【AI】心肺监测中的新兴技术与 AI 辅助工具

综述目的

心肺监测是重症医学的基础，但传统方法往往依赖简化阈值，只能捕捉波形、影像和连续生理数据中丰富信息的一小部分。本文综述了人工智能（AI）和机器学习（ML）的新兴应用，这些应用可增强波形解读、自动化床旁超声（POCUS）、实现预测性监测，并将高级评估能力拓展至低资源环境。

最新发现

AI 模型如今可比传统工具更早识别病情恶化，能够从无创信号中推导复杂血流动力学变量，并可提前数小时预测低血压、心脏骤停和脓毒症等事件。在 POCUS 领域，AI 可提供实时采集指导和自动化心脏及肺部解读，使初学者也能获得接近专家质量的检查结果。基于云端和边缘计算的架构进一步支持在艰苦环境中的 AI 驱动监测。尽管取得了这些进展，大多数 AI 系统仍处于早期开发阶段；只有不到 2% 完成了临床整合，同时在泛化性、偏倚、数据质量异质性以及前瞻性评估不足等方面仍面临挑战。

总结

AI 辅助的心肺监测有潜力将重症医学从被动反应式评估转变为动态的、前瞻性的管理。要实现这一前景，还需要严格验证、流程整合，以及能够证明其真正临床获益的证据。

引言

自重症监护诞生之初，心肺监测就一直是床旁决策的基石，用于指导危重患者的诊断、治疗和预后判断。其范围覆盖极广，从基础生命体征和血流动力学波形，到床旁超声（POCUS）和侵入性监测方式，这些手段均可为患者血流动力学状态提供重要信息。除了用于识别休克、呼吸衰竭或心功能障碍等危及生命的并发症，准确的监测还能指导治疗干预、生命支持的滴定，以及恢复过程的评估。由于危重病情可在数分钟或数小时内迅速进展，熟练而审慎地运用心肺监测，能够增强临床医生及时应对循环衰竭的能力，并为 ICU 患者争取更好的结局。

人工智能（AI）和机器学习（ML）正通过实现对复杂数据流的实时解读，并揭示人类观察者难以察觉的模式，改变临床医学。机器学习涵盖多种方法：监督学习用于结局预测，无监督学习用于发现隐藏表型，强化学习用于决策优化，深度学习则适用于影像和波形等高维数据。近年来，大语言模型和生成式 AI 也逐渐兴起，展现出整合临床叙述、自动生成文书和提供情境化建议的能力。在重症医学中，这些方法尤其强大，因为床旁会持续生成大量、高速且多样化的数据。借助 AI，临床医生有望超越传统基于阈值的监测方式，转向动态化、个体化和预测性模型，从而改善患者照护。

因此，心肺监测与 AI 的融合代表了重症医学中的一个关键前沿领域：它通过增强 POCUS、波形解读、预测分析和远程监测等能力，正在重塑监测方式。本文旨在探讨和讨论 AI 辅助心肺监测工具的最新进展，以及在 ICU 中实现公平且有效整合所必须应对的挑战。

心肺波形的自动化解读

连续心肺波形构成了 ICU 血流动力学和呼吸监测的基础。动脉压、心电图、脉搏氧饱和度和中心静脉压等信号可持续反映心血管状态，而高级监测系统则可在此基础上进一步提供心输出量以及液体反应性的动态指标。尽管这些波形持续显示于床旁，但临床医生通常只能通过简化后的汇总值或静态阈值来解读它们，这并不是因为原始信号缺乏复杂性，而是因为人类认知在实时处理高频、多维数据时天然存在限制。即使具备专家级训练和高分辨率显示器，临床医生也必须将丰富的波形形态学和时间模式压缩为少数几个可执行参数。相比之下，AI 系统可以深入分析这些信号的全部信息深度，提取人类感知难以触及的细微特征与趋势。AI 因而有潜力释放这些隐藏信息，从而识别先于临床恶化出现的微妙生理变化，并提高治疗指导的精准度。

