李汝峰,陳文輝,王存川

暨南大學(xué)附屬第一醫(yī)院減重中心,廣東 廣州 510630

人工智能(artificial intelligence,AI)可以模仿人類大腦的結(jié)構(gòu)和操作方法,感應(yīng)錯(cuò)綜復(fù)雜的環(huán)境,通過對(duì)大數(shù)據(jù)的分析以做出最佳決策。AI包含機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)等概念,被視為21世紀(jì)的科技革命。AI是許多新興技術(shù)和科技的核心所在[1],其具備自主的學(xué)習(xí)、推理和適應(yīng)能力。憑借這些能力,AI在解決當(dāng)前日益復(fù)雜的計(jì)算任務(wù)時(shí)可以達(dá)到前所未有的性能水平[2]。目前,AI已廣泛應(yīng)用于臨床醫(yī)學(xué)領(lǐng)域,為學(xué)科的發(fā)展注入新的動(dòng)力,亦為臨床醫(yī)生的決策提供強(qiáng)大的數(shù)據(jù)支撐[3]。對(duì)于臨床醫(yī)生,使用AI可以快速、準(zhǔn)確地進(jìn)行影像成像和診斷,以及利用大數(shù)據(jù)模型預(yù)測(cè)疾病發(fā)展來輔助診治過程;對(duì)于衛(wèi)生管理系統(tǒng),AI可以改進(jìn)工作流程和最大程度減少醫(yī)療差錯(cuò)發(fā)生的可能;對(duì)于病人,AI使他們能夠在云端了解自己的健康數(shù)據(jù),并促進(jìn)其健康的生活方式[4]。除此之外,AI也被應(yīng)用于基因組學(xué)分析、病人風(fēng)險(xiǎn)分層以及新型藥物的發(fā)現(xiàn)等方面,同時(shí)在外科手術(shù)[5-6]和麻醉輔助[7-8]中也發(fā)揮了一定作用。本文將就AI在減重手術(shù)術(shù)前、術(shù)中及術(shù)后3個(gè)方面的作用展開論述。

一、AI在減重手術(shù)術(shù)前評(píng)估

(一)減重手術(shù)相關(guān)信息的獲取

傳統(tǒng)的信息獲取渠道,如電視、報(bào)紙等媒體的報(bào)道、互聯(lián)網(wǎng)的宣傳、親朋好友的介紹等,所提供的內(nèi)容局限且在專業(yè)性層面可能存在一定偏差,致使許多肥胖病人未能接觸到客觀且適合自身的信息。一項(xiàng)研究針對(duì)200多個(gè)減重手術(shù)網(wǎng)站的內(nèi)容進(jìn)行了分析,發(fā)現(xiàn)其中所提供的減重手術(shù)信息繁雜,質(zhì)量多為低到中等[9],無法滿足病人的多種需求,對(duì)減重手術(shù)的普及也造成了一定的阻礙。另一項(xiàng)研究使用Chat-GPT獲取了30個(gè)與減重手術(shù)密切相關(guān)問題的答案,并邀請(qǐng)10位減重外科專家對(duì)答案進(jìn)行評(píng)估、打分,得出的結(jié)論是,AI提供的大多數(shù)答案達(dá)到了“好”或“非常好”的標(biāo)準(zhǔn),90%的專家甚至認(rèn)為AI的回答在一定程度上可以與從業(yè)多年的減重外科醫(yī)生相媲美[10]。因此,AI的興起將促使病人從傳統(tǒng)的信息渠道轉(zhuǎn)移,未來在AI的數(shù)據(jù)支持下,結(jié)合減重外科醫(yī)生的專業(yè)知識(shí)及經(jīng)驗(yàn),可使肥胖病人對(duì)減重手術(shù)有充分的了解。

(二)肥胖及糖尿病病人的自我評(píng)估

在獲取了相應(yīng)的減重手術(shù)信息后,病人如何在保守治療及手術(shù)治療兩種方案中作出更合理的選擇,同樣是困擾他們的一大難題。醫(yī)學(xué)研究者利用AI建立了多種智能模型,力求以最小的成本促成病人的最優(yōu)評(píng)估。Lin等[11]利用機(jī)器學(xué)習(xí)算法構(gòu)建模型,僅依靠血糖、尿酸、胰島素等指標(biāo)即可對(duì)肥胖病人進(jìn)行精準(zhǔn)的分類:(1)代謝健康型肥胖;(2)高代謝型肥胖高尿酸血癥亞型;(3)高代謝型肥胖高胰島素血癥亞型;(4)低代謝型肥胖。AI的分類對(duì)于不同肥胖病人選擇減重治療方案具有重要的意義,并可以通過個(gè)性化的方案預(yù)測(cè)其長期的治療效果。而針對(duì)肥胖合并2型糖尿病的病人,AI還可以通過深度學(xué)習(xí)模型對(duì)眼底鏡圖像進(jìn)行篩查并準(zhǔn)確識(shí)別視網(wǎng)膜病變[12-13],為糖尿病的早期診治提供重要參考。

