综述：人工智能在妇产科急诊中的应用

本文综述了人工智能（AI）在妇产科急诊中的作用与应用。AI 在诊断成像、预测病情、优化资源分配等方面发挥重要作用，能辅助决策、提高效率，但也存在准确性受限、数据有偏差等问题。作者呼吁医疗人员合理应用 AI，推动其在妇产科急诊领域发展。

　　

引言

在过去的五十年里，数据收集、存储和分析取得了重大进展，健康信息学也不例外。计算机从体积庞大、处理器缓慢、数据存储有限，发展到如今体积小巧、处理速度快且存储量大。超级计算机更是能力超群，能花费数天时间分析数据，构建模拟或预测模型，这些工作对人类大脑来说难度颇高。“知识金字塔” 模型阐述了数据收集的发展过程，即数据经过分析转化为信息，进而增加知识，最终升华为智慧。这些发展促使 “人工智能” 蓬勃兴起，人工智能旨在模拟人类思维。近年来，医学文献对人工智能的关注度急剧上升，在 PubMed 数据库中搜索 “人工智能” 这一术语，1951 年至 2023 年期间，相关文章数量呈指数级增长，1971 年前每年不足 10 篇，到 2023 年已跃升至 37000 多篇。

人工智能被定义为具备像人类一样推理和学习的能力。机器学习是开发无需编程即可学习的算法，它能让机器执行类似人类的认知功能和决策，用户无需输入大量编程指令。机器学习借助大型医学数据库进行自动化临床决策，在紧急情况下可高效、准确地运作。例如，在对急性腹痛（包括月经过多）患者进行分诊时，人工智能达到了可接受的准确率，它能综合多个输入变量快速做出决策。在医疗领域，当代人工智能相关技术的应用受多种因素推动，如紧急情况下的人为错误和繁重的工作量。人工智能可减少产科分娩期间胎儿监测的错误，还能缩短妇科肿瘤恶性肿瘤的诊断时间。随着世界联系日益紧密，医疗保健可利用国际登记处收集的高质量数据开发自动化决策工具，从人工智能中获益。然而，由于存在错误的可能性，急诊医疗服务提供者必须充分了解人工智能的局限性。包括妇产科在内的外科专业人员，应全面掌握人工智能的恰当应用，因为避免不必要的手术操作是急诊护理的关键目标。目前人工智能的应用情况参差不齐，需要向提供急诊医疗服务的妇产科医生提供有针对性的证据综合，阐述其潜在价值。因此，本文旨在回顾人工智能在妇产科急诊中的作用和应用。

方法

本综述遵循叙述性综述的写作指南进行。2023 年 11 月，在 PubMed、Google Scholar 和 Cochrane 图书馆中搜索英文文献，无时间限制。使用医学主题词、文本词和单词变体，并通过布尔运算符组合 “人工智能、妇产科” 等关键词。搜索妇产科相关词汇时，还涵盖了 “子宫内膜异位症、急性盆腔疼痛或急性腹痛；异位妊娠、流产、产科出血和分娩期护理”。浏览标题，阅读感兴趣的摘要，根据个人判断选择与本综述相关的文章。通过阿联酋大学国家医学图书馆检索文章，随后对检索到的文章进行批判性阅读和总结。插图来源于开放获取资源，必要时由作者绘制。

人工智能及相关术语的定义

人工智能是计算机科学的一个分支，它融合算法来执行通常需要人类智能（语言理解、信息检索、推理和学习）才能完成的任务，而这些任务并未预先编程。算法是解决问题的一系列有限计算步骤。机器学习（ML）是多种人工智能技术的结合，包括有监督和无监督学习，它能让算法从复杂的信息和过往经验中学习，迭代地执行人类任务，且无需添加更多编程指令。算法利用输入数据构建统计模型，这个过程称为训练，输入数据中的每个变量被称为一个维度。

