隨著計算機技術的進步與發展，基于人工智能的醫療輔助決策系統在臨床中得到廣泛應用。在心血管手術圍術期中，人工智能可以應用于術前診斷、術中和術后風險管理等。本文介紹心血管手術圍術期中人工智能的應用和發展情況，包括術前輔助診斷、術中風險管理、術后管理及全程輔助決策管理，同時探討人工智能應用的挑戰與局限，并對未來的發展方向進行展望。
引用本文： 江紅, 劉則燁, 潘湘斌. 人工智能在心血管手術圍術期應用的研究進展. 中國胸心血管外科臨床雜志, 2025, 32(1): 54-59. doi: 10.7507/1007-4848.202404002 復制
版權信息： ?四川大學華西醫院華西期刊社《中國胸心血管外科臨床雜志》版權所有，未經授權不得轉載、改編
人工智能（artificial intelligence，AI）是計算機科學領域的重要分支，旨在利用計算機系統模仿人類智能，基于數據驅動的算法進行學習、推理、決策和執行等[1]。AI具有快速綜合處理大數據資源的能力，非常適合處理醫療活動中產生的海量數據[2]。隨著芯片儲存技術、數據通訊網絡和計算機技術的發展，AI在醫學領域，尤其是心血管疾病的診斷、治療和管理中[3-4]，已經得到了較為廣泛的應用[5-7]。本文以心血管手術為線索，概述AI在圍術期管理中的應用，分析目前在應用中存在的優勢和問題，并討論AI在醫學領域未來可能的發展方向。
1 人工智能與圍術期概述
廣義而言，AI指利用算法對大量數據進行分析處理、決策歸納，挖掘并學習數據之前的潛在相互關系，進而能模擬人類認知功能并表現智能行為 [8]。AI包括各種不同的子領域和技術，其中應用較為廣泛的是機器學習、深度學習和自然語言處理等，這些技術使計算機體現出不同程度的智能和自主性，可以在一定程度上智能和自動地處理并分析海量數據，做出推理和決策，并且在這個過程中不斷學習和改進，進一步完善其推理判斷機制。
圍術期是指圍繞手術的一個全過程，從患者決定接受手術治療開始，到手術治療直至基本康復，涉及手術前期、中期和后期3個階段。醫生在圍術期內需要進行一系列的工作，包括但不限于術前評估、術前準備、麻醉管理、手術操作、術后護理和術后隨訪等工作。心血管手術向來以高難度、高風險著稱，患者的病情大多復雜多變、預后影響因素繁多，心血管手術的圍術期管理涉及處理大量數據并進行復雜決策。AI在處理海量數據和進行快速決策方面的優勢，使其在圍術期管理中具有巨大的應用潛力[9]（圖1）。
圖1
人工智能在心血管手術中的應用示例
2 術前輔助診斷
在心血管手術的術前階段，AI憑借其強大的數據分析處理能力，可以為醫護人員提供精準、高效的輔助診療策略。如通過集成患者的既往病歷、影像資料等多維度信息，可以迅速對海量數據進行分析，提取出相關疾病特征，并做出判斷。心血管疾病常見的診斷方法有心臟超聲、CT和磁共振成像等，這些心血管影像診斷方式涉及大量影像信息的分析和判斷，而目前AI在對這些影像資料的智能識別與分析上，也展現出巨大優勢。通過機器學習算法，AI可以實現對影像數據的自動分割和多維度特征提取，自動識別心臟、血管[10]、鈣化[11]、斑塊[12]和狹窄 [13]等區域和異常，多維度評判異常程度并實現分類，實現輔助診斷的功能。Cano-Espinosa 等[14]使用4 973例病例訓練了一個從平掃CT中直接評估冠狀動脈鈣化積分（Agaston評分）的3D深度卷積神經網絡，并在1 000例病例中進行測試，該算法顯示出與手動測量極高的相關性（Pearson相關系數為0.932，P<0.000 1） 。