深度解析医学证据，DeepEvidence为你支撑决策
围术期经胸超声心动图由麻醉医师操作可影响临床决策，但受限于时间、测量需求和高级技能要求。人工智能驱动的分析有望简化评估流程。US2.AI是美国FDA批准的超声心动图自动分析平台，可在无人工干预下生成测量结果和报告。虽在心脏病学人群中表现良好，但其在围术期环境中的有效性尚缺乏多中心验证。本研究旨在评估US2.AI与专家临床医生在10项关键超声心动图参数上的一致性和诊断准确性。研究结果发表在2026年的英国麻醉师协会官方期刊 《Anaesthesia》（麻醉学）。
方法
研究设计
多中心、前瞻性观察性研究，于2025年3月至5月在印度五家三级医院开展。
研究对象
纳入标准：手术当天能够接受超声心动图检查的成年患者;愿意提供知情同意的患者;以及预约择期手术的门诊患者或住院患者。
排除标准：孕妇、超声心动图图像质量差（无法获得预定义12视图序列中至少7个参数）的患者、ICU内需机械通气或血管活性药物支持的患者。
研究流程
1.由持有超声心动图认证（ASE或EACVI，≥5年经验）的麻醉医师按预定义的12视图序列采集图像。2.同一组图像分别由：① 临床专家手动测量10个参数；② 上传至US2.AI平台自动分析。3.临床医生对AI结果设盲（但对患者临床状态知情）。4.US2.AI输出不干预临床决策。
评估参数
使用预定义的12图像/循环序列进行图像采集，捕获以下视图的图像和多普勒测量:胸骨旁长轴;心尖四腔、二室、五室和长轴以及肋下。分析包括左右心室功能的10个参数，以及主动脉瓣狭窄和血流动力学参数等瓣膜异常。评估了10个参数：左心室射血分数（LVEF）、左心室舒张功能、左心室大小、右心室大小、三尖瓣环收缩期位移（TAPSE）、右心房面积、下腔静脉直径、肺动脉高压、主动脉瓣狭窄、左心室流出道每搏输出量。
统计分析
使用双向随机效应组内相关系数（ICC）来评估两种不同方法连续测量的一致性，以评估单一测量之间的绝对一致性。为了探索两种方法之间的关系，使用了Pearson相关系数和线性回归。使用Bland-Altman分析评估连续测量的一致性。对于分类结果，使用Cohen 's j来评估方法之间的一致性。p值< 0.05表示有统计学意义。使用RStudio(RStudio Team 2025, Boston, MA, USA)进行统计分析。结果没有进行正式的先验样本量计算。这项多中心试点验证研究侧重于人工智能辅助超声心动图量化与常规临床采集参考标准的可行性和一致性。大约200名患者的目标样本是先验选择的，以便对一致性和可靠性进行稳定的估计，而不是对临床结果进行假设检验。
结果
在2025年3月至5月的研究期间，共纳入206例患者。由于图像质量差，获得的预定义参数少于7个，4名患者未被纳入研究。最终分析纳入202例患者(表1)。测量的参数包括:左心室收缩和舒张功能以及左心室和右心房大小(n = 201);右心室大小(n = 199);主动脉瓣狭窄评估(n =193);右心室功能、心输出量和肺动脉高压评估(n = 188)(图1)。168例患者中，至少有一项超声心动图异常。流程图见图1。
图1 研究流程图
表1为患者数据，临床评估与US2.AI测量之间具有良好至极好的一致性，组内相关系数（ICC）范围为0.605至0.956（表2）。左室射血分数145例(72%)患者正常，37例(18%)患者轻度异常，17例(8%)患者中度异常，2例(1%)患者重度异常。22例(11%)患者左室大小异常。193例(96%)患者左心室大小分类正确，5例(2%)患者左心室大小过度分类，3例(1%)患者左心室大小分类不足。舒张功能正常131例(65%)，异常14例(7%)。在射血分数降低或疑似心脏病的患者中，分别有36例(18%)、5例(2%)和16例(8%)患者出现1级、2级和3级舒张功能不全。