深度学习涉及使用不同处理层从简单输入中提供高级信息的算法。人工神经网络（ANN）属于深度学习的范畴，它是模仿人类神经元网络的先进模型，能探索输入数据与感兴趣输出结果之间的非线性关系。人工神经网络至少包含三层：输入层、隐藏层和输出层，可能存在多个隐藏层。每层的神经元与下一层的所有神经元相连，但与同一层的神经元不相连。神经元输出的进展由一个方程控制，这个方程起到门的作用，决定输出是否继续，该方程被称为激活函数或传递函数，它决定神经元的激活状态。神经元的输入由模型的不同变量加权，从而在输入层和输出层之间实现学习过程。为了获得准确的输出，需要根据输出误差的反馈更新神经元的权重和偏差，这个过程称为反向传播。

计算机视觉算法通过研究图像的不同部分来分解图像。基于从不同图像中反复学习到的观察结果，机器对这些发现进行分类，从而做出诊断等输出决策。数据挖掘（DM）是在大型数据集中发现数据之间的关系、模式和异常，以生成人类通常难以察觉的未来预测。文本挖掘将文本作为数据，自然语言处理（NLP）是一种人工智能技术，它使计算机能够运用计算语言学读取、理解和解释人类的自然语言。信息检索（IR）用于组织、存储和从数据库或文档集合中检索文本信息。搜索引擎是一种信息检索系统，用户提出查询，检索模型根据相关性对文档进行排序，信息检索还可利用机器学习和自然语言处理技术来改进查询制定和文档选择。

人工智能在妇产科急诊中的应用

妇科急诊情况多样，常见的有盆腔肿块、卵巢囊肿（伴或不伴卵巢癌）、急性腹部和盆腔疼痛、异位妊娠、子宫内膜异位症、流产、妇科癌症的急性发作、乳房肿块和溢液、盆腔器官脱垂相关急诊、月经过多，以及不孕治疗过程中的急诊（如卵巢过度刺激导致的急性腹痛）。当前，在人工监督下，人工智能在妇科急诊中发挥着从诊断到治疗的辅助作用。例如，人工智能助力放射学诊断乳腺癌；在子宫内膜异位症的诊断和急性腹痛的分诊方面，人工智能也在不断发展。Jiang 等人对比了三种方法诊断 116 例卵巢子宫内膜异位症的准确性，包括传统 MRI、传统硬 C 均值（HCM）算法和模糊 C 均值（FCM）聚类算法这两种人工智能算法，结果显示 FCM 算法的诊断准确率最高（94.3%），其次是 HCM 算法（81.4%），传统 MRI 最低（63.2%）。在图像质量评估方面，FCM 算法也显著优于 HCM 算法（FCM 算法的 Dice 系数、敏感性和特异性分别为 0.92、0.9、0.93，HCM 算法则为 0.77、0.73、0.72）。机器人手术是人工智能应用的又一范例，人工智能简化了妇科癌症的分子生物学研究。借助人工智能驱动的 MRI 算法，子宫切除术能更高效地进行，术中出血减少，手术时间缩短。研究表明，在人工智能辅助的手术中，术中失血量 [10.00（6.25 - 15.00）ml 对比 10.00（5.00 - 15.00）ml，p=0.04] 和手术时长（41.32 ± 17.83 分钟对比 32.11 ± 11.86 分钟，p=0.03）均有统计学意义的下降，但从临床角度看，失血量的差异可能并不显著，因为研究采用非参数方法（Mann Whitney - U 检验）比较失血量，该方法比较的是秩次而非原始数据，所以即使中位数相同（均为 10ml），也可能出现统计学差异。

