鄭應(yīng)剛 熊利澤

人工智能(artificial intelligence,AI)是一門新興技術(shù)科學(xué),其最終目標(biāo)是使計算機(jī)能夠模擬人的思維方式和行為。機(jī)器學(xué)習(xí)(machine learning,ML)是AI的子集,而深度學(xué)習(xí)(deep learning,DL)是ML的子集,主要由人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks,ANN)組成,其中深度主要指的是神經(jīng)網(wǎng)絡(luò)模型的深度。

現(xiàn)階段,AI在麻醉學(xué)中已經(jīng)有了一定的應(yīng)用,并具有較強(qiáng)的臨床適用性,包括但不僅限于麻醉深度(depth of anesthesia, DoA)的自動評估、麻醉藥物的智能給藥、超聲圖像的自動處理和輔助診斷、術(shù)中氣道管理、術(shù)中精準(zhǔn)監(jiān)測預(yù)警、圍手術(shù)期并發(fā)癥及病死率等不良事件的監(jiān)測和預(yù)測、重癥監(jiān)護(hù)治療等。在數(shù)據(jù)方面,患者的電子病歷、圍手術(shù)期監(jiān)測設(shè)備,以及患者穿戴的便攜電子設(shè)備等均能夠產(chǎn)生出海量的醫(yī)療數(shù)據(jù)。借助于AI強(qiáng)大的數(shù)據(jù)分析能力,可從大規(guī)模且復(fù)雜的數(shù)據(jù)中有效地提取出特征。

除此之外,與麻醉學(xué)相關(guān)的AI技術(shù)還包括自然語言處理(natural language processing,NLP)和計算機(jī)視覺(computer vision,CV)。在醫(yī)學(xué)領(lǐng)域中,NLP主要應(yīng)用于自動分析電子健康記錄數(shù)據(jù)。除了記錄病情,更重要的是與之對應(yīng)的醫(yī)療決策規(guī)則,能夠輔助醫(yī)師進(jìn)行臨床決策。同樣,在麻醉學(xué)中,CV已與超聲影像等技術(shù)相結(jié)合,以輔助識別術(shù)前麻醉過程中的特定組織。

1 基于AI的麻醉系統(tǒng)應(yīng)用與開發(fā)

AI在麻醉領(lǐng)域的應(yīng)用基本覆蓋了臨床麻醉的全過程,并且在麻醉學(xué)和圍手術(shù)期醫(yī)學(xué)中發(fā)揮著舉足輕重的作用。為了進(jìn)一步優(yōu)化治療流程,改善患者預(yù)后,為患者提供安全、高效的臨床麻醉,開發(fā)基于AI算法優(yōu)化的麻醉系統(tǒng)尤為關(guān)鍵,尤其是在全身DoA監(jiān)測、麻醉藥物作用的腦功能連接(functional connectivity, FC)及圍手術(shù)期并發(fā)癥預(yù)測等方面?；颊呖蓮氖謾C(jī)端、網(wǎng)頁端和計算機(jī)桌面端獲得麻醉系統(tǒng)帶來的便利。為了更好地實現(xiàn)這一目標(biāo),工程師和醫(yī)師可以基于數(shù)據(jù)層、算法層、服務(wù)層和應(yīng)用層等進(jìn)行聯(lián)合設(shè)計與優(yōu)化。

1.1 AI應(yīng)用于DoA的監(jiān)測與評估 DoA不足或過深可導(dǎo)致術(shù)中知曉、蘇醒延遲、術(shù)后譫妄及認(rèn)知功能障礙等不良事件的發(fā)生。DoA監(jiān)測在指導(dǎo)臨床精準(zhǔn)用藥,以及提升麻醉安全與質(zhì)量方面具有十分重要的意義。

由于腦電圖(electro encephalograhpy, EEG)的多種數(shù)據(jù)特征能夠有效反映麻醉期間的大腦狀態(tài),故其已成為目前廣泛使用的DoA和腦功能監(jiān)測方法。AI技術(shù)能夠高效地分析EEG中的多個有效特征,從復(fù)雜EEG數(shù)據(jù)中提取代表信息,以更好地評估DoA,提高監(jiān)測的實時性和準(zhǔn)確性。Saadeh等[1]應(yīng)用ML分類處理器分析EEG,其準(zhǔn)確度可達(dá)92.2%,保證了患者術(shù)中適宜的DoA。

