【神麻人智】基于混合Stewart与标准碱剩余模型的动脉血气人工智能辅助解读
时间：2026-07-28 21:44:25 热度：37.1℃ 作者：网络
深度解析医学证据，lxfs.net为你支撑决策
HIGHLIGHTS
研究评估了一种基于公式引导的ChatGPT工作流，用于1234例ICU患者的动脉血气报告。
该模型能够复现分区标准碱剩余（Partitioned SBE）计算及预定义的参数分类。
临床意见和管理建议与最终专家评估的一致性达93.1%。
该框架可生成图形化可视化结果，并可能有助于教学及结构化酸碱报告。
背景：动脉血气（ABG）解读在重症监护中至关重要，但传统方法可能无法在床旁全面刻画复杂的酸碱平衡紊乱。分区标准碱剩余（Partitioned SBE）模型为分解代谢性酸碱组分提供了结构化框架，但其常规使用需要重复计算。大语言模型在结合预定义的生理学规则和提供的临床背景时，可辅助结构化报告和可视化。
方法：本研究为回顾性、单中心研究，评估了基于ChatGPT的动脉血气解读框架（采用分区SBE模型）的临床一致性。将1234例ICU患者按照主要入院诊断进行分层。模型接收ABG值、选定实验室参数及主要ICU入院诊断作为预设输入变量，利用明确计算公式计算BECl、BEAlb、BELac和BEOther，生成图形化可视化结果，并输出结构化临床意见和管理建议。两名独立的麻醉科医师对模型输出的临床一致性进行评审。
结果：该模型准确复现了所有预设的分区SBE计算及ABG和电解质参数的参考范围分类。临床意见和管理建议在93.1%的病例中被评定为一致（95%CI：91.6–94.4）。在肾脏、代谢和脓毒症亚组中，一致率超过96%，而在血液学和恶性肿瘤亚组中一致率较低。酸碱组分的图形化解构直观呈现了混合性代谢紊乱。
结论：采用分区SBE模型的基于公式引导的ChatGPT框架生成了可解读的ABG报告、图形化可视化结果及结合背景的临床意见，与专家评估具有高度一致性。这些发现支持其作为辅助教育和报告工具的潜在价值，但在临床实施前仍需前瞻性验证、外部测试和基于结局的研究。
1.引言
动脉血气（ABG）分析在危重症患者的诊断和治疗中具有核心作用。酸碱平衡紊乱在重症监护室和手术室中均十分常见，准确判读至关重要，因为它直接影响临床决策。然而，目前存在多种评估酸碱平衡紊乱的方法，在临床实践中各有其独特的优势和局限性。
传统的判读方法（亨德森-哈塞尔巴尔赫法［HH］和标准碱剩余法［SBE］）主要关注pH、pCO₂、HCO₃⁻和SBE值，但这种方法往往难以解释所观察到紊乱背后的根本机制。HH法通常被认为易于理解和应用，但其中涉及代偿经验法则、阴离子间隙（AG）、白蛋白校正AG以及ΔAG/ΔHCO₃⁻等参数，这些参数不易在床旁计算。SBE法仅反映代谢性组分，同样涉及需要计算的代偿经验法则。Stewart方法因其能更好地区分复杂酸碱平衡紊乱而受到关注，尽管其在生理学上更为严谨，但由于需要强离子差（SID）和强离子隙（SIG）等难以计算和解读的参数，Stewart法在临床实践中很少被采用。
为了便于床旁应用，结合SBE与Stewart方法的混合方法——如Stewart-Fencl概念和分区SBE模型——已被开发出来。分区SBE方法将SBE分解为四个组分，从而能够对代谢性紊乱进行更精确的鉴别诊断。尽管分区SBE方法所使用的公式比Stewart法更简单，但仍然需要计算。所有酸碱评估方法中均存在公式，这催生了对基于计算机的工具和决策支持系统的需求，以执行这些计算。随着近年来的进展，人工智能（AI）应用在满足这一需求方面展现出巨大潜力。当大语言模型（LLM）与预定义的生理学框架结合使用时，它们可能有助于结构化计算、酸碱平衡紊乱的解读，以及基于所提供临床信息生成情境化的临床摘要。本研究的目的在于评估一种基于分区SBE模型、结构化的、公式引导的ChatGPT血气报告工作流的临床一致性，该评估由经验丰富的临床医师进行。
