现，其将60名需要持续有创动脉压监测的中高危非心脏手术患者随机分为两组，一组应用HPI进行低血压事件监测，另一组设为对照组，结果发现HPI指导下的患者低血压发生率较对照组降低了400%。

机器学习算法同样可应用于重症监护环境中预测低血压。Cherifa等人(2020)基于Medical Information Mart for Intensive Care dataset (MIMIC III)数据库，使用Super Learner(SL)算法可提前10分钟预测急性低血压发作。动态重症监护环境中的低血压预测对于及时治疗至关重要，通过早期干预改善患者结果。

作者指出，由于目前大多数应用于围手术期护理的算法都缺乏真实临床环境中的效果评价，我们需要像测试药物或设备一样测试算法，并进行持续优化。

术后呼吸系统并发症很常见。大手术后，呼吸动力、呼吸量和肺不张的改变可持续长达六周。患者可能会出现呼吸抑制事件，但突然的呼吸停止其实从来都不是突然发生的，生命体征的恶化往往发生在之前的4-6小时，而这种缓慢的恶化往往会被忽略，因为在全世界的普通护理病房里，查房都有一定的时间间隔。

针对病房中生命体征的持续监测的PRODIGY是迄今为止最大的、针对连续血氧饱和度和二氧化碳图的前瞻性观察研究。研究目的是构建名为PRODIGY评分的包括5项因素风险预测工具，并在一年多的时间里，对三大洲近1500名入组患者进行了连续血氧测定和二氧化碳图数据记录（见下图）。

根据PRODIGY研究：首先，连续监测检测到的呼吸抑制发作比想象中要多得多（占整个队列的46%）；其次，这些发作不是良性的，尽管临床事件很少，但发作患者的平均住院时间比不发作患者多3天，而这会转化为住院费用的指数增长；第三，也是最重要的一点，使用连续监测的风险预测提供了随时间变化的血氧饱和度及二氧化碳图数据趋势，有助于临床医生早期干预并纠正心肺损害事件。

临床实践中的可变性是围手术期并发症最重要的因素之一。电子病历的广泛应用使获取大量临床数据成为可能，但这些数据并没有得到及时有效的处理。因此，临床可能会错过重要信息，从而延误正确治疗。而机器学习算法的优势就在于它们能够筛选大量数据、检测模式和相似性，并从过去对类似队列的分析中学习、归纳，来提供决策支持。

此外，可用数据的增多，提高了ML预测能力，并可以持续迭代模型，使预测或治疗建议精准度更高。目前已经有多项研究说明基于ML构建的预测模型可以帮助临床医生发现围手术期潜在风险并提供适当的治疗建议。

总而言之，预防围手术期不良事件的唯一方法是对患者进行持续、精准的监测，重点是早期发现和使用有效的干预进行预防。而基于人工智能的解决方案能将连续监测到的数据流与临床记录相结合，推算出围手术期医疗服务质量和患者安全改进措施。我们需要开发出更多像HPI和PRODIGY这样的预测工具，在通过真实临床场景的严格测试后在提升围手术期医疗质量与安全方面发挥作用。

参考文献：ICU Management & Practice, Volume 21 – Issue 1, 2021，Cardiorespiratory Compromise in the Perioperative Environment – Prediction, Quality, Analytics & AI