毛亞運(yùn)，鄒小華，莫懷忠

(1.貴州醫(yī)科大學(xué)麻醉學(xué)院，貴州 貴陽 550004；2.貴州醫(yī)科大學(xué)附屬醫(yī)院麻醉科，貴州 貴陽 550004；3.貴州醫(yī)科大學(xué)附屬腫瘤醫(yī)院麻醉科，貴州 貴陽 550000)

機(jī)器學(xué)習(xí)是一門基于數(shù)據(jù)來研究算法的交叉學(xué)科，其致力于研究利用計(jì)算機(jī)模擬人類學(xué)習(xí)方式，并通過所獲取的知識(shí)不斷優(yōu)化自身性能[1]。作為人工智能領(lǐng)域的研究熱點(diǎn)，機(jī)器學(xué)習(xí)的理論及方法目前已被廣泛應(yīng)用于解決實(shí)際應(yīng)用和科學(xué)領(lǐng)域的復(fù)雜問題。麻醉醫(yī)師主要是在圍術(shù)期對(duì)由多種因素(麻醉、手術(shù)、原發(fā)疾病)引起的重要生命功能的變化進(jìn)行監(jiān)測(cè)、干預(yù)，保證圍術(shù)期患者的安全。這要求麻醉醫(yī)師要有廣泛的專業(yè)知識(shí)，對(duì)患者各重要臟器功能儲(chǔ)備狀態(tài)進(jìn)行準(zhǔn)確評(píng)估，維護(hù)患者各項(xiàng)生命功能(包括重要臟器功能)，并在遇到危急情況時(shí)，能迅速準(zhǔn)確地做出診斷與處理[2]。麻醉領(lǐng)域在發(fā)展和應(yīng)用機(jī)器學(xué)習(xí)技術(shù)方面具有顯著的優(yōu)勢(shì)：各種計(jì)算機(jī)控制系統(tǒng)，如監(jiān)護(hù)儀、藥物輸注系統(tǒng)及麻醉電子病歷系統(tǒng)，可直接連接至每例患者，實(shí)時(shí)收集大量高保真數(shù)據(jù)等。本文就機(jī)器學(xué)習(xí)在圍術(shù)期風(fēng)險(xiǎn)評(píng)估與預(yù)測(cè)、麻醉深度監(jiān)測(cè)與調(diào)控、麻醉基本技能操作及圍術(shù)期危機(jī)診治的應(yīng)用進(jìn)展進(jìn)行綜述。

1 機(jī)器學(xué)習(xí)在圍術(shù)期風(fēng)險(xiǎn)評(píng)估與預(yù)測(cè)中的應(yīng)用

全面、準(zhǔn)確的術(shù)前評(píng)估是臨床麻醉醫(yī)師的重要工作內(nèi)容，明確危險(xiǎn)因素，甄別處于高風(fēng)險(xiǎn)狀態(tài)的患者，促使其完善術(shù)前準(zhǔn)備，主動(dòng)干預(yù)降低風(fēng)險(xiǎn)是提高麻醉管理質(zhì)量，降低圍術(shù)期相關(guān)并發(fā)癥發(fā)生率和病死率的保障。

