2026-07-21 | 안경진 의료전문기자

用AI预测儿童手术中“二氧化碳数值”…误差减少23%

本页标题和正文均由AI机器翻译,未经人工审校。准确内容请以韩文原文为准。

随着高龄产妇和多胎分娩增加、高危儿科患者增多,一种可利用生命体征数据在手术中监测动脉血二氧化碳分压(PaCO₂)的人工智能(AI)模型被开发出来。

天主教大学首尔圣母医院21日表示,由小儿青少年科教授金贤浩、首尔峨山医院麻醉痛症医学科住院医师朴珠贤、高丽大学医学院学生赵彩恩组成的研究团队,开发出基于AI的非侵入性手术监测解决方案,以减少儿科患者不必要的侵入性操作并改善术后预后,研究成果已发表于国际学术期刊《麻醉学(Anesthesiology)》最新一期。

随着医疗技术进步,妊娠32周前出生的早产儿存活率提高,需要手术和麻醉的先天性心脏病、消化系统疾病、神经外科疾病等高危儿科患者呈增加趋势。与此同时,为实现安全麻醉与手术而精密监测生命体征的重要性进一步提升。尤其是动脉血二氧化碳分压,被视为实时掌握麻醉中可能出现的呼吸异常和酸碱失衡、评估术中适当机械通气设置与通气状态的核心指标。

在桡动脉或股动脉插入动脉导管采血后用血气分析仪检测的方式准确度最高,但儿童血管细,插入动脉导管过程中发生血管损伤或血流障碍等并发症的风险明显更高。更重要的是,对本已因手术出血的儿科患者反复采血可能引起贫血,负担也很大。为弥补这一点,有时会利用可非侵入性测量的呼气末(EtCO₂)二氧化碳,但其与实际动脉血二氧化碳分压存在差异。

为弥补上述局限,研究团队将儿科患者的呼气末二氧化碳与所收集的临床信息同AI结合,开发出可更准确估算动脉血二氧化碳分压的模型。研究团队从首尔大学医院麻醉痛症医学科研究人员建立的公开手术室生命体征数据库中,获取了3586名儿科患者的8853对呼气末二氧化碳与动脉血二氧化碳分压数据,随后应用夏普利附加解释值(SHAP)分析筛选出10个核心变量,包括呼气末二氧化碳、体温、每分钟通气量、年龄、吸入氧浓度(FiO₂)、有无心脏疾病、肺顺应性、术前血红蛋白、体质指数、平均动脉压等。将其用于机器学习算法训练后,平均绝对误差(MAE)为2.73毫米汞柱,比现有单独使用呼气末二氧化碳的方法(平均误差3.56毫米汞柱)降低约23%,显示出有意义的性能改善。

研究团队还利用忠南大学医院和首尔大学医院两家机构的最新患者数据进行外部验证,确认了该模型的可重现性。这是首次利用手术中可获取的各种生命体征数据估算儿科患者动脉血二氧化碳分压的研究,并证明了较高的准确度。预计在如小儿神经外科手术这类需要精密管理二氧化碳的患者中应用价值较高。

金贤浩教授表示,“此次开发的模型虽然无法完全替代动脉血气检查,仍需通过前瞻性临床试验进一步验证”,同时评价称“在动脉导管插入困难或难以频繁进行血气检查的情况下,它可以成为有用的辅助工具”。

阅读韩文原文