人工智能麻醉系统的开发与应用

罗猛强 王英伟

近年来,随着临床信息学与计算机科学的迅猛发展,人工智能(artificial intelligence,AI)在医学领域的研究与应用日趋广泛,在部分应用中其性能已达到甚至超越专家级水平。据国务院发布的《新一代人工智能发展规划》,到2030年我国将实现AI核心产业规模超过1万亿元,带动相关产业规模超过10万亿元,具有广阔的医疗市场前景。

AI属于计算机科学,是任何具有人类智能的计算机程序的总称,其遵循特定的规则与算法,通过软件编程的方法构建智能实体以辅助决策[1]。机器学习(machine learning,ML)是通过储存和分析数据特征并训练模型,使计算机能够模拟或实现人类学习能力的计算机科学,是AI实现智能化的根本途径与核心。目前,基于ML的AI技术已融入临床麻醉,其各亚专业领域AI系统的开发与应用均进展迅速,包括AI术前访视与风险预警系统、AI气道管理系统、AI操作辅助神经阻滞系统、AI静脉麻醉给药系统、AI疼痛监测与管理系统、AI全身麻醉深度(depth of anesthesia, DoA)监测系统等。

1 AI术前访视与风险预警系统

随着我国居民对健康与舒适化医疗需求的日益增长,越来越多的患者因手术或检查需要接受麻醉。然而,我国麻醉科医师的人力资源却长期处于紧缺状态,严重制约着麻醉学的发展与舒适化诊疗水平的进一步提高。

术前访视需要大量麻醉科医师参与工作,且难以避免出现人为疏漏。近期,本研究团队基于择期患者术前电子健康记录(electronic health record,EHR)信息和患者客户端采集病史系统,综合两者提取特征建立AI术前访视系统,自动输出术前评估报告,以尽早识别患者围手术期高危风险因素,从而指导外科医师与麻醉科医师进行必要干预,在节省人力的同时能够显著提高患者围手术期的安全性及满意度(国家发明专利号:201911318587X)。

AI临床分析系统能够处理大量EHR信息及其衍生的输入特征,生成准确的不良事件与风险预测模型,有助于在弥补麻醉科医师人力资源不足的同时,保障患者围手术期安全,降低并发症的发生率和死亡率。

目前基于AI的模糊逻辑、神经网络(neural network,NN)、梯度增强(gradient boosting machine,GBM)等模型均已被成功应用于监测预警围手术期的不良事件,包括心动过缓、低氧血症、低血压、低血容量等。Bihorac等[2]从51 457例接受不同类型手术的成年患者EHR数据中提取285个术前参数,基于ML建立的MySurgeryRisk智能系统能够准确预测患者发生术后并发症和24个月内死亡的风险,其预测术后并发症的AUC为0.82～0.94。Solomon等[3]回顾分析了62 182例接受择期非心脏手术患者的病例资料,建立基于AI逻辑回归模型开发的风险预警系统,结果表明与描述性回归模型相比,GBM模型具有更多数据特征与复杂交互,且对不稳定心动过缓事件(定义为心率<50次/min并伴有明显低血压)的预测准确率更高。Wijnberge等[4]的随机对照试验结果表明,ML衍生的术中低血压风险预警系统能够降低择期非心脏手术的术中低血压发生率,且低血压的时间加权平均值[血压低于65 mmHg(1 mmHg=0.133 kPa)的数值×时间÷手术总时长]明显降低。

综上,AI术前访视与风险预警系统有助于尽早识别患者围手术期可能出现的不良事件,有效实现风险事件预警,可为临床麻醉提供实时、精准的决策支持,在及时干预从而改善患者预后中发挥重要作用。

2 AI气道管理系统

气道管理虽是麻醉科医师擅长的领域,但也面临着诸多挑战,准确预测困难气道便是一个长期未能被彻底解决的临床问题。虽然各类评分分级、放射检查、支气管镜检查等可被用于困难气道的评估与重建,但在临床实践中均存在相应弊端。最近的研究显示,AI人脸与头颈部成像识别技术有助于辅助麻醉科医师全自动智能评估困难气道,实现早期预警。研究者使用图像全自动采集系统与ML提取面部关键特征建立AI模型,通过卷积神经网络(convolutional neural network,CNN)筛选困难气道,并评估气管插管的困难程度,其中,患者仰卧闭口体位模型具有良好的困难气道预测准确率,其AUC值为0.86[5]。

