人工智能在麻醉学领域的现阶段应用与未来发展方向

郑应刚 熊利泽

人工智能(artificial intelligence,AI)是一门新兴技术科学,其最终目标是使计算机能够模拟人的思维方式和行为。机器学习(machine learning,ML)是AI的子集,而深度学习(deep learning,DL)是ML的子集,主要由人工神经网络(artificial neural networks,ANN)组成,其中深度主要指的是神经网络模型的深度。

现阶段,AI在麻醉学中已经有了一定的应用,并具有较强的临床适用性,包括但不仅限于麻醉深度(depth of anesthesia, DoA)的自动评估、麻醉药物的智能给药、超声图像的自动处理和辅助诊断、术中气道管理、术中精准监测预警、围手术期并发症及病死率等不良事件的监测和预测、重症监护治疗等。在数据方面,患者的电子病历、围手术期监测设备,以及患者穿戴的便携电子设备等均能够产生出海量的医疗数据。借助于AI强大的数据分析能力,可从大规模且复杂的数据中有效地提取出特征。

除此之外,与麻醉学相关的AI技术还包括自然语言处理(natural language processing,NLP)和计算机视觉(computer vision,CV)。在医学领域中,NLP主要应用于自动分析电子健康记录数据。除了记录病情,更重要的是与之对应的医疗决策规则,能够辅助医师进行临床决策。同样,在麻醉学中,CV已与超声影像等技术相结合,以辅助识别术前麻醉过程中的特定组织。

1 基于AI的麻醉系统应用与开发

AI在麻醉领域的应用基本覆盖了临床麻醉的全过程,并且在麻醉学和围手术期医学中发挥着举足轻重的作用。为了进一步优化治疗流程,改善患者预后,为患者提供安全、高效的临床麻醉,开发基于AI算法优化的麻醉系统尤为关键,尤其是在全身DoA监测、麻醉药物作用的脑功能连接(functional connectivity, FC)及围手术期并发症预测等方面。患者可从手机端、网页端和计算机桌面端获得麻醉系统带来的便利。为了更好地实现这一目标,工程师和医师可以基于数据层、算法层、服务层和应用层等进行联合设计与优化。

1.1 AI应用于DoA的监测与评估 DoA不足或过深可导致术中知晓、苏醒延迟、术后谵妄及认知功能障碍等不良事件的发生。DoA监测在指导临床精准用药,以及提升麻醉安全与质量方面具有十分重要的意义。

由于脑电图(electro encephalograhpy, EEG)的多种数据特征能够有效反映麻醉期间的大脑状态,故其已成为目前广泛使用的DoA和脑功能监测方法。AI技术能够高效地分析EEG中的多个有效特征,从复杂EEG数据中提取代表信息,以更好地评估DoA,提高监测的实时性和准确性。Saadeh等[1]应用ML分类处理器分析EEG,其准确度可达92.2%,保证了患者术中适宜的DoA。

目前,围手术期的DoA监测主要基于脑电双频指数(bispectral index,BIS)数据。当患者的BIS数值稳定于40～60时,可避免术中知晓或深度麻醉的发生。由于BIS是评估DoA的金标准,故在使用神经网络算法和其他ML方法分析EEG数据时,皆须与BIS数据进行比较。Liu等[2]提出了一种应用多尺度熵的分析方法,其结果表明,该方法得到的EEG分析结果与应用金标准得到的结果存在较高的一致性。Li等[3]基于长短时记忆方法和稀疏去噪的自动编码器方法,建立了DoA监测模型,其预测性能良好。Ramaswamy等[4]基于睡眠状态的EEG记录数据和右美托咪定的临床试验数据,提取出EEG的频谱特征,并应用逻辑回归(logistics regression,LR)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)模型训练相关数据集,结果表明RF模型能够更好地预测患者的DoA。

相信随着AI算法的不断优化及硬件设备的升级,其相关技术对DoA和脑功能的预测精度和实效性将不断提高,未来AI在DoA监测系统的开发与应用中也将发挥更为重要的作用。

1.2 AI应用于麻醉药物作用的脑FC研究 应用全身麻醉药物所致的可逆性意识消失及其机制研究是麻醉学领域的重要课题。特殊脑区活动及脑区间的连接与清醒状态的维持存在关联,而AI能够模拟大脑不同意识状态之间的转换关系。Campbell等[5]提取了44名受试者在不同状态下的大脑局部活动、区域同质性和区域功能活动的特征,并基于这些特征进行数据训练;研究结果表明,受训练的ML分类器有帮助区分临床患者的病理性无意识程度的可能。Cheng等[6]通过以婴儿面部表情为中心的ML方法来自动评估婴儿术中或接受临床操作中的疼痛程度,有利于麻醉科医师进行更好的镇痛,实现良好的婴儿疼痛管理。

同时,基于AI算法能够实现疼痛的分类,以及疼痛位置的可视化,包括定位和测量。正因如此,AI在疼痛管理中具有良好的应用前景与价值。

1.3 AI应用于围手术期并发症的预测 就目前而言,ML仅是辅助麻醉科医师的工具,如何应用ML算法让围手术期的患者受益,才是其真正价值的体现。Zhao等[7]以接受椎管内或全身麻醉老年髋部骨折修复术的患者为研究对象,基于电子病历衍生的数据建立多种ML模型,预测患者谵妄的发生风险,其预测准确率可达85%。Jung等[8]基于术前电子病历系统数据,采用ML算法预测术后谵妄的发生风险,该算法不仅可用于筛查高危人群,还可督促临床医师采取更积极主动的措施预防谵妄。Gong等[9]亦应用ML获取和分析电子健康记录中常规收集的临床和生理数据,以预测ICU患者谵妄的发生风险,并研发了2个模型,该研究结果表明,这2个模型有效地预测并协助降低了高危人群谵妄的发生。此外,围手术期低血压的发生与心血管不良事件及急性肾脏损伤的发生等相关,提前预测并进行早期干预是目前临床的研究热点[10]。

