羅猛強 王英偉

近年來,隨著臨床信息學與計算機科學的迅猛發(fā)展,人工智能(artificial intelligence,AI)在醫(yī)學領域的研究與應用日趨廣泛,在部分應用中其性能已達到甚至超越專家級水平。據(jù)國務院發(fā)布的《新一代人工智能發(fā)展規(guī)劃》,到2030年我國將實現(xiàn)AI核心產(chǎn)業(yè)規(guī)模超過1萬億元,帶動相關產(chǎn)業(yè)規(guī)模超過10萬億元,具有廣闊的醫(yī)療市場前景。

AI屬于計算機科學,是任何具有人類智能的計算機程序的總稱,其遵循特定的規(guī)則與算法,通過軟件編程的方法構(gòu)建智能實體以輔助決策[1]。機器學習(machine learning,ML)是通過儲存和分析數(shù)據(jù)特征并訓練模型,使計算機能夠模擬或?qū)崿F(xiàn)人類學習能力的計算機科學,是AI實現(xiàn)智能化的根本途徑與核心。目前,基于ML的AI技術已融入臨床麻醉,其各亞專業(yè)領域AI系統(tǒng)的開發(fā)與應用均進展迅速,包括AI術前訪視與風險預警系統(tǒng)、AI氣道管理系統(tǒng)、AI操作輔助神經(jīng)阻滯系統(tǒng)、AI靜脈麻醉給藥系統(tǒng)、AI疼痛監(jiān)測與管理系統(tǒng)、AI全身麻醉深度(depth of anesthesia, DoA)監(jiān)測系統(tǒng)等。

1 AI術前訪視與風險預警系統(tǒng)

隨著我國居民對健康與舒適化醫(yī)療需求的日益增長,越來越多的患者因手術或檢查需要接受麻醉。然而,我國麻醉科醫(yī)師的人力資源卻長期處于緊缺狀態(tài),嚴重制約著麻醉學的發(fā)展與舒適化診療水平的進一步提高。

術前訪視需要大量麻醉科醫(yī)師參與工作,且難以避免出現(xiàn)人為疏漏。近期,本研究團隊基于擇期患者術前電子健康記錄(electronic health record,EHR)信息和患者客戶端采集病史系統(tǒng),綜合兩者提取特征建立AI術前訪視系統(tǒng),自動輸出術前評估報告,以盡早識別患者圍手術期高危風險因素,從而指導外科醫(yī)師與麻醉科醫(yī)師進行必要干預,在節(jié)省人力的同時能夠顯著提高患者圍手術期的安全性及滿意度(國家發(fā)明專利號:201911318587X)。

AI臨床分析系統(tǒng)能夠處理大量EHR信息及其衍生的輸入特征,生成準確的不良事件與風險預測模型,有助于在彌補麻醉科醫(yī)師人力資源不足的同時,保障患者圍手術期安全,降低并發(fā)癥的發(fā)生率和死亡率。

目前基于AI的模糊邏輯、神經(jīng)網(wǎng)絡(neural network,NN)、梯度增強(gradient boosting machine,GBM)等模型均已被成功應用于監(jiān)測預警圍手術期的不良事件,包括心動過緩、低氧血癥、低血壓、低血容量等。Bihorac等[2]從51 457例接受不同類型手術的成年患者EHR數(shù)據(jù)中提取285個術前參數(shù),基于ML建立的MySurgeryRisk智能系統(tǒng)能夠準確預測患者發(fā)生術后并發(fā)癥和24個月內(nèi)死亡的風險,其預測術后并發(fā)癥的AUC為0.82～0.94。Solomon等[3]回顧分析了62 182例接受擇期非心臟手術患者的病例資料,建立基于AI邏輯回歸模型開發(fā)的風險預警系統(tǒng),結(jié)果表明與描述性回歸模型相比,GBM模型具有更多數(shù)據(jù)特征與復雜交互,且對不穩(wěn)定心動過緩事件(定義為心率<50次/min并伴有明顯低血壓)的預測準確率更高。Wijnberge等[4]的隨機對照試驗結(jié)果表明,ML衍生的術中低血壓風險預警系統(tǒng)能夠降低擇期非心臟手術的術中低血壓發(fā)生率,且低血壓的時間加權(quán)平均值[血壓低于65 mmHg(1 mmHg=0.133 kPa)的數(shù)值×時間÷手術總時長]明顯降低。