Al'Aref 等[15]利用在CONFIRM注冊中心登記的13 054例患者的臨床資料和冠狀動脈鈣化評分（CACS）數據，開發并測試了一個用于預測冠狀動脈 CT 血管造影結果是否存在阻塞性冠狀動脈疾病的機器學習模型，曲線下面積（area under the curve，AUC）最高為0.881，該研究為后續臨床實踐中的風險分層和下游管理指導提出了新思路。Kang等[16]提出了一種基于支持向量機的自動算法對狹窄的冠狀動脈病變進行檢測，該算法應用于42例患者的3D冠狀動脈CT血管造影，AUC為0.94。Hannun等[17]開發了一個深度神經網絡對12個節律類別進行分類，數據來自53 549例患者的91 232個單導聯動態心電圖監測設備收集的電圖記錄，AUC為0.97，其對不同的心律失常進行分類的能力不劣于人類心臟病專家。
AI在輔助診斷中已經體現出了相當優勢，文獻報道了大量不同的算法、模型和特征提取方法，在模型的開發、驗證和性能評估上都有獨到的見解。若可以應用到臨床實際中，AI可以為醫生讀片節約大量的時間，快速、準確地分類來方便醫生優先考慮最緊急的患者，輔助醫生做出診斷。同時，AI在算力允許的情況下，在閱片速度、準確性上可以長期穩定保持在很高的水準，避免了人類醫生可能存在的疲勞或經驗不足的缺點，這一優勢在未來可能極大地改變現有診療格局。
3 術中風險管理
除了在術前綜合分析以優化手術路徑或提供輔助診斷外，AI在對患者生命體征及手術進程的實時監測與預警上也有一定應用。心血管術中可能出現很多并發癥，如低血壓[18]、低氧血癥[19]、肺栓塞[20]、心臟驟停[21]等。心血管手術圍術期低血壓是一種常見并發癥，長期低血壓可能使心、腦、腎等重要器官灌注不足，增加術后心肌缺血、心肌損傷、腦水腫、譫妄、腎功能損傷等不良事件的風險[22-25]。早期預測或識別低血壓有助于醫生及時干預，降低低血壓發生率或縮短其持續時間，有利于提高手術麻醉質量、改善患者預后。但心血管手術與其他手術相比，其術中涉及到開胸、對心臟和主要血管的操作等，都會對血壓測量有一定干擾，會混淆動脈波形分析。愛德華公司開發了一項軟件，其使用機器學習根據動脈波形分析在15 min內平均動脈壓＜65 mm Hg（1 mm Hg=0.133 kPa）持續1 min及以上的低血壓事件，進一步提出了低血壓預測指數（hypotension prediction index，HPI）[26]。雖然心臟手術中手術操作會對患者的血流動力學參數有很強干擾，但研究[27]顯示這些操作并不影響AI對HPI的預測效能。雖然很多研究都顯示，AI表現出了較為不錯的低血壓預測能力，使醫生可以積極主動地去應對術中低血壓的問題，但是也不應該忽視可能存在的選擇偏差。根據算法給出的低血壓風險從而對患者進行補液、使用血管升壓藥或鎮痛、鎮靜藥物等操作的獲益仍存疑，應當謹慎考慮[28]。
除了對心血管術中可能存在的并發癥進行預測管理，AI在體外循環中也有應用。目前主要在心臟手術的心肺轉流中使用AI，以優化體外循環管理以及減少失誤。AI通過智能算法和強大的實時監測能力，可以根據患者的實際情況，建立自適應控制管理算法，及時調整相關參數，如對心肌保護液進行定量操作等，實現對體外循環過程中人體代謝情況的綜合管理，為麻醉醫生的操作提供輔助，極大地提高了手術的安全性[29]。
4 術后管理