新型冠状病毒感染疫情的暴发使机器人气管插管的需求更加强烈,那么,现在能否实现机器人气管插管呢?近期研究[6]显示,机器人自动内窥镜经喉成像和气管插管(robotic endoscope-automated via laryngeal imaging for tracheal intubation, REALITI)可通过实时图像识别和自动远端定位完成气管插管,使未接受过医学培训的志愿者插管成功率达到95%。使用AI智能系统进行气管插管的关键问题是如何准确地自动识别声带和气管环。Matava等[7]在研究中建立的CNN模型可高性能地识别可视喉镜和支气管喉镜显露的声门与气管环。Cho等[8]研究的4种喉镜图像识别声带的CNN模型均具有较高的声带预测精度。在新生儿的气道管理中,也有通过CNN模型获得较高气管插管成功率的报道[9-10]。 虽然,基于ML的AI气管插管技术尚无法达到100%的气管插管成功率,但其为麻醉科医师的临床操作提供一种选择,未来在气道可视化管理和培训等方面具有良好的应用前景。

3 AI操作辅助神经阻滞系统

图像识别是医疗领域AI研究的热点,计算机远超人类的图像储存、记忆功能使图像识别技术在临床应用成为可能。AI能够帮助麻醉科医师高效地分析数据,获取最优图像,提高图像分析的准确性与效率。现阶段麻醉科医师仍主要依靠自身经验对超声图像进行定位,但掌握超声引导下神经阻滞技术需要一定的学习积累,初学者常不易辨认针尖位置并维持良好的可视度,难以准确地评估针尖与神经外膜之间的关系。那么,能否借助AI系统实现超声引导下神经阻滞的精准定位呢?

目前,AI在区域神经阻滞的应用日益广泛,包括辅助决策、分析模拟训练的性能、优化针尖精度及辅助操作机器人等,AI技术如CNN等已被应用于鉴别神经组织的解剖结构,辅助硬膜外、臂丛、坐骨神经等区域阻滞进针,而通过操纵杆驱动机械臂的麦哲伦手术机器系统也已被应用于辅助神经阻滞,能够优化操作者的学习曲线[11]。近期,本研究团队利用深度学习算法,通过收集1 076例患者共11 392张超声图片,构建以CNN为基础的AI自动识别肌间沟臂丛神经程序,结果表明,程序预测臂丛外侧边缘中点和真实臂丛外侧的准确率显著高于非专家级的主治医师,同时能够显著提高住院医师识别肌间沟臂丛的准确率,其准确率由31%提高至87%[12]。

未来,针尖跟踪可视化或将迎来技术革命。已有学者利用组织的物理特性和生物标记辅助监测针尖位置,在针内腔置入细光纤以测量针尖压力或针尖远端嵌入压电元件,通过超声激活,能够以蓝色、红色或绿色圆圈形式跟踪针尖[13]。多项研究[14-15]结果表明,使用跟踪器针尖对防腐尸体进行坐骨神经阻滞,能够优化针尖识别,大幅提高神经阻滞的成功率。但亦有研究[16]显示,与对照组相比,超声激活针尖追踪锁骨下臂丛神经阻滞的操作时间、阻滞成功率和持续时间的差异均无统计学意义。

综上,AI技术帮助麻醉科医师识别区域阻滞神经超声图像的优势明显,有助于提高各类神经阻滞进针的准确性,并优化操作者学习曲线;但现阶段AI结合针尖跟踪可视化技术的多项研究仍处于实验模型阶段,其提高神经阻滞成功率的性能有待提升,未来仍需更多大样本随机对照的临床研究加以论证。

