人工智能临床决策支持系统在麻醉学领域的应用

丁 宇 魏 祥 张依爵 袁红斌 傅海龙

临床决策支持系统(clinical decision support system, CDSS)是指辅助临床决策的计算机软件系统[1]。CDSS可收集患者数据,结合相关医学知识和相应算法,给出诊疗方案,从而为医护人员进行临床决策提供辅助与支持。20世纪50年代,Ledley等[2]首次提出了CDSS的概念。近年来,随着电子病历(electronic medical record, EMR)系统和人工智能(artificial intelligence, AI)的迅猛发展,CDSS逐步成为AI在医疗领域的一项重要实践应用。机器学习、神经网络算法和决策树等AI技术与传统的CDSS相结合,使系统可以将纷繁杂乱的患者信息迅速转换为简洁有序的数据资料并进行分析,从而为临床决策提供支持。目前,基于AI的CDSS已应用于创伤外科[3]、普通外科[4]、神经外科[5]和儿科[6]等领域,并取得了较好的临床效果。

在麻醉学领域,麻醉科医师在日常工作中往往需要同时执行多项任务,如使用麻醉药物、进行麻醉记录、维持患者正常生理参数和液体平衡等,这使得麻醉科医师需要从多个设备中获取信息并快速进行决策和干预,这客观上增加了麻醉科医师工作中意外和疏忽的发生风险。同时,由于麻醉管理的复杂性、患者状态变化的动态性和手术方式的多样性,麻醉科医师在临床工作中难以完全严格遵循指南。针对上述情况,研究人员开发出可用于麻醉学领域的CDSS,这类CDSS可获取患者围手术期数据,并给出相关诊疗建议。前期已有研究结果表明,CDSS可以提高患者术前服用抗生素[7]和β受体阻滞剂[8]的依从性,减少吸入性麻醉剂的用量[9],以及辅助完成麻醉单记录和麻醉计费工作[10]等。随着麻醉信息管理系统(anesthesia information management system, AIMS)和AI技术的发展,CDSS在麻醉学领域的应用将更加广泛,功能将更加完善。本文阐述了近年来基于AI的CDSS在麻醉学领域的研发和应用情况,其功能主要包括术前评估及围手术期不良事件预测、提供治疗决策和辅助麻醉操作等,并就AI相关CDSS的未来发展进行展望。

1 AI相关CDSS在麻醉学领域的主要功能

1.1 术前评估和围手术期不良事件预测 早期的CDSS应用于术前评估时仅局限于单一类别指标的筛查。系统通过读取EMR信息,可筛查、识别糖尿病[11]、急性肺损伤[12]等患者,一定程度上减少了麻醉科医师术前审阅患者病历资料的工作量。2018年,Wax等[13]研发了一种可筛选多个关键事件的CDSS,该系统可通过读取患者EMR资料,包括既往手术和麻醉记录,从中筛查出关键事件,如麻醉操作困难、抢救用药、围手术期不良事件等,在患者再次进行手术时该系统可向麻醉科医师提供预警。

CDSS逐步由简单的病历资料筛查向系统性的评估预测发展。传统的术前评估方式如ASA分级、美国外科医师学会国家外科手术质量改进计划(national surgical quality improvement program, NSQIP)风险计算器,存在主观性性强、患者信息收集录入工作量大等缺点。基于AI的CDSS则利用AI算法自动读取病历数据并进行分析,克服了上述传统评估方式的缺点,提高了术前评估的准确性和效率。2019年,Bihorac等[14]研发了MySurgeryRisk系统,该系统基于EMR记录中现有的临床数据,计算出8类术后不良事件[急性肾损伤(acute kidney injure, AKI)、败血症、静脉血栓栓塞症、ICU停留时间>48 h、机械通气时间>48 h、切口处并发症、神经系统并发症和心血管系统并发症]的概率风险得分,并预测术后24个月内患者的死亡风险;经验证,该系统预测术后并发症的AUC为0.82～0.94,预测术后1、3、6、12和24个月的患者死亡风险的AUC为0.77～0.83,该系统在其他数据集中也被证明具有稳定的预测性能[15]。MySurgeryRisk系统操作简便、易行,可自动读取EMR数据,无需临床医师手动输入数据。此外,有学者已开发并验证了麻醉诱导后低血压[16]和气管插管困难[17]的AI预测模型,这些模型为进一步完善CDSS的术前评估功能提供了数据基础。

