第一项研究聚焦围术期心血管风险评估。心血管事件是导致非心脏手术患者术后死亡的重要原因，但目前临床常用的风险预测模型准确度不佳。静息状态12导联心电图是术前心血管风险评估的常规检查。然而，尚不清楚术前心电图特征能否有效提升现有临床预测模型对术后心血管事件的预测能力。此外，有研究报道，利用深度学习算法（如PreOpNet）分析心电图原始波形，可挖掘波形中蕴含的隐藏信息，实现更精准的风险识别，但相关算法尚未在前瞻性队列中得到充分验证。

本研究依托前瞻性围术期队列，纳入6000余例接受大型非心脏手术的心血管高风险患者，系统采集患者术前心电图、围术期心脏生物标志物及结局数据。研究者从心电图报告中提取了8种传统心电图特征（包括心率、房颤、束支传导阻滞、左心室肥厚、病理性Q波、QT间期延长、ST-T改变、室性早搏等），并利用PreOpNet深度学习算法分析了心电图原始波形。

结果显示，将8种传统心电图特征或PreOpNet算法输出值加入改良心脏风险指数（RCRI）后，模型对术后30 d心血管事件的预测能力仅获得轻度提升，且PreOpNet算法相比于传统心电图特征未显示出明显优势。而在Gupta心肌梗死或心搏骤停（Gupta MICA）模型的基础上，两种心电图分析方法带来的预测能力提升均更加有限（表1、图1）。相比之下，术前高敏肌钙蛋白和NT-proBNP均大幅提高了两种临床预测模型的风险预测能力。

表1 术前心电图和心脏生物标志物对术后心血管事件的预测价值

图1 术前心电图和心脏生物标志物对临床预测模型临床净获益的提升

该结果提示，尽管心电图检查在部分手术患者中具有重要的术前诊断价值，但将其作为术前常规检查用于心血管风险分层的作用有限，而心脏生物标志物检测在术前风险分层中的表现更佳。深度学习算法虽然在处理多模态复杂数据方面具有优势，但其预测模型的外推性可能存在限制。在大规模应用前仍需要经过充分的外部验证。

第二项研究聚焦大型手术患者的肥胖悖论——即低体重指数（BMI）与不良预后相关，而超重或轻度肥胖似乎具有保护作用的现象。BMI不能区分脂肪组织和肌肉组织，因此不能准确反映身体成分的质量及分布情况。CT影像能够更加精准地量化肌肉和脂肪组织，为重新认识肥胖悖论及优化围术期风险评估提供了新方法。

本研究利用了上述同一队列数据。研究者首先分析了术前BMI与术后30 d心血管事件的关联。结果显示，BMI与术后心血管事件风险呈非线性相关。与正常BMI患者相比，低体重患者术后心血管事件风险显著升高，而超重及Ⅰ级肥胖患者风险相对较低；这种关系在不同手术类型中并不完全相同，提示BMI的预后意义受手术类型的影响（图2）。

图2 BMI与术后心血管事件风险的非线性关联及不同手术类型之间的差异

进一步，研究者在具有术前CT影像的患者亚组中，利用自动化CT身体成分分析工具提取骨骼肌、内脏脂肪、皮下脂肪和肌间脂肪等指标，采用聚类分析识别出三种体成分表型：低肌肉/低脂肪表型、脂肪优势表型和肌肉优势表型（图3）。结果显示，BMI与身体成分表型不完全一致，尤其在较高BMI范围内，患者可能呈现截然不同的肌肉和脂肪分布特征。与低肌肉/低脂肪表型相比，肌肉优势表型患者术后心血管事件风险显著降低，而脂肪优势表型患者并未观察到类似的保护作用。在进一步校正BMI及其他临床变量的多因素回归分析中，这一关联仍然稳定存在（表2）。

图3 CT衍生身体成分表型

表2 BMI分类、CT衍生身体成分表型与术后心血管事件的关联

该研究提示，CT身体成分分析能够在BMI之外提供补充信息，尤其有助于识别低肌肉、低脂肪储备的高风险患者。对于临床中已经因疾病诊断或手术规划目的而完成术前CT检查的患者，自动化身体成分分析或可在不额外增加检查负担的前提下，为围术期风险分层提供更多信息。

南方医院麻醉手术中心是国内首批建设围术期数据库的麻醉学科，是中国围术期结局研究电子数据库联盟（EPOCH）牵头单位，已建成国内领先的围术期研究平台。近五年，刘克玄教授研究团队持续产出高质量临床研究成果，在JACC、Anesthesiology（4篇）、Br J Anaesth（4篇）等权威期刊发表论著40余篇，多项成果被写入临床指南及专家共识，获得广东省科技进步一等奖及广东医学科技一等奖，为围术期重要器官损伤的精准预警与有效防治提供了新方法。