人工智能在烧伤评估、并发症诊断和预后预测中的作用：一项叙述性综述

《Burns & Trauma》：The Role of Artificial Intelligence in Burn Assessment, Complication Diagnosis, and Outcome Prediction: A Narrative Review

本综述系统探讨了人工智能(AI)技术在烧伤护理领域的创新应用。研究人员聚焦于机器学习(ML)和深度学习(DL)模型在烧伤面积(%TBSA)评估、创面愈合监测、脓毒症/吸入性损伤/急性肾损伤(AKI)等并发症早期诊断及死亡率/住院时长(LOS)预测等方面的效能。结果表明，AI工具能显著提升烧伤评估的客观性与效率，虽仍需多中心验证，但其与组学技术结合有望推动烧伤精准医疗发展。

　　

在全球范围内，烧伤依然是一项严峻的公共卫生挑战，每年导致约18万人死亡。烧伤的严重程度、并发症及预后存在显著的异质性，这凸显了对更客观、高效评估策略的迫切需求。传统的烧伤评估方法，如用于估算烧伤面积的“九分法”（Wallace Rule of Nines），在很大程度上依赖于临床医生的主观判断，容易产生误差，进而影响后续治疗决策的准确性，例如根据帕克兰公式（Parkland formula）进行的液体复苏。此外，烧伤深度评估、创面愈合进程监测，以及脓毒症（Sepsis）、吸入性损伤（Inhalation Injury, II）、急性肾损伤（Acute Kidney Injury, AKI）等严重并发症的早期诊断，始终是烧伤临床实践中的难点。预后方面，尽管存在像Baux评分这样的传统工具，但对死亡率（Mortality）和住院时间（Length of Stay, LOS）的精准预测仍有待提升。正是在这样的背景下，人工智能（Artificial Intelligence, AI）技术，特别是其子领域机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL），凭借其从海量数据中挖掘隐藏模式、执行复杂重复任务的强大能力，为变革烧伤护理带来了新的希望。

为了系统梳理AI在烧伤护理中的应用现状与潜力，由Punit Bhattachan、Zachary Ricciuti、Fadi Khalaf和Marc G. Jeschke共同完成并于《Burns & Trauma》发表的这篇叙述性综述，通过检索PubMed和Google Scholar等数据库，对“Burn AND Artificial Intelligence”等相关主题的文献进行了全面分析。研究者旨在探讨AI模型在烧伤严重程度与创面管理、烧伤后并发症以及烧伤后结局预测三大领域的应用，评估其效能，并讨论其转化前景与面临的挑战。

本研究主要依赖于对现有已发表文献的系统性检索与分析，并未涉及新的实验操作。关键技术方法包括：

1. 1.
   文献检索策略：在PubMed和Google Scholar数据库中使用特定关键词组合进行检索，仅纳入英文文献。
2. 2.
   AI模型应用分析：重点分析了多种ML（如K近邻KNN、逻辑回归LR、支持向量机SVM、随机森林RF、自适应提升AdaBoost等）和DL模型（如U-Net、Mask R-CNN、DeepLabV3+、卷积神经网络CNN等）在不同烧伤护理任务中的应用。
3. 3.
   数据来源：分析所涉及的临床数据主要来源于各原始研究，通常包括烧伤患者的医疗记录、实验室检查结果、生命体征、烧伤创面图像、TBSA、Baux评分、ABSI评分、吸入性损伤信息、合并症、人口统计学资料等。这些数据在用于AI模型前需经过机构批准和患者知情同意，并进行去标识化处理。数值型临床数据多用于ML模型，而图像、文本等非结构化数据则用于DL模型。
4. 4.
   效能评估指标：综述重点关注了各AI模型在特定任务上的性能表现，常用评估指标包括准确率（Accuracy）、灵敏度（Sensitivity）、特异度（Specificity）、受试者工作特征曲线下面积（AUC）、平均偏差（Average Deviation）、决定系数（R²）等，并与临床医生评估或传统方法进行比较。

烧伤严重程度与创面愈合评估

AI模型用于烧伤面积计算

准确计算烧伤总面积（%TBSA）对预后判断和液体复苏至关重要。Chang等（2021）的研究发现，基于Mask R-CNN的深度学习模型在估算%TBSA时，其平均偏差（0.115 TBSA）小于5名烧伤外科医生的评估结果。后续研究比较了U-Net、PSPNet、DeepLabV3+和Mask R-CNN等多种模型，发现DeepLabV3+表现略优，且所有模型均显示出支持烧伤创面评估的潜力。值得注意的是，基于手掌面积估算%TBSA的方法表现出相对更好的效果。Xu等人开发了联合任务DL模型及配套移动应用，使用智能手机拍摄的彩色图像评估%TBSA，在1340张烧伤图像上取得了R²值为0.9136的高精度。

AI模型用于烧伤深度评估

烧伤深度是决定愈合过程和治疗方案的关键因素。传统评估方法（如激光多普勒成像LDI）即使由经验丰富的医生操作也存在误判可能。AI模型在此领域展现出巨大潜力。Thatcher等人利用多光谱烧伤图像作为输入数据，比较了多种CNN架构和集成模型，用于自动识别不愈合区域，其中集成模型表现出色（灵敏度100%，特异度100%，阳性预测值PPV 97%）。Xu等人的联合任务DL模型还能将烧伤区域分割为浅表厚度、深部厚度和全厚度烧伤，其平均Dice系数为0.85，显示了同时评估烧伤深度和%TBSA的能力。Lee等人开发的边界注意力映射（BAM）算法与CNN结合（CNN-BAM模型），在预测烧伤深度时达到了91.6%的准确率，与LDI相当，且具备移动端应用的潜力，成本更低。

