人工智能在结石相关性尿路感染全程中的应用：影像学、尿源性脓毒症预测与抗菌药物管理

《African Journal of Urology》：Artificial intelligence across the stone-associated urinary infection pathway: imaging, urosepsis prediction, and antimicrobial stewardship

　　

摘要专业翻译 与尿石症相关的复杂性尿路感染（complicated urinary tract infection, UTI）在临床上仍具挑战性，因为梗阻、感染性结石、微生物学确诊延迟以及抗菌药物耐药（antimicrobial resistance, AMR）可能在同一患者身上同时出现。当人工智能（artificial intelligence, AI）被定位为临床风险整合工具而非孤立的图像识别技术时，其可对该诊疗路径提供支持。研究人员对PubMed/MEDLINE、Scopus、Web of Science及Google Scholar数据库自建库至2026年7月31日的文献进行了结构化叙述性检索，并辅以参考文献追溯及相关临床与报告指南的补充。该综述区分了结石相关感染及围手术期感染结局的直接证据，与结石检测、体积测量、复发预测及一般尿路感染抗菌药物管理中的间接证据。影像组学（radiomics）与机器学习（machine learning, ML）研究显示出有前景的判别能力，但现有证据仍以回顾性研究为主，且常缺乏外部验证、完整的校准报告及前瞻性影响评估。因此，人工智能应被视为泌尿外科评估、培养、影像学检查、抗菌药物管理及及时感染源控制之外的辅助工具。在非洲地区环境下，务实的验证必须考虑当地耐药模式、CT及微生物学检查可及性不均、转诊延迟、基础设施条件以及紧急引流措施的可用性。

论文主体内容专业总结

1 引言

复杂性尿路感染并非单一的临床实体，而是一种风险状态，宿主因素、结构异常、梗阻、器械操作或合并疾病均可增加治疗失败和严重结局的概率。当复杂性尿路感染与尿石症并存时，诊断和治疗问题变得更加紧迫。结石可能阻塞尿液引流、在生物膜内庇护细菌、维持持续感染，或诱发肾盂肾炎和尿源性脓毒症（urosepsis）。在此情况下，临床决策具有时间敏感性：抗菌治疗、微生物学采样、影像学检查、泌尿外科引流及术后监测必须在获得确定性培养结果之前协调进行。临床负担还受到两大趋势的强化：一是尿石症在全球范围内增加且高度复发，二是抗菌药物耐药使尿路感染的经验性治疗复杂化。延迟识别感染性梗阻可能导致脓毒症，而过度诊断则可能促进不必要的住院、影像学检查和广谱抗菌药物使用。该综述使用“结石相关性复杂性尿路感染”作为涵盖性术语，并区分了“感染性梗阻”“感染性结石”与“感染结石”等概念。传统诊断工具虽必不可少但存在局限：尿液分析快速但缺乏特异性；尿培养确切但延迟；超声可及但对部分结石和输尿管位置敏感性较低；CT提供解剖细节但需结合症状、实验室发现和微生物学风险进行解读。人工智能，包括机器学习、深度学习和影像组学，已进入该领域作为风险分层和决策支持的潜在工具。在泌尿外科中，基于AI的方法已被应用于结石检测、分割、成分预测、复发估计、手术结局预测和围手术期风险评估；在感染性疾病诊疗中，机器学习模型已被开发用于预测尿路感染风险、抗菌药物耐药和抗生素不匹配。该叙述性综述旨在整合结石相关性尿路感染路径中的直接和邻近AI应用，并提出评估和实施的实用框架。核心论点是：只有当每个模型与明确的人群、临床任务、结局和行动相关联时，AI才能对泌尿外科诊疗做出贡献。