綜上,AI術前訪視與風險預警系統(tǒng)有助于盡早識別患者圍手術期可能出現(xiàn)的不良事件,有效實現(xiàn)風險事件預警,可為臨床麻醉提供實時、精準的決策支持,在及時干預從而改善患者預后中發(fā)揮重要作用。

2 AI氣道管理系統(tǒng)

氣道管理雖是麻醉科醫(yī)師擅長的領域,但也面臨著諸多挑戰(zhàn),準確預測困難氣道便是一個長期未能被徹底解決的臨床問題。雖然各類評分分級、放射檢查、支氣管鏡檢查等可被用于困難氣道的評估與重建,但在臨床實踐中均存在相應弊端。最近的研究顯示,AI人臉與頭頸部成像識別技術有助于輔助麻醉科醫(yī)師全自動智能評估困難氣道,實現(xiàn)早期預警。研究者使用圖像全自動采集系統(tǒng)與ML提取面部關鍵特征建立AI模型,通過卷積神經(jīng)網(wǎng)絡(convolutional neural network,CNN)篩選困難氣道,并評估氣管插管的困難程度,其中,患者仰臥閉口體位模型具有良好的困難氣道預測準確率,其AUC值為0.86[5]。

新型冠狀病毒感染疫情的暴發(fā)使機器人氣管插管的需求更加強烈,那么,現(xiàn)在能否實現(xiàn)機器人氣管插管呢?近期研究[6]顯示,機器人自動內(nèi)窺鏡經(jīng)喉成像和氣管插管(robotic endoscope-automated via laryngeal imaging for tracheal intubation, REALITI)可通過實時圖像識別和自動遠端定位完成氣管插管,使未接受過醫(yī)學培訓的志愿者插管成功率達到95%。使用AI智能系統(tǒng)進行氣管插管的關鍵問題是如何準確地自動識別聲帶和氣管環(huán)。Matava等[7]在研究中建立的CNN模型可高性能地識別可視喉鏡和支氣管喉鏡顯露的聲門與氣管環(huán)。Cho等[8]研究的4種喉鏡圖像識別聲帶的CNN模型均具有較高的聲帶預測精度。在新生兒的氣道管理中,也有通過CNN模型獲得較高氣管插管成功率的報道[9-10]。 雖然,基于ML的AI氣管插管技術尚無法達到100%的氣管插管成功率,但其為麻醉科醫(yī)師的臨床操作提供一種選擇,未來在氣道可視化管理和培訓等方面具有良好的應用前景。

3 AI操作輔助神經(jīng)阻滯系統(tǒng)

圖像識別是醫(yī)療領域AI研究的熱點,計算機遠超人類的圖像儲存、記憶功能使圖像識別技術在臨床應用成為可能。AI能夠幫助麻醉科醫(yī)師高效地分析數(shù)據(jù),獲取最優(yōu)圖像,提高圖像分析的準確性與效率?，F(xiàn)階段麻醉科醫(yī)師仍主要依靠自身經(jīng)驗對超聲圖像進行定位,但掌握超聲引導下神經(jīng)阻滯技術需要一定的學習積累,初學者常不易辨認針尖位置并維持良好的可視度,難以準確地評估針尖與神經(jīng)外膜之間的關系。那么,能否借助AI系統(tǒng)實現(xiàn)超聲引導下神經(jīng)阻滯的精準定位呢?

目前,AI在區(qū)域神經(jīng)阻滯的應用日益廣泛,包括輔助決策、分析模擬訓練的性能、優(yōu)化針尖精度及輔助操作機器人等,AI技術如CNN等已被應用于鑒別神經(jīng)組織的解剖結(jié)構(gòu),輔助硬膜外、臂叢、坐骨神經(jīng)等區(qū)域阻滯進針,而通過操縱桿驅(qū)動機械臂的麥哲倫手術機器系統(tǒng)也已被應用于輔助神經(jīng)阻滯,能夠優(yōu)化操作者的學習曲線[11]。近期,本研究團隊利用深度學習算法,通過收集1 076例患者共11 392張超聲圖片,構(gòu)建以CNN為基礎的AI自動識別肌間溝臂叢神經(jīng)程序,結(jié)果表明,程序預測臂叢外側(cè)邊緣中點和真實臂叢外側(cè)的準確率顯著高于非專家級的主治醫(yī)師,同時能夠顯著提高住院醫(yī)師識別肌間溝臂叢的準確率,其準確率由31%提高至87%[12]。