1.1 機(jī)器學(xué)習(xí)用于預(yù)測(cè)圍術(shù)期低血壓圍術(shù)期低血壓是術(shù)后不良結(jié)局的獨(dú)立危險(xiǎn)因素，早期識(shí)別高危人群，優(yōu)化誘導(dǎo)、維持及復(fù)蘇方案，是改善患者預(yù)后的一項(xiàng)重要措施。Kendale等[3]利用機(jī)器學(xué)習(xí)方法，分析了13323例患者誘導(dǎo)后低血壓的發(fā)生情況，以患者術(shù)前合并癥、術(shù)前用藥情況、誘導(dǎo)用藥、術(shù)中生命征為臨床特征，采用Logistic 回歸、隨機(jī)森林、支持向量機(jī)、樸素貝葉斯、k-近鄰、線性判別分析、神經(jīng)網(wǎng)絡(luò)及梯度提升等方法進(jìn)行建模，并對(duì)性能最優(yōu)化的模型進(jìn)行優(yōu)化，結(jié)果證實(shí)，機(jī)器學(xué)習(xí)算法可成功預(yù)測(cè)全身麻醉后低血壓的發(fā)生。而Hatib等[4]則根據(jù)有創(chuàng)動(dòng)脈壓力波的特征(動(dòng)脈壓波時(shí)間、波幅、曲線下面積、斜率特征、Flotrac算法特征、CO-Trek特征、壓力反射特征等)，判斷循環(huán)系統(tǒng)代償能力情況，創(chuàng)建低血壓預(yù)測(cè)模型。該模型的優(yōu)勢(shì)在于，可在低血壓發(fā)生前15分鐘預(yù)測(cè)出低血壓的發(fā)生概率，其敏感度為88%，特異度為87%。這將給臨床醫(yī)師提供高價(jià)值的預(yù)警，保證其有充足的時(shí)間糾正潛在的生命機(jī)能紊亂，防止嚴(yán)重低血壓的發(fā)生。

1.2 機(jī)器學(xué)習(xí)用于圍術(shù)期并發(fā)癥風(fēng)險(xiǎn)評(píng)估傳統(tǒng)的風(fēng)險(xiǎn)估計(jì)方法主要是依靠精心構(gòu)建從而減少偏倚的隊(duì)列或病例對(duì)照，采用假設(shè)檢驗(yàn)、Logistics回歸等辦法推測(cè)結(jié)局與危險(xiǎn)因素之間的關(guān)系[5]。但在大數(shù)據(jù)領(lǐng)域，數(shù)據(jù)結(jié)構(gòu)常不完整，傳統(tǒng)的統(tǒng)計(jì)方法較為受限(如對(duì)缺失值敏感、要求每個(gè)研究變量至少10～15個(gè)事件數(shù)、變量不宜納入太多等)，在這些情況下，機(jī)器學(xué)習(xí)則顯示出較大優(yōu)勢(shì)[6]。Thottakkara等[7]采用Logistic回歸及廣義相加模型、樸素貝葉斯、支持向量機(jī)等機(jī)器學(xué)習(xí)方法針對(duì)佛羅里達(dá)大學(xué)健康數(shù)據(jù)庫中的50318條高維臨床數(shù)據(jù)信息進(jìn)行了分析，以建立術(shù)后膿毒癥和急性腎損傷預(yù)測(cè)模型，結(jié)果表明，與Logistic回歸比較，廣義相加模型和支持向量機(jī)算法顯著提高了模型的預(yù)測(cè)性能。同樣，Hill等[8]采用隨機(jī)森林等算法，利用加州大學(xué)洛杉磯分校圍術(shù)期結(jié)構(gòu)化數(shù)據(jù)庫中患者的術(shù)前信息創(chuàng)建了一個(gè)自動(dòng)化評(píng)分模型，該模型用于預(yù)測(cè)術(shù)后死亡率的受試者曲線(ROC)曲線下面積(AUC)顯著高于現(xiàn)有的POSPOM評(píng)分和Charlon并發(fā)癥評(píng)分。這些機(jī)器學(xué)習(xí)算法可迅速、精準(zhǔn)地分辨出高風(fēng)險(xiǎn)人群，以利醫(yī)師規(guī)劃好圍術(shù)期應(yīng)對(duì)策略，并將稀缺醫(yī)療資源傾斜至最可能獲益的患者身上，降低醫(yī)療風(fēng)險(xiǎn)并促進(jìn)醫(yī)療資源價(jià)值最大化。