AI模型用于创面愈合评估

早期闭合创面对改善患者预后至关重要。Ethier等人利用计算机视觉和AI算法（皮肤异常追踪算法SATA，一种CNN-BAM模型）对一名患者的烧伤创面愈合进行了为期八周的量化评估。结果表明，SATA的评估结果与临床医生的评估相关，且能提供更定量化的数据。虽然仍需在更大更异质的样本中验证，但这初步显示了AI在创面愈合评估方面的应用前景。

烧伤后并发症

脓毒症诊断与药物治疗

脓毒症是烧伤患者的主要死亡原因。Tran等人（2020）开发了机器学习智能优化器（MILO）平台，自动生成预测烧伤脓毒症的ML模型。其生成的KNN模型通过5个临床标志物，在211名成年烧伤患者中实现了90%的准确率和0.96的ROC-AUC。在抗生素个性化用药方面，Yamamura等人开发了人工神经网络（ANN）模型来预测烧伤患者中抗坏血酸（arbekacin）的血浆浓度，以及其对耐甲氧西林金黄色葡萄球菌（MRSA）感染的反应。ANN模型在预测基于剂量、BMI、肠外液体、肌酐浓度和烧伤面积等参数的药代动力学方面优于线性模型，显示了AI在优化烧伤患者抗生素治疗方面的潜力。

吸入性损伤与肾损伤

吸入性损伤（II）是烧伤患者死亡的主要原因之一。Yang等人（2023）利用341例疑似II烧伤患者的回顾性数据，开发了两个梯度提升（GBM）模型。模型1用于区分轻度和重度II（AUC 0.883），模型2用于预测II是否存在（AUC 0.862），识别出了如主观吸入回忆、上呼吸道烟灰、密闭空间烧伤、碳氧血红蛋白（COHB）水平升高等关键风险因素。

急性肾损伤（AKI）影响高达58%的严重烧伤患者。Tran等人的研究利用ML模型，结合传统标志物（肌酐、尿量UOP）和新型标志物（中性粒细胞明胶酶相关脂质运载蛋白NGAL、N末端B型利钠肽原NT-proBNP）来预测烧伤相关AKI。研究发现，使用NGAL作为单一指标的ML模型预测AKI的准确率接近100%，且ML模型（如DNN、LR）使用NGAL和NT-proBNP可在患者满足KDIGO（肾脏病改善全球结局）标准平均42.7小时前（最快18.8小时）识别出AKI，显著早于传统方法。

烧伤后结局

死亡率预测

多项研究探索了AI在预测烧伤死亡率方面的应用。Patil等人使用数据挖掘算法（如朴素贝叶斯NB），以年龄、性别和身体各部位%TBSA为特征预测死亡率，NB模型准确率达97.78%。其他研究比较了ANN、SVM、RF等ML模型与逻辑死亡率模型或Baux评分，发现AI模型具有相当的判别能力。有研究使用六个临床指标（TBSA、吸入性损伤、全层烧伤、年龄、性别、烧伤类型）训练ML模型，AdaBoost算法表现最佳（准确率90%，AUC 92%）。一项单中心研究显示，其提出的ANN模型在考虑40个患者参数时，准确率高达95.92%，优于其他32个ML模型。

住院时间预测

准确预测住院时间（LOS）对资源管理和患者咨询至关重要。传统的“1% TBSA对应1天住院”的经验法则存在简化过度的问题。Elrod等人比较了该法则与线性回归（LR）和随机森林（RF）算法在8542名儿科烧伤患者数据上的表现，发现两种AI模型均显著优于经验法则。另一项研究使用12个临床参数预测住院时间是否超过14天，RF和XGBoost算法均表现出较强的预测性能（RF准确率79%，AUC 80.1%），表明结合多参数AI模型能提高LOS预测精度。

临床数据使用与AI应用的伦理考量

将AI整合进烧伤护理时，必须审慎考虑使用临床数据所引发的伦理问题，包括数据隐私、知情同意和算法偏见。开发团队需确保遵守GDPR、PIPEDA、HIPAA等隐私法规，并咨询数据保护专家。建立清晰的数据共享、访问和使用指南，确保患者权利得到尊重和保护，是实现AI负责任和透明化应用的关键。

未来展望：整合高通量多组学方法与AI

未来的一个重要方向是将AI与高通量组学技术（如基因组学、蛋白质组学、代谢组学）相结合。这种“从实验台到病床边”（bench to bedside）的整合有望在分子水平上深化对烧伤病理生理学的理解，发现新的疾病生物标志物，提高诊断准确性。尽管目前在烧伤研究中结合AI和组学方法的证据有限，但这种协同作用具有革命性提升烧伤基础研究和临床护理的巨大潜力。

结论与讨论

本综述表明，人工智能在烧伤护理的多个关键环节展现出显著的应用潜力，包括提高烧伤面积和深度评估的客观性与准确性、实现创面愈合的量化监测、以及早期预测脓毒症、吸入性损伤、急性肾损伤等严重并发症和死亡率、住院时间等重要结局。这些AI工具并非旨在取代临床医生，而是作为强大的辅助工具，有望通过提供更精准、一致的数据支持，优化临床决策，最终改善患者预后和资源利用效率。

然而，当前大多数研究仍依赖于单中心、小样本数据集，模型验证有限，其普遍适用性有待进一步证实。因此，未来需要开展更大规模、多中心的前瞻性研究和随机临床试验来验证和标准化这些AI应用。同时，必须认真解决患者隐私、数据安全和算法透明度等伦理问题。随着技术的不断进步和证据的积累，临床医生对AI工具的熟悉与合作将至关重要。将AI，特别是与组学等前沿技术相结合，整合到烧伤管理中，预示着烧伤护理向更精准、个性化方向转型的巨大前景，有望持续降低烧伤的死亡率和负面影响。