CDSS不仅可以用于术前评估,还能在整个围手术期实时监测和预测不良事件的发生风险。2010年,密歇根大学(University of Michigan)研究人员开发了AlertWatch系统[18],该CDSS已被美国FDA批准使用。AlertWatch系统可提取患者历史EMR数据,如基本信息、实验室检查结果等,并将其与手术中实时监测获取的各项生理数据结合,当监测中发现异常值时,系统的屏幕可通过不同颜色进行标记,提示并发出警报[19]。AlertWatch系统也已被整合入麻醉控制塔(anesthesiology control tower, ACT)系统中,高年资麻醉科医师在总控制室可依托ACT系统远程监控各个手术室中患者的情况[20]。2018年,Lundberg等[21]开发了“先知”系统,该系统可通过机器学习的方法预测麻醉过程中低氧血症的发生风险并实时分析风险因素,其优点为可自动获取数据、自我分析预测风险,并发出实时警报。同年,Hatib等[22]开发了一款术中低血压实时预测系统,该系统将机器学习技术应用于动脉压波形的分析,建立了可预测低血压的算法;在低血压发生前的15 min,该系统预测动脉低血压的灵敏度和特异度分别为0.88(95%CI为0.85～0.90)和0.87(95%CI为0.85～0.90),该系统是一套即时而非静态的预测系统,预测指数与距离低血压发生时间的远近保持高度一致性[22]。2019年,Adhikari等[23]对MySurgeryRisk系统进行改良,利用术中实时监测数据以预测术后AKI的发生风险,提高了MySurgeryRisk系统预测术后AKI的灵敏度和特异度。在重症监护领域,Calvert等[24]于2016年开发了脓毒症早期预警系统InSight,其仅应用9项参数(收缩压、脉压差、心率、体温、呼吸频率、白细胞计数、pH值、血氧饱和度和年龄)就可在患者首次发生全身炎症反应综合征(systemic inflammatory response syndrome,SIRS)前的3 h预测脓毒症的发生;经验证发现,InSight预测脓毒症的灵敏度为0.90(95%CI为0.89～0.91)、特异度为0.81(95%CI为0.80～0.82),可与现有生物标志物检测方法相媲美。有研究[25]结果表明,该系统在识别及预测严重脓毒症和脓毒症休克方面优于现有的脓毒症评分系统。

1.2 提供治疗决策 AI相关CDSS可对麻醉过程中的重要操作步骤进行提示,以避免麻醉科医师遗忘或疏忽。2013年,有学者研发了一款名为SAM(Smart Anesthesia Manager)的CDSS,该系统除了有简化麻醉计费流程[10]、提高患者术前用药的依从性[8]等功能之外,还可实时生成指导提醒,提醒麻醉科医师定期进行实验室项目(如血气分析、血糖监测等)检查并给予药物(如胰岛素、肌肉松弛药等)[26]。有研究[27]结果表明,该系统提高了麻醉科医师在患者围手术期的血糖管理水平。2017年,Kiatchai等[28]在SAM系统的基础上开发出一款创伤性脑损伤CDSS,该系统同样具备生成重要步骤指导提醒的功能,可用于接受紧急神经外科手术的创伤性脑损伤患儿的麻醉管理。同年,Ehrenfeld等[11]也设计了一款血糖管理系统,该系统可读取患者病历资料并自动筛选、识别糖尿病患者,针对这些患者,系统可向麻醉科医师提供弹出提示,以进行血糖测量和胰岛素注射。使用该系统后,患者术中血糖监测实现率从61.6%上升至87.3%,进入麻醉恢复室时高血糖发生率从11.0%降至7.2%。

