心脏手术中的PhysioFusion：将26路术中信号与STS登记库融合，在1393名患者中带来了什么变化

东北大学Roux研究所与缅因医疗中心的团队构建了PhysioFusion，一个集成模型：它把胸外科医师协会（STS）登记库的术前数据与26路术中监测信号结合起来，预测心脏手术后的并发症，数据来自同一家医院的1393名患者。交叉验证中AUC达到0.87，但仅用登记库变量也同样是0.87：术中信号在这里没有带来可测量的增益。应当把它看作一项诚实的内部研究和一个阴性发现，而不是多模态融合能改善预测的证据。

背景

心脏手术后，有相当比例的患者会出现严重并发症（本研究队列中为11.6%）：呼吸机使用时间延长、卒中、肾衰竭、非计划再手术、深部胸骨伤口感染、死亡。在美国，胸外科医师协会（STS）维护着全国性登记库，每台手术都有编码，其术前风险评分是各中心之间比较的参照。这些评分只使用切开之前已知的信息。

然而，一台持续数小时的手术会产生连续的测量流：动脉压和静脉压、心电图、血氧饱和度、体温、体外循环时间。这篇论文的思路很自然：这些时间序列中含有术前变量未能捕捉的风险信号，所以把它们融合起来的模型应当预测得更好。该论文是2026年9月发布在medRxiv上的预印本，尚未经过同行评审。

方法

数据。2022年9月至2024年4月间在缅因医疗中心（MaineHealth）接受手术的1393名连续成年患者，其中161人（11.6%）发生了STS与美国国家质量论坛（National Quality Forum）认可的十一类不良事件中的至少一种，并合并为一个复合终点。静态变量来自STS数据库（年龄、既往史、心功能、手术类型、体外循环时长等）。时间序列涵盖26路术中信号。

模型。核心是一个双分支网络：静态变量使用残差网络（堆叠的模块，其输出与输入相加，使训练更稳定）；时间序列使用卷积网络（检测信号中的局部模式）和双向GRU（一种从两个方向读取序列的循环网络）。此外还有四个经典模型：XGBoost（相继的决策树，每棵树修正前一棵的错误）、L1惩罚逻辑回归、支持向量机（SVM）以及两阶段梯度提升级联。各预测通过加权平均合并，再用保序回归重新校准（一条递增曲线，使“模型说20%”与“实际有20%的患者发生事件”相对应）。

验证。带随机打乱的分层五折交叉验证：数据集分成五份，每份轮流作为测试集。类别不平衡通过SMOTEENN处理（生成合成阳性样本并清除模糊样本），仅用于训练折。评估三个决策阈值：在敏感性不低于0.7时使阳性预测值最大的阈值、使F1最大的阈值，以及敏感性等于特异性的“平衡”阈值。

结果

机器学习指标。在平衡阈值下，组合模型的AUC（随机取一名发生事件的患者与一名未发生事件的患者，模型把前者排在前面的概率）为0.87（95%置信区间0.82至0.91），敏感性0.76，特异性0.83，阳性预测值（PPV）0.40，阴性预测值（NPV）0.96。校准误差为0.036。

核心结果是按模态拆分。仅用静态变量，AUC为0.87（0.82至0.92），敏感性0.74，特异性0.82，PPV 0.45，校准更好（0.023）。仅用时间序列为0.83（0.80至0.86），PPV为0.33。两者的区间几乎完全重叠：在这个队列中，融合并不比登记库数据更好。逐信号消融的结论是没有哪个监测通道不可或缺，平均动脉压和中心静脉压最难被替代。单个模型中，梯度提升为0.86，逻辑回归0.78，SVM 0.69，深度网络0.72（仅时间序列时为0.60）。

