人工智能赋能缺氧缺血性脑病康复2026

人工智能赋能缺氧缺血性脑病康复2026新生儿缺氧缺血性脑病（hypoxic-ischemicencephalopathy，HIE）是围生期常见的严重神经系统疾病，发达国家发病率为1/1000~3/1000活产婴儿，而资源缺乏地区发病率可达发达地区的10倍［1］。HIE不仅在急性期威胁新生儿生命，还可能导致脑瘫、癫痫、智力障碍、语言发育迟缓及学习困难等长期神经发育后遗症。如何改善HIE新生儿的不良预后，一直是临床研究的热点问题之一。随着新生儿重症医学的发展，包括亚低温治疗在内的综合管理手段日趋成熟，新生儿救治水平得到了大幅度提升，但神经发育障碍的总体发生率并未显著下降。2021年全球疾病负担数据（theGlobalBurdenofDisease，GBD）显示，由于出生窒息和创伤引起的危重近足月、足月儿中，癫痫、智力发育障碍、视听障碍的发病率分别增加约268.2%（约100万例）、192.6%（约90万例）、222.7%（约8.67万例）［2］。Glass等［3］纳入17家医院的国际多中心研究显示，接受亚低温治疗的142例、胎龄>36周的HIE新生儿，随访至2岁时，20例死亡、11例出现以认知及运动障碍为表现的严重神经发育迟缓。在临床实践中，如何尽早识别可能有严重神经发育不良结局甚至死亡的HIE新生儿，并给予全周期的护理和治疗，是新生儿科医师和护士、神经康复科专业人员当前面临的重大挑战。人工智能（artificialintelligence，AI）是一门让计算机和机器模仿人类学习、推理、解决问题、制定决策以及发挥创造力和自主性的新兴技术。近年来，AI通过机器学习、深度学习、计算机视觉、自然语言处理等技术，在医学和公共卫生领域异军突起，尤其在提高精准诊断、预测分析、临床治疗决策支持系统和药物、疫苗研发方面引人瞩目［4］。目前，AI技术在新生儿HIE的早期诊断、临床治疗决策、临床结局预测及神经功能障碍康复干预上取得了一些初步成果，长远来看，其必将对HIE患儿全生命周期的康复管理起到重塑、革新的积极作用。1新生儿期AI辅助治疗决策的早期介入HIE的病理演变具有时间窗口性，早期诊断与精准干预是降低伤残率的关键，目前广泛使用的Sarnat评分体系可评估神经功能状态，但评估需依赖专业人员，存在主观性和延迟性。亚低温治疗能够显著降低HIE患儿远期脑性瘫痪和中、重度神经系统残疾的发生率［5］，但需在出生6h内启动，3h内启动可能更好［6］。因此，早期识别HIE的发生，对于早期启动亚低温治疗、改善预后具有重要意义。Murray等［7］利用Logistic回归和随机森林等机器学习算法，分析爱尔兰一家三级中心1081例≥36周（76例HIE，1005例非HIE）新生儿出生1h内的临床指标和HIE结局，依据临床指标包括：出生后1min和5minApgar评分、出生时pH值、碱缺失及乳酸值，建立了HIE诊断预测模型，结果显示预测HIE发生的随机森林模型曲线下面积为0.926（95%CI0.893~0.959，P<0.001），敏感度和特异度均为86.6%，且对中、重度HIE的识别率分别为93%和100%，当该模型计算的HIE风险指数>0.3时，提示需要尽早启动针对性神经学检查、评估转诊至三级中心的必要性及为可能的亚低温治疗做好准备。该研究结果对于制订快速客观的治疗支持决策、尤其对基层医院在制订是否转诊决定时，具有重要的参考价值。尽管亚低温治疗可减少脑损伤与惊厥发作，但研究显示有30%~65%的中、重度HIE患儿仍有惊厥发作，Pavel等［8］通过随机森林和梯度提升算法开发了一项基于早期EEG背景的定量特征（生后12h内）与出生6h内临床特征惊厥发作的预测模型，在出生12h内即可利用脑电图（EEG）和临床特征个体化预测HIE患儿惊厥发作的发生风险，其在未使用抗癫痫药物组中表现最优，马修斯相关系数为0.588，曲线下面积为0.832，通过AI技术建立的个体化惊厥发作风险预测模型为制定相关的临床干预手段和护理措施提供了坚实基础。2AI优化婴儿期预后的预测工具来自瑞典的一项基于人群的队列研究显示，轻度HIE新生儿中有1.45%的脑性瘫痪发生率［9］，婴儿期是神经系统重塑和发育的关键窗口，对这部分脑性瘫痪高危儿进行早期识别并干预可以显著改善预后。