2. 方法
2.1 研究设计与患者筛选
本研究在Bakırköy Dr. Sadi Konuk培训与研究医院重症监护室（ICU）进行。研究方案经卫生科学大学研究医院伦理委员会批准。所有程序均遵循《赫尔辛基宣言》、观察性研究报告指南（STROBE）以及机构和国家有关患者数据保密的规定。
通过医院临床决策支持系统（MetaVision，iMDsoft）筛选2012年至2024年间共16，540例成人ICU入院记录。纳入标准为年龄≥18岁，且在入住ICU后一小时内记录了完整的动脉血气参数及血清白蛋白水平的患者。排除标准为：缺乏白蛋白数据、无血气分析、数据缺失或不可信、静脉血标本、或研究期间重复入院的患者，最终剩余13，540例患者。采用基于Python的分层抽样算法，根据ICU入院诊断从13，540例入院记录中筛选出1，234例代表性队列。对各诊断组按比例抽样，以确保临床多样性并避免某一类别的过度代表。最终数据集包括1234例患者（流程图见图1）。
图1. 研究流程图
2.2 诊断分类
根据MetaVision系统中记录的ICU入院诊断，将患者分为12个诊断组。这些类别包括循环系统疾病、呼吸系统疾病、神经系统疾病、肾脏疾病、胃肠道疾病、创伤、术后状态、脓毒症、代谢性疾病、中毒、恶性肿瘤和血液系统疾病。各分类的定义及代表性病种列于表1。对于存在多种合并诊断的患者，分类依据为入院时MetaVision系统中记录的主要ICU入院诊断。
2.3 收集参数及衍生指标
临床医生在采集血气标本后于MetaVision系统中手动标注标本类型（动脉或静脉），以确保动静脉标本的明确区分。通过SQL查询从MetaVision临床决策支持系统中提取ICU入院时的动脉血气参数（pH、pO₂、pCO₂、HCO₃⁻、SBE、Na⁺、Cl⁻、K⁺、Ca²⁺、血红蛋白［Hb］和乳酸），以及同时测量的实验室参数——尿素、肌酐（Cr）、总胆红素、C反应蛋白（CRP）、降钙素原（PCT）、白细胞计数（WBC）、血红蛋白（HGB）、血小板计数（PLT）、血细胞比容（HCT）、白蛋白（ALB）、葡萄糖（Glu）、天冬氨酸氨基转移酶（AST）、丙氨酸氨基转移酶（ALT）、乳酸脱氢酶（LDH）、国际标准化比值（INR），并导出至Excel文件。利用Na⁺、Cl⁻、乳酸、SBE和白蛋白，应用分区SBE模型进行计算：
2.4 模型解读流程
使用单一结构化提示框架对GPT模型（OpenAI，访问时间2025年5月；ChatGPT-4，含高级数据分析功能）进行查询，以执行基于分区SBE的动脉血气解读。提示包含六个连续步骤：（1）列出输入值（ABG和白蛋白）；（2）对每个参数进行分类（pH、pCO₂、SBE、pO₂）；（3）使用明确公式计算BECl、BEAlb、BELac和BEOther；（4）生成具有标准化颜色和对齐约定的水平条形图；（5）撰写临床解读；（6）提出潜在的管理策略。所有结构化提示均见SDM表2，以确保可重复性。
除动脉血气参数外，模型还获得了患者的主要入院诊断，以便更好地为治疗建议提供背景信息。酸碱计算仅使用数值实验室输入进行，而患者的主要诊断仅用于为临床解读和治疗建议提供背景。因此，模型输出被解读为基于所提供临床信息的结构化背景报告，而非独立的诊断推断。输出以零样本模式生成，未使用角色提示、少样本示例、微调或本地开发的源代码。解读流程完全依赖于通过商业界面提交的结构化文本提示，模型执行了所有计算和可视化，包括图2中所示的水平条形图。未进行正式的重复提示可重复性分析；因此不能假定重复会话中的输出完全相同。然而，工作流中的确定性组成部分，包括参考范围分类和分区SBE计算，均基于固定的数值输入和预定义的方程。在大语言模型生成输出的叙述性部分中，措辞和句子结构可能存在微小差异。输出直接从ChatGPT界面复制，未经手动编辑或后处理。
