《Journal of Clinical Anesthesia》：Deep learning algorithms for predicting intraoperative hypotension: A systematic review and meta-analysis
编辑推荐：
•深度学习对术中低血压的预测达到了中等诊断准确性（AUC 0.87）。•混合CNN-RNN架构的特异性优于纯CNN（β = 1.77）。•5分钟预测窗口在提前预警时间和准确性之间提供了最佳平衡。•普遍缺乏校准评估限制了临床转化应用。•需要进行多国前瞻性验证并报告校准结果。引言
- •
深度学习对术中低血压的预测达到了中等诊断准确性（AUC 0.87）。
- •
混合CNN-RNN架构的特异性优于纯CNN（β = 1.77）。
- •
5分钟预测窗口在提前预警时间和准确性之间提供了最佳平衡。
- •
普遍缺乏校准评估限制了临床转化应用。
- •
需要进行多国前瞻性验证并报告校准结果。
引言
术中低血压（IOH），传统定义为平均动脉压（MAP）低于65 mmHg且持续至少一分钟，据估计影响约5%至33%接受非心脏手术的患者，其发病率根据所采用的定义和临床人群的不同而有显著差异[1]。不断积累的证据表明，即使是短暂的术中低血压发作也与一系列严重的围手术期并发症独立相关，包括心肌损伤、急性肾损伤、围手术期卒中以及30天死亡率升高[2]、[3]、[4]。尽管这些风险已被充分认识，但针对术中低血压的干预反应仍主要为被动式：常规血压监测仅提供实时数值而无预判能力，当低血压事件被检测到时，进行抢先性血流动力学干预的窗口可能已经过去，导致可避免的内脏器官低灌注暴露[5]。
基于人工智能的预测工具为主动式血流动力学管理提供了一条有前景的途径。低血压预测指数（HPI；Edwards Lifesciences，美国加州尔湾），是首个获得监管批准用于术中低血压预测的商业化算法，通过分析逐搏动脉压波形特征来实时提供连续风险评分，但其为专有技术，需要侵入性动脉置管，且无法接受独立审查[6]、[7]。早期非专有的研究大多依赖传统机器学习算法——逻辑回归、支持向量机、随机森林和梯度提升树——其性能受限于对人工特征工程的依赖[8]。深度学习通过从高维生理时间序列数据中直接学习层次化表示来扩展了这一方法。卷积神经网络（CNN）检测局部波形模式，循环神经网络（RNN）和长短期记忆网络建模时序依赖性，基于注意力机制或Transformer架构则对具有临床意义的时间点或通道赋予不同权重[9]。这些方法可使用原始波形、数值监测参数和多模态临床数据，但同时也需要仔细控制过拟合、校准、选择偏差和外部可迁移性。尽管相关文献发表速度不断加快，但现有证据在架构、预测时间范围、输入模态、IOH参考标准和分析单位等方面仍存在异质性，无法进行直接的临床综合分析。
既往关于基于AI的IOH预测的系统性综述和Meta分析仅限于HPI和传统机器学习算法——如逻辑回归、支持向量机和随机森林——未将深度学习架构作为一个独立的、方法论上连贯的类别进行专门讨论[10]、[11]、[12]、[13]、[14]。因此，本综述纳入接受术中血压监测的成年外科患者；使用波形、数值或多模态生理数据的深度学习模型；由各研究报告的阈值所定义的IOH；以及通过AUC或可提取的2×2表表示的诊断性能。我们纳入在常规手术环境中进行的回顾性或前瞻性人类研究，并记录每个验证数据集的验证类型、输入模态、预测窗口、参考标准和分析单位。
在本综述纳入的研究中，深度学习也被应用于围手术期波形解读、多模态生理监测以及可解释的动脉血压趋势分析[15]、[16]、[17]、[18]、[19]。CNN在检测局部波形模式方面具有优势，但这些模型可能需要大量标注数据集，可能对选择偏差和分布漂移敏感，并且可能无法充分表征长程时间依赖性。当校准、可解释性、计算需求和外部可迁移性未得到充分评估时，临床转化同样受到限制。这些局限性解释了为何仅凭较高的区分能力不应被解读为临床效用的证据。
我们的主要目标是确定汇总诊断准确性（敏感性、特异性和SROC-AUC）。次要目标是通过按预测窗口、深度学习架构、输入模态、IOH参考标准和分析单位预设的分层分析来识别异质性来源，并使用随机效应Meta回归量化效应调节因子。我们预设的主要零假设为汇总SROC-AUC不超过0.50，次要零假设为预设的调节因子不会改变汇总敏感性或特异性。
章节摘要
方法
本系统性综述按照诊断准确性试验的PRISMA（Preferred Reporting Items for Systematic Reviews and Meta-Analyses of Diagnostic Test Accuracy，诊断试验准确性系统综述与Meta分析优先报告条目）指南进行开展，涵盖综述的全部内容，包括摘要、引言、方法、结果和讨论（补充表1）[20]。结构化摘要按照PRISMA 2020摘要清单准备（补充表2），数据库检索报告遵循PRISMA-S清单
研究筛选
初始系统性数据库检索共识别出1390条潜在相关记录（PubMed：242条；Embase：619条；Web of Science：496条；Cochrane图书馆：33条）。这些记录被导入EndNote X20，并删除了350条重复记录。D.J.和C.Z.独立筛选了1040条唯一记录的标题和摘要，排除了1020条明显不符合纳入标准的记录。剩余20篇报告全文由D.J.和C.Z.独立获取并评估；
主要发现
据我们所知，这是首个在统一的诊断准确性框架下全面评估用于术中低血压预测的深度学习算法的系统性综述和双变量Meta分析。在来自九项可定量汇总研究的22个验证数据集中，深度学习模型的汇总敏感性为0.78（95% CI 0.73–0.81），汇总特异性为0.88（95% CI 0.82–0.92），汇总SROC曲线下面积为0.87（95% CI 0.83–0.90），
结论
深度学习算法对术中低血压预测达到了中等诊断准确性，混合CNN-RNN架构显示出更优的特异性，5分钟预测窗口在预警时间和信号保真度之间提供了最理想的平衡。然而，普遍缺乏正式校准评估、外部验证的稀缺性以及证据基础的地理集中性制约了立即临床转化。前瞻性多国研究
生成式AI及AI辅助技术在文稿准备过程中的声明
在本文的准备过程中，作者使用了AI辅助工具来支持语言编辑和可读性提升。在使用这些工具后，作者根据需要审阅并编辑了内容，并对已发表论文的内容承担全部责任。
CRediT作者贡献声明
段俊丰：撰写——初稿，软件，数据整理，概念构思。陈正时：撰写——初稿，形式化分析，概念构思。王家裕：撰写——审阅与编辑，软件，数据整理，概念构思。
资助
本研究未获得公共、商业或非营利部门资助机构的任何专项资助。
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，这些情况可能会影响本论文中所报告的工作。
致谢
作者感谢在本文撰写过程中提供有益意见的同事们。
段俊丰|陈正时|王家裕
