人工智能在肥胖代谢外科中的应用

李汝峰,陈文辉,王存川

暨南大学附属第一医院减重中心,广东 广州 510630

人工智能(artificial intelligence,AI)可以模仿人类大脑的结构和操作方法,感应错综复杂的环境,通过对大数据的分析以做出最佳决策。AI包含机器学习以及深度学习等概念,被视为21世纪的科技革命。AI是许多新兴技术和科技的核心所在[1],其具备自主的学习、推理和适应能力。凭借这些能力,AI在解决当前日益复杂的计算任务时可以达到前所未有的性能水平[2]。目前,AI已广泛应用于临床医学领域,为学科的发展注入新的动力,亦为临床医生的决策提供强大的数据支撑[3]。对于临床医生,使用AI可以快速、准确地进行影像成像和诊断,以及利用大数据模型预测疾病发展来辅助诊治过程;对于卫生管理系统,AI可以改进工作流程和最大程度减少医疗差错发生的可能;对于病人,AI使他们能够在云端了解自己的健康数据,并促进其健康的生活方式[4]。除此之外,AI也被应用于基因组学分析、病人风险分层以及新型药物的发现等方面,同时在外科手术[5-6]和麻醉辅助[7-8]中也发挥了一定作用。本文将就AI在减重手术术前、术中及术后3个方面的作用展开论述。

一、AI在减重手术术前评估

(一)减重手术相关信息的获取

传统的信息获取渠道,如电视、报纸等媒体的报道、互联网的宣传、亲朋好友的介绍等,所提供的内容局限且在专业性层面可能存在一定偏差,致使许多肥胖病人未能接触到客观且适合自身的信息。一项研究针对200多个减重手术网站的内容进行了分析,发现其中所提供的减重手术信息繁杂,质量多为低到中等[9],无法满足病人的多种需求,对减重手术的普及也造成了一定的阻碍。另一项研究使用Chat-GPT获取了30个与减重手术密切相关问题的答案,并邀请10位减重外科专家对答案进行评估、打分,得出的结论是,AI提供的大多数答案达到了“好”或“非常好”的标准,90%的专家甚至认为AI的回答在一定程度上可以与从业多年的减重外科医生相媲美[10]。因此,AI的兴起将促使病人从传统的信息渠道转移,未来在AI的数据支持下,结合减重外科医生的专业知识及经验,可使肥胖病人对减重手术有充分的了解。

(二)肥胖及糖尿病病人的自我评估

在获取了相应的减重手术信息后,病人如何在保守治疗及手术治疗两种方案中作出更合理的选择,同样是困扰他们的一大难题。医学研究者利用AI建立了多种智能模型,力求以最小的成本促成病人的最优评估。Lin等[11]利用机器学习算法构建模型,仅依靠血糖、尿酸、胰岛素等指标即可对肥胖病人进行精准的分类:(1)代谢健康型肥胖;(2)高代谢型肥胖高尿酸血症亚型;(3)高代谢型肥胖高胰岛素血症亚型;(4)低代谢型肥胖。AI的分类对于不同肥胖病人选择减重治疗方案具有重要的意义,并可以通过个性化的方案预测其长期的治疗效果。而针对肥胖合并2型糖尿病的病人,AI还可以通过深度学习模型对眼底镜图像进行筛查并准确识别视网膜病变[12-13],为糖尿病的早期诊治提供重要参考。

目前阻塞性睡眠呼吸暂停低通气综合征(obstructive sleep apnea hypopnea syndrome,OSAS)诊断的金标准仍然是多导睡眠图,但由于其检查耗时、成本较高,不适用于肥胖人群的大规模筛查。Nomogram模型是一种可视化的机器学习logistic模型,已广泛应用于对肿瘤的风险预测及预后评估,且在肥胖代谢外科中也发挥了良好的作用。Chen等[14]利用Nomogram模型,仅通过体重指数(body mass index,BMI)、颈围、2型糖尿病史等少数几个指标即可对肥胖病人的OSAS风险进行个体化预测,准确识别高危病人,帮助临床医生做出临床决策。Gao等[15]在机器学习模型的基础上建立了一种基于心电图的OSAS检测算法,通过提取固定时间间隔内的心音和呼吸信号的时域和频域分量来获得与OSAS相关的特征,然后利用AI算法进行检测,该模型具有中等复杂度、高空间复杂度和高灵敏度的特点,可用于OSAS的社区筛查。

