编辑推荐：
为优化危重症及外科患者血流动力学评估，研究人员探索 AI 应用，发现其价值不一，需更多验证。
在医疗领域，危重症和外科患者的治疗一直是挑战重重。其中，准确评估患者的血流动力学状况至关重要，它就像医生的 “透视眼”，能帮助医生了解患者体内血液循环的情况，从而做出更精准的治疗决策。然而，传统的血流动力学评估方法存在诸多问题。比如，常用的振荡式肱动脉袖带测量血压的方法，只能间歇性测量，就像拍照只能拍静态画面一样，无法及时捕捉血压的动态变化，而且在低血压和高血压测量时还容易出现偏差。对于一些患有循环性休克的高风险手术和 ICU 患者，虽然动脉内监测更准确，但却伴随着感染、出血和血栓等并发症风险。
为了解决这些难题，来自瑞士 MiCo、荷兰 University of Twente、葡萄牙 Centro Cardiovascular da Universidade de Lisboa 等机构的研究人员，以 “AI for the hemodynamic assessment of critically ill and surgical patients: focus on clinical applications” 为题在《Annals of Intensive Care》发表研究成果，深入探索人工智能（Artificial Intelligence，AI）在危重症和外科患者血流动力学评估中的应用。
研究人员主要采用了机器学习（Machine Learning，ML）算法这一关键技术。通过收集大量的生理数据，如光电容积脉搏波（Photoplethysmographic，PPG）波形、动脉压力波形、超声心动图图像等，并利用这些数据训练 ML 算法，使其能够学习到数据中的模式和规律，进而实现对血流动力学参数的预测和评估。
在血压测量方面，研究人员尝试利用 ML 算法从 PPG 波形中计算血压，以实现连续、无创的血压监测。PPG 波形可通过脉搏血氧仪轻松获取，这为在多种临床场景下进行便捷的血压监测提供了可能。然而，该方法需要定期用传统的振荡式肱动脉袖带法进行校准，而且外周灌注不良会影响其准确性。同时，ML 算法还可用于检测压力传感器的不当定位和异常阻尼，有助于提高动脉压力波形的质量，但目前其并非不可或缺。
对于低血压预测，首个商业化的 AI 模型低血压预测指数（Hypotension Prediction Index，HPI）备受关注。它基于动脉波形特征预测平均动脉压（Mean Arterial Pressure，MAP）<65 mmHg 的情况。不过，HPI 的开发过程存在数据泄露问题，导致其预测性能可能被高估。研究发现，HPI 与 MAP 密切相关，二者在预测低血压方面的性能相当，且都存在假阳性率高的问题。其他 AI 模型预测低血压的效果也未显著优于传统的血流动力学监测，这可能与训练数据缺乏相关信息有关。
在血流动力学分型上，ML 算法可整合多种数据来识别不同的血流动力学表型。但这些表型与传统医学教材或现代监测系统中的相似，且存在分类不一致的情况，可能导致治疗策略不当。相比之下，现有的简单分类表和视觉决策支持工具已能满足临床需求，ML 算法在这方面的必要性有待商榷。
超声心动图评估方面，AI 技术发挥了重要作用。随着超声设备的发展，POCUS 在评估心脏功能方面应用越来越广泛。ML 算法可识别超声图像、优化成像、自动测量关键超声心动图变量并减少测量的变异性，尤其对超声初学者帮助很大。例如，在左心室射血分数（Left Ventricular Ejection Fraction，LVEF）、主动脉瓣下速度时间积分（Velocity Time Integral，VTI）、下腔静脉（Inferior Vena Cava，IVC）直径等指标的测量上，AI 助力显著，还可用于教学。
研究结论表明，AI 在危重症和外科患者血流动力学评估中既有优势，也存在不足。其优势在于能够实现连续血压监测、辅助超声心动图评估等；不足则体现在部分技术准确性受影响、预测模型存在问题、血流动力学分型的临床实用性待验证等方面。这一研究意义重大，它为后续进一步优化 AI 技术在医疗领域的应用指明了方向，让人们认识到在临床应用 AI 技术前，需要进行充分的验证和研究，以确保其安全性和有效性。未来，只有克服 AI 应用中的诸多挑战，如数据质量、算法透明度、责任界定和成本等问题，才能让 AI 真正成为医疗领域可靠且不可或缺的工具，为患者带来更精准、高效的医疗服务。
