背景资料
机器学习是当前推动人工智能发展的重要工具。虽然机器学习已经发展了几十年，但直到最近，其进展、复杂度和影响力才出现了指数性的增长。在 2016 年，谷歌采用了一种深度学习的语言翻译方法，运用了大量数据进行有效的自我训练，以精确识别语言模式，使翻译错误减少了 87%[1]。诸如此类机器学习技术可能很快就会在手术室中出现。
我们已知手术中的低血压与术后心肌梗死和急性肾损伤的发生率有关, 两者都是长期预后不佳的预测因素。能够提前对即将发生的低血压发出警示, 即使只提前 10 到 15 min, 也可以帮助诊断和治疗实施, 以减轻临床影响。在杂志《Anesthesiology》2018 年 10 月刊上，Feras Hatib 等发表了题为《Machine-learning Algorithm to Predict Hypotension Based on High-fidelity Arterial Pressure Waveform Analysis》的研究，基于高保真度的动脉压力波形，通过机器学习算法预测低血压 [2]。
作者的目标是将机器学习应用于动脉压力波形的监测, 并创建一种预测低血压的算法。该算法可检测动脉压力波形的早期变化，并提前判断循环系统代偿能力的减弱。
该算法通过分析每个心搏周期 3022 个独特的特征，在降压事件前 15 min 预测低血压的敏感度为 88%（85-90%），特异度为 87%（85-90%）；前 10 min 的敏感度 89%（87-91%），特异度 90%（87-92%）；前 5 min，敏感度 92%（90-94%），特异度 92%（90-94%）。
该研究结果表明，机器学习算法可以通过大数据集高保真动脉波形训练，预测外科手术患者的低血压情况。
专家点评
我们在临床上通常难以察觉循环系统不稳定的早期阶段。有证据表明，在此期间不同生理变量之间存在微妙的动态联系。有经验的麻醉医生有时可以借此预测低血压事件，但是由于缺乏可重复性和验证手段，这种临床经验更多只能归为艺术或者玄学，而应用机器学习算法则可以实现其科学性。这些机器学习可以通过大量收集数据，来实现类似人类感知并同时进行思考的能力。机器学习主要优势在于，其解释特征的范围很大，也能分析交互深度极其复杂的特征集。Hatib 等巧妙地利用了动脉波形中大量的数据，获得了远远超出了心率和血压等简单数据的特征，来预测低血压。
相对的，机器学习方法在任何地方都无法达到近乎完美的程度。文章作者也注意到，虽然人工智能对低血压的预测具有很高的可靠性，但对临床医生会如何应对这种警告仍然无法预测。如何利用这种技术来改善麻醉，以及更广泛地推进健康科学，仍然是未来几十年的挑战。
参考文献
C, M., Google’s new translation software is powered by brainlike artifcial intelligence. 2018.
Hatib, F., et al., Machine-learning Algorithm to Predict Hypotension Based on High-fidelity Arterial Pressure Waveform Analysis. Anesthesiology, 2018. 129(4): p. 663-674.