神经重症监护领域正在迅速崛起为临床医学中的一股力量，并预计在未来持续发展。人工智能（AI）和机器学习（ML）有潜力彻底改变医疗服务的提供方式，促进临床试验的设计和实施，并改善患者预后。然而，AI和ML的应用在不同医学领域之间存在差异。特别是在重症监护和神经重症监护中，实时诊断和患者管理的需求带来了显著挑战。其他限制因素包括原始数据源中的固有偏见、应用AI建议时的实施偏差，以及许多AI和ML算法的“黑箱”性质。在资源有限的低收入和中等收入国家（LMICs），还受到资金不足、基础设施缺乏、技术专业知识匮乏以及数据获取受限的影响，导致最初在高收入国家训练的算法可能无法适用于LMICs。
在此背景下，我们汇总了来自神经重症监护学会（NCS）亚太分会国家代表的观点，探讨该地区对AI和ML当前的理解、应用及其实施障碍，同时提出潜在的发展路径。这一概述可为未来合作和更大规模的研究奠定基础，以促进该地区AI和ML的有效利用。
澳大利亚
作为资源丰富的国家，澳大利亚拥有实施医疗AI所需的技术和专业知识。事实上，使用AI和机器学习识别标准分析无法立即察觉的信号正变得越来越普遍。这可以从实时AI辅助决策支持到基于ML的预后模型，为特定患者提供准确的临床轨迹或结果估计。然而，由于多种顾虑，这些方法目前仍局限于研究环境。限制AI/ML更广泛使用的主要因素包括：
- 监管和治理要求限制了区域间和医疗机构之间的数据共享，从而阻碍了AI/ML分析和输出的开发与验证。
- 缺乏适当规模和粒度的数据集，导致使用的数据往往不能代表澳大利亚人口。
- 临床医生对AI/ML输出的可靠性、准确性和有效性的焦虑。
- 医学法律问题以及医疗服务的人性化丧失。
成功在澳大利亚神经重症监护中实施AI/ML分析的关键包括：更集中地收集高度细化的生理、治疗和结果数据；改进对数据存储库的访问并提高数据链接效率，自动化数据管道、清理和管理；基础设施现代化；加强临床医生与AI/ML专家之间的协作；以及获得区域和联邦政府机构及资助者的支持。此外，最重要的是，在神经重症监护中实施AI需要持续与消费者和临床医生互动，以确保生成的输出以患者为中心，并对具有实际经验的人员有意义。此外，任何AI/ML衍生的干预措施都需要在随机临床试验中进行严格评估。
印度
近年来，我们观察到AI在医疗保健中的部署取得了显著扩展和进步，其在神经重症监护中的应用也有所增加。神经重症监护是一个要求极高的领域，需要持续警惕和快速决策来管理急性神经系统疾病患者。AI已成为帮助神经重症监护医生的有力工具，通过早期预测神经功能恶化和优化管理和最终结果，我们已经开始在此领域实施AI。
颅内压（ICP）是神经重症监护中最广泛监测的参数之一，因其与死亡率和其他结果相关。利用AI实现了连续ICP监测，增强了临床医生及时应对不良变化和优化治疗方案的能力。AI还可以帮助早期检测谵妄、预测急性肾损伤、识别脑出血后的早期癫痫发作，并评估总体癫痫风险。从卒中管理的角度来看，AI有助于早期检测和预后评估，识别高危患者并优化治疗以减少发病率和死亡率。在ICU环境中，AI驱动的智能泵优化了药物滴定，优于传统评分系统（如APACHE和SOFA）预测早期死亡率的表现，协助确认脑死亡，并预测败血症和感染（如CLABSI和艰难梭菌感染）。
尽管前景广阔，但AI也面临一些挑战，例如误诊风险、缺乏监管框架以及医学法律问题，而责任归属、患者自主权和医患关系等问题仍未解决。解决这些问题对于AI在神经重症监护中的安全和道德整合至关重要。
