人工智能在减重代谢外科的应用现状2026

人工智能在减重代谢外科的应用现状2026肥胖的患病率不断上升，已成为影响公众健康和加重医疗负担的重大卫生问题。作为目前最有效的减重和改善肥胖相关代谢性疾病的治疗方式，减重代谢手术在我国已广泛开展，手术量逐年递增的同时学科也呈现快速发展状态。据中国肥胖代谢数据库统计，2023年全国减重手术总数量约为37249例［1］。随着手术规范化的推行与手术方式优化的不断探索，减重代谢外科同样面临着一系列挑战与压力：医师在患者选择和手术决策上缺乏个体化精准依据、术后减重效果存在差异以及并发症预测困难等。20世纪50年代AI的概念被首次提出，在历经数个阶段性发展后现已成为一门研究并开发用于模拟、延伸和拓展人类智能的理论、方法、技术及应用系统的学科，其技术重点主要包括机器学习算法和深度学习算法［2］。在医疗科技飞速发展的当下，AI正在以前所未有的速度重塑医疗格局，减重代谢外科领域也不例外［3］。笔者旨在探讨AI在减重代谢外科的最新应用，并期望以此为临床实践提供有价值的参考，助力减重代谢外科向更加精准、高效和个性化的道路发展。一、AI在减重代谢外科培训领域的应用AI通过结合虚拟现实技术为医学生和低年资外科医师提供了更加接近临床实际操作的机会。通过手术模拟与虚拟训练、手术视频AI分析、定制个体化训练内容等，学员能够快速定位学习重点、理解决策依据，从而达到提高手术技巧、加速学习进程的目的。Barré等［4］的研究中应用虚拟现实模块模拟了单孔袖状胃切除术的关键步骤——袖状胃的制作与缝合加固，学员使用真实手术器械（配备传感器）与虚拟场景交互。这不仅解决了传统培训中资源有限的问题，还能通过实时反馈帮助学员纠正错误操作。而且，学员在提升技能的同时更容易在实际手术中获得自信，精神压力以及操作后的身体疲劳感也明显减少［4］。二、AI在术前诊断以及治疗策略中的应用（一）肥胖的精准化分类肥胖作为一种高度异质性的疾病，其临床表现和代谢特征存在显著差异。传统的BMI分类方法无法充分反映肥胖的代谢复杂性，而AI技术的引入为肥胖的精准化分类提供了新的可能。美国梅奥诊所通过机器学习方法将肥胖患者通过饱腹感、胃容量、胃排空速度、心理因素建模将其分为4种表型：饥饿的大脑（异常饱腹感）、情绪型饥饿（享乐性饮食）、饥饿的肠道（异常饱腹感）和缓慢的燃烧（代谢率下降），该分类方法已被证明在指导肥胖的治疗中具有良好效果［5］。Liu等［6］对1008例肥胖患者的血糖、胰岛素、尿酸等代谢指标进行了聚类分析，最终将肥胖分为4种代谢亚型。（1）代谢健康型肥胖：代谢状态相对健康，合并症发生率最低。（2）高代谢型肥胖高尿酸血症亚型：以高尿酸为特征，但糖代谢相对正常。（3）高代谢型肥胖-高胰岛素血症亚型：表现为胰岛素抵抗和代偿性高胰岛素分泌，常伴低血糖。（4）低代谢型肥胖：以胰岛素分泌功能受损、高血糖和糖脂代谢紊乱为特征，糖尿病发生率最高。这种基于AI的分类方法能够更精准地反映肥胖患者的代谢特征，为个体化治疗提供依据。我国的多中心临床研究采用AI聚类算法，通过3个关键临床变量：口服葡萄糖耐量试验中的葡萄糖曲线下面积、胰岛素曲线下面积以及尿酸水平，提出肥胖新的代谢分型：代谢健康型肥胖、高代谢型肥胖高尿酸亚型、高代谢型肥胖高胰岛素亚型和低代谢型肥胖4型，这与患者代谢改善预后密切相关［7］。上述研究均对临床指导减重及体质量维持有极大的帮助。（二）术前治疗决策AI通过整合多维度临床数据，可以构建更为精准的风险预测工具，为减重代谢手术的术前决策提供了循证依据。利用随机森林算法建立的预测模型能够估算出患者接受与不接受减重手术这两种治疗路径的10年并发症与死亡率的风险对比，这不仅有助于识别高风险患者，优先推荐手术，还能提供可视化证据，帮助患者理解手术的潜在获益［8］。深度学习算法可自动分割CT和（或）MRI检查影像中的脂肪、肌肉和内脏组织，量化内脏脂肪面积、肌肉质量等关键指标，精准评估肥胖和肌肉减少症［9］。内脏肥胖和肌肉减少性肥胖患者术后并发症发生风险更高，这种高精度的身体成分分析有助于更准确地评估患者的营养状况和手术风险。由于袖状胃切除术后有部分患者胃食管反流病症状加重或出现新发反流症状，故指南建议：术前须进行充分评估患者合并症情况，如合并食管裂孔疝，术中须同期修补食管裂孔疝［10］。