AI 在波形解读中的应用范围正在迅速扩展。从预测低血压的模型，到可预测心脏骤停、早于传统标准发现脓毒症、并利用连续生命体征和侵入性信号对患者恶化风险进行分层的算法，都已陆续出现。其他应用还包括：基于动脉压波形预测液体反应性、通过流速和压力环识别患者-呼吸机不同步、估算肺力学参数，以及借助呼气末二氧化碳波形监测识别呼吸衰竭或循环衰竭。例如，诸如 eCART 之类的机器学习模型在预测心脏骤停和 ICU 转入方面已优于传统评分，而基于逐分钟波形数据的深度学习方法甚至可以在临床识别前最多 6 小时预测所需干预。这些广泛应用凸显了 AI 如何将波形数据转化为一种多用途、具有预测能力的监测工具。

一个尤其有前景的方向，是利用 AI 从易获得的信号中推导复杂血流动力学变量。基于动脉压波形训练的卷积神经网络和循环神经网络，已经能够与热稀释法获得的心输出量表现出极佳的一致性，这提示传统侵入性监测工具未来可能被创伤更小的 AI 驱动替代方案所挑战。类似地，经 AI 增强的脉搏轮廓分析，可能即使在信号噪声较大或存在心律失常时，也可改进每搏量变异度和体循环血管阻力等指标的测量。这些方法有望显著扩大高级血流动力学监测的可及性，同时降低操作相关风险。

此外，AI 在心电图心律失常识别中的应用也已展现出很强潜力：它能够自动检测并分类节律异常，其性能可达到甚至超过专家水平。基于原始 ECG 波形训练的深度学习模型可以识别人眼难以察觉的微妙高维模式，因此不仅能准确分类常见心律失常，还能够在窦性心律状态下识别与阵发性房颤相关的潜在电生理特征。这些进展提示，AI 增强型 ECG 分析有望提高诊断一致性、扩大大规模节律监测范围，并促进对临床隐匿性心律失常疾病的早期识别。当然，更广泛实施仍有赖于可靠的外部验证、可解释性以及与临床流程的无缝整合。

除了解读单个生理指标之外，基于波形的 AI 还可作为预测分析和实时决策支持的基础。基于原始生理信号训练的深度学习模型，在预测 ICU 死亡率、住院时间和升级支持需求方面，已优于传统回归模型。早期一体化系统原型，例如分析逐分钟趋势的循环神经网络，已经可以提前数小时预测低血压和血管活性药物需求。这些进展共同提示，未来 ICU 监测可能从被动反应式评估转向持续的前瞻性管理。

尽管生理测量和早期预测方面已取得这些进步，但一个根本问题仍然存在：临床医生究竟应当如何利用这些预测工具所提供的信息？这正是当前研究的重点，即确定当 AI 模型识别出早期预警趋势时，应该何时以及如何干预。虽然这些趋势可能与某些预后相关，但它们本质上反映的是概率，而非确定事实。因此，当前正在积极探索哪些早期信号真正值得触发干预，以及如何确保对 AI 预测的响应能够改善患者结局，而不是导致不必要甚至潜在有害的干预。

床旁超声中的人工智能应用

床旁超声（POCUS）已成为重症医学中不可或缺的工具，因为它能够提供即时、床旁的评估，显著提高诊断准确性并指导个体化治疗干预。系统综述和 Meta 分析已表明，POCUS 有助于休克分层、促进休克表型的精准分类，并通过支持及时、靶向的管理而有助于降低死亡率。如今，POCUS 已成为血流动力学监测的常规工具，可依据实时成像而非静态临床体征来指导液体治疗、血管活性药物滴定和正性肌力支持。

机器学习和 AI 正越来越多地应用于心脏 POCUS，以指导图像采集和图像解读。具备 AI 功能的 POCUS 设备现在已可自动计算左心室射血分数、左心室流出道速度时间积分（VTI）以及下腔静脉塌陷度等关键指标。一项可行性研究表明，AI 辅助的 VTI 采集在精度和可重复性方面优于人工测量，从而提高了心输出量估算的质量。此外，在 AI 辅助下，初学者可以在 5 分钟内高准确度完成射血分数估计，且与专家测量结果高度一致。这些创新反映出心脏 POCUS 正从依赖操作者解释、易受主观差异影响，逐步迈向更客观、更可及的方向。