心血管圍術期的術后管理亦不可忽視，術后并發癥預防和整體健康狀況的維護同樣重要。與術前診斷及術中管理類似，術后管理同樣涉及大量的數據處理和決策。對心血管術后的常見并發癥如急性腎損傷[30-31]、大出血[32]和譫妄[33]等，通過不同的機器學習模型，AI表現優異[34-35]。如Karri等[36]使用6種不同的機器學習方式來預測心臟手術后住ICU期間房顫的發生情況，并將其與現有的金標準評分相比，在對6 349例患者的研究中，機器學習最高的AUC值為0.74，高于金標準評分的AUC值（0.63），表現出了較強的預測能力。
心臟術后的再入院率和死亡率也是評價心血管手術情況的重要指標，AI對其預測也有一定應用。在心臟術后再入院率方面，Park等[37]對8 947例接受開胸心臟手術后患者的預后進行了預測，該研究訓練的機器學習模型在預測死亡率和再入院率方面表現良好，顯示出與美國胸外科醫師協會（Society of Thoracic Surgeons，STS）風險模型相當的性能。在心血管術后死亡率預測上，AI也有著不錯的表現[38-39]。Fernandes等[40]使用5 015例接受心臟手術患者的數據訓練一個基于極限梯度增強（extreme gradient boosting，XGB）的機器學習模型，利用術中危險因素如低血壓、血管加壓藥-肌力和體外循環時間，預測患者術后預后，AUC為0.88，為心臟術后患者的分層和分診提供了參考。Allyn等[41]的研究納入6 520例患者，對比EuroSCOREⅡ、logistic回歸模型和機器學習模型對心臟術后住院死亡率的預測性能，機器學習模型的預測更準確，其AUC值（0.834）顯著高于EuroSCOREⅡ（0.737）或logistic回歸模型（0.742）。而 Chang Junior等[42]使用6種AI模型來建立先天性心臟病患者的術前死亡風險預測模型，最佳AUC為0.902。
心臟移植是心血管手術中對患者打擊最大的手術之一，其術后風險相對較高，評估這類患者的預后有重要臨床意義。Kveton等[43]利用數字病理學和大數據集，借助機器學習嘗試識別診斷心臟移植術后心臟同種異體移植排斥反應的情況。Kampaktsis等[44]的研究建立并驗證一個預測成人先天性心臟病患者心臟移植后死亡率的機器學習模型，預測率最高達0.80。Zhou等[45]的研究利用隨機森林模型和XGB算法，建立心臟移植術后患者1年死亡率的風險預測模型，最高AUC為0.801。Agasthi等[46]則基于XGB算法對心臟移植患者術后5年死亡率和移植物衰竭進行預測，AUC分別為0.717和0.716。
由此可見，AI在心血管手術圍術期術后管理中有較大的應用潛力，對心臟移植、冠狀動脈旁路移植術和心臟瓣膜手術等心血管手術術后并發癥和管理的預測表現不凡，此外也對再入院率和死亡率做出評估，對輔助臨床診療有重要意義。
5 圍術期全程輔助決策管理
近年來，圍術期醫學的發展如火如荼，人們對手術全程管理提出了越來越高的要求。心血管手術中的循環管理相當困難，手術過程中對心臟和血管的操作會產生低血壓等循環波動，這會對術中血壓監測進而判斷器官灌注和麻醉深度等造成一定程度的影響。同時，心臟手術中涉及到的監測患者生命體征的數據和圖像極多，如經食管超聲心動圖、肺動脈漂浮導管、脈搏輪廓分析法、連續CO監測技術等，如何及時準確地判讀這些方法產生的海量數據，如何在術中及時根據收集到的患者生命體征信息來調整手術和麻醉操作，這些對臨床醫生來說也是一個巨大的挑戰。AI在處理海量數據方面，相較于人類，在準確性和速度上均展現出顯著優勢[47]。