为回应人工智能辅助诊断研究中日益增长的透明度需求，我们遵循了TRIPOD-LLM指南的关键条目以增强可重复性和清晰度。这些包括详细的提示报告、专家评估策略、缺失数据处理和源代码可用性。虽然本研究并非前瞻性模型开发研究，但本探索性分析涉及了TRIPOD-LLM中适用于大语言模型临床决策支持应用的相关条目。由于本研究缺乏外部验证，其结果应被视为假设生成性。
2.5 人工智能在图表生成中的应用
使用ChatGPT自动生成水平条形图，以展示分区SBE各组分（BECl、BEAlb、BELac、BEOther和SBE）。模型接收包含患者特定值和计算组分的结构化提示，并返回具有颜色编码的酸中毒和碱中毒贡献度的图形化可视化结果。这些图表在无人工编辑的情况下生成，并由临床医师评审其临床一致性（请参见图2、图3）。
模型遵循基于预定义提示的四步结构化分析流程，该提示整合了分区SBE框架。这包括逐步ABG解读、SBE的分室分解、酸碱贡献度的图形化可视化，以及包含治疗建议的诊断性评述。
图2.高一致性ChatGPT输出示例：脓毒症患者合并代谢性碱中毒及隐匿性酸中毒的分区SBE分析及解读
图3. 临床不一致的ChatGPT输出示例：血栓性血小板减少性紫癜合并急性肾衰竭患者的分区SBE分析
2.6 专家评审
两名独立麻醉科医师，均为土耳其麻醉学与复苏学会国家动脉血气解读课程的正式指定讲师，首先审阅了每位患者的原始动脉血气值、实验室参数和主要ICU入院诊断。基于标准ICU实践，他们生成了独立的参考评估，包括酸碱解读和适当的管理建议。将GPT生成的临床意见和管理建议与这些参考评估进行比较。若满足以下条件，则输出被评定为临床一致：主要酸碱解读与pH、pCO₂、SBE及计算的分区SBE各组分一致；BECl、BEAlb、BELac和BEOther的解读方向正确；解读所需的实验室异常被适当纳入；且管理建议得到所提供临床和实验室数据的支持。若结构化输出的任何组成部分未能满足预定义的一致性标准，则输出被评定为临床不一致。这包括主要酸碱解读错误、一个或多个分区SBE组分的方向或临床意义解读错误、遗漏了解读所需的异常、未经支持的因果解释、或管理建议未得到所提供临床和实验室数据的支持。
两名评审员在初评过程中对彼此的评估不知情。在达成最终共识之前，计算了两名评审员之间的评分者间一致性。如存在分歧，由第三位资深麻醉科医师裁定达成最终共识，以确保一致性。
2.7 统计分析
临床一致性计算为GPT生成的临床意见和管理建议被评定为与最终专家评估一致的比例。报告了总体队列和各诊断亚组的一致性率，以及使用Wilson评分法计算的双项比例95%置信区间。
在达成最终共识之前，使用观察一致率和Cohen‘s κ评估两名独立麻醉科医师之间的评分者间一致性。观察一致率计算为两名评审员给予相同临床一致性分类的病例比例。Cohen’s κ值解读如下：<0.20，轻微一致性；0.21–0.40，一般一致性；0.41–0.60，中等一致性；0.61–0.80，高度一致性；>0.80，几乎完全一致性。
3. 结果
本研究共纳入1234例患者，其中男性706例（57.2%），女性528例（42.8%）。就ICU死亡率而言，1020例患者（82.7%）存活，214例患者（17.3%）死亡。
ChatGPT在整个队列中准确复现了所有ABG参数的预设参考范围分类。全队列（1234/1234）的分区SBE值（BECl、BEAlb、BELac和BEOther）也均使用标准公式正确计算。
各诊断亚组的临床一致性
在本研究中，我们评估了ChatGPT与经验丰富的临床医师在动脉血气分析所生成的临床意见和治疗建议方面的一致性。这些评估在每位患者ICU入院诊断的背景中进行了临床一致性审查。
在整个队列（n=1234）中，ChatGPT的临床建议在93.1%的病例中被评定为一致（95%CI：91.6–94.4），即与最终专家评估一致。按诊断亚组分层后，一致性最高的为肾脏组（97.5%）、脓毒症组（96.9%）和代谢组（96.8%）。循环组（95.3%）、创伤组（93.9%）和中毒组（93.5%）也呈现出较高的一致性水平（表1）。
