人工智能辅助的床旁超声在FAST创伤评估中检测腹部游离液体的诊断准确性：一项系统评价和荟萃分析

《BMC Emergency Medicine》：Diagnostic accuracy of AI-assisted point-of-care ultrasound for abdominal free fluid detection in FAST trauma assessment: a systematic review and meta-analysis

　　

摘要

研究目的

床旁超声（PoCUS）通过“创伤超声快速评估”（FAST）协议在创伤护理中得到广泛应用，但其准确性高度依赖于操作者。人工智能（AI）可能减少变异性并提高可靠性。本系统评价和荟萃分析评估了AI辅助PoCUS在检测创伤患者体内游离液体方面的诊断准确性。

方法

我们根据PRISMA-DTA指南，检索了截至2025年4月的PubMed、Scopus和Web of Science数据库（PROSPERO ID：CRD420250615096）。符合条件的研究使用FAST或等同于FAST的视图评估了AI辅助PoCUS，并提供了足够的诊断准确性分析数据。由于有一项符合条件的研究评估的是腹水患者而非创伤患者，我们将其纳入了更广泛的腹部游离液体分析中，但排除了其在仅针对创伤患者的敏感性分析之外。汇总估计值是通过双变量随机效应模型计算得出的。研究质量使用QUADAS-AI工具进行评估。

结果

共纳入了7项回顾性研究（n = 2,332名患者，>34,000张图像/视频）。汇总分析基于原始研究报告的诊断单位，这些单位在图像、帧、视频/片段、FAST视图和检查级别数据上存在差异。在仅针对创伤患者的分析中，检测腹部游离液体的汇总敏感性为91.1%（95% CI：77.9–96.8%），特异性为97.5%（95% CI：95.3–98.7%），异质性可忽略不计（I2 < 1.0），AUC为0.98。在包括非创伤性腹水患者的更广泛的腹部游离液体分析中，汇总敏感性为91.4%（95% CI：81.6–96.3%），特异性为96.8%（95% CI：86.5–99.3%），AUC为0.97。基于卷积神经网络（CNN）的模型表现相似（敏感性92.2%，特异性95.4%，AUC 0.97）。文献综述指出不同模型之间存在显著差异：表现优异的框架如YOLOv3和ResNet50-V2的敏感性为0.90–0.99，而其他模型（如VGG11_bn、MaskRCNN）的准确性明显较低。关于心包积液检测的证据仅限于一项回顾性研究，应谨慎解读。没有专门的盆腔视图诊断准确性数据。

结论

AI辅助PoCUS在创伤情况下进行FAST评估时，显示出检测腹部游离液体的良好回顾性诊断性能。目前最有力的证据支持其在腹部应用中的效果，而FAST检查中心脏/心包部分的数据仍不足。在推荐常规临床应用之前，需要进行具有实时工作流程整合的前瞻性多中心研究。

试验注册

PROSPERO（CRD420250615096）。