随着计算机技术的进步与发展，基于人工智能的医疗辅助决策系统在临床得到广泛应用。在心血管手术围术期中，人工智能可以应用于术前诊断、术中和术后风险管理等。本文介绍了心血管手术围术期中人工智能的应用和发展情况，包括术前辅助诊断、术中风险管理、术后管理及全程辅助决策管理，同时探讨了工智能应用的挑战与局限，并对未来的发展方向进行展望。
人工智能（artificial intelligence，AI）是计算机科学领域的重要分支，旨在利用计算机系统模仿人类智能，基于数据驱动的算法进行学习、推理、决策和执行等[1]。AI具有快速综合处理大数据资源的能力，非常适合处理医疗活动中产生的海量数据[2]。随着芯片储存技术、数据通讯网络和计算机技术的发展，AI在医学领域，尤其是心血管疾病的诊断、治疗和管理中[3-4]，已经得到了较为广泛的应用[5-7]。本文以心血管手术为线索，对AI在围术期管理中的应用进行概述，分析目前AI在围术期应用存在的优势和问题，并讨论了AI在医学领域未来可能的发展方向。
1 人工智能与围术期概述
广义而言，AI指利用算法对大量数据进行分析处理、决策归纳，挖掘并学习数据之前的潜在相互关系，进而能模拟人类认知功能并表现智能行为 [8]。AI包括各种不同的子领域和技术，其中应用较为广泛的是机器学习、深度学习和自然语言处理等，这些技术使计算机体现出不同程度的智能和自主性，可以在一定程度上智能和自动地处理并分析海量数据，做出推理和决策，并且在这个过程中不断学习和改进，进一步完善其推理判断机制。
围术期是指自决定开始手术治疗始，到结束本次手术相关治疗止之前的时间，涉及手术前期、手术中期和手术后期3个阶段。医生在围术期内需要进行一系列的工作，包括但不限于术前评估、术前准备、麻醉管理、手术操作、术后护理和术后随访等工作。心血管手术向来以高难度、高风险著称，患者的病情大多复杂多变、预后影响因素繁多，因此心血管手术的围术期管理需要大量的数据处理和决策，而AI在处理海量数据和进行快速决策上的优势，使其天然的具有应用在围术期管理的巨大潜力[9]（图1）。
图1
人工智能在心血管手术中的应用示例
2 术前辅助诊断
在心血管手术的术前阶段，AI凭借其强大的数据分析处理能力，可以为医护人员提供精准、高效的辅助诊疗策略。比如通过集成患者的既往病历、影像资料等多维度信息，可以迅速对海量数据进行分析，提取出相关疾病特征，并做出判断。心血管疾病常见的诊断方法有心脏超声、CT和MRI等，这些心血管影像诊断方式涉及大量影像信息的分析和判断，而目前AI在对这些影像资料的智能识别与分析上，也展现出巨大的优势。通过机器学习算法，AI可以实现对影像数据的自动分割和多维度特征提取，自动识别心脏、血管[10]、钙化[11]、斑块[12]和狭窄 [13]等区域和异常，多维度评判异常的程度并实现分类，实现辅助诊断的功能。Cano-Espinosa 等[14]使用4 973例病例训练了一个从平扫CT中直接评估冠状动脉钙化积分（Agaston评分）的3D深度卷积神经网络，并在1 000例病例中进行测试，该算法显示出与手动测量极高的相关性（Pearson相关系数为0.932，P<0.000 1） 。Al'Aref 等[15]利用在CONFIRM注册中心登记的13 054例患者的临床因素和冠状动脉钙化评分（CACS）数据，开发并测试了一个用于预测冠状动脉计算机断层摄影血管造影术（CCTA）中是否存在阻塞性冠状动脉疾病的机器学习模型，曲线下面积（area under curve，AUC）最高为0.881，该研究为后续临床实践中的风险分层和下游管理指导提出了新思路。Kang等[16]提出了一种基于支持向量机的自动算法对狭窄的冠状动脉病变进行检测，该算法应用于42例患者的三维冠状动脉计算机断层扫描血管造影（coronary computed tomography angiography，CTA），AUC为0.94。Hannun等[17]开发了一个深度神经网络对12个节律类别进行分类，数据来自53 549例患者的91 232个单导联动态心电图监测设备收集的电图记录，ROC为0.97，其对不同的心律失常进行分类的能力不劣于人类心脏病专家。