全身运动质量评估（generalmovementassessment，GMA）是国际公认、适应年龄最小、用于预测脑性瘫痪高危儿的评估手段，但对评估者要求较高，且存在一定的主观性。Gross等［10］纳入13家医院的国际多中心557例围生期脑损伤的高危婴儿，基于9~18周龄的自发运动视频，通过运动追踪器标注婴儿19个身体关键点和骨架序列，建立脑性瘫痪深度学习预测模型，其敏感度和特异度分别为71.4%和94.1%，预测准确率为90.6%，尤其在粗大运动功能分级Ⅳ~Ⅴ脑性瘫痪中的识别率达100%。研究结果还显示，深度学习预测模型的准确度同GMA预测的准确度无显著差别，这提示该深度学习技术提供了一种完全自动化、可跨中心通用的工具，具有高度客观性与可复制性，有望推广至基层乃至家庭监测环境。新生儿头颅磁共振成像（MRI）表现与神经发育结局密切相关［11］，然而，同GMA一样，MRI病变特征的识别存在一定的主观性，且存在肉眼无法识别微小病变等局限。Lewis等［12］研究纳入加拿大一家医院的286例足月HIE新生儿，均接受72h亚低温治疗，完成4日龄头颅MRI检查及18月龄Bayley—Ⅲ评估，研究者提取MRI图像特征，通过弹性网络惩罚线性回归，构建了一项基于MRI结构特征与放射组学参数的自动预测模型，成功预测了HIE患儿18月龄Bayley认知、语言与运动评分，该模型在多个发育维度的预测效率均优于传统、基于患儿人口学数据和实验室生化指标等检查的预测模型。而且在不同发育维度上，MRI显示不同损伤部位的预测效应也不尽一致，如对精细运动发育预测效应最高的是尾状核，而对粗大运动最高的是内囊后肢。不难想象，如果将上述研究结果整合至NICU住院患儿出院后随访体系中，对于不同脑结构损伤导致的发育障碍高风险因素进行重点关注，必要时提前启动康复干预，将极大地改善这部分HIE患儿的神经发育结局。3AI赋能康复干预期的精准化康复治疗对于度过HIE急性期出现神经功能障碍的新生儿而言，尽早启动康复治疗对于改善预后是有效而安全的［13］。目前，脑性瘫痪等运动障碍主要依赖物理治疗、作业治疗和言语训练等传统方式，但训练强度、方式、时长仍以经验为主，缺乏量化指标和反馈机制。基于步态、活动数据、触觉反馈调节、脑机接口信号、肌电信号等AI技术在康复临床实践中已被广泛使用［14］。为了给使用助行设备的脑性瘫痪儿童提供精准的日常体力活动数据，Goodlich等［15］在11例脑性瘫痪受试者（粗大运动功能分级Ⅲ~Ⅳ级）中，佩戴3轴加速度计（手腕、髋部、大腿）完成6项活动测试，进而采用决策树、支持向量机、随机森林等3种监督学习算法对原始加速度信号特征进行训练并交叉验证，结果显示，手腕+髋部随机森林模型和手腕+髋部+大腿SVM模型准确率均达到了90%以上，这一结果提示，基于原始加速度信号训练的模型，可在受控环境中精准识别依赖助行设备的脑性瘫痪儿童青少年的临床相关体力活动行为，为精准制定康复强度和时间提供了理论基础。虽然在儿童康复领域，AI赋能康复治疗的临床研究相对较少，但对HIE神经功能障碍的康复训练从“经验导向”到“数据驱动”，从而实现个体化的精准康复，可能会带来深刻改变。AI还可在“脑—肌—机”闭环康复中实现实时交互。例如，基于脑机接口的AI系统可通过监测运动意图激活下肢肌肉，辅助训练患儿步态与平衡功能。这一思路已在成人卒中康复中初步应用［14］，未来也可能适用于儿童脑性瘫痪等运动功能障碍的康复治疗。4居家康复管理：构建智能化连续照护生态在传统康复路径中，HIE患儿康复的“断点”多发生在医院出院后。因地理位置、康复资源分布不均等因素，随访回访少、康复依从性低，直接影响患儿预后。AI+物联网技术可构建跨机构、跨场景的连续康复网络。例如，通过家庭端的可穿戴设备（如智能腕带、头戴式EEG、压力垫）与AI模型结合，可实时评估患儿的运动量、睡眠质量、癫痫发作频次等指标，并通过移动终端将数据上传至康复云平台，由专业团队远程评估、动态调整康复方案；此外，AI语音交互系统也可用于指导家庭康复动作，如指导患儿完成拉伸训练、下蹲、坐站等动作，尤其在偏远地区可降低康复服务不均带来的不利影响［16］。当前，远程康复医疗尚处探索阶段，其临床效益、安全风险及多场景适用性，仍需通过系统化的实证研究加以验证。总之，基于AI的新生儿HIE早期治疗决策、神经功能障碍预测、康复方案制定及远程医疗在传统诊疗模式基础上深度融合精准医疗的理念、先进的技术手段和