于湘友

低血壓是ICU患者常見(jiàn)的危急事件，重癥醫(yī)學(xué)數(shù)據(jù)的高頻、多源特性給低血壓的精準(zhǔn)預(yù)警帶來(lái)挑戰(zhàn)。本文詳細(xì)闡述了血管活性藥物量化指標(biāo)在提升模型精準(zhǔn)度方面的最新進(jìn)展與核心價(jià)值，并指出大數(shù)據(jù)模型的臨床轉(zhuǎn)化仍面臨數(shù)據(jù)異構(gòu)性、臨床整合及倫理等挑戰(zhàn)。需構(gòu)建跨學(xué)科生態(tài)，推動(dòng)預(yù)警工具的臨床常規(guī)化應(yīng)用，最終實(shí)現(xiàn)重癥患者精準(zhǔn)干預(yù)。

現(xiàn)今，大數(shù)據(jù)與人工智能（AI）技術(shù)的融合正以前所未有的速度重塑醫(yī)學(xué)實(shí)踐的邊界。從基因組學(xué)的精準(zhǔn)解碼到影像診斷的自動(dòng)化分析，從電子健康記錄的智能管理到機(jī)器人輔助手術(shù)的普及，AI技術(shù)已滲透至醫(yī)療的各個(gè)環(huán)節(jié)。然而，在醫(yī)療領(lǐng)域的諸多分支中，重癥醫(yī)學(xué)因其患者病情的高度復(fù)雜性、數(shù)據(jù)的海量性以及決策的時(shí)效性要求，成為AI技術(shù)最具挑戰(zhàn)性與突破潛力的應(yīng)用場(chǎng)景之一。重癥患者往往面臨多器官功能衰竭、感染性休克、急性呼吸窘迫綜合征等危重狀態(tài)，其生命體征數(shù)據(jù)以秒級(jí)甚至毫秒級(jí)的速度生成，涵蓋血流動(dòng)力學(xué)、代謝、炎癥反應(yīng)等多維度信息。如何從這些龐雜的數(shù)據(jù)中提取關(guān)鍵信號(hào)，實(shí)現(xiàn)疾病的早期預(yù)警與精準(zhǔn)干預(yù)，是重癥醫(yī)學(xué)邁向智能化轉(zhuǎn)型的核心命題。

▋▎一、大數(shù)據(jù)與重癥醫(yī)學(xué)

重癥醫(yī)學(xué)數(shù)據(jù)的核心特征包括高頻實(shí)時(shí)性（如動(dòng)脈波形每秒數(shù)千個(gè)采樣點(diǎn)）、多源異構(gòu)性（來(lái)自監(jiān)護(hù)儀、實(shí)驗(yàn)室、影像設(shè)備及電子病歷的多樣化數(shù)據(jù)）以及高噪聲性（急救操作導(dǎo)致的信號(hào)干擾）。而重癥患者的診療需整合結(jié)構(gòu)化數(shù)據(jù)（如血壓、心率）、非結(jié)構(gòu)化文本（如病程記錄）及時(shí)序波形數(shù)據(jù)（如心電圖、動(dòng)脈壓力波形）。這些特征對(duì)數(shù)據(jù)整合提出了嚴(yán)峻挑戰(zhàn)。近年來(lái)，在數(shù)據(jù)整合與標(biāo)準(zhǔn)化、構(gòu)建高質(zhì)量數(shù)據(jù)生態(tài)的實(shí)踐中，已通過(guò)多設(shè)備數(shù)據(jù)無(wú)縫接入、標(biāo)準(zhǔn)化協(xié)議統(tǒng)一數(shù)據(jù)格式等技術(shù)顯著提升了數(shù)據(jù)質(zhì)量。目前基于大數(shù)據(jù)的模型已在精準(zhǔn)醫(yī)學(xué)理念的落地上起到了極大的助力效應(yīng)，如無(wú)監(jiān)督學(xué)習(xí)算法用于挖掘患者亞群實(shí)現(xiàn)了患者分層診療與內(nèi)表型的識(shí)別；動(dòng)態(tài)風(fēng)險(xiǎn)預(yù)測(cè)模型可在患者疾病發(fā)展初期發(fā)出預(yù)警，為臨床干預(yù)爭(zhēng)取寶貴時(shí)間；基于大數(shù)據(jù)分析的算法助力因果推理可識(shí)別治療與結(jié)局的因果關(guān)系。