同傳統(tǒng)回歸模型一樣，納入變量對(duì)于結(jié)局的重要性決定了模型的預(yù)測(cè)性能，機(jī)器學(xué)習(xí)再精細(xì)也不能無中生有，提取出不存在的信息。同時(shí)，目前多數(shù)機(jī)器學(xué)習(xí)工具仍屬于“黑盒”系統(tǒng)，其內(nèi)部工作難以理解，也不能估計(jì)每個(gè)特征對(duì)模型預(yù)測(cè)性能的重要程度，處理過程的不透明性將影響到臨床醫(yī)師及患者對(duì)結(jié)果的信任度。近年來，許多學(xué)者對(duì)于機(jī)器學(xué)習(xí)的可解釋性方面做了很多努力，未來有望通過機(jī)器學(xué)習(xí)建立預(yù)測(cè)性能高且容易解釋的預(yù)測(cè)模型[9，10]。

2 機(jī)器學(xué)習(xí)在麻醉深度監(jiān)測(cè)與調(diào)控中的應(yīng)用

麻醉深度是麻醉藥物的抑制與傷害性刺激的激惹之間的相互關(guān)系在中樞神經(jīng)系統(tǒng)上的反應(yīng)。近年來大量研究表明：過深的麻醉與術(shù)后死亡率密切相關(guān)，而過淺的麻醉則增加患者術(shù)中知曉的風(fēng)險(xiǎn)[11]。密切監(jiān)測(cè)并及時(shí)調(diào)整麻醉深度，是臨床麻醉醫(yī)師的核心工作，也是實(shí)現(xiàn)精確麻醉的基本要求。

2.1 機(jī)器學(xué)習(xí)算法用于麻醉深度的監(jiān)測(cè)目前臨床上的麻醉深度監(jiān)測(cè)方法主要基于對(duì)腦電信號(hào)的分析，其中以腦電雙頻指數(shù)(Bispectral index，BIS)的應(yīng)用最為廣泛[12]。但其穩(wěn)定性和抗干擾能力尚有待提高；與傷害性刺激的相關(guān)性也較差，更全面、更準(zhǔn)確的麻醉深度監(jiān)測(cè)方法仍是臨床研究的熱點(diǎn)[11]。機(jī)器學(xué)習(xí)非常適用于像腦電圖一類的復(fù)雜數(shù)據(jù)流的分析，其可以利用多種線性和非線性數(shù)據(jù)構(gòu)建高級(jí)模型，從而更好地反映藥物的量效反應(yīng)。Mirsadeghi等[13]采用機(jī)器學(xué)習(xí)算法分析腦電不同波段功率、總功率、紡錘體評(píng)分及熵等參數(shù)，以反映清醒-麻醉狀態(tài)的腦電特性，結(jié)果表明機(jī)器學(xué)習(xí)算法可獲得較BIS(88.4% vs.84.2%)更為準(zhǔn)確的效果。Shalbaf等[14]則針對(duì)腦電圖的多個(gè)特征，采用機(jī)器學(xué)習(xí)算法研究不同麻醉深度時(shí)腦電圖的特征性改變，結(jié)果顯示機(jī)器學(xué)習(xí)算法的準(zhǔn)確率可達(dá)92.91%，遠(yuǎn)高于熵指數(shù)(77.5%)。