AI在復雜手術決策上也表現出了良好的輔助作用，Hasimbegovic等[48]訓練了一個機器學習模型，納入充血性心力衰竭、已建立的風險評估評分、既往心臟手術、左心室射血分數降低和周圍血管疾病等風險因素，模擬心臟團隊在使用經導管主動脈瓣置換術或單純主動脈瓣置換術治療嚴重癥狀性主動脈瓣狹窄的年輕患者時的復雜決策過程。Lo Muzio等[49]使用監督機器學習算法提出了一種基于視頻的方法實時評估開胸手術中的心外膜運動學，可以幫助心臟外科醫生在胸腔閉合前做出決定。Cook等[50]的研究表明，AI可以通過對瞬時無波比（instantaneous wave-free ratio，iFR）回撤曲線數據進行分析，幫助醫生制訂患者的經皮冠狀動脈介入治療策略，且表現出較好的重復性和識別能力。AI在構建決策支持系統上，已經體現了較好的輔助能力。
由此可見，AI在綜合決策上存在顯著優勢，如果可以應用到臨床實際，有望極大地減輕臨床醫生的負擔，可能對目前手術管理模式產生相當的影響。此外，AI還能在各方面起到很好的輔助作用，如AI的自動分析輸出功能，可以輔助醫生完成耗時的文書功能，將醫生從處理繁瑣的記錄中解放出來，使他們有更多的時間處理更重要的事情[51]。
6 人工智能應用的挑戰與局限
盡管在心血管手術圍術期AI技術的應用方面已有大量探索，并且AI已顯示出巨大的應用潛力，我們仍需認識到，目前的研究與AI全面進入實際臨床應用仍有差距，當前面臨諸多挑戰和 限制。
心血管手術因其復雜性和多變性，在外科系統中對技術和經驗的要求極高。如不停跳冠狀動脈旁路移植術和心臟移植等，這些復雜手術術中的突發情況瞬息萬變，需要醫生具備豐富的經驗和快速反應的能力。而現有AI技術受限于目前計算機芯片和通訊技術的發展，其模型的算力和響應時間仍有一定局限性，在面對術中突發情況時，現有AI算法的反應速度、精細程度和穩定性仍然不及經驗豐富的臨床醫生。同時，AI模型的黑箱效應仍然會極大地限制其應用，人們無法判斷AI做出判斷的具體分析過程，在AI的判斷結果與人類醫生的判斷結果出現分歧時，如何在客觀高準確率的模型和經驗豐富的醫生中抉擇，將會是一個很大的困擾。
同時，我們也應該注意到數據安全和隱私保護的問題，尤其是心血管手術圍術期涉及大量患者數據，如超聲、CT心電圖及各種生物化學指標。大多數情況下，AI的準確性與其接受的訓練量成正比，即數據越多越容易提高模型準確度。而目前大多數研究的數據量僅局限于一個中心或一個國家，其數據來源仍然有限，訓練出來的模型是否在大規模人群中仍然有良好的效能依舊難以確定。因此，更大范圍的、包含更多人口、更標準化的大規模數據庫的建立，有利于進一步開發各種AI模型。當然，面對如此大量的數據，如何在做好數據保密、保護患者隱私的同時，又能促進數據的交流，用于開發更多模型，也是需要考慮的方面。同時，也應建立相應的倫理規范、法律法規以保證數據合理、合法的使用。
7 總結與展望
隨著計算機領域的全方位進步和大數據的發展，AI已經不斷迭代更新，在很多研究中都體現出巨大的優勢。雖然AI在心血管圍術期管理中有顯著優勢和潛力，可以幫助醫護人員提高手術的安全性與成功率，改善患者預后。但臨床醫護在使用過程中仍需保持謹慎和理性，充分認識AI的局限性和潛在風險，結合自身知識和經驗進行綜合決策。AI全面精準的診斷能力，將對心血管疾病現有的診療模式產生巨大沖擊。特別是在醫療資源相對較差的偏遠地區和國家，AI的應用可以極大降低醫療成本，對改善居民生活質量、提高當地的醫療水平有重要意義。隨著未來技術的完善，相信AI可以與醫生互相配合，全面提升醫療質量，為更多患者帶來福音。
