作者：许琳涓，李轶，谢建琴，兰州大学第二医院麻醉科
术中低血压是术后心肌损伤、
1.HPI概述
发展历史： 在血流动力学不稳定的早期阶段，监测血流动力学的代偿反应和参数变化有助于早期识别低血压。2009年美国PhysioNet/Computers in Cardiology协会组织了预测ICU患者突然出现严重血压下降的挑战赛。比赛中出现了10种预测低血压的技术，这些技术大多是基于动脉压力波形的静态或绝对测量值进行的分析。
随后的技术经历了复杂建模，从血压波形中提取和整合数据，对失真数据等错误警报的识别等升级。加州大学Hatib团队在2018年发布了基于高保真动脉压波形分析的HPI学习算法，该算法可以在低血压事件发生前15 min预测低血压，其敏感性和特异性分别为88%和87%，曲线下面积(area under the curve， AUC)为0.95。
工作原理： HPI由机器学习算法构建的数学预测模型和辅助显示屏提供的决策树构成。HPI基于FloTrac系统的参数构建数学模型。FloTrac系统在动脉导管上连接FloTrac传感器，进行动脉压力波形分析，将心动周期划分成收缩期、舒张期、收缩上升期、收缩衰减期和总体衰减期5个阶段，得到心脏指数、每博量(stroke volume， SV)、外周血管阻力、每搏量变异度等血流动力学指标。
研究人员对1 334例患者的数据进行开发，识别出了3 022个个体特征和260万个组合特征，最终HPI专有模型包括23个特征，主要包括心率变异性、动脉压波形、预警参数、收缩性参数和后加载参数。最后，HPI使用无单位数字的变量来预测15、10、5 min后低血压的发生，HPI范围0～100(数字越大，表示低血压风险越大)。
在低血压发作前，即HPI>85时，可以从决策树获得血流动力学数据，结合患者临床表现，寻找低血压原因并进行相应处理。决策树主要由以下三部分组成。
(1)前负荷：用每搏量变异度(stroke volume variation， SVV)和动态动脉弹性(dynamic arterial elastance， Eadyn)表示。SVV用于监测
(2)心脏收缩力：用SV和动脉压力最大上升速率(peak rate of arterial pressure， dP/dtmax)表示。dP/dtmax有助于指导使用正性肌力药物来纠正低血压，评估dP/dtmax(相对于个体基线)的相对变化。动脉dP/dtmax不仅由左心室收缩决定，还受到各种外周动脉因素和负荷条件的影响。dP/dtmax尤其适用于SVR正常或较高、心输出量低、SV低(如
(3)后负荷：用SVR表示，SVR可通过血压与心输出量计算得出。SVR=(平均动脉压-中心静脉压)×80÷心输出量，正常值范围800～1 500 dyn·s·cm-5。麻醉科医师仅需在患者桡动脉置入动脉导管，接入专用的动脉传感器。HPI将为处理方案提供决策树，在辅助显示屏上显示相关的血流动力学参数。
2.HPI有创血压监测在手术中的应用
非心脏手术： 最早的HPI模型是基于非心脏手术患者数据训练出来的，其预测价值也率先在非心脏手术的研究中得到了验证。Hatib等在算法开发的原始研究中，发现低血压发生前15、10、5 min的AUC分别为0.95、0.95、0.97。Davies等在对多中心255例接受腹部、血管和非体外循环的冠脉搭桥术等大手术的患者进行分析后，结果表明HPI在低血压发生前15、10、5 min的AUC为0.88、0.90、0.92。
HPI预测价值得到验证后，研究者开始重视基于HPI的血压管理价值。有研究表明，HPI辅助的血流动力学治疗方案可能有助于减少低血压的发生。Schneck等率先在99例
Wijnberge等纳入了60例择期非心脏手术患者，结果显示，与维持MAP>65 mmHg的常规血压管理方式比较，用HPI指导血流动力学治疗降低了患者的低血压时间加权平均值(time-weighted average， TWA)。TWA考虑了血压相对于目标血压降低的深度、持续时间和手术总时间，能全面衡量低血压的严重程度。多项研究表明HPI指导的血流动力学治疗，在降低低血压的发生方面，不仅优于仅维持MAP>65 mmHg的传统血压管理模式，也优于Flotrac指导的个体化血流动力学治疗。但也有研究未能显示出HPI算法的优越性。
