AI助力床旁超声评估LVEF：系统性研究综述

点击关注，获取原文

「麻醉英文文献精读｜解析权威期刊，助力临床科研」

本文探讨了人工智能（AI）支持的床旁超声（POCUS）在实时测量左心室射血分数（LVEF）中的实际应用效果。通过综合分析12项前瞻性研究，作者表明AI技术能有效减少对操作者经验的依赖，使非专业医生也能在急诊或ICU等场景中快速检测心脏功能问题。研究数据表明，AI生成的结果与专家标准高度一致，尤其在识别左心室功能下降方面展现了较高的敏感性和特异性。然而，图像质量不足导致的数据排除和数值偏低的倾向仍是当前技术的主要局限。作者总结认为，尽管AI辅助超声具备强大的筛查与分诊潜力，但在关键医疗决策中仍需结合专家判断，并建议未来的研究应聚焦于流程标准化和算法透明度。

左心室射血分数（LVEF）是衡量心脏功能、指导急慢性心力衰竭管理的重要指标。目前公认的参考方法是由专业超声医师采用改良Simpson法进行完整的心脏超声检查。但这种方法资源需求高，在床旁环境下难以随时实施，迫使部分医生只能依赖视觉估计。

为了实现快速心脏评估，床旁超声（POCUS）逐渐成为一项实用工具，帮助各科室医生迅速判断LVEF并发现显著异常。然而，POCUS对操作者的技能要求较高，需要专门培训和丰富经验。这使得非专家在快速评估LVEF时的准确性成为一个亟待解决的问题。

人工智能的引入为应对上述挑战提供了新方向。现代AI算法可自动完成超声图像的采集与解读，从而降低对操作者经验的依赖。目前，将AI整合到真实床旁环境中的LVEF评估正成为一个快速发展的研究领域，各类新型算法层出不穷。

虽然AI辅助的床旁超声前景广阔，但在广泛推广这些算法之前，仍需进一步科学验证。因此，本研究旨在通过系统性评价，比较不同床旁环境中AI驱动的LVEF评估（AI-LVEF）与传统参考标准的准确性，并探讨这些算法是否能在缺乏专业超声医师的情况下，协助非心脏病/非放射科医生实现及时可靠的心脏功能评估。

研究人员全面检索了PubMed/MEDLINE、Embase和Cochrane系统评价数据库，时间范围从建库起至2025年6月11日。关键词围绕三个核心主题展开：“人工智能”（包括机器学习、深度学习等）、“超声检查”（涵盖超声心动图、POCUS等）以及“床旁环境”（如急诊、重症监护、围手术期等）。此次检索由专业馆员执行，结合了MeSH主题词和自由文本词汇，未设语言限制。

纳入标准：(1) 采用前瞻性观察设计；(2) 评估了实时使用AI辅助床旁超声（POCUS）测量LVEF的效果；(3) 应用于真实的床旁临床场景（如ICU、急诊室、围手术期等），并与参考标准进行了对比。

排除标准：非实时评估LVEF的研究（如基于现有影像数据库或延迟处理图像），以及在非床旁环境（如专门实验室、正式门诊等）中开展的研究。

文献筛选由两名研究者独立使用Rayyan软件完成标题和摘要初筛，随后分别审查全文以确认最终纳入情况；分歧由第三位作者通过协商解决。对于非英语或非法语文献，团队借助专业翻译服务提取数据。两名研究人员利用标准表格独立提取详细信息，包括设备品牌、AI算法细节、研究背景、人群特征、LVEF相关结果及其他临床发现。

研究团队使用QUADAS-2（诊断准确性研究质量评估第2版）工具评估每项纳入研究的偏倚风险。该工具主要从四个领域评价偏倚