張吉妥, 胡小義, 紀(jì)木火, 楊建軍

1.鄭州大學(xué)第一附屬醫(yī)院 麻醉科,河南 鄭州 450052;2.南京醫(yī)科大學(xué)第二附屬醫(yī)院 麻醉科,江蘇 南京 210011

機器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科,涉及概率學(xué)、統(tǒng)計學(xué)、計算機科學(xué)等,其本質(zhì)是對算法的研究,使計算機能夠從海量數(shù)據(jù)中分析并學(xué)習(xí)規(guī)律,不斷優(yōu)化自身算法并對新數(shù)據(jù)進(jìn)行預(yù)測[1-2]。近年來,機器學(xué)習(xí)在醫(yī)療領(lǐng)域的應(yīng)用越來越廣泛,逐漸改變著傳統(tǒng)的醫(yī)療模式。在圖像識別、大數(shù)據(jù)分析等方面,機器學(xué)習(xí)有著明顯的優(yōu)勢和潛力[3]。

麻醉與圍術(shù)期并發(fā)癥是指在麻醉及手術(shù)過程中或手術(shù)后可能出現(xiàn)的各種不良癥狀,包括低血壓、低氧血癥、術(shù)后譫妄等,這些并發(fā)癥可能與麻醉藥物、手術(shù)操作、患者的個體差異以及術(shù)后護(hù)理等因素有關(guān),嚴(yán)重影響患者的術(shù)后生活質(zhì)量。傳統(tǒng)的術(shù)后并發(fā)癥評估方法主要依賴于臨床經(jīng)驗、評估量表和檢查指標(biāo),應(yīng)對復(fù)雜情況時存在一定的局限性。然而,機器學(xué)習(xí)可以利用大規(guī)模的數(shù)據(jù)和復(fù)雜的算法模型,挖掘疾病潛在的關(guān)聯(lián)和信息,從而提供更準(zhǔn)確、個性化的圍術(shù)期并發(fā)癥預(yù)測。本文將介紹機器學(xué)習(xí)在麻醉與圍術(shù)期并發(fā)癥預(yù)測方面的應(yīng)用,并對其未來前景進(jìn)行探討。

1 機器學(xué)習(xí)的分類及常見算法

在機器學(xué)習(xí)領(lǐng)域中,根據(jù)數(shù)據(jù)處理的方式,通常可分為四類:監(jiān)督學(xué)習(xí),無監(jiān)督學(xué)習(xí),半監(jiān)督學(xué)習(xí)及強化學(xué)習(xí)[4]。

監(jiān)督學(xué)習(xí)使用帶有標(biāo)簽的訓(xùn)練數(shù)據(jù)來建立模型。當(dāng)輸入新的數(shù)據(jù)時,算法會根據(jù)已建立的預(yù)測模型提供相應(yīng)的預(yù)測值。常用的算法包括支持向量機、隨機森林、人工神經(jīng)網(wǎng)絡(luò)等[5]。無監(jiān)督學(xué)習(xí)則是通過對未標(biāo)記數(shù)據(jù)的學(xué)習(xí),自動發(fā)現(xiàn)數(shù)據(jù)中隱藏的模式和結(jié)構(gòu),從而構(gòu)建模型[6]。常見的算法包括聚類分析、主成分分析等。半監(jiān)督學(xué)習(xí)結(jié)合有標(biāo)簽和無標(biāo)簽數(shù)據(jù)進(jìn)行學(xué)習(xí),在少量數(shù)據(jù)標(biāo)簽的引導(dǎo)下,能夠充分利用大量無標(biāo)簽數(shù)據(jù)來提高學(xué)習(xí)性能[7]。強化學(xué)習(xí)采用迭代學(xué)習(xí)方法,計算機會根據(jù)執(zhí)行任務(wù)時獲得的消極或積極的反饋,不斷優(yōu)化自身算法并再次執(zhí)行該任務(wù),以達(dá)到實現(xiàn)特定目標(biāo)的最優(yōu)化[8]。這些機器學(xué)習(xí)算法在不同的領(lǐng)域中被廣泛應(yīng)用,為數(shù)據(jù)分析和決策提供了有力支持。