2.2 機(jī)器學(xué)習(xí)算法用于麻醉深度自動(dòng)調(diào)控閉環(huán)靶控麻醉藥物輸注系統(tǒng)是以麻醉深度監(jiān)測(cè)為反饋?zhàn)兞?，以藥代?dòng)力學(xué)與藥效動(dòng)力學(xué)知識(shí)為基礎(chǔ)，實(shí)時(shí)控制輸注速率或藥物濃度，從而實(shí)現(xiàn)自動(dòng)化麻醉管理功能的系統(tǒng)。Absalom[15]采用比例-積分-微分(propotional-integral-derivative，PID)控制算法，先使用統(tǒng)一的效應(yīng)室濃度進(jìn)行麻醉誘導(dǎo)，然后再用其設(shè)計(jì)的閉環(huán)靶控輸注系統(tǒng)進(jìn)行麻醉維持。這可以避免麻醉深度的劇烈振蕩，減小控制誤差。強(qiáng)生公司在其基礎(chǔ)上發(fā)明了SEDASYS計(jì)算機(jī)輔助個(gè)體化鎮(zhèn)靜系統(tǒng)。該系統(tǒng)集成了麻醉學(xué)科ASA標(biāo)準(zhǔn)監(jiān)護(hù)項(xiàng)目(包括呼氣末CO2監(jiān)測(cè))及麻醉自動(dòng)輸注系統(tǒng)，系統(tǒng)在注射負(fù)荷劑量的麻醉藥物(如丙泊酚)后，按程序設(shè)定好的速度維持泵注，然后根據(jù)藥代動(dòng)力學(xué)原理及麻醉深度相關(guān)指標(biāo)對(duì)輸注泵的參數(shù)進(jìn)行實(shí)時(shí)自動(dòng)調(diào)控[16，17]。然而，在控制領(lǐng)域中許多系統(tǒng)參數(shù)都是非線性的，簡(jiǎn)單的系統(tǒng)無法得到精確的數(shù)學(xué)模型，單一的PID控制難以滿足復(fù)雜系統(tǒng)的要求。比如丙泊酚和芬太尼藥理學(xué)特性的個(gè)體差異較大，SEDASYS系統(tǒng)對(duì)個(gè)體差異的分析和控制較弱；每次給藥后的藥效評(píng)估時(shí)間較長(zhǎng)，不能適應(yīng)無痛胃腸鏡診療的高效周轉(zhuǎn)；對(duì)于深度鎮(zhèn)靜所致呼吸抑制和氣道梗阻問題的處理欠佳等[18]。而機(jī)器學(xué)習(xí)可顯著減小中位執(zhí)行誤差、分散度及擺動(dòng)度，使控制性能得到顯著提升。Schamberg等[19]基于藥代動(dòng)力學(xué)/藥效學(xué)開發(fā)了一個(gè)深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，采用“交叉熵(cross-entropy)”的方法在模擬環(huán)境中通過強(qiáng)化學(xué)習(xí)對(duì)該神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，旨在將其用于患者麻醉深度的控制。該算法先按照某種規(guī)則進(jìn)行成批的模擬，獲得點(diǎn)誤差，根據(jù)誤差信息決定下一次模擬規(guī)則。經(jīng)過多次學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)逐漸學(xué)習(xí)到麻醉狀態(tài)與丙泊酚濃度之間的對(duì)應(yīng)關(guān)系。該模型的優(yōu)勢(shì)在于確定每位患者達(dá)到不同麻醉深度的合適劑量，且在藥代和藥效個(gè)體差異的把握方面較PID模型更為穩(wěn)健。

