人工智能在臨床麻醉學的應用進展

劉巧，袁素，張喆，賈爰，晏馥霞

(中國醫學科學院 北京協和醫學院 國家心血管病中心 阜外醫院麻醉科，北京 100037)

現代科學與自動化的發展推動了醫學研究的進步，人工智能技術也影響著醫學事業的發展，隨著大型臨床數據庫的構建，人工智能在醫學領域得到快速發展。計算機可模擬臨床醫師的思維，利用機器學習處理復雜的臨床數據，智能化地輔助醫師進行臨床診斷與治療，如智能化識別醫學圖像、個人電子健康檔案管理、臨床輔助決策與診斷、自然語言處理等[1-3]。隨著麻醉信息管理系統(anesthesia information management systems，AIMS)的普及和電子化辦公的日常化，人工智能在臨床麻醉學中的應用也在不斷擴大，研究者借助機器學習算法處理麻醉相關的數據流，計算機系統自動化地早期干預或預測麻醉事件，輔助麻醉醫師的日常工作[4]。人工智能將改變傳統的麻醉模式，推動麻醉技術向智能化方向發展，加速智能化麻醉時代的到來。人工智能對于臨床麻醉學的影響并不是簡單的數學建模處理任意臨床數據，為全面了解人工智能在臨床麻醉學中的應用及其如何自動化輔助麻醉醫師制訂臨床決策，現立足于臨床麻醉學，圍繞人工智能的概念、算法以及在臨床麻醉學的應用進行全面介紹，以為今后智能化麻醉的發展提供新思路。

1 人工智能及常見算法

人工智能是一門關于計算機如何從數據中不斷挖掘和學習信息的科學學科，是統計學和高效算法的交叉領域[5]。人工智能的核心是機器學習，通過算法從海量數據中自我學習，尋找數據間的潛在關系，產生穩定的輸出模型[6]。根據學習方式的不同，主要分為監督學習、無監督學習和強化學習。監督學習屬于任務驅動式學習模式，人為預先設定輸出值，通過算法輔助學習，完成期望輸出指標[7]；無監督學習屬于無任務驅動式學習模式，計算機可自我識別規則，對數據直接進行整合處理，自動輸出穩定模型[8]；強化學習是由動物學習理論發展而來，算法通過環境的交互獎罰制度指導學習，在不斷試錯的過程中學習，得到期望值，整體過程類似于動物條件反射的建立[9]。機器學習的過程主要依賴于算法的建立，機器學習算法種類較多，主要有以下幾種。

1.1經典機器學習算法 該算法需要人為選擇數據特征，協助算法處理數據，尋找數據間的潛在關聯，主要借助決策樹技術，將數據集按屬性分成不同區域，每個區域均有獨立的結構模型，通過不斷分割子區域直到每個子區域數據集類型相同，多用于執行分類和回歸任務。系統可借助決策樹區分患者的麻醉狀態[10]、選擇最佳麻醉方式[11]、識別醫療保健的潛在患者[12]等。

1.2人工神經網絡算法 人工神經網絡是機器學習中應用最多的算法。該算法模仿生物神經系統中神經元間的聯絡，由輸入層、神經元層、輸出層構成，輸入層由數據集的特征組成，神經元層對數據集進行信息處理和模型構建，輸出層產出結果，該過程類似于大腦神經元的突觸連接，在處理復雜數據時，需應用多層神經元層方可保證輸出結果的穩定。研究者可借助人工神經網絡進行麻醉深度監測[13]、預測丙泊酚在特殊人群中的藥動學[14]、監測低氧血癥[15]等。

1.3深度學習算法 深度學習是人工智能領域的新方向，其通過自我學習數據集的內在特征與規律，不需人工提取特征，利用多層神經網絡模擬人腦思維進行模式分析與識別，分析數據更本質的特征，并通過逐層預訓練的方式解決龐大的計算量，以得到最優解[16]。深度學習在醫學影像學的應用較為廣泛。研究者還可利用深度學習預測腦電雙頻指數(bispectral index,BIS)[17]、小兒困難氣道[18]以及住院時間和病死率[19]等。

1.4模糊邏輯 模糊邏輯旨在模仿人腦的模糊性信息決策以及推理思維模式，處理傳統方式無法解決的規則問題[20]。該算法主要用于控制系統，如Sharma等[21]提出的2型區間模糊邏輯控制器，其可自動控制硝普鈉的輸注速率，保證患者的平均動脈壓在100 mmHg(1 mmHg=0.133 kPa)以內，為閉環血壓控制系統的應用奠定基礎。