利益沖突：無。
作者貢獻：潘湘斌、江紅、劉則燁負責選題、設計及資料分析，起草及修改論文，對編輯部的修改意見進行核修，在學術界進行答辯，并最終同意文章的發表。
人工智能（artificial intelligence，AI）是計算機科學領域的重要分支，旨在利用計算機系統模仿人類智能，基于數據驅動的算法進行學習、推理、決策和執行等[1]。AI具有快速綜合處理大數據資源的能力，非常適合處理醫療活動中產生的海量數據[2]。隨著芯片儲存技術、數據通訊網絡和計算機技術的發展，AI在醫學領域，尤其是心血管疾病的診斷、治療和管理中[3-4]，已經得到了較為廣泛的應用[5-7]。本文以心血管手術為線索，概述AI在圍術期管理中的應用，分析目前在應用中存在的優勢和問題，并討論AI在醫學領域未來可能的發展方向。
1 人工智能與圍術期概述
廣義而言，AI指利用算法對大量數據進行分析處理、決策歸納，挖掘并學習數據之前的潛在相互關系，進而能模擬人類認知功能并表現智能行為 [8]。AI包括各種不同的子領域和技術，其中應用較為廣泛的是機器學習、深度學習和自然語言處理等，這些技術使計算機體現出不同程度的智能和自主性，可以在一定程度上智能和自動地處理并分析海量數據，做出推理和決策，并且在這個過程中不斷學習和改進，進一步完善其推理判斷機制。
圍術期是指圍繞手術的一個全過程，從患者決定接受手術治療開始，到手術治療直至基本康復，涉及手術前期、中期和后期3個階段。醫生在圍術期內需要進行一系列的工作，包括但不限于術前評估、術前準備、麻醉管理、手術操作、術后護理和術后隨訪等工作。心血管手術向來以高難度、高風險著稱，患者的病情大多復雜多變、預后影響因素繁多，心血管手術的圍術期管理涉及處理大量數據并進行復雜決策。AI在處理海量數據和進行快速決策方面的優勢，使其在圍術期管理中具有巨大的應用潛力[9]（圖1）。
圖1
人工智能在心血管手術中的應用示例
2 術前輔助診斷
在心血管手術的術前階段，AI憑借其強大的數據分析處理能力，可以為醫護人員提供精準、高效的輔助診療策略。如通過集成患者的既往病歷、影像資料等多維度信息，可以迅速對海量數據進行分析，提取出相關疾病特征，并做出判斷。心血管疾病常見的診斷方法有心臟超聲、CT和磁共振成像等，這些心血管影像診斷方式涉及大量影像信息的分析和判斷，而目前AI在對這些影像資料的智能識別與分析上，也展現出巨大優勢。通過機器學習算法，AI可以實現對影像數據的自動分割和多維度特征提取，自動識別心臟、血管[10]、鈣化[11]、斑塊[12]和狹窄 [13]等區域和異常，多維度評判異常程度并實現分類，實現輔助診斷的功能。Cano-Espinosa 等[14]使用4 973例病例訓練了一個從平掃CT中直接評估冠狀動脈鈣化積分（Agaston評分）的3D深度卷積神經網絡，并在1 000例病例中進行測試，該算法顯示出與手動測量極高的相關性（Pearson相關系數為0.932，P<0.000 1） 。Al'Aref 等[15]利用在CONFIRM注冊中心登記的13 054例患者的臨床資料和冠狀動脈鈣化評分（CACS）數據，開發并測試了一個用于預測冠狀動脈 CT 血管造影結果是否存在阻塞性冠狀動脈疾病的機器學習模型，曲線下面積（area under the curve，AUC）最高為0.881，該研究為后續臨床實踐中的風險分層和下游管理指導提出了新思路。