肺部 POCUS 对诊断肺水肿、实变和胸腔积液等情况至关重要。当前，AI 模型已开始训练用于识别和量化肺超声模式，包括 B 线、肺滑动征、胸腔积液和肺实变。基于 B 线模式训练的深度学习模型已显示出区分外观相似病因的能力，能够识别人类无法感知的隐匿特征，从而提高肺超声的诊断特异性。AI 还能辅助识别肺滑动消失这一气胸的重要征象，并快速标记实变区域或胸腔积液。这些能力增强了临床医生的视觉评估，同时也可能支持对 ARDS 或进展性胸膜病变等动态病情进行趋势监测和早期识别，从而促进更早干预和更个体化的床旁治疗策略。

AI 在 POCUS 中越来越重要的另一个贡献，是其能够指导初学者采集达到诊断质量的图像。基于深度学习的采集系统可对探头位置、方向和图像质量提供实时反馈，从而使非专家也能获得标准化的心脏和肺部视图，并具备足够的解剖结构辨识度。Narang 等研究显示，没有超声心动图培训背景的护士，也能够在 AI 引导下获得可用于完整诊断的超声检查，其准确性与专家超声技师相当。Schneider 等研究同样发现，医学生可以获取高质量的超声心动图动态图像环，并且与专家判读结果高度一致。在肺部 POCUS 方面，Baloescu 等报道，经过训练的医务人员在 AI 引导下完成的肺部超声检查中，超过 98% 的图像达到了诊断质量。这些发现凸显了 AI 在“民主化”POCUS 方面的潜力，即降低对专家在场的依赖，并将高质量心肺评估扩展至一线临床人员和低资源环境。

更重要的是，我们设想 AI 不仅仅是用于逐步改良现有 POCUS 工作流程的工具，而应成为超声新范式的核心：在这一范式中，图像采集、解读甚至结构化报告，都可以由几乎没有超声经验的临床医生可靠完成。在未来，POCUS 将像自动膀胱扫描仪一样变得容易获取和易于操作：临床医生可以使用“肺扫描仪”或“心扫描仪”，设备会指导其完成最佳探头摆位，并即时给出可执行的诊断或定量指标。随着 POCUS 技术逐步走向全自动化和普及化，传统上所要求的大量培训、资质认证和操作者依赖性差异，可能大幅减少。最终，这类 AI 赋能系统将使任何临床医生在任何医疗场景下，都能够在床旁利用 POCUS 的诊断与监测能力，从而扩大其影响并克服过去限制其推广的障碍。

低资源和远程重症环境中的 AI 赋能监测

在低资源和远程环境中，先进心肺监测的可及性常常受限，因为这些场景往往缺乏侵入性监测手段、专家判读以及亚专科培训。便携式、嵌入 AI 的超声系统已成为一种很有前景的解决方案，它使一线医务人员能够在图像采集和解读自动辅助下完成心脏和肺部评估。通过降低操作者依赖并标准化测量，这些工具可以将高质量监测扩展到重症医学专业能力匮乏的环境中。

与此同时，基于云端和边缘计算架构的发展，使 AI 驱动的监测工具得以在条件艰苦或带宽受限的环境下运行。云平台有助于集中更新模型并访问大规模带注释数据集，而边缘计算则可在便携设备上直接完成实时分析，从而减少对持续互联网连接的依赖。这些基础设施可支持对超声视频片段、生命体征波形或心电图等信号进行自动解读，并可将结果整合进临床医生在床旁可访问的移动健康平台中。这种混合式方法在资源波动环境中特别有价值，因为即便在复杂现场条件下，也能保证监测的韧性和连续性。

AI 赋能监测的战略意义并不限于传统意义上的低收入卫生系统。在全球重症医学、灾害应对、军事医学甚至航天飞行中，也存在类似需求，因为这些环境中并不总能持续获得专家临床医生和传统监测设备。在这些场景中，AI 有潜力成为一种“力量倍增器”，通过提供 AI 辅助判读和预测性洞察，增强全科型医务人员的能力。通过减少先进心肺监测获取上的不平等，AI 驱动的解决方案不仅促进了重症照护公平性，也拓展了偏远和极端环境下可实现的临床边界。