未來,針尖跟蹤可視化或?qū)⒂瓉砑夹g革命。已有學者利用組織的物理特性和生物標記輔助監(jiān)測針尖位置,在針內(nèi)腔置入細光纖以測量針尖壓力或針尖遠端嵌入壓電元件,通過超聲激活,能夠以藍色、紅色或綠色圓圈形式跟蹤針尖[13]。多項研究[14-15]結(jié)果表明,使用跟蹤器針尖對防腐尸體進行坐骨神經(jīng)阻滯,能夠優(yōu)化針尖識別,大幅提高神經(jīng)阻滯的成功率。但亦有研究[16]顯示,與對照組相比,超聲激活針尖追蹤鎖骨下臂叢神經(jīng)阻滯的操作時間、阻滯成功率和持續(xù)時間的差異均無統(tǒng)計學意義。

綜上,AI技術幫助麻醉科醫(yī)師識別區(qū)域阻滯神經(jīng)超聲圖像的優(yōu)勢明顯,有助于提高各類神經(jīng)阻滯進針的準確性,并優(yōu)化操作者學習曲線;但現(xiàn)階段AI結(jié)合針尖跟蹤可視化技術的多項研究仍處于實驗模型階段,其提高神經(jīng)阻滯成功率的性能有待提升,未來仍需更多大樣本隨機對照的臨床研究加以論證。

4 AI靜脈麻醉給藥系統(tǒng)

自20世紀50年代腦電圖(electroencephalogram,EEG)被應用于全身麻醉藥(簡稱全麻藥)自動控制輸注以來,藥物靶控輸注(target-controlled infusion,TCI)的應用已逐漸拓展至目標靶向的液體治療、血管活性藥物及兒茶酚胺改善心功能輸注系統(tǒng),并已由基于簡單藥代動力學模型的開環(huán)TCI系統(tǒng)發(fā)展為單閉環(huán)和多閉環(huán)TCI藥物輸注系統(tǒng)。

直接和連續(xù)的全麻藥濃度監(jiān)測是實現(xiàn)輸注自動控制系統(tǒng)最優(yōu)化的關鍵。AI技術的發(fā)展能夠?qū)崿F(xiàn)即時反饋,快速、準確地計算患者當前藥物需求,使滴定全麻藥劑量達到體內(nèi)平衡,提高藥物智能輸注系統(tǒng)性能。Lee等[17]通過長短時記憶的前饋神經(jīng)網(wǎng)絡序列模型預測丙泊酚與瑞芬太尼聯(lián)合應用時術中的腦電雙頻指數(shù)(bispectral index,BIS)值,與傳統(tǒng)機械模型相比,深度學習模型在麻醉誘導、維持和恢復期預測BIS值的誤差均更小。使用連續(xù)監(jiān)測的丙泊酚濃度作為輸入,建立基于高斯徑向基函數(shù)支持向量分類器的ML方法,分類器能夠高精度地對人血清中1～60 μmol/L治療范圍內(nèi)的丙泊酚進行分類[18],有助于開發(fā)閉環(huán)控制麻醉輸注系統(tǒng)。

