人工智能模型用于自发性脑出血手术决策支持:与临床试验和指南相关的系统综述
该研究为描述性系统综述与证据映射,检索PubMed及手工检索共37条记录,纳入21项AI应用于自发性脑出血手术决策的研究。主要输入为非增强CT,深度学习方法最常见(14/21)。21项研究中仅3项直接对齐手术试验标准(如MISTIE III残余≤15 mL、清除≥70%;CLEAR III脑室内出血清除>80%等),10项间接对齐,8项无明确关联;无模型端到端实现ENRICH、STICH II或SWITCH的入组或时机阈值。作者认为AI在影像围手术期评估(血肿体积测量、引流管位置、残余血肿、中线移位)有附加价值,但整合入手术决策框架仍不完整,未来需前瞻性多中心验证与外部校准。
要点
- 21项纳入研究中仅3项直接编码手术试验阈值(如MISTIE III残余≤15 mL或清除≥70%),10项间接对齐,8项无明确关联。
- 深度学习为最常见方法(14/21),其次经典机器学习(4/21)、放射组学(2/21),1项为监管批准但未说明的AI工具。
- 影像输入以非增强CT为主,仅1项用MRI规划手术轨迹;所有研究均使用回顾性数据。
- 最常见应用为术前 eligibility 评估与术后质量保证(残余血肿体积、引流管位置、中线移位变化)。
- 无模型以端到端方式明确实现ENRICH、STICH II或SWITCH的入组或时机阈值。
适用人群与场景
- 成人(≥18岁)自发性脑出血患者,伴或不伴脑室扩展,来自回顾性或前瞻性研究、试验后或注册分析、病例系列或病例报告。
- 排除继发性脑出血(肿瘤、动静脉畸形、创伤)、蛛网膜下腔、硬膜外或硬膜下出血、仅儿童队列及非英文全文。
诊断标准与关键阈值
- 标准阈值通常包括幕上血肿>30 mL或幕下血肿>15 mL。
- MISTIE III/CLEAR III相关技术阈值:残余体积≤15 mL或清除≥70%;CLEAR相关脑室内出血清除指标如清除>80%和/或第三、四脑室开放。
- ENRICH:脑叶血肿30–80 mL且≤24小时。
- 结局相关指标:90–180天mRS、死亡率、再出血、技术成功阈值(残余≤15 mL或清除≥70%)、中线移位变化或至手术室时间指标。
研究设计与关键结果
- 研究类型为描述性系统综述与证据映射,检索PubMed/MEDLINE(2025年9月)获31条记录,手工检索增6条,最终纳入21项研究。
- 发表量2021年后增加,2024年达峰(n=5),2025年至今n=3。
- 13/21为单中心,8项多中心;地域:中国7项、美国6项、德国4项、日本1项、英国1项、新加坡1项;样本量从单病例报告至>8000例的多中心电子病历队列。
- 与手术试验对齐:3项直接对齐(明确使用MISTIE III和/或CLEAR III阈值),10项间接对齐,8项无明确关联。
- 所有研究均使用回顾性数据;仅少数研究将模型输出与试验或指南定义的结构(入组标准、技术目标或预设终点)进行明确评估。
证据类型、等级与局限
- 证据类型:描述性系统综述与证据映射研究,未进行Meta分析,采用定性综合。
- 采用PRISMA框架报告研究筛选,并使用CLAIM 2024更新版组织AI研究特征提取与报告。
- 局限:所有纳入研究均为回顾性,限制其指导实时临床决策的能力,且易受观察性数据固有偏倚影响。
- 局限:AI方法异质性(从经典机器学习到深度学习和放射组学方法)妨碍定量合成,需描述性分析而非Meta分析。
- 局限:单中心队列占主导限制外部普适性。
- 局限:仅少数研究将模型输出与试验或指南定义的结构进行明确评估,限制本映射比较AI决策边界与现有证据框架的能力。
- 局限:未来需前瞻性多中心研究优先进行外部验证、校准和针对临床有意义结局的预设基准测试。
对床旁实践的改变
- 对于作为限定辅助工具(如分割、体积测量、质量保证和工作流程分诊)的AI,缺乏明确RCT阈值不降低其价值;临床医生可将输出纳入现有决策框架。
- 对于提供治疗推荐(如手术/不手术、时机或技术)的AI系统,作者认为应预先指定如何相对于现有证据(包括相关试验/指南)和/或独立性能目标评估决策边界。
- 部署时应纳入防止自动化偏倚的保障措施,如人工在环审查、不确定性透明报告和持续监测。