AI 融入心肺监测的挑战与机遇

尽管 ICU 中 AI 研究增长迅速，但绝大多数应用仍处于早期开发阶段，很少真正进入临床整合。近期一项系统综述显示，超过 70% 的 ICU AI 模型研究仅限于回顾性验证，真正部署到现实临床环境中的仅占 2%。研究报告标准仍缺乏一致性，且超过半数发表研究存在较高偏倚风险，这反映出方法学局限以及对内部数据集或公开数据集的高度依赖。当前该领域已充满模型开发与回顾性验证研究，但只有极少数推进到实时测试或临床流程整合阶段。这意味着重症 AI 研究已来到一个关键转折点：当前的核心挑战不再是构建更多模型，而是要判断现有模型在床旁部署时，究竟能否真正改善——或反而妨碍——患者照护。因此，该领域需要一种范式转变，即从理论上的模型创建转向前瞻性和务实性评估、无缝临床整合，以及对其对患者结局和安全性影响的严格检验。

与此同时，心肺监测本身的一些特异性问题，也进一步增加了 AI 工具临床转化的复杂性。基于波形或影像数据训练的 AI 模型往往高度依赖特定场景、设备类型或数据分辨率，当应用于使用不同监测系统的机构时，其性能可能显著下降。数据质量、采样频率和患者人群差异也会带来模型失准和输出偏倚的风险，尤其是在低资源环境中更为明显。其他担忧还包括数据隐私、透明性，以及建立临床医生信任所需的可解释性。但这些障碍同时也意味着机遇：多中心合作、联邦学习方法和标准化报告框架都可能提高模型泛化性；可解释性 AI 有助于促进临床采纳；前瞻性试验则可为监管批准提供所需证据。解决这些问题，将是推动 AI 从概念验证走向安全、可靠临床实践的关键。

结论

AI 正在迅速重塑心肺监测的格局，它扩展了临床医生解读复杂生理信号、自动化 POCUS、预判病情恶化并将监测拓展至低资源环境的能力。尽管当前应用大多仍处于早期开发阶段，但其发展方向已经十分清晰：AI 有望推动心肺监测从静态、回顾式评估转向动态、预测性和个体化系统，从而指导及时干预并改善结局。要实现这一潜力，必须克服验证、泛化性和整合方面的重大挑战，同时抓住研究团队、机构和卫生系统之间合作的机会。通过审慎开发、严格评估和负责任实施，AI 赋能工具有能力将心肺监测重新定义为重症医学实践中一个主动型的核心支柱。

总结要点和创新性

这篇综述的核心要点是：AI 正在把心肺监测从“看数值、等报警”的传统模式，推进到“读全量信号、提前识别恶化、辅助决策”的新阶段。文章系统梳理了 AI 在几个关键领域的应用：一是对连续生理波形的深度解读，如从动脉压、心电图、血氧和呼气末二氧化碳波形中预测低血压、心脏骤停、脓毒症、液体反应性和患者-呼吸机不同步；二是在床旁超声中实现采集引导和自动解读，使非专家也能完成高质量心脏和肺部超声检查；三是借助云端和边缘计算，将 AI 监测拓展到低资源、远程、灾难和军事等环境。文章反复强调，AI 的真正价值不只是提高“识别能力”，而是有机会把 ICU 监测从基于固定阈值的被动反应，转向基于连续数据流的动态、预测性和个体化管理。不过作者也明确指出，目前绝大多数 AI 工具仍停留在模型开发和回顾性验证阶段，真正进入临床工作流并证明可改善患者结局的系统仍然极少。

这篇文章的创新性主要不在于提出某一种新的算法，而在于它把波形监测、POCUS 自动化、预测性预警和低资源部署这几个原本分散发展的方向，整合进了一个统一的“AI增强型心肺监测”框架中。它提出的关键观念是：未来 ICU 监测的重点不再只是把现有监测手段数字化，而是要让 AI 成为连接信号采集、图像获取、模式识别、风险预测和床旁决策的中枢层。尤其在 POCUS 部分，文章提出 AI 不应只用于帮助专家更快判读，而应推动“超声民主化”，使心肺超声像膀胱扫描一样走向高度自动化和普及化，这一点很有前瞻性。对未来研究而言，这篇综述最大的启示是：下一步重点不应再是单纯增加模型数量或追求更高 AUC，而应转向前瞻性临床验证、跨中心泛化能力、可解释性、工作流整合，以及最关键的——AI 触发的干预究竟应如何设计，才能真正改善患者结局，而不是制造新的误报、过度干预和临床负担。