但由于包括内镜、上消化道造影等常规术前检查不仅增加了患者的经济负担以及术前等待时间，而且准确性欠佳［11］。但是，机器学习模型能够显著提升诊断效能。一项研究通过分类与回归树（classificationandregressiontrees，CART）算法，结合患者年龄、体质量、反流症状等临床特征，将食管裂孔疝诊断的灵敏度提升至60.2%，同时保持较高的特异度（87.5%）。这种模型特别适用于高风险人群（如女性或有反流症状的患者），为术前是否需要进一步检查或术中探查提供了更可靠的依据［12］。三、AI在术中操作中的应用AI通过计算机视觉技术，能够实时识别手术视野中的血管、神经等关键解剖结构，帮助医师避免误伤、提高手术精准度，尤其适用于肥胖患者因脂肪堆积导致的视野受限情况。已有研究结果显示：AI模型在胃旁路手术中能够识别手术标志物，其准确率超过传统外科医师的识别能力［13］。而且，通过分析大量手术视频AI可将成功率较高的手术模式作为标准化操作流程，识别其中的关键步骤和安全操作，为培训提供客观的评估依据。例如，AI平台能够自动标注单吻合口胃旁路术手术视频中的关键步骤，并评估外科医师对标准操作的遵循情况（如置入校准胃管、制作胃囊、确认Treitz韧带位置和胃肠吻合口测漏等关键步骤），如未达到标准还能即时进行提醒及技术指导，从而协助操作者快速调整操作方式［14］。此外，AI还可以自动估算剩余手术持续时间，实时为术者提供相应的参考，明显优于传统的估算剩余手术持续时间的方法［15］。AI与手术机器人结合能够实现部分手术步骤的自动化，如器械路径规划和组织缝合。AI驱动的机器人系统在胃旁路手术中能够实时分析手术视野图像，优化器械操作，提升手术精准度［16］。这不仅降低医师疲劳度，还能够提高手术一致性，尤其在复杂或长时间手术中表现突出。AI结合机器人技术、增强现实和5G通信，在推动手术远程化方面也有优异表现，2023年12月全世界范围首台5G远程机器人辅助袖状胃切除术在我国完成，这是减重代谢外科手术在理念与模式上的重大突破［17］。四、AI在术后随访中的应用AI在预测减重代谢手术后体质量减轻效果、并发症、再入院率以及肥胖相关疾病的缓解或复发方面表现出色。首先，AI在预测术后长期体质量变化方面也展现出潜力。Saux等［18］开发一种基于CART算法的预测工具，利用身高、体质量、手术类型、年龄、糖尿病状态等术前变量，预测患者5年内的BMI变化轨迹，而且该模型已整合为在线计算工具，可以帮助医患双方制订个性化手术方案。其次，基于机器学习算法的模型通过分析大量临床和实验室数据，显著提升了术后并发症的预测准确性。例如，Zucchini等［19］开发一种随机森林模型，利用术前ALP、PLT、TG等7项指标，预测术后30d内并发症的曲线下面积达到0.88，显著优于代谢和减肥手术认证和质量改进计划（metabolicandbariatricsurgeryaccreditationandqualityimprovementprogram，MBSAQIP）的0.64。Farinella等［20］开发一款名为“Care4Today”的移动应用软件，通过患者每天上报症状（如呕吐、腹痛等）生成实时警报，并利用逻辑回归模型预测并发症风险。这种动态随访模式尤其适用于出院后的高风险窗口期，可早期发现迟发性并发症（如内疝、吻合口狭窄）。此外，AI在预测患者术后营养缺乏［21］、术后1年妊娠概率［22］方面均有涉及，且对患者的术后管理展现了较大的应用潜力。五、AI辅助减重代谢外科的不足以及发展趋势：尽管AI在减重代谢外科中的应用展现出广阔前景，但目前的研究仍存在局限性。（1）最为关键的问题是目前AI存在较大的技术局限性，表现在复杂任务处理不佳，需依赖医师经验；术中实时辅助存在延迟，实时性不佳，难以满足手术即时需求［23］。（2）当前研究数据的质量和标准化程度参差不齐，影响模型的泛化能力以及算法的预测准确性，也使得不同研究之间的结果难以比较。（3）AI模型的“黑箱”特性使得其决策逻辑难以被临床医师理解，从而限制其在临床实践中的应用［24］。（4）AI在医疗决策中的应用可能引发伦理争议，例如数据隐私、算法偏见以及医师与AI的责任划分问题等［25］。若AI推荐与标准治疗不符，还可能增加医疗纠纷的风险。（5）过度依赖AI可能削弱医患关系，患者可能认为治疗决策缺乏人