目前,圍手術(shù)期的DoA監(jiān)測主要基于腦電雙頻指數(shù)(bispectral index,BIS)數(shù)據(jù)。當(dāng)患者的BIS數(shù)值穩(wěn)定于40～60時,可避免術(shù)中知曉或深度麻醉的發(fā)生。由于BIS是評估DoA的金標(biāo)準(zhǔn),故在使用神經(jīng)網(wǎng)絡(luò)算法和其他ML方法分析EEG數(shù)據(jù)時,皆須與BIS數(shù)據(jù)進(jìn)行比較。Liu等[2]提出了一種應(yīng)用多尺度熵的分析方法,其結(jié)果表明,該方法得到的EEG分析結(jié)果與應(yīng)用金標(biāo)準(zhǔn)得到的結(jié)果存在較高的一致性。Li等[3]基于長短時記憶方法和稀疏去噪的自動編碼器方法,建立了DoA監(jiān)測模型,其預(yù)測性能良好。Ramaswamy等[4]基于睡眠狀態(tài)的EEG記錄數(shù)據(jù)和右美托咪定的臨床試驗數(shù)據(jù),提取出EEG的頻譜特征,并應(yīng)用邏輯回歸(logistics regression,LR)、支持向量機(jī)(support vector machine,SVM)和隨機(jī)森林(random forest,RF)模型訓(xùn)練相關(guān)數(shù)據(jù)集,結(jié)果表明RF模型能夠更好地預(yù)測患者的DoA。

相信隨著AI算法的不斷優(yōu)化及硬件設(shè)備的升級,其相關(guān)技術(shù)對DoA和腦功能的預(yù)測精度和實效性將不斷提高,未來AI在DoA監(jiān)測系統(tǒng)的開發(fā)與應(yīng)用中也將發(fā)揮更為重要的作用。

1.2 AI應(yīng)用于麻醉藥物作用的腦FC研究 應(yīng)用全身麻醉藥物所致的可逆性意識消失及其機(jī)制研究是麻醉學(xué)領(lǐng)域的重要課題。特殊腦區(qū)活動及腦區(qū)間的連接與清醒狀態(tài)的維持存在關(guān)聯(lián),而AI能夠模擬大腦不同意識狀態(tài)之間的轉(zhuǎn)換關(guān)系。Campbell等[5]提取了44名受試者在不同狀態(tài)下的大腦局部活動、區(qū)域同質(zhì)性和區(qū)域功能活動的特征,并基于這些特征進(jìn)行數(shù)據(jù)訓(xùn)練;研究結(jié)果表明,受訓(xùn)練的ML分類器有幫助區(qū)分臨床患者的病理性無意識程度的可能。Cheng等[6]通過以嬰兒面部表情為中心的ML方法來自動評估嬰兒術(shù)中或接受臨床操作中的疼痛程度,有利于麻醉科醫(yī)師進(jìn)行更好的鎮(zhèn)痛,實現(xiàn)良好的嬰兒疼痛管理。

同時,基于AI算法能夠?qū)崿F(xiàn)疼痛的分類,以及疼痛位置的可視化,包括定位和測量。正因如此,AI在疼痛管理中具有良好的應(yīng)用前景與價值。

1.3 AI應(yīng)用于圍手術(shù)期并發(fā)癥的預(yù)測 就目前而言,ML僅是輔助麻醉科醫(yī)師的工具,如何應(yīng)用ML算法讓圍手術(shù)期的患者受益,才是其真正價值的體現(xiàn)。Zhao等[7]以接受椎管內(nèi)或全身麻醉老年髖部骨折修復(fù)術(shù)的患者為研究對象,基于電子病歷衍生的數(shù)據(jù)建立多種ML模型,預(yù)測患者譫妄的發(fā)生風(fēng)險,其預(yù)測準(zhǔn)確率可達(dá)85%。Jung等[8]基于術(shù)前電子病歷系統(tǒng)數(shù)據(jù),采用ML算法預(yù)測術(shù)后譫妄的發(fā)生風(fēng)險,該算法不僅可用于篩查高危人群,還可督促臨床醫(yī)師采取更積極主動的措施預(yù)防譫妄。Gong等[9]亦應(yīng)用ML獲取和分析電子健康記錄中常規(guī)收集的臨床和生理數(shù)據(jù),以預(yù)測ICU患者譫妄的發(fā)生風(fēng)險,并研發(fā)了2個模型,該研究結(jié)果表明,這2個模型有效地預(yù)測并協(xié)助降低了高危人群譫妄的發(fā)生。此外,圍手術(shù)期低血壓的發(fā)生與心血管不良事件及急性腎臟損傷的發(fā)生等相關(guān),提前預(yù)測并進(jìn)行早期干預(yù)是目前臨床的研究熱點[10]。