AI在辅助诊断中已经体现出了相当的优势，文献中都报道了非常多不同的算法、不同的模型和不同的特征提取方法，在模型的开发、验证和性能评估上都有独到的见解。若可以应用到临床实际中，AI可以为医生读片节约大量的时间，快速、准确地分类来方便医生优先考虑最紧急的患者，辅助医生做出诊断。同时，AI在算力允许的情况下，在阅片速度、准确性上都可以长期稳定保持在很高的水准，避免了人类医生可能存在的疲劳或经验不足的缺点，这一优势可能在未来极大的改变现有的诊疗格局。
3 术中风险管理
除了在术前综合分析以优化手术路径或提供辅助诊断外，AI在对患者生命体征及手术进程的实时监测与预警上也有一定的应用。心血管术中可能出现非常多的并发症，如低血压[18]、低氧血症[19]、肺栓塞[20]、心脏骤停[21]等。心血管手术围术期低血压是一种常见的并发症，长期低血压可能使心、脑、肾等重要器官灌注不足，增加术后心肌缺血、心肌损伤、脑水肿、谵妄、肾功能损伤等不良事件的风险[22-25]。早期预测或识别低血压有助于医生及时干预，降低低血压发生率或缩短存在时间，有利于提高手术麻醉质量、改善患者预后。但心血管手术与其他手术相比，其术中涉及到开胸、对心脏和主要血管的操作等，都会对测量到的血压有一定干扰，会混淆动脉波形分析。爱德华公司开发了一项软件，其使用机器学习来预测根据动脉波形分析在15 min内MAP＜65 mm Hg（1 mm Hg=0.133 kPa）1 min及以上的低血压事件，进一步提出了低血压预测指数（hypotension prediction index，HPI）[26]。虽然心脏手术中手术操作会对患者的血流动力学参数有很强干扰，但研究[27]显示这些操作并不影响AI对HPI的预测效能。虽然很多研究都表现出了较为不错的预测低血压的能力，使医生可以积极主动地去应对术中低血压的问题，但是也不应该忽视可能存在的选择偏差。根据算法给出的低血压风险从而对患者进行补液、使用血管升压药或镇痛镇静药物等操作的获益仍存疑，应当谨慎考虑[28]。
除了对心血管术中可能存在的并发症进行预测管理，AI在体外循环中也有应用。目前主要在心脏手术的心肺转流中使用AI，以优化体外循环管理以及减少失误。AI通过智能算法和其强大的实时监测能力，可以根据患者的实际情况，建立自适应控制管理算法，及时调整相关参数，比如对心肌保护液进行定量操作等，实现对体外循环过程中人体代谢情况的综合管理，为麻醉医生的操作提供辅助，极大地提高了手术的安全性[29]。
4 术后管理
心血管围术期的术后管理亦不可忽视，术后的并发症预防和整体健康状况的维护同样重要。与术前诊断及术中管理类似，术后管理同样涉及大量的数据处理和决策。对心血管术后的常见并发症如急性肾损伤[30-31]、大出血[32]和谵妄[33]等，通过不同的机器学习模型，AI表现优异[34-35]。如Karri等[36]使用6种不同的机器学习方式来预测心脏手术后住ICU期间房颤的发生情况，并将其与现有的金标准评分相对比，在对6 349例患者的研究中，机器学习最高的AUC值为0.74，高于金标准评分的AUC值（0.63），表现出了较强的预测能力。
心脏术后的再入院率和死亡率也是评价心血管手术情况的重要指标，AI对其预测也有一定应用。在心脏术后再入院率方面，Park等[37]的一项研究对接受开胸心脏手术后的8 947例患者的预后进行了预测，该研究训练的机器学习模型在预测死亡率和再入院率方面表现良好，显示出与美国胸外科医师协会（Society of Thoracic Surgeons，STS）风险模型相当的性能。在心血管术后死亡率预测上，AI也有着不错的表现[38-39]。Fernandes等[40]使用了5 015例接受心脏手术患者的数据训练了一个基于极限梯度增强（extreme gradient boosting，XGB）的机器学习模型，术中危险如低血压、血管加压药-肌力和体外循环时间等因素后，用于预测患者术后预后，AUC为0.88，为心脏术后患者的分层和分诊提供了参考。