左心室功能各参数在临床医生与US2.AI测量之间存在强且统计学显著的相关性，平均差异极小，一致性界限可接受（在线补充信息图S7）。左心室射血分数的相关系数为0.845（p < 0.001），两种方法的平均差值为-1.9%。对于左心室收缩功能，与临床医生评估相比，US2.AI正确分类180例（90%），过度分类8例（4%），分类不足13例（6%）。对于左心室舒张功能障碍，US2.AI正确分类193例（96%），过度分类6例（3%），分类不足2例（1%）。对于临床医生测量的右心超声心动图参数，右心室大小异常者7例（4%），右心室功能异常者25例（13%），右心房大小异常者6例（3%）。临床医生与US2.AI测量之间相关性很强：右心室大小r = 0.860，右心室功能r = 0.743，右心房大小r = 0.842（均p < 0.001）。两种方法之间的平均差值极小（在线补充信息图S8）。临床医生根据超声心动图标准怀疑肺动脉高压者10例（5%），US2.AI正确识别了全部10例。
表1 202名术前接受超声心动图检查的研究人群特征
表2 用于评估临床医生与US2.AI评估测量值之间可靠性的组内相关系数
临床医生评估的平均（SD）左心室流出道直径为19（2.81）mm，US2.AI测量值为20（1.90）mm。临床医生评估的左心室流出道速度-时间积分和主动脉瓣速度-时间积分分别为18（4.1）cm和29（6.2）cm；US2.AI方法分别为18（3.8）cm和27（5.5）cm。临床医生评估的平均（SD）主动脉瓣面积和指数化主动脉瓣面积分别为2.13（0.55）cm²和1.2（0.40）cm²/m²；US2.AI方法分别为2.02（0.58）cm²和1.19（0.36）cm²/m²。主动脉瓣狭窄分别被分类为轻度1例、中度3例、重度6例。US2.AI软件正确诊断了全部6例重度主动脉瓣狭窄。
表3 用于评估临床医生与US2.AI评估的超声心动图参数之间一致性的卡帕系数
表4 临床医生与US2.AI评估的超声心动图参数之间的平均（SD）差异和一致性界限
结论
US2.AI软件能够分析和测量10项与临床医生测量结果高度相关的超声心动图参数。两种方法之间的差异极小，且一致性界限可接受。该软件能够准确识别和分类大多数具有围术期重要意义的诊断，包括左心室收缩/舒张功能异常、右心室功能不全、肺动脉高压和重度主动脉瓣狭窄，这些对围术期预后判断、监测和管理具有重要影响。
麻海新知的述评
围术期经胸超声心动图是麻醉医师术前风险评估的关键工具，但受限于操作耗时、测量复杂与技术门槛高等问题，临床应用存在瓶颈。人工智能为破解这一困境提供了可行路径，最新多中心观察研究证实，US2.AI平台在围术期心脏超声自动化分析中展现出高度可靠性与临床实用性。
该研究纳入202例术前超声患者，以专家手动测量为金标准，验证AI对10项核心超声参数的分析效能。结果显示，AI与临床医师测量一致性良好，左室射血分数、右心结构功能等关键指标相关系数达0.605~0.956，分类诊断吻合度优异，可精准识别肺动脉高压与重度主动脉瓣狭窄等高危病变。
研究局限性包括：报告质量依赖于图像采集质量；未评估二尖瓣病变、主动脉瓣反流等其他瓣膜疾病；未评估心包积液；未比较AI与人工报告生成时间；样本量未针对亚组分析或临床结局差异进行效能计算。未来需要进一步研究其对临床结局的影响。
AI辅助超声能在短时间内完成自动测量与报告生成，显著简化流程、降低操作者依赖，具有整合入临床工作流程的潜力。该研究为AI融入围术期超声工作提供了高质量证据，未来需进一步探索其对患者预后、手术管理效率的实际价值，推动围术期心脏评估向智能化、标准化升级。
原始文献：
Deepak Prakash Borde, Kumar Chidambaram, Amish Jasapara, Samrat Sukumar Madanaik, Shreedhar Joshi, Pooja Joshi, Pramod Apsingkar, Balaji Asegaonkar, Vijay Shetty, Ramya Elumalai, Archana Chandrakumar, Amit Dixit, Madhav Swaminathan. Artificial intelligence-assisted peri-operative echocardiography: a multicentre observational study. Anaesthesia. 2026 May. Doi: 10.1111/anae.70235.