4 AI静脉麻醉给药系统

自20世纪50年代脑电图(electroencephalogram,EEG)被应用于全身麻醉药(简称全麻药)自动控制输注以来,药物靶控输注(target-controlled infusion,TCI)的应用已逐渐拓展至目标靶向的液体治疗、血管活性药物及儿茶酚胺改善心功能输注系统,并已由基于简单药代动力学模型的开环TCI系统发展为单闭环和多闭环TCI药物输注系统。

直接和连续的全麻药浓度监测是实现输注自动控制系统最优化的关键。AI技术的发展能够实现即时反馈,快速、准确地计算患者当前药物需求,使滴定全麻药剂量达到体内平衡,提高药物智能输注系统性能。Lee等[17]通过长短时记忆的前馈神经网络序列模型预测丙泊酚与瑞芬太尼联合应用时术中的脑电双频指数(bispectral index,BIS)值,与传统机械模型相比,深度学习模型在麻醉诱导、维持和恢复期预测BIS值的误差均更小。使用连续监测的丙泊酚浓度作为输入,建立基于高斯径向基函数支持向量分类器的ML方法,分类器能够高精度地对人血清中1～60 μmol/L治疗范围内的丙泊酚进行分类[18],有助于开发闭环控制麻醉输注系统。

目前,药物智能输注系统多集中于全身麻醉的3要素:镇静、镇痛和神经肌肉松弛。McSleepy自主系统是一类使用麻醉成分作为独立控制变量开发的多闭环TCI药物输注系统,能够同时监测镇静、镇痛和神经肌肉松弛以维持适度镇静和镇痛深度。混合镇静系统是利用患者BIS、呼吸频率和脉搏氧饱和度作为控制变量建立的镇静多闭环系统,同时集成协助麻醉科医师决策支持系统,能够更好地维持目标BIS值,减少低氧血症的发生。Joosten等[19]使用EEG、心脏血流量(优化每搏量)、肺通气(优化潮气量和呼吸频率以维持呼吸末二氧化碳分压)3个控制器组成自动多闭环麻醉管理系统,能够有效减少麻醉深度过深和低碳酸血症的发生风险,患者术后1周甚至3个月的神经系统评分均优于人工手动控制系统。深度ML方法具有良好的性能和可扩展性,在临床麻醉药理学领域的应用前景广阔。

5 AI疼痛监测与管理系统

目前,临床中仍主要依靠患者对痛觉的主观感受以评估疼痛,患者个体差异性大且易受各种因素影响。近年来,临床医师一直在努力寻求通过神经成像技术客观地评估疼痛,重点关注利用大脑进行疼痛监测的可行性与准确性。基于血氧水平依赖和动脉自旋标记脑成像、心率变异性等特征建立的多变量ML模型能够有效预测慢性腰痛患者的疼痛,其准确度达92.45%,AUC值为0.97[20]。Hu等[21]应用便携式光学神经成像功能性近红外光谱仪监测患者急性疼痛时的大脑皮层活动,使用基于NN的AI算法对数据进行解码来评估疼痛,结果显示人工神经网络(artificial neural network,ANN)对疼痛的分类准确度为80.37%。以上研究结果均表明基于神经成像的AI技术,能够潜在地将人脑转化为客观目标,精准实现对疼痛可视化的监测与定位。

近年来,基于神经成像的AI技术也已拓展至围手术期急性疼痛的管理,使用光学体积描记(photo plethysmo graphy,PPG)深度信念网络(deep belief network,DBN)建立术中疼痛等级分类模型,能够准确地反映患者疼痛的主观感受[22]。Choi等[23]利用PPG频谱图和CNN建立新的镇痛指数以量化评估术后清醒患者的疼痛,结果表明,患者疼痛时的平均频谱图CNN指数较基线水平显著增高,其AUC值为0.76,可有效监测患者术后疼痛。Gram等[24]利用定量感官测试与EEG对全膝关节置换术后患者的阿片类药物镇痛效果进行评估,建立基于常规临床指标的逻辑回归预测模型和支持向量机(support vector machine,SVM)算法的EEG监督学习预测模型,结果表明,ML算法结合EEG能够为疼痛的个性化治疗提供有力支持,指导围手术期镇痛药的合理应用。未来随着大脑神经成像技术的不断进展,与基于ML的AI技术更为深入地融合,将使人们对疼痛进行量化监测的准确性显著提高。