- 作者认为严格遵循历史试验标准不应被视为创新的上限,而应作为前瞻性比较新策略的参考基线。
- 未来系统应超越仅影像流程,有意整合临床、生理和时间数据与影像特征及试验定义目标,使模型反映真实床旁决策路径而非孤立影像任务。
- 将AI工具转化为神经重症监护需要外部测试、性能漂移监测以及明确的问责和临床监督;伦理考虑包括与风险成比例的可解释性、减轻自动化偏倚以及模型局限性和数据来源的透明度。
指南或共识出处
- ENRICH
- MIND
- MISTIE III
- SWITCH
- STICH II
- CLEAR
- AHA/ASA指南
提炼说明
- 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」,故未列出这些栏目。
全文中译21 节 · 点击展开
引言
脑出血(ICH)是卒中最严重的类型之一,占所有病例的10%–15%,早期死亡率高达40% [1]。治疗决策依据临床标准,包括神经系统状态、年龄和合并症,以及颅脑计算机断层扫描的发现,如血肿大小、位置、脑室内出血(IVH)、脑积水和中线移位。标准阈值通常包括幕上血肿大于30 mL或幕下血肿超过15 mL [1–3]。
预后工具,如ICH评分,可进一步估计30天死亡率 [4]。为确定手术的作用,多项随机对照试验(RCT)——包括ENRICH [2]、MIND [5]、MISTIE III [3]、SWITCH [6]、STICH II [7]和CLEAR [8]——评估了开颅术、微创手术(MIS)、去骨瓣减压术及联合溶栓的脑室外引流(EVD)。尽管取得了这些进展,关于改善长期预后的具体手术适应证或技术尚未达成明确共识。
在这些临床试验之外,人工智能(AI)的进步为手术决策支持开辟了新机遇。机器学习(ML),尤其是深度学习(DL),能够自动分析原始计算机断层扫描(CT)数据以识别血肿、估计其大小、定位其位置并预测结局,其准确性优于传统体积测量方法。近期多项研究探讨了AI在ICH管理关键决策过程中的作用,包括筛查和体积评估,以及术后质量保证和并发症风险预测。
应用于自发性ICH的大多数AI模型均在独立数据集上训练,并非设计用于复现随机试验方案或指南算法。然而,对于旨在为手术决策提供信息或影响的AI工具,考察这些模型强调哪些变量以及其预测结局与重大手术试验所采用的入选标准和终点指标之间的关系是有价值的。此类比较将模型行为置于现有证据框架的背景中,而不意味着期望AI系统复现随机试验方案或指南阈值。因此,本综述系统地将AI模型的输入、输出和决策支持功能映射到自发性ICH基于试验和指南的证据框架,提供当代AI研究与既定手术证据之间的描述性对照。
方法
本研究进行了描述性系统综述和证据偏好映射研究,以确定用于脑出血(ICH)的人工智能(AI)模型是否与重大手术试验和指南的标准及发现相一致。作为初步步骤,我们总结了指导ICH手术决策的关键随机试验和指南来源(表1)。对于每个来源,我们提取了主要证据陈述、临床情景、推荐方法、治疗时间窗和技术目标,作为对AI研究进行分类的参考框架。
于2025年9月进行了全面的PubMed/MEDLINE检索。预先设定的检索式为:“intracerebral hemorrhage”[tiab] AND (surg*[tiab] OR evacuation[tiab] OR endoscop*[tiab] OR “minimally invasive”[tiab]) AND (“artificial intelligence”[tiab] OR “machine learning”[tiab] OR radiomics[tiab] OR “deep learning”[tiab])
检索限定为过去十年,以反映临床人工智能(AI)发表文献快速增长的时期。对纳入研究的参考文献列表进行了筛选,并纳入了用户提供的符合纳入标准的文章。选择PubMed作为主要数据库,是因为其全面覆盖了经同行评议的生物医学和神经外科文献[10]。
为确保透明性和可重复性,在最终投稿前重新运行了检索,获得31条记录。在去除重复记录和明显不符合条件的研究后,对所有检索到的记录在标题和摘要层面进行了筛选。更新后的数字报告在修订后的系统评价和荟萃分析优先报告条目(PRISMA)流程图中(图1)。该更新未影响最终纳入研究的数量。