产科急诊处理至关重要，决策失误和干预不当会导致高死亡率和多种并发症。每年，产前问题致使约 350 万婴儿死亡。在医疗领域应用人工智能等新技术，旨在简化复杂决策，辅助医务人员做出最佳选择，及时处理急诊病例。在产科急诊中，机器学习算法发挥着诸多优势。通过监测胎儿运动，机器学习算法能更准确地诊断疾病，假阳性率更低。有研究利用机器学习算法检测剖宫产和顺产的需求，结果显示其敏感性达 94%，特异性为 91%，曲线下面积达 99%，相比早期研究中产科医生和助产士的预测方法，机器学习算法借助胎儿心率数据，显著提高了检测剖宫产和正常顺产的效率。数据挖掘算法可用于筛查异常子宫出血的女性，预测子宫内膜癌。人工智能生成的评分系统能成功预测普通外科不同术后并发症的风险，如 MySurgeryRisk 输出评分可预测急性肾损伤、ICU 入住超 48 小时、机械通气超 48 小时、伤口并发症、神经系统问题、心血管问题、败血症和静脉血栓栓塞等八种结果。利用术前可获取的电子健康记录数据，机器学习算法的自动预测分析框架（MySurgeryRisk 输出评分）对评估手术并发症和死亡风险具有较高的辨别能力。这些研究结果表明，人工智能在急诊医学中具有重要作用，值得在妇产科急诊领域开展更多研究，以明确其具体作用。近期一项针对卵巢子宫内膜异位症女性的研究显示，基于 MRI 图像的人工智能算法显著提高了诊断准确性；在对急性腹痛女性的分诊中，人工智能应用构建了准确的快速评估和分诊模型。该研究纳入 215 例不同程度急性腹痛患者，由急诊医生和人工智能分别进行分诊评估，结果表明在分诊 2 级时，所有系统都有一定的预测能力，神经网络在分诊 3 级时预测水平最高且可接受，而决策树是在分诊 4 级时唯一具有可接受预测能力的方法。

从业者的观点

一项关于人工智能在急诊医疗中应用的国际调查显示，大多数外科医生认可人工智能在急诊手术实践中对改善术前和术后决策的作用。尽管在调查中外科医生对人工智能充满热情，但近三分之一的人对人工智能的术语、定义和应用并不熟悉。那些不熟悉人工智能的人持相反观点，这凸显了开展教育和培训的必要性。在妇科领域，情况可能类似。继续医学教育在妇产科急诊中应用人工智能的过程中起着关键作用。为克服预期的障碍，医疗从业者和人工智能开发者应建立跨学科合作，这需要对从业者进行数字健康方面的培训。

伦理考量

自主、有益（不伤害）和公正，是医学伦理的核心原则，这些问题在急诊手术引入人工智能时凸显出来。知情决策是人工智能符合伦理应用的关键。在急诊环境中，人工智能引发了诸多问题，如数据治理和安全、错误责任界定以及技术效率等。人工智能的应用依赖大量训练数据集和算法验证，在处理技术问题的同时，必须谨慎对待不可避免地影响患者同意和数据保护的伦理问题，不能将人工智能当作一个不透明的 “黑箱”。要赢得患者和医疗专业人员的信任，就必须确保人工智能算法透明、易于理解。

综合考量

人工智能在几乎所有领域都备受关注，在医疗保健领域的应用也不断拓展，但目前一些工具尚未完全实现自动化。文献表明，人工智能已广泛融入医学领域，急诊领域也不例外，其在妇产科急诊中的作用正在不断发展。借助人工智能的实时预测分析，能够实现急诊问题的早期诊断，有望改善患者预后。从认知能力来看，人类大脑的处理能力远不及基础计算机，计算机可进行比人类神经带宽复杂数百万倍的计算。在急诊环境中使用人工智能，人们的观点各不相同，现阶段可能存在过度乐观的情况。Gartner Hype Cycle 展示了新技术的自然发展过程，目前人工智能在医疗领域的应用处于初始的热情阶段。预计后续将进入采用和评估阶段，在此过程中，从错误中汲取的经验教训将完善人工智能技术及其应用，最终达到成熟阶段，明确人工智能的作用和适用范围。