6 AI DoA监测系统

精准监测DoA有助于指导全麻药的合理应用,降低术中知晓、苏醒延迟、术后谵妄等围手术期并发症的发生风险,但DoA不同于血压和心率,无法被量化。EEG是最常用的脑功能监测手段,其反映的人类大脑神经活动具有复杂的非线性动力学特征,是评估麻醉状态的重要参考标准,而定量EEG能够通过频域或时域分析,将EEG基本要素,如频率、节律、波幅等通过函数模型转化为各种量化参数,比传统EEG更为客观,易于解读。AI能够强化EEG中麻醉与意识状态转变的特征,非常适合分析复杂的EEG数据流。

目前,越来越多的研究通过AI与频谱分析技术对EEG信号进行直接分析以监测DoA。使用ML分析脑电频谱多参数特征能够有效预测清醒与不同麻醉深度的全身麻醉状态,其性能显著优于单纯利用BIS与熵指数,而基于多重EEG频域和熵特征结合逻辑回归、SVM、随机森林树、ANN均已被证实能够用于DoA监测,对清醒状态和不同麻醉深度具有较高分类精度[25-26]。Madanu等[27]的研究结果表明,通过集成经验模式分解法提取EEG特征,利用CNN结合BIS与信号质量指数能够用于DoA的精准预测。Mousavi等[28]使用EEG信号时频分析图提取灰度共生矩阵同质性、相关性、对比度等特征,利用最近邻算法分类器监测DoA,通过数据增强技术强化训练提高准确性,同样能够获得良好的预测精度。以上研究均提示,基于多参数EEG特征集的AI 模型可被用于DoA的精准预测;ML算法性能优化可进一步提高预测精度,未来AI技术将在DoA监测系统的开发与应用中发挥重要作用。

7 局限性与伦理挑战

首先,尽管AI系统具有改善患者临床预后的诸多优势,应用领域也在迅速拓展,但现阶段AI数据的来源相对单一且多局限于小样本研究,算法易受数据偏倚的影响,可能导致医疗决策出现偏差,给患者带来不利影响,使其难以被患者和临床医师所信任、接纳。其次,AI算法具有一定“神秘性”,多依赖于复杂、难以理解的数学模型,从数据输入到结果输出均难以提供预测的具体细节来源,可能导致“黑盒效应”,使理解难度进一步增加。因此,在AI的临床实践中必须考虑医疗系统中隐性和显性因素导致的数据偏倚,提高透明度,以增加临床医师对AI基本原理的理解和信任。

AI技术的进步使自动系统或可通过精准预测自主提供医疗服务,重要原因包括EHR系统大幅改进了数据的存储、使用与可互操作性;但也带来了道德伦理挑战,如“南丁格尔”项目未经授权便将数百万美国民众的健康信息披露给谷歌公司。因此,应关注数据使用的知情同意与权限等问题,即数据权利和隐私应被视为人权的一部分,必须以维护患者安全、自主性来解决这些问题,明确数据的所有权、访问权限与方式,确保AI技术符合监管要求,保护患者隐私。

AI是人类对世界全新的认知方式,其发展需要对计算机科学的充分理解并完整地搭建大数据体系,未来充满挑战与未知。AI在临床麻醉各亚专业领域的应用前景广阔,但必须考虑所面临的风险并加以防范。在发展AI医疗技术的同时,也应加快相关法律法规的制订,加强伦理道德风险管控,完善标准体系建设。临床医师应正确分析、甄别AI的输出数据,理解AI技术伦理及其对社会影响,才能充分发挥AI的诸多优势。相信在不远的将来,AI辅助麻醉程序在临床的应用将进一步深入,更高效地辅助麻醉科医师进行医疗决策,提高医疗效率,保障患者安全,推动临床麻醉步入AI助力的智慧麻醉新时代。