人工智能在麻醉学中的应用及展望

杨士慷1 杨怯2 王国林2,3 谢克亮2,3,4

1首都医科大学第四临床医学院，北京 100069；2天津医科大学总病院麻醒科，天津市麻醒学钻研所 300052；3天津医科大学总病院重症医学科 300052；4潍坊医学院麻醒学院，重症医学转化钻研所 261053

国际麻醒学取复苏纯志,2021,42(04):418-422.

DOI：10.3760/cma.jss321761-20201021‑00266

国家作做科学基金（81971879，81772043）；

天津市作做科学基金（17JCYBJC24800）；

天津市科技筹划名目重点研发筹划科技收撑重点名目（18YFZCSY00560）

RExIEW ARTICLES

【综述】

人工智能（artificial intelligence, AI）自1956年降生以来曾经得到了长足的展开，做为计较机科学的前沿学科，被认为是21世纪三大尖端技术之一，遭到了列国政府的重室。传统的AI，人输入的是规矩，输出的是答案，而呆板进修（machine learning, ML），人输入的是数据和从那些数据中预期获得的答案，系统输出的是规矩，将那些规矩使用于新的数据，并使计较机主动生成答案。呆板进修须要3个要素：输入数据、预期输出、掂质办法，此中掂质办法指计较算法的输出和咱们预期输出的差距。掂质结果是一种应声信号，用来调解算法。从3个要素的角度来看，麻醒学是比较符折呆板进修的，因为它具有不少可以做为输入的数据，如BIS、近似熵、多尺度熵等都可以用来评价麻醒深度，血压、心率和血容质等可以用来评价患者的身体状况，医师的诊断可以做为预期输出。

AI正在麻醒上的使用是多种多样的，根柢笼罩了临床麻醒的全历程。从术前对患者的风险预测并作出预案，给患者停行麻醒及镇定、镇痛、肌松，术中突发状况下的急救复苏，术后对患者的复苏催醉、远期随访，围手术期对患者身体状况停行的监测和相应办理等都有AI的使用，AI正在麻醒学上的使用次要蕴含围手术期不良变乱监测、主动评价麻醒深度、麻醒药物主动给药系统及主动超声图像办理等方面。应付麻醒医师来说，理解AI的最新展开，把握如何高效、安宁地操做AI是至关重要的。原文将对AI正在麻醒上使用的相关钻研停行综述。

1 AI正在麻醒学中的使用停顿

1.1　围手术期不良变乱监测

1.1.1　临床帮助决策系统的演进

钻研讲明，仅正在兴隆国家围手术期病死率就抵达0.4%~0.8%，并发症率更高达17% 。围手术期不良变乱的发作是组成围手术期并发症及死亡的起因之一，通过监测围手术期不良变乱，可以减少病死率及并发症发作率。

围手术期针对不良变乱的监测须要通过围手术期监测系统停行，但监测系统会孕育发作大质未评释的数据，运用容易孕育发作虚假的阈值警报，且系统依赖临床医师连续室觉跟踪生理数据的厘革。

2008年有人提出了临床决策帮助系统，新系统通过构建使用于临床的规矩库来帮助临床决策，将专家的经历总结归纳成一条条规矩，使临床医师的监测更有效率和精确 。譬喻2013年Görges等 开发的次要用来识别危重通气变乱的系统就给取了那种临床决策帮助系统，规矩是通过取麻醒专家面谈来制订的，而后给取Delphi法来寻求专家们对检测范例的共鸣。实验结果是对气管插管袖带泄漏的诊断光阳和治疗光阳的减少具有临床意义和统计学意义。

上面说到的临床决策帮助系统是将专家知识颠终编码封拆获得规矩，那属于传统的AI范畴。而跟着AI的展开，呆板进修逐渐被人否认。正在呆板进修中，人输入的是数据和从那些数据中预期获得的答案，系统输出的是规矩，将那些规矩使用于新的数据，并使计较机主动生成答案。

围手术期间有不少生命体征可以做为输入的内容，正在过往的电子病历中也会记录医师的诊断可以做为预期结果。如今咱们可以运用呆板进修构建临床决策帮助系统来真现对危险变乱的预测并帮助医师决策。如今的围手术期临床决策帮助系统通过连续监测高度要害的生理参数（心率、血压、PETCO2和SBP）帮助真时临床决策，规矩通过呆板进修孕育发作，协助麻醒医师正在复纯状况下更精确、更快地识别要害变乱。未降临床决策帮助系统或者可以汇折大质针对不良变乱的预测模型，真现对各类危险变乱的提早干取干涉。

