PhysioFusion: A Multi-Modal Ensemble using Static Preoperative Variables and Time Series Intraoperative Data to Predict Adverse Events Following Cardiothoracic Surgery

当患者接受心脏或肺部的大型手术时，术后的几个小时是一个关键窗口期，患者的身体恢复可能会趋于稳定，也可能发生危险的转折。在重症监护室中，医疗团队不断监测着大量的信息：心脏稳定的节律、血液在血管中流动的压力，以及血液本身的化学平衡。几十年来，医生一直依赖于患者健康的静态快照——例如他们的年龄、既往病史或术前进行的血液检测结果——来推测谁可能会出现困难。然而，患者在麻醉期间及手术过程中发生的瞬时变化，讲述的是另一种故事，一个实时展开的故事。研究人员的核心问题在于，将这两类信息结合起来——即患者健康的固定背景与手术室中动态变化的信号——是否能描绘出更清晰的风险画像，还是其中一种信息源本身就已经足够了。

一组研究人员致力于通过构建一种新型计算机系统来回答这个问题，该系统旨在监护心胸外科手术后的患者。他们将这一成果命名为 PhysioFusion，它就像一个高度专注的观察者，能够同时读取患者永久性的医疗史和手术过程中流动的实时数据。该系统利用来自美国胸外科医师协会（Society of Thoracic Surgeons）的海量记录进行了训练，其中包括数千名患者的详细信息。研究人员向计算机输入了两股截然不同的数据流：一份关于每位患者的静态事实清单，例如患者是否有心力衰竭史或白细胞计数如何；以及来自手术室的连续数值流，每秒追踪血压和心脏功能随手术进程的变化。为了理解这种复杂性，团队并未依赖单一的方法，而是构建了一个“集成模型”（ensemble），即一组协同工作的不同数学模型。系统的某些部分旨在寻找静态列表中的模式，而另一些部分则专门用于理解基于时间的信号的节奏与流动，就像音乐家既要阅读乐谱，又要根据节拍进行即兴创作一样。

其目标是预测不良事件，即手术后在重症监护室中可能发生的严重并发症。当研究人员测试该系统时，发现它能够以极高的准确度区分出哪些患者会保持稳定，哪些患者会面临并发症。该模型的区分能力达到了 0.87 的得分，这一性能水平表明它是一个可靠的筛查工具。它在识别那些“不会”出现不良后果的患者方面表现尤为出色，几乎准确地排除了所有并发症的可能性。对于筛查工具而言，这是一个至关重要的特性，因为它让医生能够确信被标记为低风险的患者确实是安全的，从而使他们能够将最精锐的资源集中在少数真正需要关注的人身上。该系统还精准定位了对预测影响最大的特定因素，包括患者术前是否患有心力衰竭、手术期间是否需要辅助泵血的设备、人工心肺机的使用时长以及白细胞水平。

然而，最令人惊讶的发现出现在研究人员分别测试两类数据时。他们原以为，将静态病史与手术室实时信号相结合，会创造出一个比两者单独使用都更强大的“超级预测”。相反，他们发现，当单独分析患者的静态医疗史时，其表现与结合后的系统不相上下，同样达到了 0.87 的得分。而单独分析手术室的实时信号时，效果略逊一筹，得分仅为 0.83。这一发现表明，对于这组特定的患者而言，这两类信息更像是彼此的替代品，而非合作伙伴。手术过程中细致入微的瞬时数据并没有提供静态病史所不具备的新信息。相反，两者的结合只是改变了在捕捉所有风险与避免误报之间的平衡，即改变了灵敏度与精确度之间的权衡，而并未增加总体的有用信号量。

对实时数据的进一步调查显示，没有任何单一的监测通道是故事中的唯一主角。系统并不依赖于某一个数字（如心率或血氧水平）来做出决策。虽然平均血压和中心静脉压是最难以被替代的信息片段，但系统表明，即使缺少任何一个特定的信号，它依然可以正常运作。这种鲁棒性意味着该工具并非脆弱之物，它不会因为某个监测设备的失效而崩溃。研究结论指出，虽然先进的系统可以整合复杂的动态数据流，但那些仅能获取标准患者记录和登记数据的医院，依然可以实现与拥有完整时间序列监测的医院同等水平的预测准确度。这项工作证明，在预测此类术后并发症时，对患者既往病情的深度理解，往往与观察手术过程中的每一秒钟同样强大。