在全球范围内，新生儿坏死性小肠结肠炎（necrotizing enterocolitis, NEC）是严重威胁新生儿尤其是早产儿生命健康的重要疾病，其在新生儿重症监护病房中的发病率较高
［1］。NEC的发病率为2%~5%，主要发生在早产儿中，早产儿的发病率约为8%，极低出生体重儿的发病率为5%~16%
［2-3］。NEC的确切病因至今尚未明确，其早期症状与其他胃肠道疾病相似，这增加了诊断的复杂性
［4］。医护人员往往依赖影像学检查和密切的临床观察辅助诊断，但即便如此，诊疗过程仍存在困难
［5］。由于NEC的早期临床表现缺乏特异性，诊断较复杂，这要求医护人员具备敏锐的评估技能和良好的临床判断能力，以便早期发现异常迹象。NEC的病程迅速且表现多样，使其治疗的时间窗口十分有限。病程的快速进展是导致其病死率高的主要原因之一，因此，及时且有效的治疗对提高患儿的生存率至关重要。NEC患者的预后与 Bell分期密切相关
［6］，Bell早期患儿通常预后较好，晚期患儿则易出现短肠综合征、肠狭窄、神经发育迟缓等严重并发症，且可能长期影响其生长发育与生活质量
［7］。这些后遗症会影响患者的长期健康和生活质量，体现了NEC防治的必要性。尽管目前对NEC已开展大量研究，但其诊疗仍然具有挑战性，需要进一步研究和探索以改善预防和治疗策略。
1 人工智能在NEC辅助诊疗中的进展
近年来，人工智能在新生儿医学领域的应用日益广泛，特别是在复杂疾病的辅助诊断方面展现出独特优势
［8-9］。新生儿医学中，人工智能应用主要包括早产儿并发症风险预测、呼吸支持优化、感染早期识别及影像学辅助诊断等方面
［10-11］。面对NEC诊疗的困境，人工智能技术为临床实践提供了新思路
［12-13］。在NEC领域，人工智能已显示出显著潜力，能够通过整合临床数据、实验室指标、影像学特征等多维信息，构建早期预警模型
［14］。人工智能在NEC辅助诊疗中的应用主要体现在3个关键环节：早期诊断、治疗决策和预后评估。在早期诊断方面，基于机器学习的风险评估系统可提前12~24 h识别高危患儿，远早于传统诊断方法
［15］。系统通过分析生命体征、喂养耐受性、实验室指标等动态数据，能够识别传统方法难以发现的早期预警信号
［16］。在治疗决策方面，人工智能算法不仅能自动分析腹部X线片和超声图像
［17］，提高诊断准确性，还能整合患儿个体特征、疾病严重程度及治疗反应，为临床医生提供个性化治疗建议
［18］。在预后评估方面，机器学习模型通过分析疾病特征、治疗反应及并发症发生情况，可更准确地预测短期和长期预后，包括肠道功能恢复、生长发育和神经发育结局
［19］。这些应用不仅提高了NEC诊疗的精准性，也为临床决策提供了客观依据。本研究系统总结了人工智能在NEC辅助诊疗中的应用现状及未来发展方向，旨在为临床决策提供参考。
2 人工智能在NEC辅助诊疗中的应用
2.1 人工智能在NEC早期识别中的应用
NEC的早期临床表现通常不典型，增加了早期诊断的难度。临床中，医护人员会使用超声检查进行影像学诊断，有时结合腹部X线片检查以提高诊断的准确性
［20］。但这些影像学方法通常只能在疾病已发作后做出诊断，无法实现早期识别。更早的识别有助于医生及时制定正确的治疗决策，从而改善患儿预后。因此，探索更敏感、特异性更高的早期识别方法，对提高NEC的诊疗效果至关重要
［21］。
Song等
［22］提出了结合岭回归（ridge regression）和Q学习（Q-learning）的蜂群优化算法（ridge regression and Q-learning based bee swarm optimization）预测框架，用于NEC早期诊断和高危婴儿识别。该框架通过分析围产期、临床及实验室数据，实现了NEC的自动分类和风险预测，并筛选出关键预测因子。尽管研究显示出积极结果，但特征数量与样本量不平衡可能影响分类器性能，未来需扩大样本量、验证模型在不同人群中的适用性，并简化模型以促进临床应用。