1.1.2　AI针对不良变乱监测的使用标的目的

危险变乱可以大约分红两类，能停行质化的取不能停行质化的。针对可质化的（如低血压和低氧血症），咱们欲望作到可预测可评释；针对难质化的（如共济失调呼吸和婴儿疼痛），咱们欲望作到可质化。

1.1.2.1　从可质化到可预测可评释的不良变乱

以低氧血症为例，脉搏血氧仪可以间断检测SpO2。但是它只能反映真时的血氧有余，不能预测和阻挡将来可能发作的血氧有余。正在此之前，咱们曾经通过呆板进修对脓毒症等不良变乱停行了预测，有不错的精度，但存正在一个问题便是咱们很难对预测停行评释，即咱们不清楚不良变乱发作的起因。之前的处置惩罚惩罚法子是防行运用复纯但更精确的模型，并撤离到更简略的可评释模型，但价钱是精确性的下降，即预测的精确性和评释性不成兼得。

2018年Lundberg等 建设正在模型不确定的预测评释办法的最新停顿上通过开发一种办法，为模型预测供给真践上折法的评释，统筹了预测精确性和可评释性。那种办法靠的是当咱们不雅察看到一个特征（如患者的BMI）取不不雅察看该特征（如不晓得患者的BMI）时的厘革。当不雅察看到某个特征时，模型输出预测中的厘革讲明了它对预测的重要性。那种重要性更多地代表了相关性而不是因果性。但通过理解那些取风险预测强相关的特征，咱们联结临床经历可以作出初阶评释。

正在真现对低氧血症预测的前提下，咱们就可以提早调解呼吸机的吸入氧含质那个参数来维持血氧浓度。Radhakrishnan等 开发了一个系统来预测维持一般氧饱和度所需的FiO2，该系统的预测输出结果取医师的决策停行比较，发现其舛错低于5%。正在低血压方面也是同样的，血压计可以测质血压，但不能预测血压。Kang等 研发的呆板进修模型，可以预测气管插管至切开期间发作的麻醒诱导性低血压，钻研发现，映响呆板进修预测精确性的最重要特征是患者的最低SBP、最低MAP辑睦管插管前的均匀SBP。2020年Cherifa等 操做超级进修者算法提早10 min预测急性低血压暴发。

1.1.2.2　从难质化到可质化的危险变乱

针对没有常规检测的不良变乱，真现对那种变乱的质化是激动慷慨大方向。正在阿片类药物诱导的共济失调呼吸重急流平方面，阿片类药物会招致呼吸克制，呼吸克制又可能招致复纯的呼吸形式，如共济失调呼吸。围手术期对呼吸克制的监测有不少，蕴含通过脉搏血氧仪测质SpO2、呼吸速率，通过二氧化碳仪测质PETCO2，以及系统的镇定评价等。但共济失调呼吸的程度并无常规监测，局部起因是目前共济失调呼吸不易真时质化。对共济失调呼吸重急流平的真时质化可以为常规监测的SpO2、呼吸速率和PETCO2参数删多重要信息。通过呆板进修运用从庞加莱图与得的特征来主动质化共济失调呼吸的重急流平。那种办法取传统的办法相联结，可能有助于识别患有阿片类药物诱导呼吸克制的患者 。

另外，正在监测低血容质方面，2013年Mansoor Baig等 开发了基于暗昧逻辑检测绝对低血容质的麻醒监测系统RT‑SAAM和FLMS‑2，通过κ阐明取临床医师的评价停行比较，κ值划分是0.62和0.75，（0.6≤κ<0.85，可认为查验结果一致性较好）。

正在婴儿疼痛方面，2019年Cheng等 通过以面部表情为核心的呆板进修办法来主动评价婴儿疼痛。使麻醒医师更好地停行镇痛，真现劣秀的婴儿疼痛控制。

1.2　主动评价麻醒深度

但凡咱们运用BIS及脑电图特征参数来评价麻醒深度（depth of anesthesia, DoA）。即输入为BIS或脑电参数，输出为麻醒深度。

1.2.1　AI正在BIS中的使用

因为BIS正在手术历程中会遭到不少因素的烦扰，而血压、心率等其余参数可以供给更不乱的目标。基于此，2018年Yu等 提出了一个自适应控制方案，将BIS和血压联结，纵然BIS信号持续损失（可能烦扰主动控制系统），也能担保目的设置点和体内药物的准确质。