在实现定期指导提醒的基础上,CDSS逐步向提供完整治疗方案的方向发展。2018年,Komorowski等[29]开发了Artificial Intelligence Clinician系统,该系统从大量脓毒症患者数据中提取隐含信息,并通过分析治疗决策来学习最佳治疗策略。研究[29]显示,该系统的使用可以改善脓毒症患者的预后。输血决策支持系统近年来在临床工作中也有所应用,Artificial Intelligence Clinician系统依托AI技术,亦可进行围手术期输血量预测和围手术期输血管理[30-32]。

此外,2019年Radhakrishnan等[33]利用Mamdani模型开发了一个咨询模糊控制器用于确定呼吸机所需输送的氧气浓度,以将患者的血氧饱和度维持在所需水平;2022年,Zare等[34]研发了可用于解读血气分析结果的数据集,其包含10类、313个数据元素。这些研究成果为AI相关CDSS解读实验室检查结果和自动设置麻醉参数奠定了理论和实践基础。

1.3 辅助临床麻醉操作 CDSS可以识别重要解剖结构,辅助麻醉科医师完成操作,提高操作成功率,减少并发症发生。2014年,Philippona等[35]研发了NerveGPS系统,该系统可在超声图像上自动识别神经,这为区域神经阻滞的目标神经搜寻提供了便利。2018年,Alkhatib等[36]提出了一种超声图像中的全自动神经跟踪方法,结果表明该方法优于其他描述符,如噪声和过滤图像。这些研究成果对于初学者学习、掌握区域神经阻滞技术具有重要意义。同年,Pesteie等[37]开发出一款混合机器学习系统,该系统可在脊柱超声图像中自动定位硬膜外穿刺针的针靶,并可自动识别超声图像中硬膜外间隙的解剖标志;该系统的应用有助于提高医师硬膜外穿刺的成功率,减少患者并发症的发生。 2020年,Matava等[38]利用机器学习技术开发了一种识别标记系统,该系统可在视频喉镜和支气管镜检查期间实时监测、分类并标记声带和气管解剖结构;此外,在纤维支气管镜气管插管和检查过程中,该系统可以检测气管环并确定位置方向,通过帮助操作者实时识别关键解剖结构,提高了其气管插管成功率和气道管理水平。2021年,Yoo等[39]开发的深度学习模型可在视频支气管镜检查时自动区分、识别气管隆突和双主支气管的解剖位置,其识别能力不受支气管镜随机旋转的影响,可作为设计视频支气管镜CDSS的基础。

2 AI相关CDSS的未来展望

当前,AI在麻醉学领域的应用主要包含3个方面:药物机器人自动给药系统、麻醉技术机器人辅助操作系统和CDSS。相较于前两者,AI相关CDSS起步较晚,也最具有挑战性和发展潜力[40]。AI相关CDSS具有以下3个发展趋势:①可解释性增强。当前AI存在不可解释性,即黑盒问题,临床医师和工程师均无法解释其背后的原理和机制,这极大地限制了AI相关CDSS的应用。未来CDSS兼具机器学习的预测能力和传统逻辑回归的可解释性,将成为术中决策支持的有力工具。系统可以帮助临床医师预测可能发生的不良事件及其风险因素,并根据术中监测数据进行实时更新,麻醉科医师可根据系统提供的风险因素采取相应的干预措施[41]。②自主性加强。区别于闭环系统,目前的CDSS无法进行自动反馈[42]。由单纯的预测评估转向“预测性治疗”,是CDSS的发展方向。这有利于减轻麻醉科医师的工作压力、缓解麻醉科医师短缺的问题。③兼容性提高。当前部分CDSS存在与AI算法不兼容的情况[43],且多数系统开发后应用时间较短,不同系统和不同医院EMR系统之间也存在兼容性欠佳的情况,随着信息技术的发展,系统兼容性的问题将得到解决。

综上所述,尽管AI相关CDSS在麻醉学领域的研发和应用起步较晚,但已显现出了潜在的临床应用价值。CDSS在术前评估、围手术期不良事件预测和操作干预等方面皆能够发挥巨大的作用,从而提高麻醉管理水平,减轻麻醉科医师工作压力。在未来,随着AI技术的不断发展,更多功能完善的CDSS将应用于临床,为麻醉科医师提供更加准确、严谨的决策支持。