3 機(jī)器學(xué)習(xí)在麻醉基本技能操作中的應(yīng)用

3.1 機(jī)器學(xué)習(xí)在氣管插管機(jī)器人中的應(yīng)用隨著達(dá)芬奇機(jī)器人輔助外科手術(shù)系統(tǒng)的研發(fā)成功，許多學(xué)者將智能化機(jī)械臂的理念引到了麻醉相關(guān)基本操作上，以期實(shí)現(xiàn)麻醉操作的智能化和遠(yuǎn)程化。2010年佛羅里達(dá)大學(xué)醫(yī)學(xué)院的Tighe就報(bào)道了使用達(dá)芬奇機(jī)器人操控纖維支氣管鏡在模擬人上進(jìn)行氣管插管[20]。2012年加拿大麥吉爾大學(xué)使用其研發(fā)的開普勒機(jī)器人氣管插管設(shè)備(Kepler intubation system，KIS)在12例患者身上成功實(shí)施了氣管插管[21]。開普勒插管系統(tǒng)與達(dá)芬奇一樣需要操作者進(jìn)行遠(yuǎn)程操控，故仍算不上真正意義上的自動(dòng)化。而在2011年Lederman等就開始采用高斯混合模型框架進(jìn)行食管、氣管上段、氣管隆突等解剖特征圖像進(jìn)行學(xué)習(xí)訓(xùn)練，經(jīng)過學(xué)習(xí)后，系統(tǒng)判斷氣管內(nèi)插管的正確率可達(dá)95%[22]。隨后Carlson等嘗試用k-近鄰、支持向量機(jī)、決策樹和神經(jīng)網(wǎng)絡(luò)等算法訓(xùn)練軟件系統(tǒng)對(duì)聲門結(jié)構(gòu)的判斷，結(jié)果表明各種算法均可取得較好的成績(jī)[23]?；跈C(jī)器學(xué)習(xí)的實(shí)時(shí)圖像識(shí)別功能和主動(dòng)視覺跟蹤技術(shù)，則使氣管插管機(jī)器人向自動(dòng)化發(fā)展又跨進(jìn)了一大步。REALITI是由瑞士蘇黎士大學(xué)研發(fā)的一款基于喉部影像的自動(dòng)化經(jīng)口氣管插管機(jī)器人，可手動(dòng)操控或系統(tǒng)自動(dòng)操作。系統(tǒng)識(shí)別到第一個(gè)解剖標(biāo)志，就會(huì)鼓勵(lì)操作者將模式轉(zhuǎn)換至自動(dòng)模式，被識(shí)別的解剖結(jié)構(gòu)周圍出現(xiàn)提示框，內(nèi)窺鏡前端會(huì)向著聲門開口方向移動(dòng)，一旦進(jìn)入聲門，就會(huì)提供氣管腔內(nèi)結(jié)構(gòu)圖像并提示操作者進(jìn)行人工確認(rèn)[24]。國(guó)內(nèi)目前也有多家單位開展氣管插管機(jī)器人的研發(fā)，如海軍軍醫(yī)大學(xué)潘鐵文教授團(tuán)隊(duì)的遙操作氣管插管機(jī)器人系統(tǒng)[25]、西安交通大學(xué)呂毅教授團(tuán)隊(duì)的全磁導(dǎo)航氣管插管機(jī)器人等均獲得較好的成績(jī)。但對(duì)于氣管插管機(jī)器人實(shí)現(xiàn)全自動(dòng)化，目前尚有許多工作需要完善，比如自動(dòng)化套囊充氣系統(tǒng)、自動(dòng)化氣道表面麻醉系統(tǒng)、自動(dòng)化經(jīng)鼻氣管插管系統(tǒng)等。

3.2 機(jī)器學(xué)習(xí)在超聲引導(dǎo)神經(jīng)阻滯中的應(yīng)用在快速康復(fù)外科理念的推動(dòng)下，超聲引導(dǎo)下的神經(jīng)阻滯作為麻醉學(xué)科的一項(xiàng)基本操作得到廣泛推廣。在神經(jīng)阻滯機(jī)器人領(lǐng)域，2013年麥哲倫(Magellan)外周神經(jīng)阻滯系統(tǒng)已成功用于神經(jīng)阻滯的輔助操作，但實(shí)際上僅是使用遙操機(jī)械臂替代了人工直接操作，故還不能稱為自動(dòng)化系統(tǒng)[26]。超聲圖像的識(shí)別及圖像引導(dǎo)穿刺操作的協(xié)調(diào)是最難學(xué)習(xí)的環(huán)節(jié)，而機(jī)器學(xué)習(xí)在圖像識(shí)別方面具有巨大的優(yōu)勢(shì)。2015年Gil將機(jī)器學(xué)習(xí)算法運(yùn)用于超聲神經(jīng)圖像的分割，其中特征提取階段采用特定的非線性小波變換，分類步驟采用高斯處理，實(shí)現(xiàn)了神經(jīng)結(jié)構(gòu)的自動(dòng)化識(shí)別[27]。Hatt等[28]則利用機(jī)器學(xué)習(xí)算法訓(xùn)練針的超聲圖像分割器，并采用Radon變換從分隔的圖像中找到針的位置和方向，從而可以準(zhǔn)確定位針的位置。因此，神經(jīng)阻滯向自動(dòng)化發(fā)展的困難也正在被逐一排除。