目前阻塞性睡眠呼吸暫停低通氣綜合征(obstructive sleep apnea hypopnea syndrome,OSAS)診斷的金標(biāo)準(zhǔn)仍然是多導(dǎo)睡眠圖,但由于其檢查耗時(shí)、成本較高,不適用于肥胖人群的大規(guī)模篩查。Nomogram模型是一種可視化的機(jī)器學(xué)習(xí)logistic模型,已廣泛應(yīng)用于對(duì)腫瘤的風(fēng)險(xiǎn)預(yù)測(cè)及預(yù)后評(píng)估,且在肥胖代謝外科中也發(fā)揮了良好的作用。Chen等[14]利用Nomogram模型,僅通過體重指數(shù)(body mass index,BMI)、頸圍、2型糖尿病史等少數(shù)幾個(gè)指標(biāo)即可對(duì)肥胖病人的OSAS風(fēng)險(xiǎn)進(jìn)行個(gè)體化預(yù)測(cè),準(zhǔn)確識(shí)別高危病人,幫助臨床醫(yī)生做出臨床決策。Gao等[15]在機(jī)器學(xué)習(xí)模型的基礎(chǔ)上建立了一種基于心電圖的OSAS檢測(cè)算法,通過提取固定時(shí)間間隔內(nèi)的心音和呼吸信號(hào)的時(shí)域和頻域分量來獲得與OSAS相關(guān)的特征,然后利用AI算法進(jìn)行檢測(cè),該模型具有中等復(fù)雜度、高空間復(fù)雜度和高靈敏度的特點(diǎn),可用于OSAS的社區(qū)篩查。

此外,肥胖人群的通氣功能較普通人群更差,且隨著肥胖程度的增加,通氣不足的問題愈加突出,研究表明肥胖低通氣癥(obesity hypoventilation syndrome,OHS)病人的心血管和呼吸系統(tǒng)發(fā)病率和死亡率較普通病人更高,同時(shí)所需的醫(yī)療費(fèi)用也更高[16-17]。目前臨床主要以動(dòng)脈血?dú)夥治龅扔袆?chuàng)性操作對(duì)肥胖病人的通氣功能進(jìn)行評(píng)估,具有一定的局限性,不適用于對(duì)OHS高危人群的篩查。Chen等[18]開發(fā)并利用Nomogram模型對(duì)OHS病人進(jìn)行分析,提取了BMI、頸圍、糖尿病史及血碳酸氫鹽、C反應(yīng)蛋白等數(shù)個(gè)簡(jiǎn)單、易獲取的圍手術(shù)期指標(biāo),即可達(dá)到良好的OHS預(yù)測(cè)準(zhǔn)度,用于術(shù)前的快速篩查并進(jìn)行針對(duì)性治療,可進(jìn)一步降低OHS病人的治療成本。未來結(jié)合AI的使用,預(yù)防保健人員可對(duì)OSAS及OHS高危肥胖人群進(jìn)行簡(jiǎn)單、快速的篩查,及時(shí)為其提供進(jìn)一步的治療指導(dǎo)。

(三)減重手術(shù)的術(shù)前評(píng)估

一直以來,肥胖病人因其自身合并的多種高危因素(如高血壓、睡眠呼吸暫停等)使手術(shù)的評(píng)估和管理變得異常棘手,通常需要在術(shù)前組織包括內(nèi)科、外科及麻醉科醫(yī)生在內(nèi)的多學(xué)科會(huì)診及評(píng)估[19-21],以確定病人接受減重手術(shù)治療的獲益與風(fēng)險(xiǎn),并保證病人在手術(shù)過程及術(shù)后恢復(fù)期的安全。