除数据库检索外,还进行了手工定向检索,以确保全面覆盖脑出血手术中具有影响力和方法学相关的人工智能研究,这些研究可能未被基于关键词的查询完全捕获。该过程包括筛选所有纳入文章的参考文献列表、审阅在试验相关ICH影像和人工智能研究中活跃的主要作者团队的关键出版物,以及纳入用户提供的符合所有预设纳入标准的经同行评议文章。通过该方法,识别出另外六项研究并纳入定性综合和证据映射。这些研究采用与数据库识别记录相同的纳入标准、数据提取框架和试验对齐分类进行评估。
纳入标准(预设)
原创的、经同行评议的人类研究均符合纳入标准,无论是回顾性、前瞻性研究,还是源自试验后分析或登记分析的研究。当病例系列和病例报告直接为手术决策或工作流程提供信息时,也被纳入考虑。研究人群须包括成年患者(≥ 18岁)伴有自发性脑出血(ICH),伴或不伴脑室内扩展。研究须包含人工智能或机器学习组成部分——如基于放射组学的方法、经典机器学习算法、深度学习或可解释/因果机器学习——并与外科诊疗有明确关联。相关领域包括患者选择、轨迹规划、术后质量保证(如残留体积、引流管位置或中线移位)、围手术期并发症风险、治疗效果评估以及工作流程和手术时机。结局须与手术管理相关,包括功能状态(90–180天时的mRS)、死亡率、再出血、技术成功阈值(残留≤ 15 mL或血肿清除≥ 70%)、中线移位变化或至手术室时间指标。
排除标准
综述、社论、通讯、无完整同行评议稿的会议摘要以及缺乏临床数据的纯技术性论文被排除。无人工智能组成部分或仅使用与手术决策无关的常规统计学方法的研究被视为不合格。其他排除标准包括继发性ICH(如源于肿瘤、动静脉畸形或创伤者)、蛛网膜下腔、硬膜外或硬膜下出血、仅儿童队列以及非英文全文文章。
两名评价者独立筛选标题和摘要,随后根据纳入标准进行全文评估。分歧通过共识解决。研究选择过程总结于系统评价和荟萃分析优先报告条目(PRISMA)流程图[11](图1)。
报告标准
研究识别和选择按照PRISMA框架进行报告(图1)。鉴于纳入的人工智能研究的影像学中心特性以及尚无定稿的PRISMA-AI扩展版,我们额外采用医学影像人工智能清单(CLAIM)2024更新版[12]来组织人工智能特异性研究特征的提取和报告(如数据来源、参考标准术语、内部测试与外部测试以及模型/软件/数据可用性的透明度)。CLAIM被用作报告和组织工具,而非评分系统。
数据提取
对于每项研究,收集的信息包括引用文献和年份、国家/中心、队列特征(手术数量与总数之比;手术类型——开颅术、微创手术(MIS)、内镜、立体定向、去骨瓣减压术)、输入变量(临床变量;影像学——平扫CT/磁共振成像(MRI)、脑室内出血(IVH)、中线移位、术后扫描;以及放射组学)、AI方法(分类为经典机器学习、深度学习、基于放射组学的机器学习或可解释/因果机器学习)、主要和次要结局(如mRS、死亡率、90/180天并发症、技术终点如残留体积或≥70%清除率)、验证策略(内部交叉验证、外部测试、校准)以及随机试验标准的任何明确编码。数据记录在结构化提取表中并标准化以确保各研究间的一致性。提取项目的选择旨在反映综述问题(试验对齐性),并包含CLAIM强调的关键AI报告领域,如数据来源、参考标准、划分/测试策略以及关于代码、模型和数据可用性的透明度(如提及)。PRISMA和CLAIM检查清单见补充附录。
为解决研究问题,每篇AI论文被映射至关键试验和指南——ENRICH [2]、MIND [5]、MISTIE III [3, 9]、SWITCH [6]、STICH II [7]、AHA/ASA指南 [1]和CLEAR [8]。对齐性分类为:直接:明确使用试验阈值/数据集(如MISTIE残留≤15 mL或≥70%清除率,ENRICH脑叶出血30–80 mL ≤24 h,CLEAR相关IVH清除指标如>80%清除率和/或第三、四脑室开放)。
间接:模型涉及支撑试验证据的构念(如体积测量、中线移位、导管/引流覆盖、轨迹规划、工作流程/至手术室时间),但未明确编码试验标准。
无:预后或并发症导向的模型,未与手术证据建立关联。
