重要性
术中低血压与疾病发病率和死亡率增加相关。现已开发并验证了由机器学习衍生而来的预警系统，该系统可以在血压过低之前进行预测并予以警示。
目的
本项研究的目的在于探讨预警系统和血流动力学诊断指导，以及与治疗方案相结合的临床应用措施是否可降低术中低血压的发生。研究结果发表在年2月的JAMA杂志上。
方法在年5月至年3月间，荷兰阿姆斯特丹的一家三级医疗中心针对计划在全身麻醉下行择期非心脏手术的成年患者，接受连续有创血压监测进行了初步的非盲法随机临床试验。低血压定义为平均动脉压（MAP）低于65mmHg至少1min。
两组患者被随机分配接受预警系统监控（n=34）或常规医疗措施（n=34）两组中，目标MAP≥65mmHg。主要研究目标为手术期间低血压的时间加权平均值，其测量单位为mmHg。这是通过将MAP低于65mmHg（mmHg）的下降程度×MAP低于65mmHg的持续时间（min）除以总手术时间（min）而得出的。
结果
在68例随机分组的患者中，有60例（88％）完成了该试验{中位年龄为64岁[四分位间距(IQR)，57~70]岁；女性为26[43％]}。平均手术持续时间min（IQR，-min）。干预组的低血压平均时间加权平均值为0.10mmHg（IQR，0.01-0.43mmHg），而对照组为0.44mmHg（IQR，0.23-0.72mmHg），中位差为0.38mmHg（95％CI，0.14-0.43mmHg;P=0.）。干预组每位患者的降血压时间为8.0min（IQR，1.33-26.00min），而对照组为32.7min（IQR，11.5-59.7min），中位差异为16.7min（95％CI，7.7-31.0min；P0.）。在干预组和对照组中，发生导致死亡严重不良事件的数量为0例（0%）和2例（7％）。（表1）
本项研究的结果显示，将机器学习衍生的预警系统用于应对术中即将出现的低血压，并结合血流动力学诊断指导和治疗方案，可以显着减少手术期间平均低血压的时间加权平均值。在不增加高血压事件的情况下，可以预防低血压。干预组给予的血管活性药物的累积剂量和体液平衡均无明显升高（表2）。
表1主要研究结果与次要研究结果
表2术中药物累计用量
结论与相关性
在这项针对非择期心脏手术患者的单中心初步研究中，与常规医疗措施相比，使用机器学习衍生的预警系统可降低术中低血压发生情况。考虑到此类对临床医疗措施具有较大影响的研究结论，进一步还需要在不同的环境中对更大的研究人群进行深入研究，以了解其对其他患者结局的影响，并全面评估安全性和可推广性。
麻海新知的述评：
年，全世界估计进行了2.66亿例次手术。患者通常面临的风险之一是术中低血压。既往一项针对例患者的研究报告称，有87％的患者在术中经历了≥1次低血压事件（低血压定义为MAP65mmHg）。报告称导致低血压发生的原因来自于麻醉药、既往合并症和手术操作。临床队列研究表明，非心脏手术中的术中低血压与术后并发症如肾功能不全，心肌损伤和死亡率增加有关。对于术中低血压，目前的治疗措施主要是情况出现后的应对性处理。最近，Hatib等开发了一种算法，该算法利用机器学习来对即将下降的血压进行预测（低血压预测指数）。该算法（以下称为预警系统）是使用例患者的动脉波形数据开发的，并且已在内部和外部进行了验证，显示出88％的灵敏度和87％的特异性。
本项研究的结果显示，将机器学习衍生的预警系统用于应对术中即将出现的低血压，并结合血流动力学诊断指导和治疗方案，可以显着减少手术期间平均低血压的时间加权平均值。在不增加高血压事件的情况下，可以预防低血压。干预组给予的血管活性药物的累积剂量和体液平衡均无明显升高（表2）。在所有报警事件中，有81％根据相关处理协议进行了纠治。在事后分析中，干预组从报警到治疗的时间明显减少。本项研究扩展了Hatib等和Davies等的研究内容，结果表明，预警系统的应用能够以良好的敏感性和特异性预测低血压。
本项研究扩展了Hatib等和Davies等的工作，既往的研究结果均表明，预警系统能够以良好的敏感性和特异性预测低血压。本项研究增加了从预测到实际预防低血压之间的实践转换。
多项研究表明术中低血压与心肌损伤、急性肾损伤和死亡率有关。基于这些研究结果，《年围术期质量倡议》共识中声明，麻醉科医师在手术期间应将MAP阈值维持在60~70mmHg以上。此外，共识中还指出，术后损伤事件的发生情况与术中低血压时间和低血压深程度之间是函数关系，这使得低血压的时间加权平均值成为人们特别