Kang等[16]提出了一種基于支持向量機的自動算法對狹窄的冠狀動脈病變進行檢測，該算法應用于42例患者的3D冠狀動脈CT血管造影，AUC為0.94。Hannun等[17]開發了一個深度神經網絡對12個節律類別進行分類，數據來自53 549例患者的91 232個單導聯動態心電圖監測設備收集的電圖記錄，AUC為0.97，其對不同的心律失常進行分類的能力不劣于人類心臟病專家。
AI在輔助診斷中已經體現出了相當優勢，文獻報道了大量不同的算法、模型和特征提取方法，在模型的開發、驗證和性能評估上都有獨到的見解。若可以應用到臨床實際中，AI可以為醫生讀片節約大量的時間，快速、準確地分類來方便醫生優先考慮最緊急的患者，輔助醫生做出診斷。同時，AI在算力允許的情況下，在閱片速度、準確性上可以長期穩定保持在很高的水準，避免了人類醫生可能存在的疲勞或經驗不足的缺點，這一優勢在未來可能極大地改變現有診療格局。
3 術中風險管理
除了在術前綜合分析以優化手術路徑或提供輔助診斷外，AI在對患者生命體征及手術進程的實時監測與預警上也有一定應用。心血管術中可能出現很多并發癥，如低血壓[18]、低氧血癥[19]、肺栓塞[20]、心臟驟停[21]等。心血管手術圍術期低血壓是一種常見并發癥，長期低血壓可能使心、腦、腎等重要器官灌注不足，增加術后心肌缺血、心肌損傷、腦水腫、譫妄、腎功能損傷等不良事件的風險[22-25]。早期預測或識別低血壓有助于醫生及時干預，降低低血壓發生率或縮短其持續時間，有利于提高手術麻醉質量、改善患者預后。但心血管手術與其他手術相比，其術中涉及到開胸、對心臟和主要血管的操作等，都會對血壓測量有一定干擾，會混淆動脈波形分析。愛德華公司開發了一項軟件，其使用機器學習根據動脈波形分析在15 min內平均動脈壓＜65 mm Hg（1 mm Hg=0.133 kPa）持續1 min及以上的低血壓事件，進一步提出了低血壓預測指數（hypotension prediction index，HPI）[26]。雖然心臟手術中手術操作會對患者的血流動力學參數有很強干擾，但研究[27]顯示這些操作并不影響AI對HPI的預測效能。雖然很多研究都顯示，AI表現出了較為不錯的低血壓預測能力，使醫生可以積極主動地去應對術中低血壓的問題，但是也不應該忽視可能存在的選擇偏差。根據算法給出的低血壓風險從而對患者進行補液、使用血管升壓藥或鎮痛、鎮靜藥物等操作的獲益仍存疑，應當謹慎考慮[28]。
除了對心血管術中可能存在的并發癥進行預測管理，AI在體外循環中也有應用。目前主要在心臟手術的心肺轉流中使用AI，以優化體外循環管理以及減少失誤。AI通過智能算法和強大的實時監測能力，可以根據患者的實際情況，建立自適應控制管理算法，及時調整相關參數，如對心肌保護液進行定量操作等，實現對體外循環過程中人體代謝情況的綜合管理，為麻醉醫生的操作提供輔助，極大地提高了手術的安全性[29]。
4 術后管理
心血管圍術期的術后管理亦不可忽視，術后并發癥預防和整體健康狀況的維護同樣重要。與術前診斷及術中管理類似，術后管理同樣涉及大量的數據處理和決策。對心血管術后的常見并發癥如急性腎損傷[30-31]、大出血[32]和譫妄[33]等，通過不同的機器學習模型，AI表現優異[34-35]。如Karri等[36]使用6種不同的機器學習方式來預測心臟手術后住ICU期間房顫的發生情況，并將其與現有的金標準評分相比，在對6 349例患者的研究中，機器學習最高的AUC值為0.74，高于金標準評分的AUC值（0.63），表現出了較強的預測能力。
