基于自然语言处理（NLP）的AI模型预测神经外科择期手术患者非计划性重症监护（ITU）入院：临床决策支持的新突破

本研究针对神经外科择期手术后非计划性重症监护（ITU）入院率高（14-28%）且临床决策依赖主观经验的问题，开发了一种基于自然语言处理（NLP）的AI预测模型。通过分析2268例患者的电子健康记录（EHR），研究团队采用CogStack-MedCAT NLP框架提取8300个SNOMED-CT临床概念，结合随机森林（RF）算法实现ITU入院预测（召回率0.87）。该模型将临床专家漏诊的非计划性ITU病例比例从36%降至4%，显著优化了医疗资源分配。成果发表于《npj Digital Medicine》，为AI辅助临床决策提供了重要范式。

　　

神经外科手术后的重症监护资源分配一直是临床难题。尽管专业化的神经重症监护单元（neuro-ITU）能显著降低死亡率和住院时间，但约14-28%的患者会在术后因突发并发症转入重症监护（ITU），这类非计划性入院不仅增加医疗成本，更与不良预后密切相关。当前决策主要依赖医师经验，存在主观性强、漏诊率高等问题。在此背景下，Julia Ive团队在《npj Digital Medicine》发表研究，首次将自然语言处理（NLP）技术应用于神经外科电子健康记录（EHR）分析，开发出能精准预测ITU需求的AI模型。

研究采用三项关键技术：1）基于CogStack-MedCAT NLP框架从伦敦大学学院医院（UCLH）2210例择期神经外科患者的57,433份临床文档中提取结构化特征；2）通过Chi-squared检验和Benjamini-Hochberg校正筛选出20个关键临床概念（如"颅内脑膜瘤"、"中枢神经系统真菌感染"）；3）对比随机森林（RF）与BERT+LSTM模型性能，最终选择表现更优的RF模型（AUC 0.99）。

结果部分核心发现：

患者特征分析

ITU与普通病房患者的中位年龄相近（56 vs 57岁），但ITU组感染、疼痛和肌肉骨骼疾病发生率显著更高，而罕见神经系统疾病（如烟雾病）和血管异常（如后交通动脉瘤）则多见于普通病房患者。

模型性能

RF模型在测试集中表现出色：

• •

  总体召回率0.87（95%CI 0.82-0.91），其中非计划性ITU病例识别率达89%

• •

  将临床专家漏诊的ITU病例比例从36%降至4%

• •

  跨性别和种族亚组的分类公平性良好（指标比值0.99）

关键特征解读

SHAP分析显示，"骨质疏松"和"皮肤干燥"等特征降低ITU入院概率，而"颅内脑膜瘤"、"动脉瘤"等神经血管病变显著增加风险。LIME局部解释证实，非计划性ITU病例的预测主要依赖感染、疼痛相关概念的组合模式。

结论与意义

该研究首次证明NLP驱动的AI模型能有效挖掘EHR非结构化文本中的临床信号，突破传统结构化数据的局限。通过识别"感染-疼痛-肌肉骨骼"特征组合的预警价值，为建立表型驱动的风险分层工具奠定基础。实际应用中，该模型可集成至临床决策支持系统（CDSS），辅助医师在术前识别高风险患者，优化ITU资源配置。尽管仍需前瞻性验证，但这项研究为AI在围手术期管理中的应用提供了重要范例，其方法论框架也可拓展至其他外科领域。

研究团队特别指出，外部脑室引流（EVD）和迷走神经刺激器（VNS）电池状态等设备相关概念在预测中具有特殊价值，这反映了神经外科重症管理的专业特性。未来工作将聚焦于实时预警系统的开发，并探索初级保健数据与院内EHR的联合分析策略。