此外,肥胖人群的通气功能较普通人群更差,且随着肥胖程度的增加,通气不足的问题愈加突出,研究表明肥胖低通气症(obesity hypoventilation syndrome,OHS)病人的心血管和呼吸系统发病率和死亡率较普通病人更高,同时所需的医疗费用也更高[16-17]。目前临床主要以动脉血气分析等有创性操作对肥胖病人的通气功能进行评估,具有一定的局限性,不适用于对OHS高危人群的筛查。Chen等[18]开发并利用Nomogram模型对OHS病人进行分析,提取了BMI、颈围、糖尿病史及血碳酸氢盐、C反应蛋白等数个简单、易获取的围手术期指标,即可达到良好的OHS预测准度,用于术前的快速筛查并进行针对性治疗,可进一步降低OHS病人的治疗成本。未来结合AI的使用,预防保健人员可对OSAS及OHS高危肥胖人群进行简单、快速的筛查,及时为其提供进一步的治疗指导。

(三)减重手术的术前评估

一直以来,肥胖病人因其自身合并的多种高危因素(如高血压、睡眠呼吸暂停等)使手术的评估和管理变得异常棘手,通常需要在术前组织包括内科、外科及麻醉科医生在内的多学科会诊及评估[19-21],以确定病人接受减重手术治疗的获益与风险,并保证病人在手术过程及术后恢复期的安全。

而AI由于其强大的信息整合能力,使得肥胖病人的术前评估变得更加简单、高效。Aminian等[22]开发了一个利用随机森林算法的预测模型来估算肥胖病人机体各器官发生长期终末并发症的风险——将病人的各项数据输入应用程序时,它会估算出病人接受与不接受减重手术治疗的10年内发病和死亡风险,并根据病人目前的肥胖、糖尿病和相关合并症状况,提供是否接受减重手术的建议,以及术后心血管结局和死亡率等风险的信息预测。

(四)减重术式及合并术式的评估与选择

当前应用广泛的减重术式——胃袖状切除术存在术后反流的风险,如何在术前评估及预测病人术后出现反流的可能性,临床上尚无确切的客观、量化指标,主要依靠外科医生的经验以及病人既往的反流史、胃镜检查结果等去进行主观推断。而在AI应用于外科领域之后,研究人员利用其算法结合病人术前的内镜检查图像,即可预测病人术后食管及胃运动情况和潜在相关并发症(如胃食管反流等)的发生、发展,并以此为依据制定相应的手术方案[23]。同时,研究人员还利用机器学习预测模型等AI算法,提高了减重病人术前食管裂孔疝诊断的准确率,减少了部分低危病人减重手术中对于食管裂孔疝探查的需求[24]。此外,对于术前合并糖尿病、高血压等合并症的肥胖病人,机器学习算法可根据术前基线数据提供其接受手术治疗后的代谢疾病缓解情况的预测[25-26],避免了部分病人为求达到满意效果而接受多次减重手术治疗的情况。

(五)麻醉风险评估

Zhou等[27]建立了6种机器学习模型来预测减重手术病人可能出现的插管困难情况,并成功找到了3种预测的方法,其中的Xgbc算法对病人插管困难预测的准确率超过80%,精度达到了100%。

二、AI在减重手术过程中的作用

(一)手术过程中的辅助

在已制定的减重外科专家共识及指南的基础上,AI可以帮助并促使外科医生在手术过程中的各项操作更加标准化。通过分析病人术前的各项检查结果,结合术中腹腔镜所呈现出来的图像信息,AI或许可以为目前存在的技术争议提供更加明确的答案——例如胃窦切除的程度、胃管的大小、食管裂孔疝是否需要修补、最佳的肠道旷置长度等[28]。

Twinanda等[29]建立了一种深度学习模型,称为RSDNet,它通过学习120例胆囊切除术和170例胃旁路手术中腹腔镜所呈现的视觉信息,可以自动估算剩余手术持续时间,实时为术者提供相应的参考,明显优于传统的估算剩余手术持续时间的方法。同时,通过手术过程的实时图像数据分析,机器学习模型可以有效地识别术中解剖标志并提示可能被术者忽略的如粘连和腹壁疝等情况,从而使这些合并症问题可以得到及时的解决[30]。

(二)麻醉过程中的辅助

相比于其他病人,肥胖病人体内的药物分布动力学以及药物代谢动力学均有一定的差异,这种差异使得麻醉医生在减重手术的麻醉过程中面临着更大的风险和更多的不确定性,给手术的麻醉造成了一定的困难。目前,AI已应用于麻醉过程中的药物选择与管理、血流动力学优化、麻醉深度的监测等[31]。Ingrande等[32]将AI应用于建立高分辨率药代动力学数据模型,并将经典的四室模型与再循环模型和AI进行比较后发现,再循环模型和AI模型具有相似的性能,并且在描述丙泊酚的高分辨率药代动力学数据方面均优于经典的四室模型。结合了AI的个体化数据分析后,麻醉过程中的气道管理以及药物剂量使用也更加准确、可控。