在急诊医学中应用人工智能，可利用计算机强大的计算能力，快速从大量观察数据中提取信息，准确预测临床结果。与在急诊医疗中倾向于线性思维的妇科医生相比，人工智能借助人工神经网络模型，能识别风险因素之间复杂的线性和非线性相互作用。在紧急情况下，人工智能利用机器学习方法，可快速、精准地评估发病和死亡风险。人工智能预测工具能为从业者提供指导，帮助他们预见决策或步骤对患者的影响，进而采取相应措施。例如，创伤结局预测器（TOP）这一交互式智能手机应用，在涉及 934053 名患者的研究中用于预测结果，对于穿透伤，其预测死亡率的曲线下面积（AUC）在推导时为 0.95，验证时为 0.94；对于钝性伤，推导时为 0.89，验证时为 0.88。不过，预测并发症（涉及多个分类数据）的难度大于预测死亡这一二元结果变量，其验证 AUC 范围较低（0.69 - 0.84）。此外，人工智能能够客观地进行预测，克服了在特定决策中，患者和临床医生可能存在的有意识或潜意识偏见，比如对剖宫产的偏见。人工智能甚至可通过自然语言处理在妇科临床检查中进行客观评估。

急诊病房的护理至关重要，医生往往需要在极短时间内做出大胆且有风险的决策，创伤管理也是如此，决策必须迅速且不可逆转。急诊科的工作量一直很大，近 50% 的病例属于创伤类。在提供正确输入信息以生成人工智能算法的情况下，人工智能可通过数据输入辅助处理这些问题，快速做出正确诊断、选择合适治疗方案，并及时将患者转至相关病房，减轻急诊护理的负担。人工智能能准确预测老年创伤患者的死亡风险，也可准确预测创伤急诊手术后患者入住 ICU 的需求，还能对穿透伤和钝性伤患者的风险和预后进行准确预测。在放射学诊断骨折方面，人工智能也有所应用。可以预期，在处理涉及孕妇和胎儿的创伤等产科和妇科急诊中，人工智能同样能发挥优势，创造更多机会。急诊手术和妇科需要准确、及时的诊断、分诊和治疗，自然语言处理和机器学习算法等人工智能工具，在危及生命的情况下为手术诊断提供支持。研究表明，人工智能在预测手术困难和促进及时干预方面效果显著。在急诊手术和妇科中使用机器人技术，人工智能也不可或缺，人工智能驱动的手术机器人使医生在解剖操作中更加精准、灵活。研究强调了机器人辅助在急诊手术中的有效应用，其有助于降低发病率，加快患者康复。

人工智能的局限性

尽管人工智能在妇产科急诊中的应用取得了令人鼓舞的进展，但将其融入现有妇产科急诊流程的困难不容小觑。需要明确的是，人工智能无法完全取代医疗专业人员。人工智能临床决策的主要局限性在于其准确性和预测性能并非完美，不过它能帮助医疗专业人员快速诊断，使他们有更多时间与患者或家属讨论医疗管理方案，从而减轻工作负担和职业倦怠，但不能完全替代医生。关键的临床决策是一个复杂的过程，需要综合考虑疾病情况、患者状况和偏好以及患者所处环境，应通过共同的知情决策实现个性化。人工智能可辅助评估风险，而患者或法定代表与治疗医生共同做出最终决策。此外，人工智能还存在诸多需要考虑的局限性。首先，算法统计模型的准确性取决于输入数据的准确性，错误或缺失的数据会影响预测模型的精度。其次，预测模型的适用性受其来源人群的限制，可能无法在全球范围内通用。再者，大多数临床研究、信息素养的提升和数据收集来自发达国家，这限制了人工智能在发展中国家的应用。另外，研究人员可能因自身偏见，在选择变量时有所局限。最后，社会经济、性别、种族和语言方面的偏见也会影响人工智能模型的准确性。

结论

人工智能在妇产科急诊中的应用前景广阔。在提供适当输入数据和人类专家监督的情况下，人工智能可辅助关键决策，预测急诊结果，节省时间，避免治疗延误。然而，由于妇产科医生对人工智能的原理和术语缺乏了解，可能对其价值持怀疑态度。未来，随着计算机科学的持续研发，人工智能系统将更加强大，有望改变手术模式。但为确保其安全、符合伦理地融入手术，需要制定明确规范，医疗从业者、人工智能开发者和监管机构应共同努力。同时，急诊医疗从业者也需参与多学科的持续教育和培训项目。