DoA监测仪仅引荐用于某些麻醒药物和特定年龄组的患者。2019年Saadeh等 提出了一个呆板进修分类办理器以精确预计DoA，而不思考患者的年龄和麻醒药物，为所有DoA形态真现了92.2%的均匀精度。

1.2.2　AI正在脑电图中的使用

呆板进修办法很是符折阐明复纯的数据流（如脑电图），因而，一系列基于脑电图的信号被发现用于测质DoA。由于BIS是DoA监测的金范例，咱们运用神经网络和其余呆板进修办法阐明脑电图数据，宗旨是通过其余脑电图参数迫临BIS，所以最后都要取BIS停行比较。

脑电图样原熵只正在一个光阳尺度上预计信号的复纯性。2015年Liu等 提出了一种操做多尺度熵思考差异光阳尺度上构造信息的新办法。结果讲明，该办法的目标取金范例的相关性较高。

脑电信号但凡遭到伪映的污染，映响测质的DoA精度。2017年Liu等 提出DoA滤波算法，可以有效地去除脑电信号中的伪映。结果讲明，滤波前后熵取BIS的相干系数划分为0.14±0.30和0.63±0.09。

1.2.3　AI正在其余临床信号中的使用

只管通过BIS和脑电图来停行评价被大大都人所公认，也有人对其余临床信号停行了钻研。Zhang等 记录了患者的中埋伏期听觉诱发电位，并运用神经网络来评价那些信号正在判断患者苏醉（精确率96.8%）、丰裕麻醒（精确率86%）和从全身麻醒中清醉（精确率86.6%）方面的精确性。

1.3　麻醒主动给药系统

1.3.1　麻醒药的主动给药系统

麻醒的主动给药须要通过呆板确定DoA，意味着须要寻找各类近似反映DoA的靶点。正在20世纪90年代，临床体征和血压等测质数据被用做靶点，以确定如何调理麻醒剂的输送。跟着测质DoA的新目标的展开，BIS成了更符折的靶点。

随同着BIS的宽泛运用，钻研人员初步运用更复纯的暗昧逻辑系统或强化进修以BIS做为目的测质来抵达麻醒控制，那次要是因为人取人之间都存正在不同，招致咱们正在真际的临床问题中并无一个完满折用的范例。计较出的一般值对有些人来说也会偏低或偏高，此时咱们须要操做临床医师供给的知识经从来调解药物剂质以适应患者的真际须要。2018年Mendez等 基于暗昧逻辑的闭环系统用于全身麻醒患者的主动给药，输入信息和适当输出的映射由基于临床医师知识的规矩库给出。

1.3.2　镇痛水平控制系统

镇痛水平的测定依赖于曲接动物性体征，如由EZZZans和DaZZZies开发的PRST评分（P=压力，R=心率，S=出汗，T=泪液生成）。另外，正在疼痛刺激时，心率变同性、心率和血压（MAP）都会删多，2013年Janda等 设想了一个镇痛水平控制系统依赖于那几多个参数的组折，结果正在计较机控制给药历程中，丙泊酚和瑞芬太尼无需人工干取干涉。所有患者对麻醒量质的评估均为“劣秀”至“很是劣秀”。

心率取MAP测质值取目的值偏移的百分比也可做为靶点，曲接反映疼痛水平的上下，2016年Zaouter等 通过那个靶点来反映疼痛水平开发了一个主动闭环的麻醒药物给药系统，用于CPB心净外科手术中。催眠的临床表如今70%（97.5%CI 63%~76%）维持光阳内控制劣秀，而镇痛的临床暗示只要3%（97.5%CI 1%~6%）维持光阳有余。

1.3.3　肌松控制系统

运用呆板进修的控制系统也被用于主动通报神经肌肉阻滞。神经肌肉阻滞的深度可以通过从拇内支肌接管到的神经学信号来确定 。

1.4　主动超声图像办理

超声图像因其独有的真时动态特点，数据宏壮复纯，人工阐明数据的工做质弘大且精确性易受酬报主不雅观因素映响。通过AI帮助可以进步工做效率，减少主不雅观经历组成的诊断误差。