2 機器學(xué)習(xí)在預(yù)測圍術(shù)期并發(fā)癥方面的應(yīng)用

機器學(xué)習(xí)在預(yù)測圍術(shù)期并發(fā)癥方面具有巨大的應(yīng)用潛力。通過分析大量的臨床數(shù)據(jù),機器學(xué)習(xí)可以挖掘潛在的風(fēng)險因素和關(guān)聯(lián),從而為麻醉團隊提供更準(zhǔn)確、個性化的預(yù)測能力。這種能力的提升將顯著改善手術(shù)的安全性,并有助于患者在術(shù)后的遠(yuǎn)期康復(fù)過程中獲得更好的結(jié)果。機器學(xué)習(xí)的應(yīng)用可以幫助麻醉團隊更好地評估患者的風(fēng)險水平,并采取相應(yīng)的預(yù)防和干預(yù)措施,以減少圍術(shù)期并發(fā)癥的發(fā)生。

2.1 低血壓 圍術(shù)期低血壓是手術(shù)中常見的并發(fā)癥,對患者的預(yù)后具有重要影響。長期低血壓可能導(dǎo)致腦、心、腎等重要器官的灌注不足,增加術(shù)后腦水腫、術(shù)后譫妄、心肌缺血、腎功能損傷等不良事件的風(fēng)險[9-10]。利用機器學(xué)習(xí)預(yù)測圍術(shù)期低血壓,可及時采取干預(yù)措施,例如調(diào)整藥物使用和補充容量等,以降低低血壓的發(fā)生概率,從而改善患者預(yù)后。這一應(yīng)用對于提高手術(shù)安全性、降低并發(fā)癥風(fēng)險具有重要的臨床意義。

在Lee等[11]的一項回顧性研究中,共納入了3 301例患者,應(yīng)用深度學(xué)習(xí)算法來實時預(yù)測5、10、15 min后的低血壓事件,研究團隊利用非心臟手術(shù)患者在術(shù)中監(jiān)測的生物信號波形數(shù)據(jù)建立了分類和回歸模型,分別用于判斷低血壓事件的發(fā)生和預(yù)測平均動脈壓,結(jié)果顯示,在侵入性模型中,采用多通道模型(包括動脈壓波形、心電圖、外周動脈血氧飽和度曲線和呼氣末二氧化碳濃度曲線)的受試者工作特征曲線下面積(area under the receiver operating characteristic,AUROC)和平均絕對誤差均優(yōu)于僅使用動脈壓波形的模型,在非侵入性模型中,多通道模型的AUROC也優(yōu)于僅使用外周動脈血氧飽和度曲線的模型,并且平均絕對誤差也更小。這表明,深度學(xué)習(xí)模型可基于侵入性和非侵入性監(jiān)測的生物信號預(yù)測圍術(shù)期低血壓事件,并且多信號組合的模型性能更好。該研究結(jié)果強調(diào)了深度學(xué)習(xí)在圍術(shù)期低血壓預(yù)測中的潛力,并為臨床醫(yī)師提供了一種更準(zhǔn)確、個性化的預(yù)測方法,以減少低血壓相關(guān)的風(fēng)險。

Wijnberge等[12]在阿姆斯特丹的一家三級醫(yī)療中心進(jìn)行了初步的非盲隨機臨床試驗,旨在測試基于機器學(xué)習(xí)開發(fā)的早期預(yù)警系統(tǒng)能否減少圍術(shù)期低血壓的發(fā)生。該試驗納入了行全身麻醉非心臟手術(shù)且需要持續(xù)侵入性血壓監(jiān)測的成年患者,患者被隨機分配到接受早期預(yù)警系統(tǒng)的試驗組(n=34)和行常規(guī)監(jiān)測的對照組(n=34)。結(jié)果顯示,試驗組低血壓的中位時間加權(quán)平均值為0.10 mmHg(0.01～0.43 mmHg)(1 mmHg=0.133 kPa),對照組為0.44 mmHg(0.23～0.72 mmHg),兩組之間的中位差異為0.38 mmHg(95%可信區(qū)間0.14～0.43 mmHg,P=0.001)。與對照組比較,試驗組圍術(shù)期低血壓的時間加權(quán)平均值顯著降低。該研究表明,基于機器學(xué)習(xí)的預(yù)測系統(tǒng)可降低圍術(shù)期低血壓的發(fā)生概率,但仍需進(jìn)一步的研究以評估該系統(tǒng)的安全性、泛化性及可推廣性。

2.2 低氧血癥 圍術(shù)期低氧血癥在全身麻醉過程中是常見的死亡原因之一,特別是在麻醉誘導(dǎo)過程中[13]。長期低氧血癥會導(dǎo)致組織缺氧,增加術(shù)后器官功能障礙和并發(fā)癥的風(fēng)險,嚴(yán)重時甚至危及生命。通過預(yù)測低氧血癥,麻醉醫(yī)師可以采取相應(yīng)干預(yù)措施,調(diào)整麻醉和手術(shù)方案,及時糾正低氧血癥,從而降低患者的并發(fā)癥和死亡風(fēng)險。