因此,AI在预测术后谵妄或其他脑功能并发症方面具有良好的应用前景,随着AI算法的发展,其预测精度将会得到进一步提高。

1.4 AI在麻醉自动给药系统中的应用 麻醉自动给药系统可通过确定患者的DoA,进而调控麻醉药物的输送量。在20世纪,医师通常将临床体征和血压等指标作为靶点数据,以调节麻醉药物的输送量。随着DoA等新指标的出现,BIS成为了更适合的监测靶点。因此,可以构建DL模型,结合药物的药代动力学和药效动力学特点,分析药物的量-效关系,再整合监测数据,如心率、血压、BIS等指标,指导和优化药物的输注。此外,在受到疼痛刺激时,心率变异性、心率和血压值都会产生变化;Janda等[11]则针对该问题研发了镇痛水平控制系统,结合上述几项参数实现了计算机控制的自动给药,提升了患者对麻醉质量的满意度。

此外,以心率和血压的测量值与目标值的偏移比例为靶点也能够间接反映患者的疼痛程度;Zaouter等[12]基于该靶点开发了自动闭环的麻醉药物自动给药系统,并进一步应用于需要进行体外循环的心脏外科手术中。

1.5 AI在医学影像处理中的应用 医学影像的识别与分割是AI在临床医学应用中较为成熟的范例,其可辅助医师对病变脏器或组织进行识别,提高临床诊断率。

超声作为医学影像学的检查工具之一,在麻醉学与围手术期医学中已得到广泛应用;如超声引导下的神经阻滞、血管穿刺、硬膜外穿刺镇痛等。随着舒适化医疗的不断推广,减少麻醉期间的不必要损伤已成为麻醉科医师的共识。目前,研究人员主要利用ANN识别和分割超声图像,精准识别影像中的动脉、静脉、神经丛、硬膜外间隙、左心室等,协助医师实现快速定位,提高临床工作效率,并减轻患者不适。Leng等[13]于2016年研发了基于全自动超声图像的处理系统,以实时定位硬膜外麻醉进针的位置。这种技术既不需要麻醉科医师熟知超声图像,也不需要额外的硬件设备,只需通过指导医师在纵向视图中定位至插入区域,再指导其旋转并轻微调整超声探头位置,最终定位至理想穿刺位置即可[14]。

当前,图像识别技术已较为成熟,将麻醉机器人的机械臂与图像识别技术相结合,以实现麻醉工作中的机械动作,这也是当前的一个热点课题。

1.6 AI辅助麻醉科医师临床决策 目前,大数据和AI技术能够理解并分析海量数据,具有对数据做出决策的能力,从而挖掘出数据背后的价值。在医学领域,基于与医学相关的统计分析数据和循证医学证据,AI可为临床医师提供决策支持。

麻醉记录是临床工作的重要组成部分,患者围手术期的数据十分重要,可对以后的麻醉处理和病案管理给予参考。随着麻醉信息管理系统(anesthesia information management system,AIMS)的广泛应用,研究者利用ML和患者麻醉综合数据库,进行AI分析,开发出一套能够提供实时决策辅助的软硬件系统——临床决策支持系统(clinical decision support system,CDSS)。该系统将AIMS来源的数据整理为规则的数据,根据设定的决策规则,算法自动判断是否需要在AIMS上发布通知或警报,提示麻醉科医师作出下一步的诊疗计划。

未来CDSS可逐步利用不良事件的预测模型,实现对各种危险事件的预测和干预。现如今,新型的CDSS能够将患者的循环指标、呼吸参数和报警提醒等信息综合显示在提醒界面,全面、具体地反映患者的术中情况,显著提高了麻醉科医师围手术期的管理效率。同时,第五代通信技术(5G)网络的普及,使短时间处理大量数据流得以实现,因此研发出具备实时预测性的CDSS十分重要。

2 AI存在的问题和发展方向

良好的数据标注是AI成功的关键。虽然,AI在医学领域得到了诸多的应用,并且反响较好。但综合而言,目前AI还是存在一些问题。①当前AI基本遵循“大数据小任务”的模式,即针对某类疾病或某类特殊患者,都需要分析、处理大量的数据。未来,针对不同年龄段、不同疾病类型和健康状况的患者,可能更需要一套综合系统进行预测和分析处理。②现阶段,AI是一个“黑箱”,模型算法所得到的输出不能够被解释。例如在麻醉学领域,虽然AI可预测患者疾病或不良事件的发生,但AI很难给出背后的原因。③AI算法的效果十分依赖数据的量和质。如在超声引导的ML研究中,用于识别解剖结构和标志物等的训练效果依赖于训练集中目标的标签,从侧面也反映了可靠、一致标签的重要性。AI在麻醉学中的应用仍处于研究和开发阶段。因此,当前AI在麻醉学中的研究和应用重点应是如何更好地辅助而非取代临床医师。随着未来AI技术的发展,临床医师可能会更多地享受到AI技术所带来的便利。

AI是未来发展的方向,其将继续在监测患者DoA等方面提供更加有效的帮助。一方面麻醉科医师、数据科学家和工程师应协同合作,促进AI的发展。另一方面,麻醉科医师、其他科室医师,乃至患者也应协同合作,以优化AI的诊疗辅助策略。

麻醉学和AI都是处于领先地位的科学。未来,随着AI的发展,麻醉学应与AI技术紧密结合,更好地为健康中国添砖加瓦,为人民健康保驾护航。