胃肠道组、术后组和呼吸组的一致性仍保持在90%以上。一致性最低的为神经系统组（88.5%）、恶性肿瘤组（87.3%）和血液系统组（84.0%）（表1）。
表1.各诊断亚组ChatGPT输出与专家共识的临床一致性对比
高一致性病例（脓毒症）示例见图2，不一致病例（血栓性血小板减少性紫癜）示例见图3。尽管大多数创伤病例显示模型与专家评审员之间具有较高的一致性。
两名独立麻醉科医师之间的评分者间一致性较高，在最终共识达成前，两名评审员在1234例中的1215例中给出了相同的临床一致性分类，观察一致率为98.5%，总体队列的Cohen's κ为0.866。亚组水平的观察一致率范围为92.0%至100.0%，Cohen's κ范围为0.627至1.000（表2）。由于部分诊断亚组样本量较小，特别是血液系统组和代谢组，亚组水平的一致性率和Cohen's κ值应作描述性解读，而非确定性的推断性估计。
表2.两位独立麻醉科医师在临床一致性评估中的评分者间一致性
4.讨论
本研究为回顾性单中心探索性研究，旨在评估一种基于ChatGPT、采用分区SBE模型的动脉血气报告框架的临床一致性。研究的核心目的并非测试自主诊断智能，而是考察结构化的大语言模型工作流能否复现预设的分区SBE计算、生成可视化图表，并提供与专家评估一致的临床意见和管理建议。在全队列中，ChatGPT生成的临床意见和管理建议与最终专家评估的一致性为93.1%，其中肾脏、脓毒症和代谢亚组的一致性超过96%，而血液系统和恶性肿瘤亚组的一致性相对较低，但由于样本量较小，这些结果应作描述性解读。
分区SBE模型将代谢性酸碱紊乱分解为四个明确组分，在临床应用中较Stewart方法更具可操作性。配合可视化条形图，该模型能够揭示传统分析中可能被掩盖的混合性酸碱失衡，同时兼具教学价值。本研究为首次基于真实临床数据、采用分区SBE法评估生成式AI模型在血气解读中应用的研究。
然而，研究也揭示了公式计算正确并不等同于叙述性解读一致。在不一致病例中（如创伤合并横纹肌溶解、血栓性血小板减少性紫癜），模型虽能准确计算各组分值，但在归因解释时提出了缺乏充分文献支持的机制，或将微血管溶血和组织损伤优先于肾功能障碍进行解读。这说明结构化提示虽能规范计算和图表输出，但仍需临床医师对叙述性结论进行监督。与既往研究相比，本框架同时评估了酸碱状态、氧合及多系统实验室异常，且在提示中整合了患者的主要入院诊断，使输出更具临床情境化。但既往同类研究中存在的提示未公开、可重复性受限等问题，在本研究中通过详细报告提示结构得到了改善。
因此，研究提示基于分区SBE模型的ChatGPT框架可作为辅助教育和结构化报告的潜在工具，但在临床实施前仍需前瞻性验证、外部测试及基于结局的研究。
5. 结论
基于混合分区SBE模型的公式引导ChatGPT框架，在动脉血气结构化解读方面与专家评估展现出高度一致性。除自动化计算外，该框架还基于所输入的实验室和诊断数据，生成了图形化可视化结果、情境化临床摘要及管理建议，提示该方法可作为复杂酸碱评估的辅助教育和结构化报告工具。然而，在常规临床应用之前，仍需进行前瞻性验证、外部测试、与客观参考标准的对比以及以患者为中心的结局评估。
原文链接：
Tontu F, Birtane D, Canan E, et al. AI-assisted interpretation of arterial blood gases using a hybrid Stewart and standard base excess model. J Clin Anesth. 2026 Jun 28;113:112266. doi: 10.1016/j.jclinane.2026.112266