Geng等[14]進(jìn)行了鎮(zhèn)靜狀態(tài)下胃腸鏡檢查期間低氧血癥發(fā)生的影響因素研究,并建立了一個基于人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測工具。該研究納入了220例行胃腸鏡檢查的患者,結(jié)果顯示,體質(zhì)量指數(shù)、習(xí)慣性打鼾、頸圍與低氧血癥存在相關(guān)性,該人工神經(jīng)網(wǎng)絡(luò)模型的AUROC為0.80,其可以在鎮(zhèn)靜狀態(tài)下胃腸鏡檢查期間預(yù)測低氧血癥,并為臨床提供一種有用的預(yù)測工具。

Lundberg等[15]使用基于集成模型的機器學(xué)習(xí)方法來預(yù)測全身麻醉期間的低氧血癥,并探究其危險因素。研究結(jié)果顯示,機器學(xué)習(xí)模型的預(yù)測準(zhǔn)確度超過了麻醉醫(yī)師自身的預(yù)測能力,在該系統(tǒng)的幫助下,麻醉醫(yī)師對低氧血癥的預(yù)測能力從15%提高到了30%。因此,機器學(xué)習(xí)的應(yīng)用可使更多高風(fēng)險患者獲益。

2.3 肺栓塞 肺栓塞是圍術(shù)期可能出現(xiàn)的一種嚴(yán)重并發(fā)癥,可導(dǎo)致肺循環(huán)和呼吸功能障礙,發(fā)現(xiàn)或處理不及時將直接影響患者的安全[16]。因此,預(yù)測圍術(shù)期肺栓塞的發(fā)生對于患者的安全至關(guān)重要。

Shen等[17]使用機器學(xué)習(xí)算法對電子病歷數(shù)據(jù)進(jìn)行訓(xùn)練來預(yù)測肺栓塞發(fā)生,并進(jìn)行了外部驗證。該研究納入了近2 000 000例患者的數(shù)據(jù),在12個機構(gòu)的331 268例患者(肺栓塞陽性率為3.3%)上進(jìn)行XGBoost模型訓(xùn)練,并在其他32個機構(gòu)的1 660 715例患者(肺栓塞陽性率為3.7%)上進(jìn)行了外部驗證。研究結(jié)果顯示,該模型在訓(xùn)練集和外部驗證集上均表現(xiàn)出色,平均AUROC可達(dá)到0.88。這表明,該模型具有良好泛化性,可用于肺栓塞的早期監(jiān)測,并有潛力成為臨床決策工具,可在臨床推廣使用。

2.4 心臟驟停 圍術(shù)期心臟驟停是圍術(shù)期最危險的并發(fā)癥之一。如果不及時處理,可能導(dǎo)致患者永久性的腦損傷及死亡[18]。通過使用機器學(xué)習(xí)模型,臨床醫(yī)師可以識別圍術(shù)期心臟驟停的危險因素,這為醫(yī)療團隊提供了寶貴的信息,以便及時采取措施,最大程度地保護(hù)患者的生命和健康[19]。

Mayampurath等[20]比較了多種機器學(xué)習(xí)模型和傳統(tǒng)的CASPRI評分在預(yù)測圍術(shù)期心臟驟?；颊呱窠?jīng)功能恢復(fù)情況方面的表現(xiàn),分析了GWTG-R注冊數(shù)據(jù)庫中755家醫(yī)院的117 674例發(fā)生圍術(shù)期心臟驟?；颊叩臄?shù)據(jù)。研究團隊利用患者的特征、病史、心臟驟停前后干預(yù)措施等信息構(gòu)建了邏輯回歸、支持向量機、隨機森林、梯度提升機和神經(jīng)網(wǎng)絡(luò)等多種機器學(xué)習(xí)模型來預(yù)測神經(jīng)功能恢復(fù)情況。研究結(jié)果顯示,在預(yù)測發(fā)生圍術(shù)期心臟驟?；颊呱窠?jīng)功能恢復(fù)情況方面,梯度提升機算法表現(xiàn)出最高的準(zhǔn)確性,優(yōu)于CASPRI評分和其他機器學(xué)習(xí)模型,該算法基于持續(xù)時間、心臟驟停時的心律、入院時的神經(jīng)功能評分及年齡等重要變量進(jìn)行預(yù)測。這一研究也揭示了機器學(xué)習(xí)在預(yù)測圍術(shù)期心臟驟?；颊呱窠?jīng)功能恢復(fù)方面的潛力。