▋▎二、血管活性藥物量化驅(qū)動(dòng)的低血壓預(yù)測(cè)模型進(jìn)展

低血壓作為ICU患者常見(jiàn)的危急事件，不僅是循環(huán)衰竭的直接表現(xiàn)，更是繼發(fā)急性腎損傷、心肌缺血、腦灌注不足等并發(fā)癥的重要誘因。研究顯示，術(shù)中低血壓［定義為平均動(dòng)脈壓（MAP）<65 mmHg（1 mmHg=0.133 kPa）持續(xù)超過(guò)5 min］可使術(shù)后30 d病死率增加30%，急性腎損傷風(fēng)險(xiǎn)上升40%。傳統(tǒng)的低血壓管理依賴于醫(yī)護(hù)人員的經(jīng)驗(yàn)判斷與間歇性監(jiān)測(cè)，存在反應(yīng)滯后、主觀偏差等問(wèn)題。例如，常規(guī)血壓監(jiān)測(cè)間隔通常為5~15 min，而低血壓可能在兩次測(cè)量之間悄然發(fā)生，導(dǎo)致干預(yù)時(shí)機(jī)延誤。此外，重癥患者的異質(zhì)性極高，同一血壓值在不同個(gè)體（如慢性高血壓患者與膿毒癥患者）間的病理意義差異顯著，傳統(tǒng)“一刀切”的閾值標(biāo)準(zhǔn)難以滿足精準(zhǔn)醫(yī)療需求。

在上述背景下，基于大數(shù)據(jù)與機(jī)器學(xué)習(xí)的低血壓預(yù)測(cè)模型應(yīng)運(yùn)而生。這類模型通過(guò)整合高頻率生理信號(hào)（如動(dòng)脈波形、心輸出量）、實(shí)驗(yàn)室指標(biāo)、治療記錄等多源數(shù)據(jù)，利用深度學(xué)習(xí)算法挖掘數(shù)據(jù)中的隱藏模式，實(shí)現(xiàn)低血壓事件的超前預(yù)測(cè)。在此過(guò)程中，低血壓預(yù)測(cè)模型的開(kāi)發(fā)需經(jīng)歷數(shù)據(jù)采集、特征篩選、訓(xùn)練驗(yàn)證及外部泛化四個(gè)階段。高保真生理信號(hào)（包括動(dòng)脈壓力波形、臨床及實(shí)驗(yàn)室檢驗(yàn)指標(biāo)）等數(shù)據(jù)的提取與記錄組成了重要的大數(shù)據(jù)集。算法選擇與優(yōu)化上通過(guò)處理高維度、非線性數(shù)據(jù)的機(jī)器學(xué)習(xí)方法構(gòu)建預(yù)測(cè)模型，疊加生理信號(hào)的時(shí)序依賴性特點(diǎn)形成了有效的低血壓事件預(yù)警性能，提升了模型的預(yù)測(cè)穩(wěn)定性與泛化能力。

例如，低血壓預(yù)測(cè)指數(shù)（HPI）模型通過(guò)分析動(dòng)脈壓力波形的時(shí)域與頻域特征，可在低血壓發(fā)生前15 min發(fā)出預(yù)警，靈敏度與特異性均超過(guò)85%。此類技術(shù)不僅打破了傳統(tǒng)監(jiān)測(cè)的時(shí)空局限，更通過(guò)量化患者個(gè)體特征（如血管張力、心臟收縮功能），為個(gè)性化治療方案的制定提供了大數(shù)據(jù)驅(qū)動(dòng)衍生出的循證醫(yī)學(xué)依據(jù)。血流動(dòng)力學(xué)穩(wěn)定指數(shù)（HSI）模型基于eICU合作研究數(shù)據(jù)庫(kù)（eICU-CRD）及重癥醫(yī)學(xué)監(jiān)護(hù)信息數(shù)據(jù)庫(kù)（MIMIC-Ⅳ）中患者數(shù)據(jù)的性能驗(yàn)證提示其在重癥環(huán)境中的實(shí)踐可行性。