Allyn等[41]的研究纳入了6 520例患者，对比了EuroSCOREⅡ、logistic回归模型和机器学习模型对心脏术后住院死亡率的预测性能，机器学习模型的预测更准确，其ROC值（0.834）显著高于EuroSCOREⅡ（0.737）或logistic回归模型（0.742）的ROC值。特别的，Junior等[42]独出心裁地使用了6种AI模型来建立了先天性心脏病患者的术前死亡风险预测模型，最佳AUC为0.902。
心脏移植是心血管手术中对患者打击最大的手术之一，其术后风险相对较高，评估这类患者的预后有重要临床意义。Kveton等[43]利用数字病理学和大数据集，借助机器学习尝试识别诊断心脏移植术后心脏同种异体移植排斥反应的情况。Kampaktsis等[44]的研究建立并验证一个预测成人先天性心脏病患者心脏移植后死亡率的机器学习模型，预测率最高达到0.80。Zhou等[45]的研究建立了基于随机森林模型和梯度增强机算法，用于心脏移植术后患者的1年死亡率的风险预测的模型，最高AUC为0.801。Agasthi等[46]则基于梯度增强机算法对心脏移植患者术后5年死亡率和移植物衰竭进行来预测，AUC分别为0.717和0.716。
由此可见，AI在心血管手术围术期术后管理中有较大的应用潜力，对心脏移植、冠状动脉旁路移植术和心脏瓣膜手术等心血管手术术后并发症和管理的预测上表现不凡，此外也对再入院率和死亡率做出评估，在辅助临床医生诊疗上有重要意义。
5 围术期全程辅助决策管理
近年来，围术期医学的发展如火如荼，人们对手术的全程管理提出了越来越高的要求。心血管手术中的循环管理相当困难，手术过程中对心脏和血管的操作会产生低血压等循环波动，这会对术中血压监测进而判断器官灌注和麻醉深度等造成一定程度的影响。同时，心脏手术中涉及到的监测患者生命体征的数据和图像极多，如经食管超声心动图、肺动脉漂浮导管、脉搏轮廓分析法、连续CO监测技术等，如何及时准确地判读这些方法产生的海量数据，如何在术中及时根据收集到的患者生命体征信息来调整手术和麻醉操作，这些对临床医生来说也是一个巨大的挑战。AI的对海量数据的处理在准确性和快捷性上，与人类相比都有明显的优势[47]。
AI在复杂手术决策上也表现出了良好的辅助作用，Hasimbegovic等[48]训练了一个机器学习模型，纳入充血性心力衰竭、已建立的风险评估评分、既往心脏手术、左心室射血分数降低和周围血管疾病等风险因素，来模拟心脏团队在使用经导管主动脉瓣置换术或孤立手术主动脉瓣置换术治疗严重症状性主动脉瓣狭窄的年轻患者时的复杂决策过程。Lo Muzio等[49]使用监督机器学习算法提出了一种基于视频的方法来实时评估开胸手术中的心外膜运动学，可以帮助心脏外科医生在胸腔闭合前做出决定。Cook等[50]的一项研究表明，AI可以通过对瞬时无波比（instantaneous wave-free ratio，iFR）回撤曲线数据进行分析，帮助医生制订患者的经皮冠状动脉介入治疗策略，且表现出较好的重复性和识别能力。AI在构建决策支持系统上，已经体现了较好的辅助能力。
由此可见，AI在综合决策上存在显著的优势，如果可以应用到实际临床上，有望极大地减轻临床医生的负担，可能对目前的手术管理模式产生相当的影响。此外，AI还能在各方面起到相当不错的辅助作用，比如AI的自动分析输出功能，可以辅助医生完成耗时的文书功能，将医生从处理繁琐的记录中解放出来，使他们有更多的时间处理更重要的事情[51]。
6 人工智能应用的挑战与局限
尽管在心血管手术围术期AI技术的应用方面已有大量探索，并且AI已显示出巨大的应用潜力，我们仍需认识到，目前的研究与AI全面进入实际临床应用阶段仍有差距，当前面临诸多挑战和限制。
