深度学习预测术中低血压诊断准确性的系统评价与荟萃分析

Journal of clinical anesthesia · 2026-10-20 · 综述

• 一句话结论：纳入12项研究（其中9项贡献22个验证数据集）的荟萃分析提示，深度学习模型预测术中低血压具有中等诊断准确性，合并敏感度0.78、特异度0.88、SROC-AUC 0.87；GRADE证据确定性评为低，证据档位为「提示」而非「证据支持」。
• 研究设计与做法：设计为系统评价与诊断准确性荟萃分析，检索PubMed、Embase、Web of Science及Cochrane Library至2026年3月，采用PROBAST+AI评价方法学质量、GRADE评价证据确定性，并以双变量随机效应模型合并敏感度、特异度与SROC-AUC，另做亚组分析与随机效应meta回归。
• 主要结果：合并敏感度0.78（95% CI 0.73–0.81），特异度0.88（0.82–0.92），SROC-AUC 0.87（0.83–0.90），诊断比值比24.7（16.1–37.9），阳性似然比6.31，阴性似然比0.26；异质性τ2(Se)=0.25、τ2(Sp)=1.04、ρ=-0.28；5分钟预测窗表现最佳（敏感度0.81、特异度0.91）；Deeks检验P=0.06。
• 机制或解释：作者解释为深度学习可从时变生理信号中学习模式并结合临床变量估计即将发生的低血压风险；meta回归显示网络架构是特异度的唯一显著调节因素（P=0.02），混合CNN-RNN优于纯CNN（β=1.77，95% CI 0.45–3.09）。
• 局限与边界：所有纳入研究均缺乏正式的校准评估，外部验证 scarce，研究地理分布集中；GRADE证据确定性为低；各研究预测窗、IOH参考定义与分析单元不一致，可能贡献异质性；其余局限材料未报告。
• 可否落地：对临床而言，现有证据档位为「提示」，尚不足以下结论支持常规临床部署；对科研而言，提示未来研究应统一IOH定义与预测窗、强制报告校准指标并开展多中心外部验证，混合CNN-RNN架构与5分钟预测窗值得优先评估。

🔗 打开原文

Duan J, Chen Z, Wang J.

本文摘自《每日前沿研究简报 · 2026-10-22》「AI 科研智能体」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。