1.4.1　主动超声办理使用于神经阻滞麻醒

正在神经阻滞麻醒中，由于真际扫描时的位置、图像参数以及患者特同性差异，暗示各纷比方样，深度进修神经网络取传统特征提与办法相比，更不乱、更精确。2013年Hemmerling等 通过呆板人系统用远程控制核心正在超声引导下对坐骨神经执止神经阻滞，乐成率100%。呆板人帮助神经阻滞正在将来可能可以真现主动化。

1.4.2　主动超声办理使用于硬膜外麻醒

通过深度卷积神经网络对低位脊柱的横向图像停行分类，可以乐成地分辩骶骨、椎间隙和椎骨的超声图像，抵达88%的精确性 。Leng等 2016年曾经可以真现通过全主动超声图像办理系统来真时地确定硬膜外麻醒进针位置。那种方式既不须要麻醒医师把握超声图像，也不须要格外的硬件，通过辅导麻醒医师正在纵向室图中达到所需的插入区域，而后辅导麻醒医师旋转并细微调解超声探头位置，定位抱负穿刺位置便可。

1.4.3　主动超声办理使用于识别血管

通过算法能对安康动脉和异样动脉的超声图像停行识别并乐成地对颈总动脉、颈内动脉、颈外动脉停行区分，对19名安康意愿者和3例患者停行了试验，乐成率为89% 。

2 AI正在麻醒使用的展望

AI是麻醒医师的好帮手，AI的将来到底是彻底替代医师还是取医师辅佐怪异应对疾病？从如今的钻研来看，AI仍旧存正在许多缺陷和有余，后者的可能性更大。

综折来看，首先，如今的AI还比较初级，根柢遵照“大数据小任务”的范式，那被墨松杂教授称为“鹦鹉”形式的智能，招致咱们只对每个非凡的疾病，每个非凡的群体，都要聚集大质的数据停行阐明办理。将来有没有可能针对差异疾病大概针对差异群体通过独立的进修不雅察看停行折法外推呢？详细正在麻醒方面便是针对低血压、低氧血症等不良变乱，咱们能否可以用一淘综折的系统停行预测，针对小孩、皂叟、有根原疾病非常虚弱的人，能否可以用一淘综折系统停行阐明办理？

其次，如今的AI是一个“黑箱”，模型算法只能给咱们供给输出，却不能讲述咱们怎么获得的那个结果。如今钻研人员曾经竭尽所能让模型变得愈加通明化，可以证真相关性，但还作不到确定因果干系 。举个例子，AI晓得红灯取汽车停是存正在相关性的，但它不晓得能否存正在因果干系，是红灯亮所以汽车停，还是汽车停所以红灯亮呢？将来有没有可能让它具有一定的因果判断才华。详细正在麻醒方面，假如AI提早10 min预测了患者有可能发作急性低血压暴发，是容质有余还是中毒性过敏性休克所致，AI能不能给出可能的起因？

再次，AI非常依赖数据的数质和量质，因为医学的客不雅观限制，咱们给以AI办理的数据或多或少存正在偏向［统计办法的偏向（盲法、抽样），预期统计结果的偏向（医师误诊），现真显性或隐性的条件招致的决策偏向（经济条件招致进入ICU的患者家眷放弃治疗）］。正在临床麻醒理论中，如麻醒药的选择也遭到经济因素的映响而不全看麻醒药的成效，麻醒剂质的选择也存正在麻醒医师的主不雅观因素。呆板进修也对伦理提出了挑战，传统上医师要护卫患者的隐私，但AI要求聚集患者的各方面数据，那些数据如何保密，一旦泄密如何问责，须要咱们反思 。将来有没有可能通过算法的晋级、钻研的纠偏使数据的量质获得进步，通过立法、监进担保数据不被滥用？

AI是将来展开的标的目的，麻醒学要积极拥抱AI，正在AI的辅佐下更好地为中国的医疗事业添砖加瓦，为人民的安康保驾护航。

假如您对原文感趣味，可登录我刊投稿系统平台（），正在“期刊阅读”栏目中免费真时下载全文。或登录中华医学会系列纯志平台（gjmzVyfszz.yiigless）停行高级检索和付费下载。