目前,藥物智能輸注系統(tǒng)多集中于全身麻醉的3要素:鎮(zhèn)靜、鎮(zhèn)痛和神經(jīng)肌肉松弛。McSleepy自主系統(tǒng)是一類使用麻醉成分作為獨立控制變量開發(fā)的多閉環(huán)TCI藥物輸注系統(tǒng),能夠同時監(jiān)測鎮(zhèn)靜、鎮(zhèn)痛和神經(jīng)肌肉松弛以維持適度鎮(zhèn)靜和鎮(zhèn)痛深度?；旌湘?zhèn)靜系統(tǒng)是利用患者BIS、呼吸頻率和脈搏氧飽和度作為控制變量建立的鎮(zhèn)靜多閉環(huán)系統(tǒng),同時集成協(xié)助麻醉科醫(yī)師決策支持系統(tǒng),能夠更好地維持目標BIS值,減少低氧血癥的發(fā)生。Joosten等[19]使用EEG、心臟血流量(優(yōu)化每搏量)、肺通氣(優(yōu)化潮氣量和呼吸頻率以維持呼吸末二氧化碳分壓)3個控制器組成自動多閉環(huán)麻醉管理系統(tǒng),能夠有效減少麻醉深度過深和低碳酸血癥的發(fā)生風險,患者術后1周甚至3個月的神經(jīng)系統(tǒng)評分均優(yōu)于人工手動控制系統(tǒng)。深度ML方法具有良好的性能和可擴展性,在臨床麻醉藥理學領域的應用前景廣闊。

5 AI疼痛監(jiān)測與管理系統(tǒng)

目前,臨床中仍主要依靠患者對痛覺的主觀感受以評估疼痛,患者個體差異性大且易受各種因素影響。近年來,臨床醫(yī)師一直在努力尋求通過神經(jīng)成像技術客觀地評估疼痛,重點關注利用大腦進行疼痛監(jiān)測的可行性與準確性?；谘跛揭蕾嚭蛣用}自旋標記腦成像、心率變異性等特征建立的多變量ML模型能夠有效預測慢性腰痛患者的疼痛,其準確度達92.45%,AUC值為0.97[20]。Hu等[21]應用便攜式光學神經(jīng)成像功能性近紅外光譜儀監(jiān)測患者急性疼痛時的大腦皮層活動,使用基于NN的AI算法對數(shù)據(jù)進行解碼來評估疼痛,結(jié)果顯示人工神經(jīng)網(wǎng)絡(artificial neural network,ANN)對疼痛的分類準確度為80.37%。以上研究結(jié)果均表明基于神經(jīng)成像的AI技術,能夠潛在地將人腦轉(zhuǎn)化為客觀目標,精準實現(xiàn)對疼痛可視化的監(jiān)測與定位。

近年來,基于神經(jīng)成像的AI技術也已拓展至圍手術期急性疼痛的管理,使用光學體積描記(photo plethysmo graphy,PPG)深度信念網(wǎng)絡(deep belief network,DBN)建立術中疼痛等級分類模型,能夠準確地反映患者疼痛的主觀感受[22]。Choi等[23]利用PPG頻譜圖和CNN建立新的鎮(zhèn)痛指數(shù)以量化評估術后清醒患者的疼痛,結(jié)果表明,患者疼痛時的平均頻譜圖CNN指數(shù)較基線水平顯著增高,其AUC值為0.76,可有效監(jiān)測患者術后疼痛。Gram等[24]利用定量感官測試與EEG對全膝關節(jié)置換術后患者的阿片類藥物鎮(zhèn)痛效果進行評估,建立基于常規(guī)臨床指標的邏輯回歸預測模型和支持向量機(support vector machine,SVM)算法的EEG監(jiān)督學習預測模型,結(jié)果表明,ML算法結(jié)合EEG能夠為疼痛的個性化治療提供有力支持,指導圍手術期鎮(zhèn)痛藥的合理應用。未來隨著大腦神經(jīng)成像技術的不斷進展,與基于ML的AI技術更為深入地融合,將使人們對疼痛進行量化監(jiān)測的準確性顯著提高。

6 AI DoA監(jiān)測系統(tǒng)

精準監(jiān)測DoA有助于指導全麻藥的合理應用,降低術中知曉、蘇醒延遲、術后譫妄等圍手術期并發(fā)癥的發(fā)生風險,但DoA不同于血壓和心率,無法被量化。EEG是最常用的腦功能監(jiān)測手段,其反映的人類大腦神經(jīng)活動具有復雜的非線性動力學特征,是評估麻醉狀態(tài)的重要參考標準,而定量EEG能夠通過頻域或時域分析,將EEG基本要素,如頻率、節(jié)律、波幅等通過函數(shù)模型轉(zhuǎn)化為各種量化參數(shù),比傳統(tǒng)EEG更為客觀,易于解讀。AI能夠強化EEG中麻醉與意識狀態(tài)轉(zhuǎn)變的特征,非常適合分析復雜的EEG數(shù)據(jù)流。