而AI由于其強(qiáng)大的信息整合能力,使得肥胖病人的術(shù)前評(píng)估變得更加簡(jiǎn)單、高效。Aminian等[22]開發(fā)了一個(gè)利用隨機(jī)森林算法的預(yù)測(cè)模型來估算肥胖病人機(jī)體各器官發(fā)生長期終末并發(fā)癥的風(fēng)險(xiǎn)——將病人的各項(xiàng)數(shù)據(jù)輸入應(yīng)用程序時(shí),它會(huì)估算出病人接受與不接受減重手術(shù)治療的10年內(nèi)發(fā)病和死亡風(fēng)險(xiǎn),并根據(jù)病人目前的肥胖、糖尿病和相關(guān)合并癥狀況,提供是否接受減重手術(shù)的建議,以及術(shù)后心血管結(jié)局和死亡率等風(fēng)險(xiǎn)的信息預(yù)測(cè)。

(四)減重術(shù)式及合并術(shù)式的評(píng)估與選擇

當(dāng)前應(yīng)用廣泛的減重術(shù)式——胃袖狀切除術(shù)存在術(shù)后反流的風(fēng)險(xiǎn),如何在術(shù)前評(píng)估及預(yù)測(cè)病人術(shù)后出現(xiàn)反流的可能性,臨床上尚無確切的客觀、量化指標(biāo),主要依靠外科醫(yī)生的經(jīng)驗(yàn)以及病人既往的反流史、胃鏡檢查結(jié)果等去進(jìn)行主觀推斷。而在AI應(yīng)用于外科領(lǐng)域之后,研究人員利用其算法結(jié)合病人術(shù)前的內(nèi)鏡檢查圖像,即可預(yù)測(cè)病人術(shù)后食管及胃運(yùn)動(dòng)情況和潛在相關(guān)并發(fā)癥(如胃食管反流等)的發(fā)生、發(fā)展,并以此為依據(jù)制定相應(yīng)的手術(shù)方案[23]。同時(shí),研究人員還利用機(jī)器學(xué)習(xí)預(yù)測(cè)模型等AI算法,提高了減重病人術(shù)前食管裂孔疝診斷的準(zhǔn)確率,減少了部分低危病人減重手術(shù)中對(duì)于食管裂孔疝探查的需求[24]。此外,對(duì)于術(shù)前合并糖尿病、高血壓等合并癥的肥胖病人,機(jī)器學(xué)習(xí)算法可根據(jù)術(shù)前基線數(shù)據(jù)提供其接受手術(shù)治療后的代謝疾病緩解情況的預(yù)測(cè)[25-26],避免了部分病人為求達(dá)到滿意效果而接受多次減重手術(shù)治療的情況。

(五)麻醉風(fēng)險(xiǎn)評(píng)估

Zhou等[27]建立了6種機(jī)器學(xué)習(xí)模型來預(yù)測(cè)減重手術(shù)病人可能出現(xiàn)的插管困難情況,并成功找到了3種預(yù)測(cè)的方法,其中的Xgbc算法對(duì)病人插管困難預(yù)測(cè)的準(zhǔn)確率超過80%,精度達(dá)到了100%。

二、AI在減重手術(shù)過程中的作用

(一)手術(shù)過程中的輔助

在已制定的減重外科專家共識(shí)及指南的基礎(chǔ)上,AI可以幫助并促使外科醫(yī)生在手術(shù)過程中的各項(xiàng)操作更加標(biāo)準(zhǔn)化。通過分析病人術(shù)前的各項(xiàng)檢查結(jié)果,結(jié)合術(shù)中腹腔鏡所呈現(xiàn)出來的圖像信息,AI或許可以為目前存在的技術(shù)爭(zhēng)議提供更加明確的答案——例如胃竇切除的程度、胃管的大小、食管裂孔疝是否需要修補(bǔ)、最佳的腸道曠置長度等[28]。

Twinanda等[29]建立了一種深度學(xué)習(xí)模型,稱為RSDNet,它通過學(xué)習(xí)120例膽囊切除術(shù)和170例胃旁路手術(shù)中腹腔鏡所呈現(xiàn)的視覺信息,可以自動(dòng)估算剩余手術(shù)持續(xù)時(shí)間,實(shí)時(shí)為術(shù)者提供相應(yīng)的參考,明顯優(yōu)于傳統(tǒng)的估算剩余手術(shù)持續(xù)時(shí)間的方法。同時(shí),通過手術(shù)過程的實(shí)時(shí)圖像數(shù)據(jù)分析,機(jī)器學(xué)習(xí)模型可以有效地識(shí)別術(shù)中解剖標(biāo)志并提示可能被術(shù)者忽略的如粘連和腹壁疝等情況,從而使這些合并癥問題可以得到及時(shí)的解決[30]。