2 人工智能在臨床麻醉學中的應用

近年來人工智能在醫學領域蓬勃發展，其提高了醫護人員的工作效率。麻醉學作為臨床醫學的重要學科，其學科發展對于醫學事業的進步至關重要。在日常的麻醉工作中，由于手術操作的多變性、患者的個體差異以及臨床事件的不可預測性，麻醉醫師必須同時并準確地處理大量臨床事件，長時間的高壓工作極易造成精神疲憊，導致不良后果的發生。為保證患者圍手術期安全并提高麻醉效率，研究人員將人工智能應用于臨床麻醉學，開發出多種智能麻醉系統，推動臨床麻醉向自動化麻醉發展。

2.1閉環靶控輸注系統 臨床工作中，麻醉醫師需要實時根據患者狀態與手術情況，在維持患者生命體征平穩的基礎上，不斷調整藥物的劑量，以維持患者處于適宜的鎮靜、鎮痛和神經肌肉松弛狀態，保證手術順利進行。根據麻醉醫師的工作特點，研究者開發出自動化輸注系統，其可自動維持患者處于適宜的麻醉狀態，該系統稱為閉環靶控輸注系統，簡稱閉環系統。閉環系統由四部分組成：①麻醉效應參數，用來衡量藥物的藥效程度，如BIS；②參數設定點，由麻醉醫師預先設定效應參數的控制范圍；③控制器，計算機通過算法處理參數，對執行器發出命令；④執行器，即藥物輸注泵。系統工作期間麻醉醫師可隨時按下“pause”或“stop”按鈕，停止閉環系統，改為人工控制麻醉，防止因系統設計漏洞而造成的意外事件，保證患者安全。

1950年人類首次嘗試使用閉環系統，Mayo等[22]利用腦電圖分析對硫噴妥鈉鎮靜進行自動化管理。20世紀90年代，隨著計算機性能的提升，腦電信號監測技術的進步，人類對閉環系統的研究也越來越多樣化，早期的閉環系統僅控制麻醉的某個方面，即單回路閉環系統，如利用BIS自動化控制丙泊酚的輸注，維持BIS為40～60，以保證患者適宜的鎮靜深度[23]。隨著單回路閉環系統的成熟，麻醉的多個方面逐漸納入閉環系統，開發出更智能化的多回路閉環系統。如Liu等[24]利用BIS控制瑞芬太尼和丙泊酚輸注，開發出雙回路閉環系統，將目標BIS值設定為40～60，當BIS差值(實際BIS值與目標BIS值)為2～3時，僅調整瑞芬太尼的輸注速率(若瑞芬太尼連續3次改變輸注速率，則同時改變丙泊酚輸注速率)；當BIS差值>4時，改變丙泊酚和瑞芬太尼的輸注速率，成功地完成了鎮靜和鎮痛的自動化控制。為滿足更多的麻醉需求，Hemmerling等[25]研發出世界上第1臺完全自動化的閉環麻醉輸注系統——McSleepy，該系統分別以BIS、Analgoscore、4個成串刺激作為鎮靜、鎮痛、肌肉松弛的參數，分別控制丙泊酚、瑞芬太尼、羅庫溴銨的輸注，成功實現了非心臟手術中麻醉誘導與維持的自動化管理。閉環系統不僅可用于非心臟手術，隨著系統的不斷優化，還可用于心臟手術、小兒麻醉及遠程醫療[26-27]等，拓展了閉環系統在麻醉領域的應用場景。研究顯示，與手動控制相比，閉環系統的術后蘇醒快，拔管時間短，麻醉更平穩，還減少了老年患者術后認知功能障礙的發生[28]。

近年來閉環系統不僅限于麻醉鎮靜、鎮痛、肌肉松弛等方面，為進一步挖掘閉環系統的臨床價值，研究者還開發出了用于圍手術期液體輸注、血管活性藥物管理等方面的閉環系統。閉環液體輸注系統是指閉環系統模擬目標導向液體輸注原則，根據尿量、血壓、心率、每搏量、每搏變異度、脈壓變異度等變量對圍手術期液體輸注進行自動化管理[29]。Joosten等[30]首次將鎮靜鎮痛雙閉環系統與閉環液體輸注系統結合，通過術中監測BIS、每搏量、每搏變異度，對瑞芬太尼、丙泊酚、晶體液、膠體液輸注進行自動化控制，推動了閉環系統的多元化發展。閉環系統還可以根據血壓、心率等的反饋，自動化控制血管收縮藥[31]或血管擴張藥[32]的輸注，維持目標血壓，但由于開發成本高、安全考核不完善以及臨床監管難等問題，目前關于血管活性藥物的閉環系統開發相對較少，相信未來隨著工程技術的發展，閉環系統可以結合更多的臨床指標，真正地模擬麻醉醫師，自動化完成圍手術期的麻醉過程。

2.2麻醉監護與預測 人工智能在臨床麻醉中的應用越來越廣泛，研究者們利用算法對患者圍手術期數據進行信息挖掘，處理和分析多維度數據，建立預測模型，動態預測圍手術期不良事件的發生，以提高患者圍手術期安全。