目前,越來越多的研究通過AI與頻譜分析技術對EEG信號進行直接分析以監(jiān)測DoA。使用ML分析腦電頻譜多參數(shù)特征能夠有效預測清醒與不同麻醉深度的全身麻醉狀態(tài),其性能顯著優(yōu)于單純利用BIS與熵指數(shù),而基于多重EEG頻域和熵特征結(jié)合邏輯回歸、SVM、隨機森林樹、ANN均已被證實能夠用于DoA監(jiān)測,對清醒狀態(tài)和不同麻醉深度具有較高分類精度[25-26]。Madanu等[27]的研究結(jié)果表明,通過集成經(jīng)驗模式分解法提取EEG特征,利用CNN結(jié)合BIS與信號質(zhì)量指數(shù)能夠用于DoA的精準預測。Mousavi等[28]使用EEG信號時頻分析圖提取灰度共生矩陣同質(zhì)性、相關性、對比度等特征,利用最近鄰算法分類器監(jiān)測DoA,通過數(shù)據(jù)增強技術強化訓練提高準確性,同樣能夠獲得良好的預測精度。以上研究均提示,基于多參數(shù)EEG特征集的AI 模型可被用于DoA的精準預測;ML算法性能優(yōu)化可進一步提高預測精度,未來AI技術將在DoA監(jiān)測系統(tǒng)的開發(fā)與應用中發(fā)揮重要作用。

7 局限性與倫理挑戰(zhàn)

首先,盡管AI系統(tǒng)具有改善患者臨床預后的諸多優(yōu)勢,應用領域也在迅速拓展,但現(xiàn)階段AI數(shù)據(jù)的來源相對單一且多局限于小樣本研究,算法易受數(shù)據(jù)偏倚的影響,可能導致醫(yī)療決策出現(xiàn)偏差,給患者帶來不利影響,使其難以被患者和臨床醫(yī)師所信任、接納。其次,AI算法具有一定“神秘性”,多依賴于復雜、難以理解的數(shù)學模型,從數(shù)據(jù)輸入到結(jié)果輸出均難以提供預測的具體細節(jié)來源,可能導致“黑盒效應”,使理解難度進一步增加。因此,在AI的臨床實踐中必須考慮醫(yī)療系統(tǒng)中隱性和顯性因素導致的數(shù)據(jù)偏倚,提高透明度,以增加臨床醫(yī)師對AI基本原理的理解和信任。

AI技術的進步使自動系統(tǒng)或可通過精準預測自主提供醫(yī)療服務,重要原因包括EHR系統(tǒng)大幅改進了數(shù)據(jù)的存儲、使用與可互操作性;但也帶來了道德倫理挑戰(zhàn),如“南丁格爾”項目未經(jīng)授權(quán)便將數(shù)百萬美國民眾的健康信息披露給谷歌公司。因此,應關注數(shù)據(jù)使用的知情同意與權(quán)限等問題,即數(shù)據(jù)權(quán)利和隱私應被視為人權(quán)的一部分,必須以維護患者安全、自主性來解決這些問題,明確數(shù)據(jù)的所有權(quán)、訪問權(quán)限與方式,確保AI技術符合監(jiān)管要求,保護患者隱私。

AI是人類對世界全新的認知方式,其發(fā)展需要對計算機科學的充分理解并完整地搭建大數(shù)據(jù)體系,未來充滿挑戰(zhàn)與未知。AI在臨床麻醉各亞專業(yè)領域的應用前景廣闊,但必須考慮所面臨的風險并加以防范。在發(fā)展AI醫(yī)療技術的同時,也應加快相關法律法規(guī)的制訂,加強倫理道德風險管控,完善標準體系建設。臨床醫(yī)師應正確分析、甄別AI的輸出數(shù)據(jù),理解AI技術倫理及其對社會影響,才能充分發(fā)揮AI的諸多優(yōu)勢。相信在不遠的將來,AI輔助麻醉程序在臨床的應用將進一步深入,更高效地輔助麻醉科醫(yī)師進行醫(yī)療決策,提高醫(yī)療效率,保障患者安全,推動臨床麻醉步入AI助力的智慧麻醉新時代。