这些分类为描述性且非层级性的;“直接”表示明确使用试验标准/数据集,而非模型质量或临床性能更优。
鉴于人群、干预措施、AI方法和结局的异质性,我们进行了定性综合而非荟萃分析。尽管综合为定性性质,本综述采用预先设定的问题、纳入排除标准和结构化数据提取进行;因此,我们按照PRISMA规范报告研究选择和研究结果(图1),同时认识到该方法具有描述性证据映射的元素。结果按决策支持功能(术后预后、术后质量保证、并发症风险、资格/质量保证、轨迹规划、治疗效果建模、工作流程/时机)和试验对齐类别(直接/间接/无)进行描述性呈现。
偏倚风险与研究质量
由于纳入研究间存在方法学异质性,进行正式的荟萃分析偏倚风险评估不可行。因此,研究质量基于设计特征进行评估,包括方法学为前瞻性或回顾性、是否有多个中心参与、是否在独立数据集上进行外部测试、是否有校准,以及试验标准是否明确定义。该方法符合当前生物医学研究中描述性系统综述和证据图谱的指南。由于未直接涉及人类受试者,无需伦理批准。
结果
研究选择与时间趋势
PubMed检索共识别31条记录,通过针对性检索额外纳入6项研究。经过全文筛选并去除重复及不合格记录后,21项研究纳入定性综合。关于人工智能模型用于脑出血手术的出版物在2021年后显著增加,于2024年达到峰值(n = 5),并从2025年至今保持活跃(n = 3)(图2)。
研究特征
大多数研究为单中心(13/21),8项为多中心研究。地理分布上,中国贡献7项研究,美国6项,德国4项,日本1项,英国1项,新加坡1项。样本量从单例病例报告到包含超过8000例患者的多中心电子病历队列不等。影像输入以平扫CT为主;一项研究使用MRI进行手术轨迹规划(表2)。
人工智能方法与输入
深度学习是最常见的分析方法(14/21项研究),其次是经典机器学习(4/21)、基于影像组学的机器学习(2/21),以及一项研究中使用的经监管批准但未具体说明的人工智能工具(1/21)。输入主要为基于影像的数据,最常包括自动分割或体积测量、脑室内出血负荷评估和中线移位,少数研究整合了有限的临床变量。
决策支持功能
纳入的模型涉及一系列围手术期任务。最常见的应用包括资格评估和术后质量保证——例如测量残余血肿体积、引流管位置或覆盖范围以及中线移位变化。其他功能包括规划导管或内镜通路的轨迹、预测术后结局、优化工作流程和时机(如警报或转运优先级)、预测并发症风险、通过比较手术与内科治疗来建模治疗效果,以及提供综合决策支持或方案建议。总体而言,基于影像的围手术期任务占主导地位,而完全集成的决策支持模型仍不常见。
与随机试验和指南的一致性
使用预定义标准,三项研究通过明确纳入MISTIE III和/或CLEAR III的阈值(例如残余体积≤15 mL、≥70%血凝块清除,或CLEAR相关的脑室内出血清除目标如>80%清除和/或第三、第四脑室开放),展示了与手术试验证据的直接锚定。十项研究为间接锚定,涉及试验相关构念如体积测量、中线移位控制、导管或引流管覆盖、轨迹规划或工作流程和干预时间指标,但未明确编码试验 cutoff 值。八项研究未发现与手术试验或指南标准的明确关联,而是聚焦于预后、并发症风险、工作流程优化或一般决策支持。值得注意的是,没有模型以端到端方式明确实施ENRICH、STICH II或SWITCH的入组或时机阈值(表3)。
讨论
越来越多的出版物评估基于人工智能的模型在临床实践中分析自发性脑出血的应用。在我们的综述中,我们确定了21项符合严格入选标准的研究,过去5年平均每年约4篇出版物(2021年4篇、2022年3篇、2023年4篇、2024年5篇、迄今2025年3篇)。这一增长与大型语言模型(LLM)工具(如ChatGPT和Gemini)的更广泛采用相平行,这些工具于2022年底推出。通过基于提示的界面,人工智能的广泛可及性似乎加速了这些技术在临床数据分析中的使用增加,包括在自发性脑出血领域。
在地理上,这些研究主要来自主要人工智能参与者,包括美国和中国,另有来自德国、日本和新加坡的贡献。队列范围从单病例报告到涉及超过8000名患者的多中心电子病历数据集,显示了可用数据来源的多样性和范围。认识到由于数据输入不统一导致的人工智能训练中选择偏倚的担忧,我们的综述强调纳入的研究利用了多种临床和影像数据集。这种差异可能在一定程度上降低了因患者群体聚焦狭窄而过拟合或结果偏倚的风险。