2 叙述性综述方法

研究人员进行了结构化叙述性文献综述而非系统综述或荟萃分析。检索概念将人工智能、机器学习、深度学习、神经网络、影像组学和临床决策支持与尿石症、肾结石、输尿管结石、感染性结石、结石检测、分割、体积测量、尿路感染、感染性梗阻、肾盂肾炎、全身炎症反应综合征、尿源性脓毒症、术后感染、抗菌药物耐药和抗生素管理相结合。优先纳入在尿路结石、结石相关感染或结石手术感染并发症患者中评估AI或影像组学方法并报告临床可解释性能或验证信息的原始研究。研究按临床任务和结局分组：感染性结石或肾结石相关性尿路感染的识别；上尿路结石相关尿源性脓毒症的识别；术后全身炎症反应综合征或尿源性脓毒症的预测；结石检测和负荷评估；复发预测；以及抗菌药物决策支持。前三组被视为直接或近似直接证据，其余组被视为间接支持性证据，不用于声称在结石相关性复杂性尿路感染中的验证性能。

3 范围与贡献

结石相关感染中AI的文献分散于放射学、腔内泌尿外科、感染病学、抗菌药物管理和临床预测建模等领域。这种碎片化造成了一个临床问题：一个技术上成功的结石检测、影像组学分类、复发预测或抗生素选择模型，并不能自动回答床旁问题——患者是否存在需要紧急泌尿外科干预的感染性或易感染梗阻性结石。该综述的原创贡献在于将这些分散的AI应用组织成一个面向临床的结石相关性复杂性尿路感染框架。该框架围绕泌尿外科决策路径连接影像学、脓毒症预测和抗菌药物决策支持：感染性梗阻的识别、恶化风险评估、经验性治疗选择、引流时机、术后监测以及部署前的治理。由于现有研究涉及不同人群、输入、模型任务、验证策略和结局，该综述采用主题性和实践导向的综合方式而非统计学汇总。

4 结石相关感染中AI的临床依据

直接证据指在结石合并并发感染目标患者中开发的模型，包括肾结石相关性尿路感染、感染性结石成分、上尿路结石相关尿源性脓毒症或结石手术后的感染并发症。间接证据指用于结石检测、分割、体积测量、代谢性复发或一般尿路感染人群抗生素选择的模型。主要临床问题不是AI能否检测到结石，而是临床医生面对的患者是否存在需要紧急治疗、引流、住院、更密切监测或抗菌药物调整的结石相关感染。结石相关感染是多模态问题：症状、发热、炎症标志物、肾功能、尿液分析、既往培养结果、结石负荷、梗阻、CT衰减值、放射学纹理和手术因素均可能影响风险。AI的价值最好被理解为结构化风险整合。一个有用的模型不仅应说明结石存在，还应帮助识别结石是否可能为感染相关、患者是否有恶化风险、以及考虑到患者病史和当地耐药模式，抗菌方案是否可能失败。这种框架很重要，因为它防止过度宣称：AI不应被呈现为感染源控制、微生物学、泌尿外科评估或脓毒症方案的替代品，其最现实的作用是支持分诊、优先级排序和抗菌药物管理。这一区分与当前临床指南一致：欧洲泌尿外科学会推荐对脓毒症合并梗阻性结石进行紧急集合系统减压，使用输尿管支架或经皮引流，并将确定性结石治疗延迟至脓毒症消退后。

5 影像学、影像组学与结石相关性尿路感染的识别

影像组学已成为结石相关感染最有前景的方法之一，因为CT图像包含超越常规临床解读报告的定量信息。纹理、密度分布、形状和病灶周围特征可能反映结石成分、细菌定植、梗阻、炎症或感染的间接征象。机器学习模型可将这些特征与临床变量结合以分类肾结石相关性尿路感染。最直接相关的证据来自整合CT影像组学特征和临床变量以区分肾结石相关性尿路感染与无并发症结石病的研究。此类工作具有临床吸引力，因为CT已是许多疑似梗阻性结石患者诊断路径的一部分。然而，影像组学模型易受技术变异影响：扫描仪协议、重建核、分割方法、造影剂使用和特征提取流程均可改变模型性能。在一个机构训练的模型可能无法推广到另一个机构，除非预处理和验证被仔细标准化。因此，影像组学应被视为风险预测中的候选层，而非独立的诊断测试。早期关于尿路感染性结石的影像组学研究也支持CT衍生特征可有助于感染相关结石成分的无创识别这一前提。