编辑推荐：
动脉低血压是全麻手术常见不良事件，与多种术后并发症相关。为预测术后低血压（PIH），研究人员开发并验证基于机器学习（ML）的预测模型。该模型有较好预测能力，能识别关键临床预测因素，有助于改善术前规划和风险分层。
在现代医疗中，全身麻醉下的手术为众多患者带来康复希望，但麻醉诱导后的低血压现象却像隐藏在手术过程中的 “暗礁”，给患者的安全带来了潜在威胁。动脉低血压在全麻手术期间频繁出现，且常常是意料之外的状况。别小看这血压的降低，即使只是短暂的低血压，也可能引发一系列严重的术后并发症。就像一场小小的 “风暴”，却能在患者的身体里掀起巨大的 “波澜”。研究发现，短至 1 分钟的平均动脉血压（MAP）低于 55 mmHg，就可能导致非心脏手术后的肾脏损伤。而术后急性肾损伤又会使患者的术后死亡率增加八倍之多！此外，低血压还和心肌损伤、中风等不良后果有着密切的联系。
麻醉诱导后的低血压（Postinduction Hypotension，PIH），它的发生可不是由单一因素决定的，而是受到患者自身的各种特征、长期服用的慢性药物、已有的基础疾病，以及特定的麻醉诱导方案等多种因素的复杂交互影响。传统的预测模型面对如此复杂的情况，就像 “小马拉大车”，往往力不从心，难以准确地捕捉到这些复杂因素之间的关系。在这样的背景下，机器学习（Machine Learning，ML）技术凭借其强大的数据处理能力和发现隐藏模式的 “慧眼”，成为了预测 PIH 的新希望。
为了更深入地探索这个问题，来自以色列 Sheba 医学中心等机构的研究人员开展了一项大规模的回顾性队列研究。他们从 2018 年 9 月 1 日到 2023 年 9 月 1 日期间，对接受全身麻醉下非产科手术的成年患者进行了研究。这些患者的信息均从电子健康记录（EHR）中收集而来。研究人员将 MAP 低于 55 mmHg 且发生在麻醉诱导后 10 分钟内定义为 PIH，以此为研究的主要终点。经过一系列复杂而严谨的研究过程，他们最终发现，PIH 在 20309 名患者中的发生率为 24.4%。更为重要的是，他们成功开发出了一种基于 ML 的预测模型，该模型在预测 PIH 方面展现出了显著的能力，其受试者工作特征曲线下面积（AUC）达到了 0.732。这一研究成果发表在《Journal of Clinical Monitoring and Computing》上，为临床麻醉管理提供了新的思路和方法。
在研究过程中，研究人员主要运用了以下几种关键技术方法：首先是数据收集与整理，从电子健康记录中获取了大量患者的相关数据，并进行筛选和整理，确保数据的准确性和完整性。接着采用 k 折交叉验证的方法，将数据分为训练集和验证集，以此来评估模型的性能。在模型训练方面，运用了基于树的管道优化工具（TPOT）进行自动化机器学习，并结合网格搜索法对模型的超参数进行优化。最后，利用信息增益法和 SHapley Additive exPlanations（SHAP）值来评估各个参数的重要性。
研究结果
- 描述性统计：研究纳入了 20309 名患者，其中男性占 53.4%，女性占 46.6%，患者的年龄中位数为 48.4 岁。单因素分析显示，经历麻醉诱导后低血压的患者，其高血压、慢性心力衰竭、慢性肾病等疾病的发生率，以及使用血管紧张素转换酶抑制剂 / 血管紧张素受体阻滞剂（ACEi/ARB）、钙通道阻滞剂（CCB）、β 受体阻滞剂等药物的比例，均显著高于未发生低血压的患者。此外，接受快速序贯诱导（RSI）的患者发生 PIH 的频率也明显更高。通过皮尔逊相关矩阵分析发现，大多数特征之间的相关性较低，表明数据具有非线性特征，需要采用非线性模型进行分析。
- 模型性能：经过自动机器学习过程，最终确定的模型为深度为 13、包含 50 棵树的随机森林模型。该模型在预测 PIH 方面表现出色，AUC 达到 0.732，而作为基线模型的逻辑回归模型 AUC 仅为 0.639。在准确性、召回率、精确率和 F1 评分等指标上，随机森林模型也优于逻辑回归模型，这充分证明了该模型在预测 PIH 方面的有效性和优越性。
- 特征重要性：通过特征重要性分析，发现对 PIH 发生率贡献最大的 5 个因素分别是丙泊酚剂量、诱导前收缩压和平均动脉压、β 受体阻滞剂的使用以及高血压。SHAP 值分析进一步表明，诱导前收缩压和平均动脉压较低、使用 β 受体阻滞剂等慢性药物，以及罗库溴铵和咪达唑仑剂量较低，都与 PIH 发生风险升高有关。
研究结论与讨论
这项研究表明，基于机器学习的模型能够有效地预测 PIH，并且确定了一些关键的临床预测因素。虽然该模型的精确率还有提升的空间，但它较高的召回率意味着能够识别出大部分可能发生 PIH 的患者，这对于临床医生提前采取措施优化患者的血流动力学状态具有重要意义。与以往的研究相比，该研究在规模和范围上都有了很大的突破，并且通过运用解释性工具，如 SHAP 值和特征重要性分析，使研究结果更具临床可解释性。
然而，研究也存在一些局限性。PIH 定义的差异使得不同研究之间难以进行比较和解释。研究使用的是回顾性数据，可能存在未测量的混杂变量。而且在实际临床应用中，由于诱导特征往往是回顾性记录的，模型的应用可能会面临挑战。此外，患者年龄分布的特殊性也可能影响研究结果的准确性。
尽管如此，该研究成功地将机器学习应用于 PIH 的预测，为临床麻醉管理提供了有价值的参考。在未来的研究中，需要通过前瞻性、多中心的研究进一步验证该模型的可靠性和通用性，不断提高其预测准确性和临床实用性，从而更好地为患者的围术期安全保驾护航。
