综述：心脏手术后的 shocks 中的机器学习：对临时机械循环支持的影响

《Journal of Cardiothoracic and Vascular Anesthesia》：Machine Learning in Post-Cardiotomy Shock: Implications for Temporary Mechanical Circulatory Support

　　

Jay S. Saggu|Harrison R. Herrera|Zhide Meng|Patrick M. Wieruszewski|Jacopo D’Andria Ursoleo|Rusul I. Al-Ani|Christoph G. Nabzdyk|Thomas B. Comfere|Elena Giovanna Bignami|Jakob Wollborn|Harish Ramakrishna|Juan G. Ripoll

美国马萨诸塞州波士顿布里格姆妇女医院麻醉学、围手术期医学与疼痛医学部

摘要

心术后休克（PCS）是一种特殊类型的心源性休克（CS），发生在心脏手术后，需要迅速做出关于临时机械循环支持（tMCS）的决策，包括设备的选择、配置和撤除。机器学习（ML）作为一种策略，能够整合高维的围手术期数据，辅助临床决策，超越传统的风险评分系统。本文通过专家综述评估了ML在PCS各阶段的应用，包括早期风险识别和分型、tMCS的启动、管理和撤除以及预后预测。同时，我们也总结了ML模型开发的关键方面，如特征选择、结果定义、外部验证和临床应用。现有证据最支持其在风险分层、死亡率预测和撤除支持方面的应用，尤其是在 venoarterial extracorporeal membrane oxygenation（V-A ECMO）患者群体中。然而，大多数模型都是回顾性的，基于异质性的休克患者群体，且缺乏在PCS特定患者群体中的前瞻性验证。关于自动化设备调整的研究前景可观，但仍处于临床前阶段。ML应作为临床判断的辅助工具，而非替代手段。未来的进展将依赖于高质量的PCS数据集、前瞻性验证、无缝的工作流程整合以及确保安全、透明和公平实施的监管框架。

章节片段

引言

心术后休克（PCS）是指心脏手术后出现的心脏泵功能严重衰竭状态，其特征是心输出量不足，导致组织灌注不足，可能发生在尝试脱离心肺旁路（CPB）期间或术后早期（通常在48-72小时内），需要增加药物支持（強心剂和/或血管加压剂）和/或启动机械循环支持。¹

机器学习基础

机器学习（ML）是人工智能（AI）的一个子领域，它利用算法在无需显式编程的情况下学习特征（输入变量或预测因子）与输出（标签）之间的关系。^{9, 10, 11}这些模型通过现有数据集进行训练，然后应用于新的观测数据以生成预测或分类。⁹ broadly speaking, ML 可分为监督学习和无监督学习（图1）。监督学习使用带有标签的数据集，其中输入和输出都是已知的，使算法能够学习到相应的关系

机器学习在临床中的应用发展

ML模型在PCS中的临床应用发展需要一个严格的多阶段流程（图4）。围手术期心脏手术环境包含丰富的数据，如连续的血流动力学波形、CPB灌注参数、频繁的实验室检测结果以及设备遥测数据。^{15, 16}这些高维度、动态的数据非常适合ML算法，算法可以在模型开发过程中迭代地整合和过滤复杂数据流。

机器学习与标准风险评分

传统的风险评分系统长期以来一直用于心脏手术和重症监护，以估计围手术期的死亡率和发病率。一些针对接受tMCS患者的预后评分系统包括SAVE³⁴、ENCOURAGE³⁵和ECMO-ACCEPTS³⁶。这些工具利用预定义的临床变量提供结构化的风险分层方法。然而，它们主要依赖于传统的统计方法（如逻辑回归），并且通常是基于预先选定的预测因子开发的

休克的预见与早期识别

早期识别PCS以及对tMCS的需求是ML创新的关键领域。最近的研究表明，ML模型能够整合复杂的围手术期数据，比传统的风险指标更早地预测低心输出综合征（LCOS）和PCS。Hong等人开发了基于随机森林和XGBoost的模型来预测心脏手术后的LCOS，这些模型的ROC曲线下面积（AUC）约为0.90，能够准确识别术后早期乳酸水平升高和组织灌注不足的情况

伦理与监管考量

人工智能正在通过提供动态的、个性化的决策支持，改变麻醉和围手术期医学，但在高风险环境（如PCS）中使用AI会带来重大的伦理、法律、财务和监管挑战。^{62, 63}主要关注的议题包括维护临床道德自主性、算法可能加剧的不公平现象、对患者自主权的威胁，特别是在重症患者无法参与决策时的监督需求

几个有前景的方向可能会重塑PCS的管理方式。ML在PCS中的应用发展主要集中在：i) 深度表型分析；ii) 实时临床决策支持；iii) 多模态高频数据的整合。在这个框架下，由无监督ML实现的深度表型分析代表PCS领域的一个关键前沿。

最近的研究表明，ML可以识别出具有不同死亡风险的CS亚型及其对应的治疗方法

尽管ML具有巨大潜力，但在PCS中的临床应用仍面临诸多障碍。目前大多数模型相比传统风险评分系统只有 modest 的改进效果，尤其是在术前阶段。¹⁶此外，ML方法的固有复杂性以及缺乏可靠的临床证据，表明在这些方法在临床实践中得到常规应用之前，需要进行前瞻性的随机对照试验。

结论

ML显然有潜力通过增强早期风险识别、改进预后预测、支持ECMO撤除，并最终指导更加个性化的tMCS策略来改善PCS的管理。然而，现有的证据基础仍然不完善——大多数已发表的模型都是回顾性的，通常来自混合的休克患者群体，并且很少在PCS特定患者群体中进行前瞻性验证。目前，ML最好被视为临床医生的辅助工具，而非完全替代其判断。

CRediT作者贡献声明

Jay S. Saggu：概念构思、研究设计、方法论、初稿撰写、审稿与编辑。Harrison R. Herrera：概念构思、研究设计、方法论、初稿撰写、审稿与编辑。Zhide Meng：概念构思、研究设计、方法论、初稿撰写、审稿与编辑。Patrick M. Wieruszewski：概念构思、研究设计、方法论、初稿撰写、审稿与编辑。Jacopo D’Andria Ursoleo：

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

无