Lin等
［23］采用基于神经网络的多实例学习架构，通过分析261例高危早产儿的3 595份粪便样本，实现了NEC的早期预测。该模型可在NEC发病前平均8 d做出预测，灵敏度达86%，特异性达90%。研究不仅验证了机器学习在NEC早期识别中的优势，还识别出与NEC相关的特征性细菌群，为发病机制研究提供了新思路。然而，多实例学习架构的复杂性限制了模型的可解释性，影响其临床推广应用。
Hooven等
［24］通过多中心研究，分析了161例早产儿的2 895份粪便样本，成功预测了45例NEC病例。研究采用数据归一化和分层选择方法，结合微生物组数据和临床症状，在NEC发病前24 h内实现了75%以上的预测准确率，模型的受试者操作特征曲线下面积（area under the curve, AUC）达0.9。然而，大量数据特征增加了模型解释的难度，影响关键预测因子的识别。
尽管现有研究在NEC早期预测方面取得了显著进展，但模型的临床应用仍面临挑战。未来研究应通过大规模多中心验证提高模型在不同人群中的适用性，同时优化算法结构以提升计算效率和可解释性，并简化模型设计以促进临床转化。这些改进将有助于将预测技术转化为实用的诊断工具，为临床决策提供支持，最终改善患儿的长期结局。
2.2 人工智能在NEC鉴别诊断中的应用
NEC和自发性肠穿孔（spontaneous intestinal perforation, SIP）是两种不同的急性胃肠疾病，尽管病因和病理机制存在差异，但早期临床表现存在相似之处，因此需要进行鉴别诊断
［25］。准确区分二者对采取适当的治疗策略和改善患儿预后至关重要。
Son等
［26］利用前瞻性网络登记的极低出生体重婴儿数据，开发了人工神经网络（artificial neural network）模型用于早产儿肠穿孔预测。该研究纳入521例NEC相关的肠穿孔和208例SIP病例，通过分析54个变量构建了3个预测模型。结果显示，模型在预测NEC相关的肠穿孔和SIP方面表现优异，AUC分别为1.000和0.936。但由于样本量有限且数据来源单一，模型的泛化能力有待进一步验证。
Lure等
［27］开发了一种预测分析工具，利用明确诊断的标记数据集进行训练。该算法在无诊断的情况下提取特征和模式，最终成功实现了NEC和SIP的鉴别诊断。同时，该模型能有效区分腹部X线片检查正常者和NEC患者，具有高特异性，并在一定程度上可预测NEC。其中，随机森林模型的平均受试者操作特征AUC为0.98。然而，该模型存在局限性：添加更多变量（如出生和住院数据）未提高预测能力，且样本量较少和单中心研究的设计限制了其普适性。
Irles等
［28］构建了人工神经网络模型，用于预测NEC相关肠穿孔。该研究通过分析3组新生儿数据，发现动脉血气指标（动脉血二氧化碳分压和碳酸氢根离子）、小于胎龄儿及人工通气是预测肠穿孔的关键因素。模型预测结果与实验数据高度一致，相关系数
R>0.97，决定系数
R²>0.97。然而，该研究样本来源单一，未来需纳入更多中心数据，并结合出生后第3天和第7天的临床指标进一步验证。
通过人工智能技术，NEC和SIP的鉴别诊断研究已取得一定进展，有助于提高早期识别和治疗的准确性。这些研究表明，选择合适的算法和扩大数据集对提升模型精度、促进临床推广应用至关重要，有望为新生儿疾病的精准诊疗提供支持。
2.3 人工智能在NEC治疗决策中的应用
在NEC的治疗过程中，及时、准确的治疗决策至关重要，尤其是关于手术干预的选择
［29］。NEC早期的医疗干预主要包括胃肠减压、禁食、使用广谱抗生素及静脉营养支持等支持性治疗
［30］。这些措施可减轻肠道压力、抑制感染、改善营养状况，有助于控制病情进展
［31］。然而，对于病情严重、存在穿孔或坏死的患儿，手术治疗成为必要手段。
为提升手术干预的决策准确性，Qi等