心臟術后的再入院率和死亡率也是評價心血管手術情況的重要指標，AI對其預測也有一定應用。在心臟術后再入院率方面，Park等[37]對8 947例接受開胸心臟手術后患者的預后進行了預測，該研究訓練的機器學習模型在預測死亡率和再入院率方面表現良好，顯示出與美國胸外科醫師協會（Society of Thoracic Surgeons，STS）風險模型相當的性能。在心血管術后死亡率預測上，AI也有著不錯的表現[38-39]。Fernandes等[40]使用5 015例接受心臟手術患者的數據訓練一個基于極限梯度增強（extreme gradient boosting，XGB）的機器學習模型，利用術中危險因素如低血壓、血管加壓藥-肌力和體外循環時間，預測患者術后預后，AUC為0.88，為心臟術后患者的分層和分診提供了參考。Allyn等[41]的研究納入6 520例患者，對比EuroSCOREⅡ、logistic回歸模型和機器學習模型對心臟術后住院死亡率的預測性能，機器學習模型的預測更準確，其AUC值（0.834）顯著高于EuroSCOREⅡ（0.737）或logistic回歸模型（0.742）。而 Chang Junior等[42]使用6種AI模型來建立先天性心臟病患者的術前死亡風險預測模型，最佳AUC為0.902。
心臟移植是心血管手術中對患者打擊最大的手術之一，其術后風險相對較高，評估這類患者的預后有重要臨床意義。Kveton等[43]利用數字病理學和大數據集，借助機器學習嘗試識別診斷心臟移植術后心臟同種異體移植排斥反應的情況。Kampaktsis等[44]的研究建立并驗證一個預測成人先天性心臟病患者心臟移植后死亡率的機器學習模型，預測率最高達0.80。Zhou等[45]的研究利用隨機森林模型和XGB算法，建立心臟移植術后患者1年死亡率的風險預測模型，最高AUC為0.801。Agasthi等[46]則基于XGB算法對心臟移植患者術后5年死亡率和移植物衰竭進行預測，AUC分別為0.717和0.716。
由此可見，AI在心血管手術圍術期術后管理中有較大的應用潛力，對心臟移植、冠狀動脈旁路移植術和心臟瓣膜手術等心血管手術術后并發癥和管理的預測表現不凡，此外也對再入院率和死亡率做出評估，對輔助臨床診療有重要意義。
5 圍術期全程輔助決策管理
近年來，圍術期醫學的發展如火如荼，人們對手術全程管理提出了越來越高的要求。心血管手術中的循環管理相當困難，手術過程中對心臟和血管的操作會產生低血壓等循環波動，這會對術中血壓監測進而判斷器官灌注和麻醉深度等造成一定程度的影響。同時，心臟手術中涉及到的監測患者生命體征的數據和圖像極多，如經食管超聲心動圖、肺動脈漂浮導管、脈搏輪廓分析法、連續CO監測技術等，如何及時準確地判讀這些方法產生的海量數據，如何在術中及時根據收集到的患者生命體征信息來調整手術和麻醉操作，這些對臨床醫生來說也是一個巨大的挑戰。AI在處理海量數據方面，相較于人類，在準確性和速度上均展現出顯著優勢[47]。