圍手術期低血壓與主要的心血管不良事件以及急性腎臟損傷等相關[33]，提前預測并早期干預低血壓是目前臨床研究的一大熱點。Hatib等[34]根據動脈波形圖開發出可預測低血壓的人工智能算法，該算法對1 344例患者的動脈波形圖進行了分析，在患者的動脈波形中提取23個特征，可提前15 min預測低血壓的發生，該算法也被稱為早期預警系統。鑒于該系統對低血壓的預測屬于被動型且具有滯后性，Wijnberge等[35]提出新型預測模式，可輔助醫師主動預測低血壓的發生以及產生病因，新型預測模式將早期預警系統與循環治療指南結合，麻醉醫師可根據計算機系統提示的參數與流程圖相對應，快速得到低血壓的潛在病因，提前15 min干預病因，有效降低了圍手術期低血壓的發生率，減少了麻醉期間的循環波動。

麻醉過深與病死率、術后不良事件以及相關臟器損傷相關，圍手術期維持適宜的麻醉深度對于臨床麻醉的意義重大。目前圍手術期麻醉深度的監測主要借助BIS，維持BIS為40～60可避免術中知曉以及深度麻醉的發生，但BIS具有滯后性，且易受電刀干擾，監測效果易受影響。目前研究的重點是根據患者的原始腦電圖探索監測圍手術期麻醉深度的方法，由于不同麻醉狀態下的腦電圖變化復雜，提取單一特征很難有效評估麻醉深度，可借助人工智能算法自腦電圖中提取出多個有效特征，以精準評估麻醉深度，提高監測的實時性與準確性。Haghighi等[36]借助人工神經網絡從腦電圖中提取4個有效參數(熵、腦電邊緣頻率、β比率、快慢波的相對同步性)，將這4個參數作為神經網絡的輸入層、BIS作為神經網絡的輸出層，分析大腦功能狀態，可有效區分患者的清醒狀態與麻醉狀態；Gu等[13]利用小波變換法分析腦電圖并提取特征，通過聚類分析評估麻醉深度，該方法通過了臨床數據庫的驗證，證實了該算法的可行性；為進一步提高監測的準確度，Saadeh等[37]利用機器學習分類處理器分析腦電圖，將患者分為深度鎮靜、中度鎮靜、輕度鎮靜與清醒4個狀態，其準確度可達92.2%，滯后時間最長為1 s，保證了患者術中適宜的麻醉深度。

研究者還利用人工智能進行了其他方面的預測，如利用神經網絡預測肌肉松弛的恢復情況[38]；根據面部圖像識別氣管插管困難患者[39]；術前識別輸血相關性急性肺損傷患者[40]等，利用人工智能高效的計算能力處理復雜的數據，提前預測不良事件的發生，及早干預，保證患者術中安全。

2.3圖像識別與分類 人工智能在臨床醫學中應用最成熟的是醫學影像識別，可以早期輔助醫師識別病變臟器或組織，提高臨床診斷率。隨著圖像識別技術的成熟，機器閱片能力已逐漸超過人工閱片。而超聲作為醫學影像學的檢查工具之一，由于具有低成本、便攜、實時成像等優點，深受麻醉醫師關注，超聲引導下的神經阻滯、血管穿刺、硬膜外穿刺鎮痛等已廣泛應用于臨床。隨著舒適醫療的不斷推廣，減少麻醉期間有創操作中的副損傷已成為麻醉醫師的共識，但超聲圖像識別易受偽影和人為干擾，加上人體解剖結構的變異，導致超聲下精確的解剖定位困難。

目前研究人員主要利用人工神經網絡幫助識別和分類超聲圖像，精準識別超聲下的動脈、靜脈、神經叢、硬膜外間隙、左心室等[41-42]，幫助醫師快速定位，提高臨床工作效率并減輕患者不適。Carneiro和Nascimento[43]提出了新型自動化圖像識別模型，通過深度學習神經網絡，并與左心室收縮和舒張的運動模式相結合，用于超聲下左心室心內膜圖像的追蹤與識別，為臨床醫師提供更為精確的圖像追蹤服務；Alkhatib等[44]利用深度學習算法執行計算機視覺任務，在13種常見的深度學習追蹤器中尋找最佳的追蹤器，對正中神經和坐骨神經進行圖像定位，同時使用更精準的矩形框實時圈出目標神經，幫助醫師快速定位與穿刺；研究者還利用混合機器學習系統識別超聲圖像中的硬膜外腔解剖學標志，與超聲醫師相比，混合機器學習系統在3D測試數據平面的橫向和縱向誤差分別為1 mm和0.4 mm[45]，有效地減小了誤差，提高了患者的舒適性與安全性。