［32］开发了一种基于多模态数据的算法，用于识别NEC患者的手术适应证。该研究分析了45例NEC新生儿的临床和影像数据，通过共享空间映射与超图约束提取高阶特征，并使用邻接矩阵正则化以优化特征矩阵。模型采用随机森林、支持向量机和逻辑回归进行二元分类，预测需要手术的患者，AUC达0.8，表现出一定的预测精度。然而，该模型在NEC风险分层方面仍有不足，且样本量有限，影响其推广性。未来可通过简化模型并加入更多动态参数，以提升临床适用性和预测准确性。
Gao等
［33］开发了基于多模态人工智能系统的工具，利用机器学习和深度学习模型预测NEC手术时机。该研究分析了1 992个腹部X线图像和临床参数，结合LightGBM（Light Gradient Boosting Machine）分类器与放射组学特征，识别出心率、血红蛋白、中性粒细胞百分比、C反应蛋白、孕龄、肠鸣音减弱、腹部压痛、嗜睡及呼吸功能等关键预测因素。系统总体准确度达0.96，与优秀临床医生相当。但由于样本量限制，其真实性能仍需进一步验证。
综上所述，人工智能为NEC治疗决策提供了有力支持，能够辅助临床医生做出更精确、个性化的治疗选择，同时提高整体诊疗效率。未来的改进和更大规模的验证研究将进一步提升这些模型的应用潜力和临床可靠性。
2.4 人工智能在NEC预后评估中的应用
NEC的预后因患者具体情况而异，通常取决于多个因素。通过对NEC患者进行全面的预后评估，临床医生能够更深入地理解疾病进展，制定针对性治疗方案，从而提高患者生存率和生活质量。
Sylvester等
［34］建立了基于临床参数和生物标志物的预后算法，用于综合评估NEC预后。该研究分析了内科NEC和外科NEC患者的性别、胎龄及出生体重等临床资料，并通过尿液样本分析发现了一组具有预测价值的肽类生物标志物。最终开发的集成模型结合了临床参数和生物标志物，显著提高了预测准确性，其中临床参数模型和生物标志物模型的AUC分别为0.817和0.856。该研究为NEC预后评估提供了新思路，有助于改善临床管理并指导新疗法开发。
Ji等
［19］采用广义线性混合效应模型（generalized linear mixed-effects model）和线性判别分析（linear discriminant analysis）算法，分析27项临床特征数据以预测NEC进展风险。研究发现，代谢性酸中毒（pH值）和门静脉积气是主要的预测因素。尽管模型的AUC评分较高，但在风险分层方面存在局限性：18.9%的内科NEC患者和57.1%的手术NEC患者未能明确分类，且当临床特征少于7个时，模型性能显著下降。该模型虽可用于预后评估，但与临床判断的一致性仍需提高。
人工智能在NEC预后评估中，通过增强数据分析、提高预测准确性、实现个性化医疗等方式，显著改善了临床管理和患者结局。随着技术的不断进步，人工智能在该领域的应用潜力将持续扩大。
3 小结
本文探讨了人工智能在NEC辅助诊疗中的应用，这些技术有望在NEC的早期识别、鉴别诊断、治疗决策和预后评估方面改善诊疗流程，随着算法的不断优化和高质量数据的增加，将为NEC的辅助诊疗提供更为有效的工具。然而，目前关于NEC辅助诊疗中应用人工智能的文献较少，这限制了本文纳入文献数量；同时，单中心研究和不一致的数据收集标准导致数据质量和数量不足，进一步降低了研究结果的普适性，凸显了数据集匮乏的关键问题。通过加强数据共享和跨机构合作，有望建立更大规模、更具代表性的数据集，从而提升人工智能算法在NEC辅助诊疗中的性能和泛化能力，使其应用更为精准可靠。随着技术进步和数据积累，人工智能在NEC辅助诊疗中将发挥越来越重要的作用，为新生儿健康提供更有效的支持。
陕西省科技厅重点研发计划项目(2024SF-YBXM-316)
2022重大科学攻关问题和医药技术难题(2022KTZ018)
京公网安备11010202008535号
PDF
(529KB)