Lu等[21]利用機器學(xué)習(xí)方法對733 398條急診記錄進(jìn)行分析,構(gòu)建了能夠預(yù)測急診病房內(nèi)發(fā)生心臟驟停的模型,采用了隨機森林、梯度提升和額外樹分類器等機器學(xué)習(xí)算法,并將其與國家早期預(yù)警評分系統(tǒng)、邏輯回歸算法進(jìn)行比較。結(jié)果顯示,隨機森林模型表現(xiàn)出最佳性能(AUROC=0.931,95%可信區(qū)間0.911～0.949),所有的機器學(xué)習(xí)模型均優(yōu)于國家早期預(yù)警評分系統(tǒng)(AUROC=0.678,95%可信區(qū)間0.635～0.722)。該研究表明,僅基于分診信息的機器學(xué)習(xí)模型在急診病房內(nèi)心臟驟停的識別方面具有出色的鑒別能力。如果成功應(yīng)用于急診信息系統(tǒng)中,該機器學(xué)習(xí)方法有潛力減少心臟驟停事件的發(fā)生。

2.5 術(shù)后譫妄 術(shù)后譫妄是一種常見的急性認(rèn)知障礙綜合征,表現(xiàn)為混亂、妄想、注意力不集中和認(rèn)知功能下降等癥狀。在老年患者中,術(shù)后譫妄的發(fā)生率可高達(dá)65%,且與患者的短期和長期預(yù)后密切相關(guān)[22-23]。術(shù)后譫妄可影響患者的遠(yuǎn)期認(rèn)知、生理和社會功能,并增加醫(yī)療費用和死亡率。因此,對術(shù)后譫妄的早期預(yù)測至關(guān)重要[24]。相對于傳統(tǒng)的評估方法,機器學(xué)習(xí)模型可以利用大量的臨床數(shù)據(jù)進(jìn)行復(fù)雜的模式識別和數(shù)據(jù)關(guān)聯(lián)分析,從而提高預(yù)測的準(zhǔn)確性。通過建立個性化的預(yù)測模型,可以更好地識別術(shù)后譫妄高風(fēng)險患者,為臨床決策提供指導(dǎo)。

Wang等[25]利用機器學(xué)習(xí)方法預(yù)測微血管減壓術(shù)后早期譫妄。該研究納入了912例顱神經(jīng)疾病患者,其中,24.2%發(fā)生了術(shù)后譫妄。研究中使用了決策樹、邏輯回歸、隨機森林、梯度提升機和梯度提升決策樹5種算法,通過分析相關(guān)因素發(fā)現(xiàn)了卡馬西平使用時間、血紅蛋白和尿素氮是術(shù)后譫妄的主要危險因素。研究結(jié)果顯示,梯度提升算法總體表現(xiàn)最佳,在測試集中的AUROC為0.962,準(zhǔn)確率為0.923。這項研究結(jié)果表明,機器學(xué)習(xí)在術(shù)后譫妄方面具有高準(zhǔn)確性,可以為患者個性化護(hù)理提供重要參考。

Hu等[26]利用機器學(xué)習(xí)算法預(yù)測術(shù)后譫妄的發(fā)生率,以便快速識別高?；颊?。研究團隊提取了531例全身麻醉手術(shù)患者術(shù)前及術(shù)后第1天的臨床數(shù)據(jù),篩選出與術(shù)后譫妄相關(guān)的特征,并采用邏輯回歸、隨機森林、極限梯度提升樹和支持向量機等4種方法建立了術(shù)后譫妄預(yù)測模型。研究結(jié)果顯示,在測試數(shù)據(jù)中,邏輯回歸模型表現(xiàn)最佳(AUROC=80.44%,95%可信區(qū)間72.24%～88.64%),同時具有最低的Brier評分。這也表明該模型可以及時預(yù)測患者術(shù)后譫妄的發(fā)生。

2.6 術(shù)后疼痛 術(shù)后疼痛是圍術(shù)期常見的不良反應(yīng),近20%的患者在術(shù)后24 h內(nèi)會經(jīng)歷劇烈疼痛。術(shù)后急性疼痛的發(fā)生與多種因素有關(guān),包括手術(shù)損傷本身的影響以及患者個人的身體狀況、心理因素的綜合作用。術(shù)后急性疼痛若得不到有效管理和緩解,可能發(fā)展為遠(yuǎn)期慢性疼痛,嚴(yán)重影響患者的生活體驗[27-28]。因此,對于術(shù)后疼痛的及時預(yù)測、識別和控制對于患者的術(shù)后康復(fù)和生活質(zhì)量至關(guān)重要。