在方法学方面,大多数研究仅依赖影像学输入,主要是平扫CT,仅有一项研究使用MRI进行轨迹规划[34]。较小一部分研究将影像学特征与有限的临床变量相结合。深度学习框架是最常见的分析方法(14/21项研究),其余研究采用经典机器学习或基于影像组学的方法。由于深度学习是机器学习的子集,这些发现表明机器学习仍是该领域的主要分析方法。此外,所有研究均使用回顾性数据,表明AI工具并非用于实时预测,而是用于分析现有临床数据集。这一点尤为重要,考虑到前瞻性预测AI面临的更广泛挑战,诸如众多变量、随机性以及博弈论原理等因素可能降低预测准确性。相比之下,如所综述的研究那样对真实世界临床数据进行回顾性分析,可以提供更可靠的见解。
所识别的模型涉及多种围手术期任务,包括术后质量保证(如残余血肿体积、引流管位置和中线偏移变化)、导管或内镜通路的轨迹规划、术后预后、工作流程优化与时机、并发症风险预测以及治疗效果建模。最常见的应用集中在影像衍生的手术终点——特别是残余血肿体积、引流管定位和中线偏移动态变化——凸显了影像在术后评估中的基础性作用。这一模式与AI的历史发展相一致,基于影像的结果评估一直是最早且最持续的应用。
与手术试验和指南的一致性
大多数针对自发性脑出血(ICH)的AI模型是独立于随机试验方案开发的,并不期望其明确复现试验入组标准或指南决策规则。因此,缺乏直接的试验编码不应被解读为缺陷。相反,本综述的目的是提供AI衍生输入和输出与主要手术试验和指南中所使用构念之间的描述性对照。在纳入的21项研究中,3项展示了锚定于随机手术试验的直接证据,10项通过试验相关构念间接锚定,8项未与试验或指南标准进行比较。
在纳入的研究中,AI模型最常针对与试验和指南相关构念一致的变量,包括血肿和脑室内出血体积测量、中线偏移、清除术后残余血凝块体积、导管或引流管放置以及工作流程或干预时间指标。这些变量对应于MISTIE III、CLEAR III和ENRICH等试验中使用的技术终点和围手术期目标,即使试验特定的阈值未被明确编码。较少的模型以可直接与主要试验终点(如90–180天时的mRS)比较的方式评估功能结局,且明确实施ENRICH、STICH II或SWITCH的入组窗口或决策阈值的情况罕见。
本综述中识别的若干人工智能应用可自动化传统上耗时或受观察者间变异影响的测量,包括体积测量、残余体积目标、脑室内出血(IVH)清除率和中线移位。自动化这些测量可能提高真实世界实践中的一致性,支持质量保证,并促进试验工作流程或事后分析。当人工智能系统旨在推荐干预措施(而非自动化测量)时,有助于事先明确如何评估输出——例如,在适当情况下对照试验/指南构念和/或对照独立学习的决策边界——以便能够透明地评估获益、安全性和泛化性。
除了复现既定阈值之外,人工智能模型通常还纳入现有试验中未明确使用的额外影像特征、影像组学模式或多变量风险特征。当在独立队列中一致观察到时,这些预测因子可能通过实现资格富集、优化基于影像的替代终点或识别最可能从特定手术策略中获益的患者亚组,为未来试验设计提供信息。在此背景下,人工智能的价值不在于严格遵循历史试验标准,而在于提供可在严格试验框架内前瞻性检验的数据驱动见解。
局限性
本综述存在应予承认的局限性。所有纳入的研究均为回顾性研究,这限制了其为实时临床决策提供信息的能力,并使其易受观察性数据固有偏倚的影响。人工智能方法的异质性——从经典机器学习到深度学习和基于影像组学的方法——妨碍了定量合成, necessitating 描述性分析而非荟萃分析。虽然研究的地理多样性提示全球广泛关注,但单中心队列占主导地位限制了外部泛化性。仅有少数研究明确对照试验或指南定义的构念(例如入组标准、技术目标或预设终点)评估模型输出,这限制了本交叉比对将人工智能衍生的决策边界与既定证据框架进行比较的能力(并不意味着人工智能模型有效性需要此种一致性)。未来前瞻性多中心研究应优先考虑外部验证、校准和针对临床有意义结局的预设基准测试(在相关情况下包括试验终点),而非假设与历史阈值一致。
临床意义
与综述发现的临床相关性
