综述：人工智能能够预测新生儿科中非侵入性呼吸支持治疗的失败情况吗？

《Seminars in Fetal and Neonatal Medicine》：Can artificial intelligence predict failure of non-invasive respiratory support in the neonatal unit?

早产儿非侵入性通气（NIV）失败预测的人工智能模型研究显示，深度学习模型（如多模态神经网络）和传统机器学习模型（如逻辑回归、支持向量机）的AUC值达0.78-0.93，提示AI技术可能改善临床决策并降低死亡率。

　　人工智能在新生儿科中的应用正在逐步拓展，特别是在非侵入性通气（NIV）失败预测方面展现出一定的潜力。非侵入性通气是新生儿重症监护病房（NICU）中重要的呼吸支持手段，包括鼻咽持续正压通气（NPCPAP）、加温湿化高流量鼻导管（HHFNC）、鼻间歇正压通气（NIPPV）和双水平正压通气（BiPAP）等多种形式。然而，对于早产儿而言，NIV失败可能导致严重的不良后果，如呼吸窘迫综合征（RDS）恶化、需要气管插管和机械通气，甚至增加死亡率和长期健康问题的风险。因此，提高对NIV失败的预测能力，对于改善预后和优化临床决策具有重要意义。

当前，临床实践中对NIV失败的判断主要依赖于医生的经验和一系列临床指标，例如低氧血症（SpO?下降）、呼吸性酸中毒、呼吸功增加、呼吸暂停以及血流动力学不稳定等。这些判断标准虽然在一定程度上有效，但往往受到医生主观判断和数据获取局限性的影响，可能导致预测不准确或延误治疗时机。因此，探索更精确的预测工具成为医学研究的重要方向。

近年来，人工智能技术，特别是机器学习和深度学习，被越来越多地应用于医疗领域的预测模型开发。这些技术能够处理和分析大量复杂的临床数据，从而提供更准确的预测结果。本文对相关文献进行了系统回顾，旨在探讨人工智能在预测NIV失败中的应用现状，并评估其在临床实践中的可行性和前景。

研究显示，已有六项研究利用人工智能技术对NIV失败进行了预测，共纳入3421名早产儿。这些研究涵盖了不同的模型类型，包括深度学习模型和传统的机器学习方法。其中，深度学习模型表现出较高的预测准确性，其曲线下面积（AUC）值达到0.861至0.93，而传统机器学习模型的AUC值则在0.78至0.89之间。总体来看，大多数模型的AUC值超过了0.8，被认为是具有临床应用价值的预测工具。

在这些研究中，常用的预测变量包括胎龄、血氧饱和度（SpO?）和最大吸入氧浓度（FiO?）。这些变量能够有效反映早产儿的生理状态和对NIV的反应情况。值得注意的是，不同研究中使用的变量略有差异，部分研究仅考虑了少量变量，而另一些则采用了更全面的变量组合。例如，有一项研究仅使用了两个变量，而另一项则结合了五个变量，这说明在预测模型的构建中，变量选择对于预测效果具有重要影响。

深度学习模型在预测NIV失败方面表现尤为突出。其中，一项研究采用多模态深度神经网络（MDNN）对NIV失败进行了预测，结果显示其AUC值为0.917，明显优于传统的逻辑回归（LR）和支持向量机（SVM）模型。另一项研究则使用了多模态变压器网络，该模型在3小时预插管时间点的预测准确度最高，AUC值达到0.88。这些模型能够处理多种数据类型，包括静态数据和动态时间序列数据，从而更全面地捕捉早产儿的生理变化。

除了深度学习模型，一些研究也采用了传统的机器学习方法。例如，Kakkilaya等人使用了逐步多元逻辑回归模型，其AUC值在内部验证时为0.78，但在外部验证时提高至0.81。这一结果表明，尽管模型在初始阶段的预测能力有限，但通过外部验证可以进一步提高其临床适用性。此外，Shen等人使用了LASSO回归方法筛选预测变量，随后采用多变量逻辑回归构建预测模型，其AUC值为0.825，显示出良好的临床有效性。

在这些研究中，模型的预测能力与所使用的变量数量和类型密切相关。尽管增加变量数量可以提高模型的准确性，但同时也增加了数据输入的复杂性和模型的计算负担。因此，如何在模型的复杂性和实用性之间取得平衡，是当前研究面临的一个重要挑战。例如，Kloonen等人构建的模型仅使用了少数几个容易获取的变量，如胎龄、SpO?和最大FiO?，这使得模型在临床实践中更具操作性。

此外，模型的外部验证对于评估其在不同人群和医疗机构中的适用性至关重要。目前，只有两项研究对模型进行了外部验证，且结果表明模型的AUC值在外部验证中略有提高。这说明，随着研究的深入，未来需要更多的多中心研究来验证这些模型的普遍适用性，从而确保其在临床中的广泛推广。

人工智能在预测NIV失败中的应用还具有其他潜在优势。例如，这些模型能够利用NICU中的大量实时数据，如心率、呼吸频率、SpO?和FiO?等，进行动态分析，从而更早地识别出可能失败的NIV病例。这不仅有助于及时调整治疗方案，如提前给予表面活性物质或进行气管插管，还能够减少不必要的干预，降低医疗成本和资源浪费。

然而，尽管人工智能在预测NIV失败方面表现出良好的性能，其在临床实践中的广泛应用仍面临诸多挑战。首先，模型的复杂性可能影响其在临床环境中的应用。深度学习模型通常需要大量的计算资源和数据支持，这在某些医疗资源有限的环境中可能难以实现。其次，医生对人工智能模型的理解和接受度也是影响其推广的重要因素。需要加强医生对模型原理和预测结果的培训，以提高其在临床决策中的可信度和实用性。

最后，本文指出，未来的研究应进一步探索不同形式NIV的失败率，以及人工智能模型在气管插管后预测失败的潜力。这将有助于更全面地了解NIV的使用效果，并为临床实践提供更科学的指导。此外，还需要更多的研究来验证这些模型的长期效果和安全性，确保其在临床中的稳定性和可靠性。人工智能技术的不断发展和医疗数据的积累，为实现更精准的预测提供了可能，但同时也需要克服一系列技术和实践上的障碍，以确保其真正成为改善新生儿护理的重要工具。