Maheshwari等进行了一项包括214例非心脏手术患者的前瞻性随机对照研究，结果表明HPI组和对照组的MAP≤65 mmHg的TWA相似。但要注意到，在该项研究中一半的警报未进行治疗，可能是由于警报时间短、治疗算法复杂或临床医师忽略了警报。
基于HPI的血压管理可能有助于减少术中失血。Koo等使用目标HPI<85且维持
心脏手术： HPI的训练数据是基于非心脏手术患者得出的，为了验证HPI模型在心脏手术中的有效性，Ranucci等纳入23例心血管手术患者，观察到在低血压事件发生前5～7 min预测到低血压事件的AUC为0.77，有较高的辨别水平。Shin等进一步将HPI在需要心肺转流的心血管手术患者中进行了验证，低血压发生前15、10、5 min的AUC值为0.83、0.83、0.90。HPI在小样本的观察性研究中证实了其在心脏手术中预测低血压的可靠性。目前尚无证据证明HPI指导的血压管理在心脏手术中会减少低血压发生，今后还需进一步研究证实。
3.HPI无创血压监测在手术中的应用
早期的HPI研究是基于有创血压管理的。为了探索HPI模型的预测价值是否适用于无创血压监测，Wijnberge等在507例手术时间>2 h的非心脏手术患者中同时应用HPI进行了无创血压和有创血压监测的比较，发现两者性能相当。随后，Maheshwari等针对320例ASA Ⅲ或Ⅳ级行非心脏手术患者血压进行分析，Frassanito等对妇科专科手术中的应用数据进行分析，结果均表明，基于无创连续动脉压波形的HPI可以对全麻患者即将发生的低血压提供准确和连续预测。
HPI的前期数据是基于全身麻醉患者得出的，但低血压在腰麻后也很常见，且没有明确的方法来预测。Frassanito等在腰麻剖宫产手术中对HPI在连续无创血压监测中的应用进行了验证，结果表明在低血压事件发生前3 min的AUC值高达0.91。这提示HPI可在腰麻下清醒患者发生术中低血压之前提供准确、实时和连续的预测。
基于HPI的无创血压监测同样被证实可以降低术中低血压的发生。Frassanito等对44例妇科手术患者进行了回顾性分析，结果表明，与持续无创血压监测比较，HPI患者的TWA值明显降低。这一发现扩展了HPI的使用范围，让进行无创血压监测的患者同样受益。
4.HPI局限性
机器学习模型的内部机制复杂，运算模型和算法也并未公开，麻醉科医师很难判断是否出现了运算错误，且其价格昂贵，因此，其临床应用会受限制。Enevoldsen等对HPI算法的原始数据和后续分析发现，HPI模型假阳性率较高，这可能导致低血压风险的高估并由此产生过度治疗。
HPI算法采用的FloTrac参数受到全身血管阻力、心脏指数、低潮气量、高腹压、开胸、机械通气等多因素的影响，相应的HPI准确性也会受到影响。HPI的模型训练中，将低血压的阈值定义为65 mmHg这一固定值。但实际工作中，尤其对高危患者，需要特殊的血压阈值(如80 mmHg)，HPI目前无法给出个体化阈值的低血压报警。
虽有不同的研究对HPI进行了有效性验证，但其样本量相对较小，患者手术类型的覆盖面较小。HPI在心脏手术中指导血压管理方面缺少RCT研究的证据。干预的目的不仅是减少低血压，更是为了改善患者的远期预后，但目前缺乏远期预后相关的研究。
5.小结
HPI是一项新技术，目前的研究证明HPI运用于非心脏手术中的血压管理可以减少低血压发生。未来需要继续优化算法，提高监测的准确性以便适应更多的个体化临床场景，同时需要更高级别的包括长期预后指标的证据来支持HPI的有效性。甚至可以把HPI与自动化给药系统相结合，形成闭环的麻醉管理。未来有望将HPI的技术广泛应用于临床工作中，将血流动力学的管理模式由被动变主动，提高麻醉管理质量。
来源：许琳涓,李轶,谢建琴.基于机器学习的低血压预测指数指导术中血压管理的研究进展[J].临床麻醉学杂志,2024,40(09):966-970.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