AI在復雜手術決策上也表現出了良好的輔助作用，Hasimbegovic等[48]訓練了一個機器學習模型，納入充血性心力衰竭、已建立的風險評估評分、既往心臟手術、左心室射血分數降低和周圍血管疾病等風險因素，模擬心臟團隊在使用經導管主動脈瓣置換術或單純主動脈瓣置換術治療嚴重癥狀性主動脈瓣狹窄的年輕患者時的復雜決策過程。Lo Muzio等[49]使用監督機器學習算法提出了一種基于視頻的方法實時評估開胸手術中的心外膜運動學，可以幫助心臟外科醫生在胸腔閉合前做出決定。Cook等[50]的研究表明，AI可以通過對瞬時無波比（instantaneous wave-free ratio，iFR）回撤曲線數據進行分析，幫助醫生制訂患者的經皮冠狀動脈介入治療策略，且表現出較好的重復性和識別能力。AI在構建決策支持系統上，已經體現了較好的輔助能力。
由此可見，AI在綜合決策上存在顯著優勢，如果可以應用到臨床實際，有望極大地減輕臨床醫生的負擔，可能對目前手術管理模式產生相當的影響。此外，AI還能在各方面起到很好的輔助作用，如AI的自動分析輸出功能，可以輔助醫生完成耗時的文書功能，將醫生從處理繁瑣的記錄中解放出來，使他們有更多的時間處理更重要的事情[51]。
6 人工智能應用的挑戰與局限
盡管在心血管手術圍術期AI技術的應用方面已有大量探索，并且AI已顯示出巨大的應用潛力，我們仍需認識到，目前的研究與AI全面進入實際臨床應用仍有差距，當前面臨諸多挑戰和 限制。
心血管手術因其復雜性和多變性，在外科系統中對技術和經驗的要求極高。如不停跳冠狀動脈旁路移植術和心臟移植等，這些復雜手術術中的突發情況瞬息萬變，需要醫生具備豐富的經驗和快速反應的能力。而現有AI技術受限于目前計算機芯片和通訊技術的發展，其模型的算力和響應時間仍有一定局限性，在面對術中突發情況時，現有AI算法的反應速度、精細程度和穩定性仍然不及經驗豐富的臨床醫生。同時，AI模型的黑箱效應仍然會極大地限制其應用，人們無法判斷AI做出判斷的具體分析過程，在AI的判斷結果與人類醫生的判斷結果出現分歧時，如何在客觀高準確率的模型和經驗豐富的醫生中抉擇，將會是一個很大的困擾。
同時，我們也應該注意到數據安全和隱私保護的問題，尤其是心血管手術圍術期涉及大量患者數據，如超聲、CT心電圖及各種生物化學指標。大多數情況下，AI的準確性與其接受的訓練量成正比，即數據越多越容易提高模型準確度。而目前大多數研究的數據量僅局限于一個中心或一個國家，其數據來源仍然有限，訓練出來的模型是否在大規模人群中仍然有良好的效能依舊難以確定。因此，更大范圍的、包含更多人口、更標準化的大規模數據庫的建立，有利于進一步開發各種AI模型。當然，面對如此大量的數據，如何在做好數據保密、保護患者隱私的同時，又能促進數據的交流，用于開發更多模型，也是需要考慮的方面。同時，也應建立相應的倫理規范、法律法規以保證數據合理、合法的使用。
7 總結與展望
隨著計算機領域的全方位進步和大數據的發展，AI已經不斷迭代更新，在很多研究中都體現出巨大的優勢。雖然AI在心血管圍術期管理中有顯著優勢和潛力，可以幫助醫護人員提高手術的安全性與成功率，改善患者預后。但臨床醫護在使用過程中仍需保持謹慎和理性，充分認識AI的局限性和潛在風險，結合自身知識和經驗進行綜合決策。AI全面精準的診斷能力，將對心血管疾病現有的診療模式產生巨大沖擊。特別是在醫療資源相對較差的偏遠地區和國家，AI的應用可以極大降低醫療成本，對改善居民生活質量、提高當地的醫療水平有重要意義。隨著未來技術的完善，相信AI可以與醫生互相配合，全面提升醫療質量，為更多患者帶來福音。
利益沖突：無。
作者貢獻：潘湘斌、江紅、劉則燁負責選題、設計及資料分析，起草及修改論文，對編輯部的修改意見進行核修，在學術界進行答辯，并最終同意文章的發表。