本综述表明,当代人工智能在脑出血(ICH)手术中最有效的情形是聚焦于影像衍生的围手术期终点——如血肿/脑室内出血(IVH)体积测量、引流管检测/覆盖、残余体积和中线移位——因为这些变量常规获取、具有时间敏感性且与手术评估紧密耦合。在此背景下,即使仅间接对齐的模型也可通过提高测量一致性、减少观察者间变异和标准化术后质量保证而提供有价值的临床支持,而不主导治疗决策。
对齐如何影响真实世界决策制定
试验对齐的相关性取决于预期的临床作用。对于作为有限辅助工具使用的工具(如分割、体积测量、质量保证和工作流程分诊),缺乏明确的RCT阈值并不降低其价值;临床医生可以将输出纳入现有的决策框架。对于提供治疗建议的AI系统(如手术/非手术、时机或技术),有必要明确决策边界将如何相对于现有证据(包括相关试验/指南)和/或独立性能目标进行评估。此外,部署应纳入保障措施以防止自动化偏差(例如,人在环路中的审查、不确定性的透明报告以及持续监测)。重要的是,严格遵循历史试验标准不应被视为创新的天花板;相反,它应作为参考基线,新策略可据此进行前瞻性比较。
多模态与时间整合的必要性
各研究中的一个常见差距是非影像信息的整合有限。外科ICH决策本质上是多模态且时间依赖的,涉及神经系统检查、严重程度量表、生理学、恶化轨迹和干预时间。因此,未来系统应超越仅基于影像的流程,有意将临床、生理和时间数据与影像学特征及试验定义的靶标相结合,使模型能够反映真实世界的床旁决策路径,而非孤立的影像任务。
伦理、转化信息学与循证实施
将AI工具转化为神经重症监护需要不仅仅是技术性能:模型必须在独立数据集上进行外部测试,监测性能漂移,并在明确的问责制和临床医生监督下部署。伦理考量包括与风险成比例的可解释性、自动化偏差的缓解以及关于模型局限性和数据来源的透明度。试验级数据库和基准测试资源(包括VISTA-ICH)可以促进可重复的评估和外部测试,帮助AI从有前景的回顾性工具转变为可安全整合到外科决策支持中的循证工具。
AI能否辅助ICH管理的临床决策,并最终可能以类似CT扫描的方式重塑手术适应证?
我们的综合分析表明,虽然AI在技术终点(如体积精度和术后质量保证)方面已显示出前景,但其整合到外科决策框架中仍不完整。为推进发展,旨在用于更高风险决策支持的AI系统应超越孤立的影像输出,转向多模态、时间感知的建模,并对其临床影响进行前瞻性评估。对于此类系统,试验/指南框架可作为有用的外部基准,但模型也可能定义独立的决策边界,需要分别进行安全性、获益和可推广性的验证。
结论
总之,当代针对自发性脑出血的人工智能研究正在迅速发展,并为围手术期评估做出了有意义的贡献,尤其是在基于影像的任务中,如体积测量、引流管评估、残余血肿评价和中线移位分析。大多数模型均恰当地基于独立数据集开发,且并未明确编码随机试验方案;尽管如此,许多模型所针对的构念正是基于试验和指南的外科决策的核心内容。本综述将人工智能的输入和输出映射到公认的证据框架上,阐明了人工智能在何处适用于试验和指南相关的构念,以及在何处增加了新的预测因素或决策节点。对于未来提供治疗建议的系统,确保安全性将需要前瞻性测试、外部验证、校准和透明治理。虽然试验层面和指南层面的构念可作为比较的基准,但不应自动假定或强制要求与之一致。
参考来源
- de Oliveira Manduca Palmiero H, Gilberto Carlotti C, Gadelha Figueiredo E, et al. AI Models for Surgical Decision Support in Spontaneous Intracerebral Hemorrhage: A Systematic Review in Relation to Trials and Guidelines. Neurocrit Care. 2026. PMID: 41942817. doi:10.1007/s12028-026-02501-7
- 全文:PMC13249920(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13249920/
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。