因此,AI在預(yù)測術(shù)后譫妄或其他腦功能并發(fā)癥方面具有良好的應(yīng)用前景,隨著AI算法的發(fā)展,其預(yù)測精度將會得到進(jìn)一步提高。

1.4 AI在麻醉自動給藥系統(tǒng)中的應(yīng)用 麻醉自動給藥系統(tǒng)可通過確定患者的DoA,進(jìn)而調(diào)控麻醉藥物的輸送量。在20世紀(jì),醫(yī)師通常將臨床體征和血壓等指標(biāo)作為靶點數(shù)據(jù),以調(diào)節(jié)麻醉藥物的輸送量。隨著DoA等新指標(biāo)的出現(xiàn),BIS成為了更適合的監(jiān)測靶點。因此,可以構(gòu)建DL模型,結(jié)合藥物的藥代動力學(xué)和藥效動力學(xué)特點,分析藥物的量-效關(guān)系,再整合監(jiān)測數(shù)據(jù),如心率、血壓、BIS等指標(biāo),指導(dǎo)和優(yōu)化藥物的輸注。此外,在受到疼痛刺激時,心率變異性、心率和血壓值都會產(chǎn)生變化;Janda等[11]則針對該問題研發(fā)了鎮(zhèn)痛水平控制系統(tǒng),結(jié)合上述幾項參數(shù)實現(xiàn)了計算機(jī)控制的自動給藥,提升了患者對麻醉質(zhì)量的滿意度。

此外,以心率和血壓的測量值與目標(biāo)值的偏移比例為靶點也能夠間接反映患者的疼痛程度;Zaouter等[12]基于該靶點開發(fā)了自動閉環(huán)的麻醉藥物自動給藥系統(tǒng),并進(jìn)一步應(yīng)用于需要進(jìn)行體外循環(huán)的心臟外科手術(shù)中。

1.5 AI在醫(yī)學(xué)影像處理中的應(yīng)用 醫(yī)學(xué)影像的識別與分割是AI在臨床醫(yī)學(xué)應(yīng)用中較為成熟的范例,其可輔助醫(yī)師對病變臟器或組織進(jìn)行識別,提高臨床診斷率。

超聲作為醫(yī)學(xué)影像學(xué)的檢查工具之一,在麻醉學(xué)與圍手術(shù)期醫(yī)學(xué)中已得到廣泛應(yīng)用;如超聲引導(dǎo)下的神經(jīng)阻滯、血管穿刺、硬膜外穿刺鎮(zhèn)痛等。隨著舒適化醫(yī)療的不斷推廣,減少麻醉期間的不必要損傷已成為麻醉科醫(yī)師的共識。目前,研究人員主要利用ANN識別和分割超聲圖像,精準(zhǔn)識別影像中的動脈、靜脈、神經(jīng)叢、硬膜外間隙、左心室等,協(xié)助醫(yī)師實現(xiàn)快速定位,提高臨床工作效率,并減輕患者不適。Leng等[13]于2016年研發(fā)了基于全自動超聲圖像的處理系統(tǒng),以實時定位硬膜外麻醉進(jìn)針的位置。這種技術(shù)既不需要麻醉科醫(yī)師熟知超聲圖像,也不需要額外的硬件設(shè)備,只需通過指導(dǎo)醫(yī)師在縱向視圖中定位至插入?yún)^(qū)域,再指導(dǎo)其旋轉(zhuǎn)并輕微調(diào)整超聲探頭位置,最終定位至理想穿刺位置即可[14]。

當(dāng)前,圖像識別技術(shù)已較為成熟,將麻醉機(jī)器人的機(jī)械臂與圖像識別技術(shù)相結(jié)合,以實現(xiàn)麻醉工作中的機(jī)械動作,這也是當(dāng)前的一個熱點課題。