日本
AI正成为标准化和优化临床实践的受欢迎工具，尤其是在农村地区。然而，当前的局限性包括以下方面：
- 存在沟通障碍的患者（例如昏迷状态的患者）。
- 初次就诊且尚未确诊的新患者。
- 促进和激励患者教育和自我护理。
- 医学法律问题。
- 与患者建立信任关系。
- 心理健康护理。
尽管日本是AI和ML开发的领先国家之一，但在临床环境中的AI使用仍然不足。日本在图像分析中的AI利用率较高（所有机构中约20%，大学医院中约30%），其次是基因组医学、诊断和治疗支持、外科手术、痴呆患者的护理以及药物发现。然而，日本在电子健康记录和订单系统（医疗AI的基础）的普及率上存在差异——400张床位以上的医院中有95%具备这些系统，而在小型医院和诊所中仅约60%。
多语言AI模型对医疗保健至关重要，日本已经开发出此类模型。然而，除了语言差异外，AI模型理想情况下应考虑个人和人群之间的其他差异，包括性格、宗教、经济状况等。NCS及其区域分会拥有众多全球和多学科专家，是讨论将AI纳入神经重症监护的理想平台。凭借其强大的背景和推动AI技术的潜力，日本渴望为这一讨论做出贡献并开展合作。
尼泊尔
尽管我们在重症监护中对AI和ML的应用正在扩大，但尼泊尔的重症监护医生对这些技术的知识水平参差不齐。AI和ML的应用主要限于小规模研究项目，主要集中于放射学领域，以及一些成像模式（如超声波）中的内置AI功能。在神经重症监护领域，临床医生对AI和ML的认识和观点尚不明确。
我们面临的主要障碍包括医护人员缺乏知识、缺乏相关专业知识、实施AI和ML的能力不足（包括大多数中心的原始电子医疗记录系统和数据库）、适应和实施AI的立法和政策缺失，以及政策制定者和资助机构的参与不足。我们需要努力提高医护人员的意识，识别差距，以便未来的计划能够满足我们医疗环境的需求。进一步实施需要医护人员的教育、增强基础设施建设、政府和政策制定者的更多投资、针对本地需求定制的AI模型，以及本地和国际层面的合作。
新加坡
AI在医疗保健中的革命潜力尚未完全释放。虽然新加坡在某些医疗保健领域采用了技术（例如电子医疗患者记录），但我们尚未满足将大数据整合到AI算法中的需求，这将有助于在全国范围内统一最佳护理实践。
我们面临的一些挑战包括访问全国数据库健康记录，以及新加坡人口分布在不同地区且护理需求不同的问题（例如，新加坡中部人口老龄化，而新的外围地区人口较年轻）。在个体层面上，当临床管理与AI驱动的路径不一致时，如何处理这种情况？即使患者在两种情况下都无法得到良好结果，是否会有医学法律后果？
我们需要一种整合的方法，为新加坡独特且迅速老龄化的群体开发一个适用的AI模型，然后在全国范围内的人群、地区和医院中验证该模型——这种方法需要当地专家、医院和机构之间的合作，以应对复杂且快速变化的AI环境。如果能够克服这些挑战，医疗保健确实可以通过在不久的将来采用AI而实现转型。
结论
NCS亚太分会及其成员国对AI和ML的看法各异。尽管大家一致认为需要将AI和ML应用于神经重症监护，并相信其改善结果的潜力，但各个国家在适应和实施这些技术方面处于不同阶段。资源较少的国家似乎处于早期阶段，专注于提高认识和建设能力，而资源较多的国家则致力于克服医学法律问题、数据共享以及本地化AI等挑战。需要精心设计的调查来阐明现实世界的问题，并探索当前的差距和障碍，而成员国之间的合作以及整个NCS的努力可以帮助推动这些技术的实施，尤其是在资源有限的国家。
(全文结束)