人工智能輔助下的圖像識別明顯減少了麻醉工作中解剖定位時間，提高了工作效率，精準化的影像追蹤也大大減少了患者穿刺的副損傷，提高了麻醉的安全性與有效性。目前的圖像識別技術已相對成熟，開發者開始研究麻醉機器人。麻醉機器人將機械臂與圖像識別技術相結合，完成麻醉工作中的機械動作，如將機械臂與神經阻滯針相連接，代替醫師手臂，算法根據圖形建模進行智能化超聲圖像識別，圈出目標阻滯靶點，機械臂通過已設定好的程序進行目標靶點的神經阻滯[46]，相對于人工神經阻滯，該系統的穩定性高，變異度低，還可用于臨床教學，有助于初級學者的臨床入門，但由于技術限制，目前該系統仍處于開發階段。

2.4臨床決策支持系統(clinical decision support system，CDSS) 麻醉記錄是臨床麻醉工作的主要組成部分，患者圍手術期的數據可為后續的麻醉處理及病案管理提供參考。目前各大醫院的AIMS可以實時收集來自監護儀、醫院信息系統、呼吸機、麻醉工作站等源頭的數據，麻醉醫師根據術中的麻醉管理情況，實時記錄患者液體平衡狀態、手術情況、用藥記錄、特殊事件等信息，因此麻醉記錄是患者手術期間實時信息的綜合數據庫。

隨著AIMS的不斷普及，研究者利用機器學習對患者的麻醉綜合數據庫進行全面分析，開發出一種為麻醉醫師提供實時決策輔助的硬件系統，減少醫師工作失誤，該系統稱為CDSS。該系統主要從AIMS收集數據，將數據通過轉換、過濾、缺失填補等方式歸類為可供使用的數據，決策處理器應用算法處理數據并根據已設定的決策規則，判斷是否在AIMS上進行通知或警報(如彈出消息或閃爍按鈕等)，麻醉醫師根據警報提示，自主決策下一步診療計劃。早期的CDSS主要用于常規工作流程的提醒，如提示醫師術中給予抗生素、β受體阻滯劑、優化呼吸機參數、避免浪費麻醉藥、核對麻醉賬單等[47]。隨著數據收集的優化以及硬件設備的升級，CDSS開始用于特殊患者的識別以及圍手術期管理。Ehrenfeld等[48]開發出可用于術中血糖監測的CDSS，利用自回歸算法根據患者的人口學特征、疾病史、麻醉類型、手術特征、胰島素水平以及血糖水平等信息進行數學建模，自動識別出潛在的糖尿病患者，提醒麻醉醫師術中監測血糖，并給予相應的胰島素治療，降低了術后高血糖以及切口感染的發生率。CDSS還可用于識別接受神經外科手術的小兒腦外傷患者，根據AIMS的患者信息，識別目標人群，根據已設定的算法規則，提醒麻醉醫師術中需關注的麻醉要點，減少了術中不良事件的發生[49]。但早期CDSS的提醒界面較為單調，有時難以引起麻醉醫師的注意，新型的CDSS將患者的循環指標、呼吸參數、液體平衡、實驗室檢測結果以及報警提醒等信息以不同顏色的器官動態圖綜合在一個提醒界面，全面而生動地反映患者的術中情況，提高了麻醉醫師圍手術期的管理效率[50]。

目前大部分CDSS屬于反應型支持系統，研究者開發新型系統時可直接收集監護儀的數據，同時借助5G網絡處理大量數據流，研制出具備實時預測性的CDSS，但此類預測型CDSS仍處于研究階段。

3 小 結

人工智能的蓬勃發展得益于機器學習算法的開發與計算機性能的提升，隨著大數據時代的到來，機器學習將會不斷地融入到醫學領域、輔助臨床決策、改善患者預后。機器學習算法對圍手術期的精準控制與預測將為患者提供更為安全的臨床麻醉，但也會給麻醉醫師帶來一定的風險與挑戰，當前人工智能最大的問題是不可解釋與不可理解，即黑盒問題：①醫師和開發工程師均無法解釋其背后原理和處理機制，這將帶來諸多醫學倫理問題；②機器學習處理數據的前提是需要保證數據的完整性和準確性，當面臨數據不完整或虛假數據時，性能將會顯著降低；③人工智能無法實現人機交互，機器無法共情，目前的科學技術尚未達到使計算機具備主動思考的能力，計算機無法與人主動互動，很難真正智能化、動態化地解決實際問題。因此，人工智能在麻醉學領域的應用目前仍處于早期探索階段，但這也給麻醉醫師帶來新的機遇，麻醉醫師可以與計算機科學家開展多元化合作，將臨床實際問題與計算機技術結合，提高人工智能在臨床的實用性，進行學科交叉，實現智能化技術落地。未來醫學將朝著更加個體化、智能化的方向發展，新型的智能化醫療模式將會不斷深入到臨床。