心血管手术的复杂性和多变性在整个外科系统中都是要求极高的，比如不停跳冠状动脉旁路移植术和心脏移植等，这些复杂手术术中的突发情况瞬息万变，需要医生具备丰富的经验和快速反应的能力。而现有AI技术受限于目前计算机芯片和通讯技术的发展，其模型的算力和响应时间仍有一定局限性，在面对术中突发情况时，现有AI算法的反应速度、精细程度和稳定性仍然比不上经验丰富的临床医生。同时，AI模型的黑箱效应仍然会极大的限制其应用，人们无法判断AI做出判断的具体分析过程，在AI的判断结果与人类医生的判断结果出现分歧时，如何在客观高准确率的模型和经验丰富的医生中抉择，将会是一个很大的困扰。
同时，我们也有应该注意到数据安全和隐私保护的问题，尤其是心血管手术围术期涉及的大量患者数据，比如超声、CT心电图即各种生化指标。大多数情况下，AI的准确性与其接受的训练量成正比，即数据越多越容易提高模型准确度。而目前大多数研究的数据量仅局限于一个中心或一个国家，其数据来源仍然有限，训练出来的模型是否在大规模人群中仍然有良好的效能依旧难以确定。因此，更大范围的、包含更多人口、更标准化的大规模数据库的建立，有利于进一步开发各种AI模型。当然，面对如此大量的数据，如何在做好数据保密，保护患者隐私的同时，又能促进数据的交流，用于开发更多模型，也是值得需要考虑的方面。同时，相应的伦理规范、法律法规也应建立以保证数据的合理、合法使用。
7 总结和展望
随着计算机领域的全方面进步和大数据的发展，AI已经不断迭代更新，在很多研究中都体现出巨大的优势。虽然AI在心血管围术期管理中有显著优势和潜力，可以帮助医护人员提高手术的安全性与成功率，改善患者预后。但也需要临床医护在使用的过程中仍需保持谨慎和理性，充分认识AI的局限性和潜在风险，结合自身知识和经验进行综合决策。AI全面精准的诊断能力，将对心血管疾病现有的诊疗模式产生巨大冲击。特别是在医疗资源相对较差的偏远地区和国家，AI的应用可以极大的降低医疗成本，对改善居民生活质量，提高当地的医疗水平有重要意义。随着未来技术的完善，相信AI可以与医生互相配合，全面提升医疗质量，为更多患者带去福音。
利益冲突：无。
作者贡献：潘湘斌、江红、刘则烨负责选题、设计及资料的分析，进行论文起草及修改，对编辑部的修改意见进行核修，在学术界进行答辩，并最终同意文章的发表。
人工智能（artificial intelligence，AI）是计算机科学领域的重要分支，旨在利用计算机系统模仿人类智能，基于数据驱动的算法进行学习、推理、决策和执行等[1]。AI具有快速综合处理大数据资源的能力，非常适合处理医疗活动中产生的海量数据[2]。随着芯片储存技术、数据通讯网络和计算机技术的发展，AI在医学领域，尤其是心血管疾病的诊断、治疗和管理中[3-4]，已经得到了较为广泛的应用[5-7]。本文以心血管手术为线索，对AI在围术期管理中的应用进行概述，分析目前AI在围术期应用存在的优势和问题，并讨论了AI在医学领域未来可能的发展方向。
1 人工智能与围术期概述
广义而言，AI指利用算法对大量数据进行分析处理、决策归纳，挖掘并学习数据之前的潜在相互关系，进而能模拟人类认知功能并表现智能行为 [8]。AI包括各种不同的子领域和技术，其中应用较为广泛的是机器学习、深度学习和自然语言处理等，这些技术使计算机体现出不同程度的智能和自主性，可以在一定程度上智能和自动地处理并分析海量数据，做出推理和决策，并且在这个过程中不断学习和改进，进一步完善其推理判断机制。
围术期是指自决定开始手术治疗始，到结束本次手术相关治疗止之前的时间，涉及手术前期、手术中期和手术后期3个阶段。医生在围术期内需要进行一系列的工作，包括但不限于术前评估、术前准备、麻醉管理、手术操作、术后护理和术后随访等工作。心血管手术向来以高难度、高风险著称，患者的病情大多复杂多变、预后影响因素繁多，因此心血管手术的围术期管理需要大量的数据处理和决策，而AI在处理海量数据和进行快速决策上的优势，使其天然的具有应用在围术期管理的巨大潜力[9]（图1）。
图1
人工智能在心血管手术中的应用示例
2 术前辅助诊断
