Vyvinuli model hlbokého učenia založený na transformátore na predpovedanie intraoperačnej hypotenzie (IOH) v reálnom čase z dynamických časových sérií vitálnych funkcií. Model trénovali na 319 699 chirurgických prípadoch z čínskej nemocnice (2013–2023) a externe validovali údajmi z Južnej Kórey. Dosiahol vysoký výkon v 5-, 10- a 15-minútových predikciách s AUC 0,904, 0,892 a 0,882 pri vyvolaní ≥88,3 %. V porovnaní s XGBoost mal lepšiu spätnú odozvu (5-minútové vyvolanie 0,891 vs. 0,737) a kalibráciu (očakávaná chyba 0,0083 vs. 0,0373), hoci XGBoost mal vyššiu špecifickosť (0,913 vs. 0,723). Záťaž IOH (kumulatívny MAP ≤65 mmHg) významne súvisí s pooperačným akútnym poškodením obličiek (AKI) a akútnym ochorením obličiek (AKD), napr. OR 1,10 pre AKI pri 60 mmHg·min (95 % CI [1,02, 1,19]; p=0,012). Predpovedané riziko IOH v simuláciách úzko kopírovalo kolísanie MAP. Štúdia je retrospektívna, vyžaduje prospektívnu multicentrickú validáciu.