第一期--择期非心脏手术中基于机器学习低血压预警系统的研究

目前，全世界范围内每年有超过3亿患者需要接受手术治疗，其中术中低血压事件发生率可高达87%。对于择期非心脏手术，低血压可导致肾脏灌注不足、心肌受损等并发症，使得围术期死亡率增高，但导致术中低血压的相关因素通常是多方面的，包括麻醉药物、患者并存疾病、外科因素等。因此，如何将围术期低血压事件降到最低，一直以来备受关注与挑战。

传统的术中低血压管理方法主要为发现后尽早干预，随着人工智能在医学领域运用的迅速进展，通过机器学习技术或可使更早地预测低血压成为可能，Hatib等开发了一种算法，即低血压早期预警系统，能够在血压下降之前几分钟预测事件的发生；来自阿姆斯特丹大学医疗中心Wijnberge等在对该预警系统进行了改良的基础上，开展单中心临床随机对照研究，结果发表于2020年JAMA杂志。

那么机器学习衍生的术中低血压预警系统能否与血流动力学诊断指导和治疗方案相结合预测术中低血压的发生呢？在这项单中心随机临床试验中，研究者共纳入了68名择期非心脏手术患者，随机分入低血压预警系统组和标准监护组，主要结局指标为比较两组间的低血压时间加权平均值，分别为0.10mmHg和0.44mmHg具有显著的统计学差异，其中血压加权平均值定义为血压低于65mmHg的数值乘低于65mmHg的时间除以总的手术时间；同样地，与对照组相比，基于机器学习的低血压早期预警系统组发生低血压总时间平均为8.0分钟，明显低于标准监护组的32.7分钟。

该早期预警系统所包含的23个参数均由动脉波形中所获取，当预警系统的阈值超过85时，表明患者在接下来的15分钟时间内发生低血压事件概率为85%，系统将同时出现预警提示光源和声音。低血压事件定义为血压低于65mmHg的时间超过1分钟。

当然，需要注意的是这项临床试验存在一定的局限性；比如纳入的病例均需进行有创动脉压监测，同时未来应进一步进行多中心、大样本研究才会更有指导意义，总之，基于人工智能的机器学习预警系统将使麻醉医师有更多更好的策略与选择，降低患者围术期不良事件如低血压、低氧血症等，改善围术期患者安全与预后。