(二)麻醉過程中的輔助

相比于其他病人,肥胖病人體內(nèi)的藥物分布動(dòng)力學(xué)以及藥物代謝動(dòng)力學(xué)均有一定的差異,這種差異使得麻醉醫(yī)生在減重手術(shù)的麻醉過程中面臨著更大的風(fēng)險(xiǎn)和更多的不確定性,給手術(shù)的麻醉造成了一定的困難。目前,AI已應(yīng)用于麻醉過程中的藥物選擇與管理、血流動(dòng)力學(xué)優(yōu)化、麻醉深度的監(jiān)測(cè)等[31]。Ingrande等[32]將AI應(yīng)用于建立高分辨率藥代動(dòng)力學(xué)數(shù)據(jù)模型,并將經(jīng)典的四室模型與再循環(huán)模型和AI進(jìn)行比較后發(fā)現(xiàn),再循環(huán)模型和AI模型具有相似的性能,并且在描述丙泊酚的高分辨率藥代動(dòng)力學(xué)數(shù)據(jù)方面均優(yōu)于經(jīng)典的四室模型。結(jié)合了AI的個(gè)體化數(shù)據(jù)分析后,麻醉過程中的氣道管理以及藥物劑量使用也更加準(zhǔn)確、可控。

三、減重術(shù)后效果及并發(fā)癥的預(yù)測(cè)

(一)減重手術(shù)效果預(yù)測(cè)

對(duì)于減重手術(shù)效果,大家更關(guān)注病人長期體重減輕及其代謝疾病緩解情況,開發(fā)AI模型對(duì)術(shù)后效果進(jìn)行預(yù)測(cè),有助于進(jìn)一步規(guī)范病人術(shù)后的生活習(xí)慣管理,避免出現(xiàn)再次接受減重手術(shù)等情況。

為了尋找影響減重手術(shù)效果的因素,科研人員結(jié)合AI技術(shù)對(duì)肥胖病人的圍手術(shù)期指標(biāo)進(jìn)行了積極的探索。Lu等[33]對(duì)540例接受減重手術(shù)治療病人的圍手術(shù)期數(shù)據(jù)進(jìn)行分析并跟蹤隨訪,構(gòu)建了Nomogram模型,結(jié)果顯示低年齡、術(shù)前減肥史、術(shù)前高腹圍、術(shù)前無高脂血癥以及接受胃袖狀切除術(shù)治療是預(yù)測(cè)減重手術(shù)1年內(nèi)效果的關(guān)鍵因素,對(duì)病人預(yù)后評(píng)估提供了良好的幫助。

Bioletto等[34]使用機(jī)器學(xué)習(xí)算法開發(fā)了兩種評(píng)分系統(tǒng)(NAG評(píng)分和ENAG評(píng)分),用以預(yù)測(cè)術(shù)后短期及長期的體重減輕程度,其中NAG評(píng)分收集術(shù)前基線數(shù)據(jù)(頸圍等),用于評(píng)估病人術(shù)后可能存在的減重失敗風(fēng)險(xiǎn),有助于平衡病人對(duì)于手術(shù)效果的期望值并幫助個(gè)案管理師形成個(gè)性化的隨訪方案;而ENAG評(píng)分則圍繞病人術(shù)后6個(gè)月的減重情況,對(duì)更長期的減重效果預(yù)測(cè)進(jìn)行修正,有助于增強(qiáng)病人繼續(xù)規(guī)范生活管理的信心。

除了體重下降的程度,許多2型糖尿病病人更關(guān)心手術(shù)能否帶來良好的血糖控制。以往的回顧性研究認(rèn)為胃旁路手術(shù)較胃袖狀切除術(shù)具有更優(yōu)的降糖效果,但不同研究得出的胃旁路術(shù)后血糖改善效果存在差異。Cao等[35]利用卷積神經(jīng)網(wǎng)絡(luò)模型成功預(yù)測(cè)了糖尿病病人在胃旁路手術(shù)后2年內(nèi)停用降糖藥物及糖尿病完全緩解的情況,該模型預(yù)測(cè)效率顯著優(yōu)于當(dāng)前所使用的各項(xiàng)評(píng)分或傳統(tǒng)預(yù)測(cè)模型,具有進(jìn)一步推廣應(yīng)用的潛力。Johnston等[36]使用美國兩個(gè)大型數(shù)據(jù)庫對(duì)AI進(jìn)行訓(xùn)練后開發(fā)了機(jī)器學(xué)習(xí)模型,對(duì)糖尿病病人術(shù)后降糖藥物的減量和停用進(jìn)行了良好的預(yù)測(cè),進(jìn)一步提高了糖尿病病人對(duì)于減重手術(shù)的接受程度。

