人工智能辅助的外科手术用血液准备：在前瞻性验证中克服现实世界挑战，以实现更安全、更高效的血液制备

《NEJM AI》：AI-Guided Surgical Blood Readiness: Overcoming Real-World Challenges in Prospective Validation for Safer, More Efficient Blood Preparation

个性化术前输血预测模型Smart Match通过机器学习优化血液管理，在真实世界中超越传统MSBOS和临床医生决策，并建立混合模型预估日血库需求。

　　

摘要

背景

目前的术前血液配型流程依赖于过时的、基于手术程序的最大手术血液需求计划（MSBOS），该计划未能考虑患者的个体风险。Smart Match是一种机器学习（ML）工具，能够预测患者的具体输血需求，已经经过内部验证。将其整合到实时工作流程中后，Smart Match展示了ML替代MSBOS的潜力，实现了个性化的、数据驱动的围手术期血液管理方法。

方法

利用一家三级学术医疗中心的电子病历中的82个变量和1921个特征，优化了一个定制的极端梯度提升（XGBoost）模型，用于在成人择期手术前预测围手术期红细胞（RBC）的输血需求，使其灵敏度与MSBOS的阈值相匹配。回顾性数据被分为训练集、验证集和测试集。在实际的择期手术案例中进行了前瞻性验证，将Smart Match的预测结果与MSBOS以及临床医生的术前血液配型行为进行了对比，评估了多个时间点的结果。此外，还开发了一个混合模型来估算每日血液库的需求。

结果

回顾性数据包括235,054例病例，输血率为3.04%（95%置信区间[CI]：2.97至3.11）。模型预测因素包括病史、实验室检查结果、人口统计学信息、手术信息、用药情况、输血历史和MSBOS的建议。测试数据的接收者操作特征曲线下面积（AUROC）为0.94（95% CI：0.93至0.95），精确度-召回率曲线下面积（AUPRC）为0.57（95% CI：0.53至0.61）。前瞻性验证（n=24,003，输血率为2.18%，95% CI：2.07至2.46）的AUROC仍为0.94（95% CI：0.92至0.95），AUPRC为0.55（95% CI：0.51至0.60）。前瞻性研究中，模型的灵敏度为0.72（95% CI：0.67至0.75），阳性预测值为0.34（95% CI：0.31至0.37），均优于MSBOS和临床医生的判断。我们的混合模型在估算每日红细胞需求方面表现更佳，测试集上的平均绝对误差为12.86（95% CI：11.86至13.84），而MSBOS的误差为13.34（95% CI：12.14至14.51）。

结论

Smart Match在性能上显著优于MSBOS和临床医生的判断，能够实时运行，下一步将通过随机对照试验来评估其实用性和临床效果。（该研究由美国国家普通医学科学研究所等机构资助。）