临床转化。按队列的发生率（每1000人116例事件），敏感性0.76意味着约检出88例并发症、漏掉28例。在884名无事件患者中，特异性0.83意味着约150次假警报。直接计算得到的PPV约为0.37，略低于报告的0.40，可能源于四舍五入和按折计算。实际含义是：大约三次警报中有两次是假的，略多于四分之一的并发症会被模型漏掉。0.96的NPV令人安心，但主要是因为事件本身少见：对所有人都预测“无并发症”，NPV也有0.88。

优点

如实报告的阴性结果。作者指出两种模态可以互相替代，而没有把融合说成成功。在一个常把复杂性当作价值本身来宣传的领域，这很少见，而这恰恰是考虑为手术室配备设备的人所需要的信息。

技术环节上审慎的评估方案。SMOTEENN重采样仅限于训练折，测试折保留真实的11.6%发生率；报告了三个操作阈值而不是一个；并给出了置信区间。五类模型表明结果并不取决于架构选择。

连续入组的医院数据和标准化终点。患者是连续入组的（没有挑选容易的病例），终点依据STS定义而非临时定义。文中包含无利益冲突声明。

不足

严格的内部验证（人群与中心偏倚）。只有一家医院、161例事件，没有外部或时间上的验证：交叉验证衡量的是同一批患者、同一间手术室、同一批监测设备上的表现。作者自己承认事件数少对高容量模型不利，这解释了深度网络得分较差（0.72），但这也意味着架构之间的比较，对更大数据集会出现什么结果说明不多。

缺失的对照（因遗漏而产生的有偏对照）。我们查阅的文本中没有应用任何已确立的STS风险评分。而这才是关键的对照：AUC为0.87的模型是否优于外科医生手头已有的评分？内部对照只是集成中的组成部分，不是临床参照。缺少这一点，就无法判断该模型是否优于现行做法。

信息泄漏风险和需谨慎解读的指标（数据泄漏、误导性指标）。“平衡”阈值是在被评估的预测上选定的，保序校准则拟合在模型预测上；我们查阅的文本没有说明这两步是否与测试折严格分开，如果没有，敏感性、特异性和校准都可能偏乐观。在11.6%的发生率下，AUC为0.87对应的PPV为0.40：多数警报会是假的。由十一类高度异质的事件组成的复合终点（死亡与再手术的机制和预防方式都不同）也使有针对性的临床行动变得复杂。最后，代码和数据仅可应要求获取。

意义

对研究界。这篇论文提供了一个有用的检验案例：在一个规模不大的单中心队列中，原始术中信号对填写完整的登记库没有增益。接下来的问题是：患者更多、有外部验证、信号表示设计更好（例如在大量监测数据上预训练）时，这一结论是否仍然成立，而不是在161例事件上堆叠更多网络。

对临床医生。实践中没有任何改变：该模型没有在本中心之外验证，没有与STS评分比较，也没有前瞻性评估。不过它提醒我们，术前登记库已经包含了大部分可预测的信号，这意味着在投资新的传感器或数据流之前，应先提高数据录入质量。

对患者和公众。这些模型不能取代手术团队的判断。一个警报三次只对一次的工具仍然只是团队的分诊辅助，而不是针对个人的结论，患者在短期内也不应期待手术室里的“智能”监护。

延伸阅读

论文（预印本，未经同行评审）：PhysioFusion: A Multi-Modal Ensemble using Static Preoperative Variables and Time Series Intraoperative Data to Predict Adverse Events Following Cardiothoracic Surgery，Rajashekar Korutla、Anne Hicks、Marko Milosevic等（Roux Institute, Northeastern University；Spectrum Healthcare Partners；Maine Medical Center, MaineHealth），medRxiv，2026年9月，DOI 10.64898/2026.09.24.26363920。代码与数据：可向通讯作者提出申请，并需签署数据使用协议。作者声明无利益冲突；在我们查阅的文本中未找到资助信息。

关于仅用极少事件训练的模型，参见我们关于肝细胞癌早期复发研究的解读。关于单中心临床预测模型，参见我们关于Mohs手术研究的解读。