基于上述研究，筆者研究團(tuán)隊(duì)發(fā)現(xiàn)在所有模型中，血管活性藥物治療是與血壓及血流動(dòng)力學(xué)密不可分的重要變量。低血壓程度的臨床重要標(biāo)志是血管活性藥物的使用劑量，因此對(duì)于血管活性藥物的有效量化即是血壓及血流動(dòng)力學(xué)治療的重要內(nèi)容。針對(duì)血管活性藥物統(tǒng)一度量的內(nèi)容進(jìn)行了探索，發(fā)現(xiàn)去甲腎上腺素等效性評(píng)分（NEEs）通過(guò)量化血管活性藥物暴露程度，可用于膿毒癥患者疾病嚴(yán)重程度分層，有助于提升對(duì)高死亡風(fēng)險(xiǎn)膿毒癥患者的識(shí)別率。無(wú)獨(dú)有偶，杜斌教授團(tuán)隊(duì)設(shè)計(jì)了血壓反應(yīng)指數(shù)（BPRI），該指數(shù)是通過(guò)將給定時(shí)間點(diǎn)的MAP除以血管活性-正性肌力評(píng)分（VIS）計(jì)算得來(lái)，反映了膿毒癥患者對(duì)血管活性藥物的反應(yīng)性，以便實(shí)時(shí)和快捷地表明患者的血管狀況。BPRI作為一種無(wú)創(chuàng)、便捷的院內(nèi)死亡率預(yù)測(cè)指標(biāo)，在不同時(shí)間跨度內(nèi)均保持在0.7以上，表明其在膿毒癥患者早期風(fēng)險(xiǎn)評(píng)估中，具有較強(qiáng)的準(zhǔn)確性和穩(wěn)定性，未來(lái)值得更多研究進(jìn)一步探索其臨床應(yīng)用的可行性。

▋▎三、跨學(xué)科協(xié)作與生態(tài)構(gòu)建：大數(shù)據(jù)模型技術(shù)落地的必由之路

大數(shù)據(jù)模型的臨床轉(zhuǎn)化始終伴隨著理論與實(shí)踐的雙重挑戰(zhàn)。從數(shù)據(jù)層面看，重癥醫(yī)學(xué)數(shù)據(jù)的異構(gòu)性（如不同設(shè)備廠商的數(shù)據(jù)格式差異）、高噪聲性（如運(yùn)動(dòng)偽影干擾）以及區(qū)域性定義的差異性等均嚴(yán)重制約了模型的泛化能力。從臨床實(shí)踐角度，AI工具的引入需與現(xiàn)有工作流程無(wú)縫整合，而醫(yī)護(hù)人員對(duì)“黑箱”算法的不信任、數(shù)據(jù)隱私保護(hù)法規(guī)的制約，以及高昂的部署成本，均成為技術(shù)落地的現(xiàn)實(shí)壁壘。此外，重癥醫(yī)學(xué)的倫理特殊性——例如在危急情況下算法決策與人類判斷的權(quán)責(zé)劃分——仍需跨學(xué)科協(xié)作達(dá)成共識(shí)。因此，重癥醫(yī)學(xué)的智能化轉(zhuǎn)型需打破學(xué)科壁壘，構(gòu)建“臨床-數(shù)據(jù)科學(xué)-工程-政策”協(xié)同生態(tài)。

大數(shù)據(jù)、機(jī)器學(xué)習(xí)及深度學(xué)習(xí)在過(guò)去的幾年間發(fā)生了突破性進(jìn)展，基于大數(shù)據(jù)的模型將改變?nèi)祟惖墓ぷ髂Ｊ剑馕銎湓谥匕Y醫(yī)學(xué)中的數(shù)據(jù)整合路徑，如以低血壓預(yù)警為切入點(diǎn)，優(yōu)化模型的構(gòu)建邏輯、驗(yàn)證結(jié)果及臨床效益，從數(shù)據(jù)質(zhì)量、模型可解釋性、臨床適配性等維度，深入剖析技術(shù)轉(zhuǎn)化的瓶頸，是探尋大數(shù)據(jù)與AI技術(shù)在重癥醫(yī)學(xué)中實(shí)踐落地的重要方向之一，推動(dòng)AI技術(shù)從“實(shí)驗(yàn)性工具”向“臨床常規(guī)”的跨越的必經(jīng)之路。危重病的復(fù)雜性需要數(shù)據(jù)科學(xué)技術(shù)的助力，而精準(zhǔn)醫(yī)學(xué)時(shí)代，AI將為重癥患者帶來(lái)更精準(zhǔn)的治療。臨床醫(yī)務(wù)人員應(yīng)樂(lè)于接受變革，共同參與探索大數(shù)據(jù)驅(qū)動(dòng)的重癥醫(yī)學(xué)知識(shí)與內(nèi)涵的革新。

（作者：新疆醫(yī)科大學(xué)第一附屬醫(yī)院重癥醫(yī)學(xué)科 新疆醫(yī)學(xué)動(dòng)物模型研究重點(diǎn)實(shí)驗(yàn)室 李文哲 于湘友）