摘要
背景：术后脓毒症及相关感染性并发症仍然是腹部手术后发病率的主要原因。人工智能（AI）和机器学习（ML）模型可能有助于更早进行风险分层，但其泛化能力及临床成熟度仍存在不确定性。方法：我们系统地检索了PubMed、Scopus和CENTRAL数据库，从建库至2026年8月10日，纳入开发、验证或评估AI/ML模型用于预测重大腹部或普通外科手术后术后脓毒症、术后感染/手术部位感染（SSI）、吻合口漏或术后胰瘘（POPF）的研究。SSI、吻合口漏和POPF作为不同的术后终点分别进行分析，未被视为临床脓毒症的替代定义。两名审稿人独立进行文献筛选和数据提取，并使用PROBAST + AI评估偏倚风险和适用性。由于临床和方法学异质性显著，结果采用叙述性综合。本综述已在PROSPERO注册（CRD420261492111）。结果：共纳入45项研究：11项涉及脓毒症相关结局，其中包括6项以脓毒症相关建模终点为主要目标的研究，其定义范围从共识Sepsis-3标准到编码定义或基于SIRS的定义，以及基于qSOFA的替代指标；19项评估术后感染/SSI；8项评估吻合口漏；5项评估POPF；2项评估更广泛的术后并发症。模型性能因结局类型、手术人群、预测时机、预测因子可用性及验证策略的不同而存在差异。45项研究中有15项对主要模型提供了严格的时序、地理/外部中心或独立研究者评估，但在开发环境之外性能保持情况不一。更复杂的ML方法未能可靠地超越传统回归方法。45项研究中有9项报告了明确的校准分析，7项报告了决策曲线或净获益分析，没有一项研究前瞻性地评估了模型引导的护理对临床结局的影响。对于主要术后脓毒症/脓毒性休克预测，证据确定性极低；对于术后感染/SSI，证据确定性低；对于吻合口漏和POPF，证据确定性极低。结论：尽管部分AI/ML模型显示出令人满意的预测性能，但现有证据仍不足以支持在重大腹部外科人群中常规使用AI/ML预测模型。未来研究应优先考虑明确定义的临床使用场景、多中心外部验证、校准分析、前瞻性工作流程评估，以及在常规实施前展示可操作的临床获益。