在心血管手术的术前阶段，AI凭借其强大的数据分析处理能力，可以为医护人员提供精准、高效的辅助诊疗策略。比如通过集成患者的既往病历、影像资料等多维度信息，可以迅速对海量数据进行分析，提取出相关疾病特征，并做出判断。心血管疾病常见的诊断方法有心脏超声、CT和MRI等，这些心血管影像诊断方式涉及大量影像信息的分析和判断，而目前AI在对这些影像资料的智能识别与分析上，也展现出巨大的优势。通过机器学习算法，AI可以实现对影像数据的自动分割和多维度特征提取，自动识别心脏、血管[10]、钙化[11]、斑块[12]和狭窄 [13]等区域和异常，多维度评判异常的程度并实现分类，实现辅助诊断的功能。Cano-Espinosa 等[14]使用4 973例病例训练了一个从平扫CT中直接评估冠状动脉钙化积分（Agaston评分）的3D深度卷积神经网络，并在1 000例病例中进行测试，该算法显示出与手动测量极高的相关性（Pearson相关系数为0.932，P<0.000 1） 。Al'Aref 等[15]利用在CONFIRM注册中心登记的13 054例患者的临床因素和冠状动脉钙化评分（CACS）数据，开发并测试了一个用于预测冠状动脉计算机断层摄影血管造影术（CCTA）中是否存在阻塞性冠状动脉疾病的机器学习模型，曲线下面积（area under curve，AUC）最高为0.881，该研究为后续临床实践中的风险分层和下游管理指导提出了新思路。Kang等[16]提出了一种基于支持向量机的自动算法对狭窄的冠状动脉病变进行检测，该算法应用于42例患者的三维冠状动脉计算机断层扫描血管造影（coronary computed tomography angiography，CTA），AUC为0.94。Hannun等[17]开发了一个深度神经网络对12个节律类别进行分类，数据来自53 549例患者的91 232个单导联动态心电图监测设备收集的电图记录，ROC为0.97，其对不同的心律失常进行分类的能力不劣于人类心脏病专家。
AI在辅助诊断中已经体现出了相当的优势，文献中都报道了非常多不同的算法、不同的模型和不同的特征提取方法，在模型的开发、验证和性能评估上都有独到的见解。若可以应用到临床实际中，AI可以为医生读片节约大量的时间，快速、准确地分类来方便医生优先考虑最紧急的患者，辅助医生做出诊断。同时，AI在算力允许的情况下，在阅片速度、准确性上都可以长期稳定保持在很高的水准，避免了人类医生可能存在的疲劳或经验不足的缺点，这一优势可能在未来极大的改变现有的诊疗格局。
3 术中风险管理
除了在术前综合分析以优化手术路径或提供辅助诊断外，AI在对患者生命体征及手术进程的实时监测与预警上也有一定的应用。心血管术中可能出现非常多的并发症，如低血压[18]、低氧血症[19]、肺栓塞[20]、心脏骤停[21]等。心血管手术围术期低血压是一种常见的并发症，长期低血压可能使心、脑、肾等重要器官灌注不足，增加术后心肌缺血、心肌损伤、脑水肿、谵妄、肾功能损伤等不良事件的风险[22-25]。早期预测或识别低血压有助于医生及时干预，降低低血压发生率或缩短存在时间，有利于提高手术麻醉质量、改善患者预后。但心血管手术与其他手术相比，其术中涉及到开胸、对心脏和主要血管的操作等，都会对测量到的血压有一定干扰，会混淆动脉波形分析。爱德华公司开发了一项软件，其使用机器学习来预测根据动脉波形分析在15 min内MAP＜65 mm Hg（1 mm Hg=0.133 kPa）1 min及以上的低血压事件，进一步提出了低血压预测指数（hypotension prediction index，HPI）[26]。虽然心脏手术中手术操作会对患者的血流动力学参数有很强干扰，但研究[27]显示这些操作并不影响AI对HPI的预测效能。虽然很多研究都表现出了较为不错的预测低血压的能力，使医生可以积极主动地去应对术中低血压的问题，但是也不应该忽视可能存在的选择偏差。根据算法给出的低血压风险从而对患者进行补液、使用血管升压药或镇痛镇静药物等操作的获益仍存疑，应当谨慎考虑[28]。