1.6 AI輔助麻醉科醫(yī)師臨床決策 目前,大數(shù)據(jù)和AI技術(shù)能夠理解并分析海量數(shù)據(jù),具有對數(shù)據(jù)做出決策的能力,從而挖掘出數(shù)據(jù)背后的價值。在醫(yī)學(xué)領(lǐng)域,基于與醫(yī)學(xué)相關(guān)的統(tǒng)計分析數(shù)據(jù)和循證醫(yī)學(xué)證據(jù),AI可為臨床醫(yī)師提供決策支持。

麻醉記錄是臨床工作的重要組成部分,患者圍手術(shù)期的數(shù)據(jù)十分重要,可對以后的麻醉處理和病案管理給予參考。隨著麻醉信息管理系統(tǒng)(anesthesia information management system,AIMS)的廣泛應(yīng)用,研究者利用ML和患者麻醉綜合數(shù)據(jù)庫,進(jìn)行AI分析,開發(fā)出一套能夠提供實時決策輔助的軟硬件系統(tǒng)——臨床決策支持系統(tǒng)(clinical decision support system,CDSS)。該系統(tǒng)將AIMS來源的數(shù)據(jù)整理為規(guī)則的數(shù)據(jù),根據(jù)設(shè)定的決策規(guī)則,算法自動判斷是否需要在AIMS上發(fā)布通知或警報,提示麻醉科醫(yī)師作出下一步的診療計劃。

未來CDSS可逐步利用不良事件的預(yù)測模型,實現(xiàn)對各種危險事件的預(yù)測和干預(yù)?，F(xiàn)如今,新型的CDSS能夠?qū)⒒颊叩难h(huán)指標(biāo)、呼吸參數(shù)和報警提醒等信息綜合顯示在提醒界面,全面、具體地反映患者的術(shù)中情況,顯著提高了麻醉科醫(yī)師圍手術(shù)期的管理效率。同時,第五代通信技術(shù)(5G)網(wǎng)絡(luò)的普及,使短時間處理大量數(shù)據(jù)流得以實現(xiàn),因此研發(fā)出具備實時預(yù)測性的CDSS十分重要。

2 AI存在的問題和發(fā)展方向

良好的數(shù)據(jù)標(biāo)注是AI成功的關(guān)鍵。雖然,AI在醫(yī)學(xué)領(lǐng)域得到了諸多的應(yīng)用,并且反響較好。但綜合而言,目前AI還是存在一些問題。①當(dāng)前AI基本遵循“大數(shù)據(jù)小任務(wù)”的模式,即針對某類疾病或某類特殊患者,都需要分析、處理大量的數(shù)據(jù)。未來,針對不同年齡段、不同疾病類型和健康狀況的患者,可能更需要一套綜合系統(tǒng)進(jìn)行預(yù)測和分析處理。②現(xiàn)階段,AI是一個“黑箱”,模型算法所得到的輸出不能夠被解釋。例如在麻醉學(xué)領(lǐng)域,雖然AI可預(yù)測患者疾病或不良事件的發(fā)生,但AI很難給出背后的原因。③AI算法的效果十分依賴數(shù)據(jù)的量和質(zhì)。如在超聲引導(dǎo)的ML研究中,用于識別解剖結(jié)構(gòu)和標(biāo)志物等的訓(xùn)練效果依賴于訓(xùn)練集中目標(biāo)的標(biāo)簽,從側(cè)面也反映了可靠、一致標(biāo)簽的重要性。AI在麻醉學(xué)中的應(yīng)用仍處于研究和開發(fā)階段。因此,當(dāng)前AI在麻醉學(xué)中的研究和應(yīng)用重點應(yīng)是如何更好地輔助而非取代臨床醫(yī)師。隨著未來AI技術(shù)的發(fā)展,臨床醫(yī)師可能會更多地享受到AI技術(shù)所帶來的便利。

AI是未來發(fā)展的方向,其將繼續(xù)在監(jiān)測患者DoA等方面提供更加有效的幫助。一方面麻醉科醫(yī)師、數(shù)據(jù)科學(xué)家和工程師應(yīng)協(xié)同合作,促進(jìn)AI的發(fā)展。另一方面,麻醉科醫(yī)師、其他科室醫(yī)師,乃至患者也應(yīng)協(xié)同合作,以優(yōu)化AI的診療輔助策略。

麻醉學(xué)和AI都是處于領(lǐng)先地位的科學(xué)。未來,隨著AI的發(fā)展,麻醉學(xué)應(yīng)與AI技術(shù)緊密結(jié)合,更好地為健康中國添磚加瓦,為人民健康保駕護(hù)航。