《Perioperative Care and Operating Room Management》：Perioperative predictive analytics and artificial intelligence in anesthesiology: a systematic review of clinical applications and outcomes
编辑推荐：
摘要背景电子健康记录系统和麻醉信息管理系统（AIMS）的广泛应用使麻醉学转变为一个数据密集型专科。这种数字化生态系统推动了大规模围手术期数据分析、机器学习（ML）和人工智能（AI）的应用，以改善围手术期风险预测、监测和临床决策。目的系统综合当前围手术期预测分析、机器学习、人工
摘要
背景
电子健康记录系统和麻醉信息管理系统（AIMS）的广泛应用使麻醉学转变为一个数据密集型专科。这种数字化生态系统推动了大规模围手术期数据分析、机器学习（ML）和人工智能（AI）的应用，以改善围手术期风险预测、监测和临床决策。
目的
系统综合当前围手术期预测分析、机器学习、人工智能以及大规模围手术期数据基础设施在麻醉学和围手术期医学中的现有证据，重点关注围手术期风险预测、术中监测和临床决策支持的应用。
方法
按照PRISMA 2020指南进行系统综述，并在PROSPERO数据库中注册。检索MEDLINE/PubMed、Scopus、Web of Science和Cochrane图书馆，截止日期为2024年12月，纳入评估麻醉学和围手术期护理中大数据、机器学习或人工智能应用的研究。由于存在显著的方法学异质性，采用结构化叙事综合方法进行分析。
结果
在大型观察性队列、多中心注册研究和模型开发研究中，基于机器学习的方法在围手术期死亡率、急性肾损伤、术中低血压、术后谵妄和再入院等结局的判别性能上通常优于传统风险分层工具，报告的受试者工作特征曲线下面积（AUC）经常超过0.85。整合高分辨率生理监测的应用在血流动力学和神经生理学恶化早期检测方面展现了良好能力，而决策支持系统则在围手术期工作流程标准化和护理路径依从性方面显示出潜力。持续存在的挑战包括数据质量和互操作性、外部验证不足以及算法透明度方面的担忧。
结论
大数据分析技术和基于人工智能的方法日益为围手术期预测分析、生理监测和临床决策支持的开发做出贡献。尽管部分应用——尤其是围手术期风险预测和术中监测——正显示出日益增长的转化潜力，但更广泛的实施需要在数据标准化、外部验证和可解释性方面加以改进，以确保安全有效地融入常规麻醉实践。这些发现对围手术期风险分层和常规临床护理中的实时麻醉管理具有直接意义。
引言
围手术期医学在术前评估、术中监测和术后护理过程中产生大量异质性临床数据、生理数据和行政数据。电子健康记录（EHR）、麻醉信息管理系统（AIMS）和多中心注册研究等围手术期实践的日益数字化，为大规模数据整合和预测分析创造了新的机遇。传统统计方法虽然临床实用，但在对高维围手术期数据集中的复杂非线性交互关系进行建模方面可能受到局限。
机器学习、人工智能和大规模围手术期数据方法正越来越多地应用于围手术期风险预测、生理信号分析、术中决策支持和术后结局分层。近期研究探讨了从低血压预测、急性肾损伤预测到术后谵妄评估和AI辅助临床决策支持系统等多种应用。这些方法在高频生理监测环境和大型多中心数据集场景中展现了良好的预测能力。
尽管围手术期预测分析研究迅速发展，但现有文献仍存在方法学上的异质性，涵盖多种临床领域、分析策略、验证方法和报告标准。此外，许多预测模型仍主要依赖回顾性观察数据集，而前瞻性实施研究、外部验证、校准评估和真实世界临床效用评估仍然相对有限。因此，需要对当前围手术期预测分析和AI生态系统进行全面综合，以明确该领域的成熟度、方法学优势和持续存在的局限性。
本系统综述旨在评估围手术期预测分析、机器学习、人工智能和大规模围手术期数字基础设施在麻醉学和围手术期医学中的当前应用，特别关注围手术期预测分析、方法学特征、验证策略和新兴实施挑战。
章节摘要
研究设计与方案
本系统综述按照PRISMA 2020指南进行，以确保透明、可重复和方法学严谨的过程。综述方案已前瞻性地注册于PROSPERO数据库（CRD420251246152），符合系统综述的国际最佳实践规范。
方法学方案包括预先确定的纳入标准、全面的文献检索策略、独立的研究筛选以及偏倚风险的临界评价。
结果
研究识别、筛选和选择过程（包括排除原因）在PRISMA流程图（图1）中进行了总结。在研究选择之后，纳入的文献显示围手术期预测分析、机器学习、AI辅助系统以及大规模围手术期数字基础设施在麻醉学和围手术期医学中的应用持续增加，这在很大程度上得益于电子健康记录数据的日益可用性和精细程度的提升。
讨论
本综述纳入的出版物包括原始观察性研究和具有临床相关性的围手术期人工智能与大数据方法学报告，提供了定量和概念性证据，支持预测分析在麻醉学和围手术期医学中的多种应用。这种方法学广度——从预测建模、连续信号分析到大型行政和基于注册研究——为该领域提供了全面概览。
结论
围手术期预测分析、机器学习和基于人工智能的方法正日益为多个围手术期领域的生理监测、围手术期风险分层和临床决策支持开发做出贡献。所综述的文献展示了从回顾性基于注册研究的围手术期流行病学向日益复杂的预测分析和AI辅助围手术期支持系统的渐进演变。
然而，主要
CRediT作者贡献声明
Daniel Tevar Flores：撰写——初稿、可视化、验证、软件、项目管理、方法论、调查研究、正式分析、数据整理。Nekari De Luis-Cabezón：可视化、验证、软件、正式分析、数据整理。Alfredo Abad-Gurumeta：验证、正式分析、数据整理。Uxía Gutierrez-Couto：资源、数据整理。Manuel á. Gómez-Ríos：撰写——审阅与编辑、撰写——初稿、验证、监督、项目
利益冲突声明
作者声明，他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文所报告的工作。
Daniel Tevar Flores|Nekari De Luis-Cabezón|Alfredo Abad-Gurumeta|Uxía Gutierrez-Couto|Manuel á. Gómez-Ríos