除了对心血管术中可能存在的并发症进行预测管理，AI在体外循环中也有应用。目前主要在心脏手术的心肺转流中使用AI，以优化体外循环管理以及减少失误。AI通过智能算法和其强大的实时监测能力，可以根据患者的实际情况，建立自适应控制管理算法，及时调整相关参数，比如对心肌保护液进行定量操作等，实现对体外循环过程中人体代谢情况的综合管理，为麻醉医生的操作提供辅助，极大地提高了手术的安全性[29]。
4 术后管理
心血管围术期的术后管理亦不可忽视，术后的并发症预防和整体健康状况的维护同样重要。与术前诊断及术中管理类似，术后管理同样涉及大量的数据处理和决策。对心血管术后的常见并发症如急性肾损伤[30-31]、大出血[32]和谵妄[33]等，通过不同的机器学习模型，AI表现优异[34-35]。如Karri等[36]使用6种不同的机器学习方式来预测心脏手术后住ICU期间房颤的发生情况，并将其与现有的金标准评分相对比，在对6 349例患者的研究中，机器学习最高的AUC值为0.74，高于金标准评分的AUC值（0.63），表现出了较强的预测能力。
心脏术后的再入院率和死亡率也是评价心血管手术情况的重要指标，AI对其预测也有一定应用。在心脏术后再入院率方面，Park等[37]的一项研究对接受开胸心脏手术后的8 947例患者的预后进行了预测，该研究训练的机器学习模型在预测死亡率和再入院率方面表现良好，显示出与美国胸外科医师协会（Society of Thoracic Surgeons，STS）风险模型相当的性能。在心血管术后死亡率预测上，AI也有着不错的表现[38-39]。Fernandes等[40]使用了5 015例接受心脏手术患者的数据训练了一个基于极限梯度增强（extreme gradient boosting，XGB）的机器学习模型，术中危险如低血压、血管加压药-肌力和体外循环时间等因素后，用于预测患者术后预后，AUC为0.88，为心脏术后患者的分层和分诊提供了参考。Allyn等[41]的研究纳入了6 520例患者，对比了EuroSCOREⅡ、logistic回归模型和机器学习模型对心脏术后住院死亡率的预测性能，机器学习模型的预测更准确，其ROC值（0.834）显著高于EuroSCOREⅡ（0.737）或logistic回归模型（0.742）的ROC值。特别的，Junior等[42]独出心裁地使用了6种AI模型来建立了先天性心脏病患者的术前死亡风险预测模型，最佳AUC为0.902。
心脏移植是心血管手术中对患者打击最大的手术之一，其术后风险相对较高，评估这类患者的预后有重要临床意义。Kveton等[43]利用数字病理学和大数据集，借助机器学习尝试识别诊断心脏移植术后心脏同种异体移植排斥反应的情况。Kampaktsis等[44]的研究建立并验证一个预测成人先天性心脏病患者心脏移植后死亡率的机器学习模型，预测率最高达到0.80。Zhou等[45]的研究建立了基于随机森林模型和梯度增强机算法，用于心脏移植术后患者的1年死亡率的风险预测的模型，最高AUC为0.801。Agasthi等[46]则基于梯度增强机算法对心脏移植患者术后5年死亡率和移植物衰竭进行来预测，AUC分别为0.717和0.716。
由此可见，AI在心血管手术围术期术后管理中有较大的应用潜力，对心脏移植、冠状动脉旁路移植术和心脏瓣膜手术等心血管手术术后并发症和管理的预测上表现不凡，此外也对再入院率和死亡率做出评估，在辅助临床医生诊疗上有重要意义。
5 围术期全程辅助决策管理
近年来，围术期医学的发展如火如荼，人们对手术的全程管理提出了越来越高的要求。心血管手术中的循环管理相当困难，手术过程中对心脏和血管的操作会产生低血压等循环波动，这会对术中血压监测进而判断器官灌注和麻醉深度等造成一定程度的影响。同时，心脏手术中涉及到的监测患者生命体征的数据和图像极多，如经食管超声心动图、肺动脉漂浮导管、脉搏轮廓分析法、连续CO监测技术等，如何及时准确地判读这些方法产生的海量数据，如何在术中及时根据收集到的患者生命体征信息来调整手术和麻醉操作，这些对临床医生来说也是一个巨大的挑战。AI的对海量数据的处理在准确性和快捷性上，与人类相比都有明显的优势[47]。
