人工智能 (AI) 已经显著改变了血液动力学监测，并在未来有进一步发展的潜力。人工智能提供超越经典压力和波形分析的新监测方法，包括先进的图像分析和密集的波形评估（图1）。在篇短文中，我们探讨了AI对血液动力学监测各个领域的当前和未来影响。
优化当前血流动力学监测
不同的临床环境需要不同的监测策略。在儿科和新生儿重症监护中，非休克患者首选无创监测。基于AI的热成像可以预测休克，仅在必要时允许接触式或有创监测，从而改善资源管理和患者体验。
AI还增强了现有的监测设备，包括心电图 (EKG)设备等。深度神经网络分析单导联心电图数据，能够检测左心房压升高并估算左心室射血分数[2]。对于侵入性监测，基于人工智能的脉搏轮廓分析能够从动脉波形中提取搏出量（SV），其性能优于传统方法。
此外，AI有潜力解决诸如正常血压掩盖心血管储备受损等挑战。在血压，近红外光谱 (NIRS) 脑氧合和经颅多普勒 (TCD) 血流速度等数据上训练的支持向量机在预测低血容量方面显示出了潜力，其中TCD显示出最高的特异性。由于复杂性，严格来说这不是诊疗标准，人工智能可以使这些技术在临床上变得可行，且更不受操作者经验的影响。
预测血流动力学恶化
重症监护室（ICU）数据丰富，特别是在血流动力学监测方面，使其成为AI应用的理想场所。动脉波形可能因代偿机制而保持稳定，像低血压预测指数（HPI）这样的算法可以通过分析动脉波形来预测低血压的发生。在随机试验中应用像HPI这样的AI，已证实显著减少ICU中低血压事件的发生。这些试验表明，要真正影响临床实践，行为改变和对AI衍生算法的遵守是必不可少的。
血流动力学状况的分类或表征
AI有助于对患者和疾病进行分类，例如区分心房颤动和窦性心律。AI模型甚至可以预测心律失常的发生，为预防干预铺平道路。主动脉瓣狭窄（AoS）是另一种可以从AI驱动的分类中受益的情况。AoS通常通过经胸超声心动图（TTE）进行诊断，但使用血压波形的AI模型可无创检测，且准确性良好。这种方法可以减少常规TTE的需求，并扩大瓣膜异常的筛查策略，且可能扩展到其他瓣膜异常。
AI还用于对休克和低血压类型进行分类。例如，层次聚类确定了六种不同的术中低血压类型，为个体化的治疗方案提供了参考。
治疗支持
AI模型为治疗决策提供实时支持。例如，通过分析ICU数据，血流动力学稳定指数（HSI）可以预测危重患者的不稳定情况，AUC为0.82，特异性为92%。HSI提供置信区间和特征重要性的能力使其适合重症监护应用。
AI还支持特定的治疗方法，如液体负荷治疗。分析动脉波形的随机森林机器学习（ML）模型比脉压变异等传统方法更准确的预测液体反应性。这使得个体化的液体管理，有可能改善危重患者的预后。
提高工作效率
ICU中的假心律失常警报会导致噪音干扰和警报疲劳，影响患者护理。基于AI的深度学习框架，如卷积神经网络（CNN）结合对比学习，提高假警报的检测率，假警报准确性达86%，真警报准确性达96%。
闭环系统（闭环系统（Closed-Loop System） 是一种自动化控制系统，它能够根据反馈信息实时调整其操作，以达到预定的目标或维持特定的状态。与**开环系统（Open-Loop System）**不同，闭环系统具有自我调节和自我纠正的能力，能够根据外界环境或内部状态的变化自动做出响应。）已经在机械通气中应用，目前正在探索用于血流动力学监测和自动药物治疗调整。这些系统还可以通过提供基于特定血流动力学目标的实时反馈来优化心肺复苏等机械支持来改善结果。
未来展望
AI正在重塑血液动力学监测，有可能基于已识别的表型和内型进行个性化治疗。然而，一个主要挑战仍然存在：临床验证。尽管许多AI模型在技术上是成功的，但很少有随机对照试验（RCTs）表明患者结果得到改善或医疗效率提高监管机构目前评估人工智能模型是否按声明的那样运行，但这并不保证其临床效果。此外，对于人工智能模型应多久更新或重新验证一次以在变化的临床环境中保持准确性，缺乏指导性意见。
总之，虽然AI在改变血液动力学监测方面具有巨大的潜力，但要成功融入到临床实践中，需要彻底的验证，定期更新以确保持续准确性，融入到现有的医疗基础设施中，并专注于改善临床结果。
■翻译：郑朗静
■审校：左素敏、江利冰
■编辑：陈潇婷
微信号｜浙大二院急诊医学科
本推文旨在总结学习，
分享交流，
如有错误与不到之处，
欢迎联系我们批评指正。