三、减重术后效果及并发症的预测

(一)减重手术效果预测

对于减重手术效果,大家更关注病人长期体重减轻及其代谢疾病缓解情况,开发AI模型对术后效果进行预测,有助于进一步规范病人术后的生活习惯管理,避免出现再次接受减重手术等情况。

为了寻找影响减重手术效果的因素,科研人员结合AI技术对肥胖病人的围手术期指标进行了积极的探索。Lu等[33]对540例接受减重手术治疗病人的围手术期数据进行分析并跟踪随访,构建了Nomogram模型,结果显示低年龄、术前减肥史、术前高腹围、术前无高脂血症以及接受胃袖状切除术治疗是预测减重手术1年内效果的关键因素,对病人预后评估提供了良好的帮助。

Bioletto等[34]使用机器学习算法开发了两种评分系统(NAG评分和ENAG评分),用以预测术后短期及长期的体重减轻程度,其中NAG评分收集术前基线数据(颈围等),用于评估病人术后可能存在的减重失败风险,有助于平衡病人对于手术效果的期望值并帮助个案管理师形成个性化的随访方案;而ENAG评分则围绕病人术后6个月的减重情况,对更长期的减重效果预测进行修正,有助于增强病人继续规范生活管理的信心。

除了体重下降的程度,许多2型糖尿病病人更关心手术能否带来良好的血糖控制。以往的回顾性研究认为胃旁路手术较胃袖状切除术具有更优的降糖效果,但不同研究得出的胃旁路术后血糖改善效果存在差异。Cao等[35]利用卷积神经网络模型成功预测了糖尿病病人在胃旁路手术后2年内停用降糖药物及糖尿病完全缓解的情况,该模型预测效率显著优于当前所使用的各项评分或传统预测模型,具有进一步推广应用的潜力。Johnston等[36]使用美国两个大型数据库对AI进行训练后开发了机器学习模型,对糖尿病病人术后降糖药物的减量和停用进行了良好的预测,进一步提高了糖尿病病人对于减重手术的接受程度。

(二)减重术后并发症预测

减重术后常见的长期并发症包括营养不良、胃食管反流等,而短期、严重并发症包括术后出血、吻合口漏及肠梗阻等,如果不能及时发现并处理,其对病人所造成的伤害往往难以预估。目前,临床上对于病人出现严重并发症的判断主要依靠术后心电监护以及病人自身的不适症状,而缺乏一种相对客观且可量化的方法用于术前评估,自AI引入临床领域后,已有不少学者提出了很多解决的方案。

Nudel等[37]在一项纳入了43万余例减重手术病人的随访研究中将AI的人工神经网络(artificial neural networks,ANNs)、梯度提升机算法(gradient boosting machines,XGBs)与传统的logistic回归(LR)模型进行比较,发现ANNs与XGBs模型在预测减重手术后胃肠道漏的风险等方面显著优于传统的LR模型,可帮助临床医生在术前识别高危病人并在术中给予必要的预防措施。此外,减重手术后的30 d再入院率也是关切的数据。Butler等[38]利用机器学习算法对86万余例减重手术病人的随访数据进行分析,发现ANNs、XGBs以及随机森林模型的预测30 d再入院准确率均显著优于传统的LR模型,可用于帮助临床医生及个案管理师对该部分病人进行针对性的随访和采取相关措施。

在长期并发症方面,有学者利用机器学习算法开发了针对中国绝经前肥胖女性接受胃袖状切除术治疗后1年内新发缺铁性贫血的预测模型[39],为病人术后针对性营养补充方案提供了一定的参考。Emile等[40]则通过收集胃袖状切除术病人的术前年龄、体重、反流性食管炎史以及术中的胃管大小、切割吻合器第一枪距幽门的距离等少数几个指标,结合AI算法即可达到93%的术后反流预测精确度,极大地提升了针对术后反流管理的效率。

四、总结与展望

目前,AI已较广泛地应用于肥胖代谢外科领域,无论是术前、术中还是术后的管理中均有AI的参与,其在预测减重术后体重减轻、术后并发症风险、终末器官结局以及术后生活质量等方面的潜力得到了认可,极大地提升了医疗过程的客观有效性,使围手术期管理更加简便与直观。

由于大多数AI研究当前仍停留在理论分析层面,缺乏外部数据的验证,未来应该积极纳入外部验证队列,以评估机器学习模型是否具有普遍适用性,并尽快进行临床试验,以促进人工智能模型在减重手术全过程中的实施与运用[41]。

利益冲突所有作者均声明不存在利益冲突