Driel等[29]利用多變量邏輯回歸方法開發(fā)和驗證了一個預(yù)測慢性術(shù)后疼痛風(fēng)險的模型。該模型篩選出4個因素,包括術(shù)前阿片類藥物的使用、骨科手術(shù)、術(shù)后第14天的疼痛程度評分及術(shù)后2周內(nèi)疼痛區(qū)域出現(xiàn)冰涼或疼痛感。該研究結(jié)果顯示,在訓(xùn)練組(n=344)和驗證組(n=150)中,分別有28.8%和21.3%的患者出現(xiàn)慢性術(shù)后疼痛,該模型在驗證集中表現(xiàn)良好(AUROC=0.82,95%可信區(qū)間0.76～0.87)。這也表明,該模型能夠幫助醫(yī)師早期識別慢性術(shù)后疼痛的風(fēng)險患者,并根據(jù)其預(yù)測結(jié)果采取相應(yīng)的治療措施。

Fang等[30]構(gòu)建了一個大規(guī)模兒童疼痛表達(dá)數(shù)據(jù)庫CPEC,并利用深度學(xué)習(xí)方法來對兒童術(shù)后疼痛進(jìn)行評估。該數(shù)據(jù)庫包含了2020年1—12月安徽省兒童醫(yī)院0～14歲患兒的術(shù)前視頻4 104段和術(shù)后視頻4 865段,研究團隊使用CPEC數(shù)據(jù)集開發(fā)了名為CPANN的神經(jīng)網(wǎng)絡(luò)框架。研究結(jié)果顯示,在驗證集上,CPANN的正確率為82.1%,宏觀F1得分為73.9%。相較于量表評估的方法,CPANN具有更快速、更方便、更客觀的優(yōu)勢。這項研究也展示了深度學(xué)習(xí)在兒童疼痛自動評估方面的有效性。

3 總結(jié)和展望

隨著機器學(xué)習(xí)在麻醉領(lǐng)域的興起,麻醉醫(yī)師作為新時代的從業(yè)者,面臨著新的機遇和挑戰(zhàn)。除了熟練掌握臨床麻醉技能,對于人工智能前沿知識的了解也變得越發(fā)重要[31]。然而,機器學(xué)習(xí)在當(dāng)前階段仍存在一些問題。首先,訓(xùn)練出的模型可能在泛化能力上存在局限性,即在不同數(shù)據(jù)集上的表現(xiàn)可能各不相同。其次,一些模型目前仍處于理論階段,其在臨床實踐中的表現(xiàn)還需要進(jìn)一步考察。此外,機器學(xué)習(xí)在臨床上的大規(guī)模應(yīng)用還需要得到麻醉領(lǐng)域的廣泛認(rèn)可。

目前,關(guān)于機器學(xué)習(xí)技術(shù)的研究和應(yīng)用在不斷取得進(jìn)展,其中最引起廣泛關(guān)注的是ChatGPT的出現(xiàn)。作為一種基于深度學(xué)習(xí)和自然語言處理技術(shù)的大型語言模型,ChatGPT通過大規(guī)模的訓(xùn)練數(shù)據(jù)學(xué)習(xí)語言的模式和規(guī)律,能夠以流暢、準(zhǔn)確的方式回答人類提出的問題。在醫(yī)療領(lǐng)域,ChatGPT也展示出了巨大的潛力,其能夠回答患者的問題,且可在一些專業(yè)醫(yī)學(xué)問題上提供高度準(zhǔn)確和可靠的答案[32-33]。在不久的將來,這些模型或許能夠與麻醉領(lǐng)域相結(jié)合,在機器學(xué)習(xí)算法的基礎(chǔ)上為麻醉醫(yī)師提供更為精準(zhǔn)、個性化的圍術(shù)期并發(fā)癥預(yù)測,提高麻醉醫(yī)師的工作效率。這一前景令人充滿期待。

相信隨著人工智能時代的到來,麻醉學(xué)界以及整個醫(yī)學(xué)界將迎來巨大的發(fā)展變革。機器學(xué)習(xí)的應(yīng)用將提升患者在醫(yī)療過程中的舒適體驗,以更智能的方式為患者提供更安全、更精準(zhǔn)的治療。