4 機(jī)器學(xué)習(xí)在圍術(shù)期危機(jī)事件管理中的應(yīng)用

科學(xué)的預(yù)警和決策，積極有效預(yù)防和快速正確診斷處理是化解圍術(shù)期危機(jī)事件的關(guān)鍵。哮喘或支氣管痙攣的發(fā)作是圍術(shù)期重要危機(jī)之一，早期的識(shí)別和處理可避免病情的進(jìn)一步加重，從而改善患者的預(yù)后。Amaral等[29]采用k近鄰、隨機(jī)森林、AdaBoost等算法，研究強(qiáng)迫振蕩技術(shù)參數(shù)用于哮喘發(fā)作時(shí)氣道梗阻表現(xiàn)的診斷，結(jié)果表明，所有的算法均可較準(zhǔn)確的診斷出哮喘發(fā)作，其中k近鄰法和AdaBoost法的診斷效能可達(dá)較高精度，AUC分別為0.88和0.89。而對(duì)于限制性呼吸和哮喘的鑒別診斷，也可采用機(jī)器學(xué)習(xí)算法進(jìn)行精確區(qū)分[30]。心力衰竭是圍術(shù)期常見合并癥之一，圍術(shù)期心力衰竭患者非心臟術(shù)后的死亡率和再入院率比相同手術(shù)的冠心病患者都要顯著增高。早期發(fā)現(xiàn)心力衰竭，給予制定完善的圍術(shù)期管理計(jì)劃(包括手術(shù)時(shí)機(jī)選擇、術(shù)前優(yōu)化、術(shù)中麻醉管理、輸液控制及術(shù)后康復(fù))，將可使患者獲益。Olsen等[31]采用卷積神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練并建立了一個(gè)基于44959例患者的心電圖和經(jīng)胸心臟超聲數(shù)據(jù)判斷心衰與否的系統(tǒng)，其AUC可達(dá)0.93，準(zhǔn)確性達(dá)85.7%。而Alonso-Betanzos等[32]則利用監(jiān)督及非監(jiān)督學(xué)習(xí)法根據(jù)心衰患者的心臟超聲心室容積參數(shù)及射血分?jǐn)?shù)分析它們之間的關(guān)系，可對(duì)患者的心衰類型進(jìn)行準(zhǔn)確鑒別。同時(shí)，機(jī)器學(xué)習(xí)算法還可用在不同心衰患者對(duì)治療方法的反應(yīng)估計(jì)中，從而指導(dǎo)治療決策的制定[33，34]。

5 展望

綜上所述，人工智能時(shí)代的到來將使醫(yī)療行業(yè)的一些領(lǐng)域發(fā)生革命性變化，機(jī)器學(xué)習(xí)算法在人工智能的發(fā)展中發(fā)揮著至關(guān)重要的作用，其在圖像分析、評(píng)估預(yù)測(cè)、輔助決策及自動(dòng)化中的優(yōu)勢(shì)將給麻醉學(xué)科帶來巨大的發(fā)展契機(jī)。雖然目前在麻醉學(xué)科多個(gè)領(lǐng)域的應(yīng)用仍處于雛形階段，但隨著技術(shù)日益成熟、困難逐一解決，相信能推動(dòng)麻醉學(xué)科向更智能、更科學(xué)的方向前進(jìn)。