《Seminars in Fetal and Neonatal Medicine》：Can artificial intelligence predict failure of non-invasive respiratory support in the neonatal unit?
编辑推荐：
非侵入性通气（NIV）失败预测在早产儿中应用AI技术的潜力，基于PubMed检索的六项研究（3421例），使用深度学习、逻辑回归等模型，AUC值0.78-0.93，显示临床实用性。主要预测因素为胎龄、SpO2和最大FiO2，深度学习模型表现突出，但需更多多中心验证和临床整合。
埃莉诺·杰弗里斯（Eleanor Jeffreys）| 艾伦·詹金森（Allan Jenkinson）| 西奥多·达西奥斯（Theodore Dassios）| 安妮·格林诺（Anne Greenough）
伦敦国王学院生命科学与医学学院生命周期科学系妇女与儿童健康部门，丹麦山（Denmark Hill），伦敦，SE5 9RS，英国
摘要
背景
非侵入性通气（NIV）是新生儿重症监护病房（NICU）中重要的呼吸支持方式。然而，非侵入性通气失败可能导致早产儿出现不良后果。本叙述性综述探讨了利用人工智能（AI）来提高NIV失败预测能力的潜力，从而可能降低该人群的死亡率和发病率。
方法
使用PubMed进行了文献搜索，关键词包括AI、机器学习、NIV和新生儿学。纳入了使用AI模型预测新生儿群体中NIV失败或插管需求的研究。模型性能通过接收者操作特征曲线下面积（AUC）进行评估。
结果
共识别出6项研究，涉及3421名婴儿。使用了多种AI技术，如深度学习模型（例如多模态深度神经网络），以及更简单的机器学习模型（如逻辑回归和支持向量机）。AUC值范围为0.78-0.93，大多数模型的表现符合临床实用标准（AUC >0.8）。这六项研究中的关键预测因素包括胎龄、SpO2和最大FiO2。
结论
在NICU环境中，基于AI生成的NIV失败预测模型显示出潜力。深度学习模型尤其具有前景；然而，需要进一步的大规模多中心外部验证研究来评估其普遍性，并帮助将其整合到常规临床实践中。将AI模型用于首次尝试预测NIV失败可以改善临床决策和个性化护理。
引言
人工智能（AI）在日常生活中有很多应用，包括虚拟个人助手（如Siri或Alexa）、语音和面部识别，并开始以更复杂的方式应用于例如无人驾驶汽车的开发。此外，AI在其他科学研究领域也被广泛且有效地使用。欧洲研究委员会指出，与AI相关的出版物每年增长26%，其中物理科学和工程领域占比最高，达到50%[1]。AI在医疗保健领域的应用也在兴起，特别是在成人医学中，用于预测拔管失败[3]或促进脱离机械通气[4]。
然而，在新生儿学领域，AI的应用目前仍然较为有限。尽管如此，新生儿重症监护病房（NICU）是一个大数据环境。患者从呼吸、心血管、神经系统等多个方面受到持续监测，这些数据有可能被利用来改善新生儿预后、提高护理质量并降低成本[5]。Kwok等人[6]回顾了AI的应用方式，包括利用连续数据监测来预测晚发性败血症、预测治疗反应以及通过增加信息量来改善神经磁共振成像（neuro-MRI）。尽管存在挑战，但他们预测由于NICU是一个数据丰富的环境，AI将成为护理的重要组成部分。Jenkinson等人[7]的综述评估了AI预测早产儿拔管成功率的可能性，发现没有一种模型比临床预测因子更有效。
非侵入性通气包括不同的呼吸支持系统，如鼻咽持续正压通气（NPCPAP）、加热湿化高流量鼻导管（HHHFNC）、鼻间歇正压通气（NIPPV）和双水平正压通气（BiPAP）等。它有可能防止侵入性机械通气的不良影响，包括气压性和容积性损伤，从而减少炎症介导的损害，并降低支气管肺发育不良（BPD）的发生风险[8]。非侵入性通气可用于多种情况：作为主要呼吸支持；在给予表面活性剂期间及之后；作为插管和机械通气后的过渡支持。然而，NIV失败有时会导致早产儿的不良后果。Fernandez-Gonzalez等人[9]的研究表明，在胎龄小于32周且出生体重低于1500克的婴儿中，如果首次采用NIV治疗呼吸窘迫失败，其无BPD生存率较低（OR 0.08，95% CI 0.02-0.32），室周/室内出血（P/IVH）发生率高于二级（OR 6.22，95% CI 1.36-28），死亡率也较高（“NIV成功组”死亡率为0%，而“NIV失败组”死亡率为40%（p<0.001）），但这些结果来自单中心研究。目前，在临床实践中，NIV失败通常由临床医生根据一系列标准来判断，包括需要FiO2>0.4、呼吸性酸中毒和低碳酸血症、呼吸暂停或呼吸功增加以及血流动力学不稳定。一旦婴儿出现呼吸性酸中毒并且呼吸功增加，插管后的预后通常会更差。Fernandez-Gonzalez等人在他们的单中心回顾性研究中发现，“NIV失败组”的死亡率显著更高，BPD发病率更高，严重P/IVH发生率更高，家庭氧气需求也更高。他们还发现“NIV失败组”在NICU的停留时间更长[9]。
因此，本叙述性综述的目的是确定AI是否能够提高NIV失败的预测能力，从而降低死亡率和发病率。
方法部分
方法
在PubMed中进行了文献搜索，查找与使用AI模型预测早产儿或极低出生体重婴儿NIV失败相关的文章。搜索策略使用了包括人工智能、机器学习、深度学习、大型语言模型、神经网络模型*；非侵入性通气、CPAP；BiPAP；新生儿*；新生儿；早产；早产（？）*；早产儿出生；预测*等关键词。
模型的性能通过
结果
共识别出6项研究，涉及3421名婴儿，这些研究中使用了AI来预测新生儿群体中的NIV失败或插管需求（表1）。值得注意的是，有一篇论文预测的是需要侵入性机械通气，而不是NIV失败。两篇论文使用了相同的数据集（[10]和[11]），但采用了不同的模型。所有六项研究都使用了不同的预测特征来构建模型（表2）。重要的是，这些论文将NIV视为主要的呼吸支持方式
讨论
我们发现AI模型在预测NIV失败方面的表现良好，可能优于临床预测因子。报告的AUC值范围为0.78-0.93。通常认为AUC值大于0.8具有临床实用性[18]。只有一组使用前向逐步多元逻辑回归分析在内部验证中获得了低于0.8的AUC，但在外部验证中获得了可接受的AUC 0.81[12]。Fernandez-Gonzalez等人[9]发现NIV失败
结论
人工智能生成的预测模型已经变得更为复杂。尽管相关研究数量相对较少，但本综述发现AI在预测最初接受NIV支持的早产儿NIV失败方面具有作用。特别是深度学习模型（DLM）显示出巨大潜力。需要进一步的研究来验证这些模型并将其整合到临床实践中。