AI在复杂手术决策上也表现出了良好的辅助作用，Hasimbegovic等[48]训练了一个机器学习模型，纳入充血性心力衰竭、已建立的风险评估评分、既往心脏手术、左心室射血分数降低和周围血管疾病等风险因素，来模拟心脏团队在使用经导管主动脉瓣置换术或孤立手术主动脉瓣置换术治疗严重症状性主动脉瓣狭窄的年轻患者时的复杂决策过程。Lo Muzio等[49]使用监督机器学习算法提出了一种基于视频的方法来实时评估开胸手术中的心外膜运动学，可以帮助心脏外科医生在胸腔闭合前做出决定。Cook等[50]的一项研究表明，AI可以通过对瞬时无波比（instantaneous wave-free ratio，iFR）回撤曲线数据进行分析，帮助医生制订患者的经皮冠状动脉介入治疗策略，且表现出较好的重复性和识别能力。AI在构建决策支持系统上，已经体现了较好的辅助能力。
由此可见，AI在综合决策上存在显著的优势，如果可以应用到实际临床上，有望极大地减轻临床医生的负担，可能对目前的手术管理模式产生相当的影响。此外，AI还能在各方面起到相当不错的辅助作用，比如AI的自动分析输出功能，可以辅助医生完成耗时的文书功能，将医生从处理繁琐的记录中解放出来，使他们有更多的时间处理更重要的事情[51]。
6 人工智能应用的挑战与局限
尽管在心血管手术围术期AI技术的应用方面已有大量探索，并且AI已显示出巨大的应用潜力，我们仍需认识到，目前的研究与AI全面进入实际临床应用阶段仍有差距，当前面临诸多挑战和限制。
心血管手术的复杂性和多变性在整个外科系统中都是要求极高的，比如不停跳冠状动脉旁路移植术和心脏移植等，这些复杂手术术中的突发情况瞬息万变，需要医生具备丰富的经验和快速反应的能力。而现有AI技术受限于目前计算机芯片和通讯技术的发展，其模型的算力和响应时间仍有一定局限性，在面对术中突发情况时，现有AI算法的反应速度、精细程度和稳定性仍然比不上经验丰富的临床医生。同时，AI模型的黑箱效应仍然会极大的限制其应用，人们无法判断AI做出判断的具体分析过程，在AI的判断结果与人类医生的判断结果出现分歧时，如何在客观高准确率的模型和经验丰富的医生中抉择，将会是一个很大的困扰。
同时，我们也有应该注意到数据安全和隐私保护的问题，尤其是心血管手术围术期涉及的大量患者数据，比如超声、CT心电图即各种生化指标。大多数情况下，AI的准确性与其接受的训练量成正比，即数据越多越容易提高模型准确度。而目前大多数研究的数据量仅局限于一个中心或一个国家，其数据来源仍然有限，训练出来的模型是否在大规模人群中仍然有良好的效能依旧难以确定。因此，更大范围的、包含更多人口、更标准化的大规模数据库的建立，有利于进一步开发各种AI模型。当然，面对如此大量的数据，如何在做好数据保密，保护患者隐私的同时，又能促进数据的交流，用于开发更多模型，也是值得需要考虑的方面。同时，相应的伦理规范、法律法规也应建立以保证数据的合理、合法使用。
7 总结和展望
随着计算机领域的全方面进步和大数据的发展，AI已经不断迭代更新，在很多研究中都体现出巨大的优势。虽然AI在心血管围术期管理中有显著优势和潜力，可以帮助医护人员提高手术的安全性与成功率，改善患者预后。但也需要临床医护在使用的过程中仍需保持谨慎和理性，充分认识AI的局限性和潜在风险，结合自身知识和经验进行综合决策。AI全面精准的诊断能力，将对心血管疾病现有的诊疗模式产生巨大冲击。特别是在医疗资源相对较差的偏远地区和国家，AI的应用可以极大的降低医疗成本，对改善居民生活质量，提高当地的医疗水平有重要意义。随着未来技术的完善，相信AI可以与医生互相配合，全面提升医疗质量，为更多患者带去福音。
利益冲突：无。
作者贡献：潘湘斌、江红、刘则烨负责选题、设计及资料的分析，进行论文起草及修改，对编辑部的修改意见进行核修，在学术界进行答辩，并最终同意文章的发表。