(二)減重術(shù)后并發(fā)癥預(yù)測(cè)

減重術(shù)后常見的長期并發(fā)癥包括營養(yǎng)不良、胃食管反流等,而短期、嚴(yán)重并發(fā)癥包括術(shù)后出血、吻合口漏及腸梗阻等,如果不能及時(shí)發(fā)現(xiàn)并處理,其對(duì)病人所造成的傷害往往難以預(yù)估。目前,臨床上對(duì)于病人出現(xiàn)嚴(yán)重并發(fā)癥的判斷主要依靠術(shù)后心電監(jiān)護(hù)以及病人自身的不適癥狀,而缺乏一種相對(duì)客觀且可量化的方法用于術(shù)前評(píng)估,自AI引入臨床領(lǐng)域后,已有不少學(xué)者提出了很多解決的方案。

Nudel等[37]在一項(xiàng)納入了43萬余例減重手術(shù)病人的隨訪研究中將AI的人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks,ANNs)、梯度提升機(jī)算法(gradient boosting machines,XGBs)與傳統(tǒng)的logistic回歸(LR)模型進(jìn)行比較,發(fā)現(xiàn)ANNs與XGBs模型在預(yù)測(cè)減重手術(shù)后胃腸道漏的風(fēng)險(xiǎn)等方面顯著優(yōu)于傳統(tǒng)的LR模型,可幫助臨床醫(yī)生在術(shù)前識(shí)別高危病人并在術(shù)中給予必要的預(yù)防措施。此外,減重手術(shù)后的30 d再入院率也是關(guān)切的數(shù)據(jù)。Butler等[38]利用機(jī)器學(xué)習(xí)算法對(duì)86萬余例減重手術(shù)病人的隨訪數(shù)據(jù)進(jìn)行分析,發(fā)現(xiàn)ANNs、XGBs以及隨機(jī)森林模型的預(yù)測(cè)30 d再入院準(zhǔn)確率均顯著優(yōu)于傳統(tǒng)的LR模型,可用于幫助臨床醫(yī)生及個(gè)案管理師對(duì)該部分病人進(jìn)行針對(duì)性的隨訪和采取相關(guān)措施。

在長期并發(fā)癥方面,有學(xué)者利用機(jī)器學(xué)習(xí)算法開發(fā)了針對(duì)中國絕經(jīng)前肥胖女性接受胃袖狀切除術(shù)治療后1年內(nèi)新發(fā)缺鐵性貧血的預(yù)測(cè)模型[39],為病人術(shù)后針對(duì)性營養(yǎng)補(bǔ)充方案提供了一定的參考。Emile等[40]則通過收集胃袖狀切除術(shù)病人的術(shù)前年齡、體重、反流性食管炎史以及術(shù)中的胃管大小、切割吻合器第一槍距幽門的距離等少數(shù)幾個(gè)指標(biāo),結(jié)合AI算法即可達(dá)到93%的術(shù)后反流預(yù)測(cè)精確度,極大地提升了針對(duì)術(shù)后反流管理的效率。

四、總結(jié)與展望

目前,AI已較廣泛地應(yīng)用于肥胖代謝外科領(lǐng)域,無論是術(shù)前、術(shù)中還是術(shù)后的管理中均有AI的參與,其在預(yù)測(cè)減重術(shù)后體重減輕、術(shù)后并發(fā)癥風(fēng)險(xiǎn)、終末器官結(jié)局以及術(shù)后生活質(zhì)量等方面的潛力得到了認(rèn)可,極大地提升了醫(yī)療過程的客觀有效性,使圍手術(shù)期管理更加簡(jiǎn)便與直觀。

由于大多數(shù)AI研究當(dāng)前仍停留在理論分析層面,缺乏外部數(shù)據(jù)的驗(yàn)證,未來應(yīng)該積極納入外部驗(yàn)證隊(duì)列,以評(píng)估機(jī)器學(xué)習(xí)模型是否具有普遍適用性,并盡快進(jìn)行臨床試驗(yàn),以促進(jìn)人工智能模型在減重手術(shù)全過程中的實(shí)施與運(yùn)用[41]。

利益沖突所有作者均聲明不存在利益沖突