蒲杰 胡益民

人工智能(AI)是研究模擬、延伸和擴(kuò)展人類智能的一門新興的科學(xué)技術(shù),主要通過算法使機(jī)器能夠推理問題和執(zhí)行任務(wù)[1]。隨著芯片存儲(chǔ)、通信網(wǎng)絡(luò)、計(jì)算機(jī)大數(shù)據(jù)技術(shù)的高速發(fā)展,以及無線傳輸模塊和各類傳感遙測(cè)設(shè)備的日新月異,AI技術(shù)已廣泛應(yīng)用于各個(gè)領(lǐng)域中[2]。由于其在快速識(shí)別、處理大規(guī)模數(shù)據(jù)之間的復(fù)雜關(guān)系方面有著無與倫比的優(yōu)勢(shì),AI正推動(dòng)著包括麻醉與圍術(shù)期醫(yī)學(xué)在內(nèi)的各個(gè)醫(yī)學(xué)研究領(lǐng)域的快速發(fā)展[3-4]。目前,社會(huì)人口的老齡化、麻醉從業(yè)人員的缺乏以及麻醉手術(shù)量的需求增長等諸多醫(yī)療矛盾日益突顯,而這些因素均易引起病人麻醉質(zhì)量下降從而導(dǎo)致病人圍術(shù)期的風(fēng)險(xiǎn)增加[5]。因此,大力發(fā)展AI在麻醉與圍術(shù)期學(xué)科的應(yīng)用顯得尤為重要。

1 AI概述及常用算法類型

AI是指通過計(jì)算機(jī)來模擬人類的思維,從數(shù)據(jù)中反復(fù)學(xué)習(xí)并分析算法,找到數(shù)據(jù)之間的關(guān)系,產(chǎn)生與人相似的思維方式,從而使計(jì)算機(jī)能夠執(zhí)行模仿人類認(rèn)知功能的任務(wù)[6-7]。AI 在包括自然語音處理、語言翻譯、文本分析、自我學(xué)習(xí)、機(jī)器計(jì)算、模糊邏輯、圖像識(shí)別等多個(gè)領(lǐng)域均得到了發(fā)展,屬于計(jì)算機(jī)科學(xué)的分支,本質(zhì)上是統(tǒng)計(jì)學(xué)和高效算法的交叉領(lǐng)域之一。AI的常用算法類型包括機(jī)器學(xué)習(xí)(ML) 、深度學(xué)習(xí)(DL)和卷積神經(jīng)網(wǎng)絡(luò) (CNNs) 等[8-11]。

1.1 ML ML的定義是機(jī)器學(xué)習(xí)數(shù)據(jù)的能力,用于處理大型數(shù)據(jù)集與變量,是AI的一個(gè)子類[12]。ML通過算法將輸入數(shù)據(jù)映射到輸出結(jié)果并應(yīng)用算法建立輸入圖像特征與輸出結(jié)果之間的關(guān)系,實(shí)現(xiàn)推理過程。ML涵蓋監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)以及強(qiáng)化學(xué)習(xí)三類。監(jiān)督學(xué)習(xí)在分類和回歸方面表現(xiàn)較好,但需要大量人為標(biāo)記的數(shù)據(jù)和較長的訓(xùn)練時(shí)間;無監(jiān)督學(xué)習(xí)更擅長從數(shù)據(jù)中挖掘新的疾病機(jī)制、基因型或表型,可以在無人為反饋的情況下找到數(shù)據(jù)中的隱藏模式;強(qiáng)化學(xué)習(xí)是監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的結(jié)合,通過不斷的訓(xùn)練和試錯(cuò)來最大程度優(yōu)化算法的準(zhǔn)確性。傳統(tǒng) ML 模型包括支持向量機(jī)、決策樹、貝葉斯分類、隨機(jī)森林等。ML在醫(yī)學(xué)中應(yīng)用最為普遍,用于執(zhí)行預(yù)測(cè)和分類任務(wù),從而揭示存在于獨(dú)立和非獨(dú)立參數(shù)間的非線性關(guān)系。

1.2 DL DL本質(zhì)上是ML的一個(gè)分支,結(jié)合計(jì)算機(jī)科學(xué)、統(tǒng)計(jì)學(xué),在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加隱藏層對(duì)輸入數(shù)據(jù)進(jìn)行處理來實(shí)現(xiàn)自動(dòng)預(yù)測(cè)[13-14]。因此,DL 具備自動(dòng)特征學(xué)習(xí)、高性能的推理能力,其優(yōu)勢(shì)包括自動(dòng)化解釋醫(yī)學(xué)圖像、增強(qiáng)臨床決策、識(shí)別新的表型、面對(duì)復(fù)雜疾病能選擇較優(yōu)的治療方案。

1.3 CNNs CNNs是神經(jīng)網(wǎng)絡(luò)的一個(gè)子類,由一系列包含卷積層、池化層、全連接層等多個(gè)層次的隱藏層組成[15]。例如用含有4 個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像識(shí)別,輸入層輸入原始數(shù)據(jù),第一至第四個(gè)隱藏層分別依次遞進(jìn)擬合“邊緣”“形狀”“圖案”“目標(biāo)”特征,最后得到輸出層“是與不是”的目標(biāo)結(jié)果[16]。CNNs 輸入的數(shù)據(jù)類型為圖像,在處理醫(yī)學(xué)成像方面具有高效的特點(diǎn),研究已證實(shí) CNNs 具有學(xué)習(xí)醫(yī)學(xué)影像分層和抽象特征的能力[12]。

2 AI對(duì)于麻醉與圍術(shù)期的意義

傳統(tǒng)麻醉與圍術(shù)期醫(yī)學(xué)主要關(guān)注術(shù)中安全問題,近年來麻醉學(xué)正在向更加關(guān)注術(shù)后轉(zhuǎn)歸的圍術(shù)期醫(yī)學(xué)方向進(jìn)行轉(zhuǎn)變。隨著麻醉信息管理系統(tǒng)(AIMS)的普及,AI在臨床麻醉學(xué)中的應(yīng)用正在不斷擴(kuò)大;隨著大型臨床數(shù)據(jù)庫的構(gòu)建,計(jì)算機(jī)可模擬臨床醫(yī)師的思維,利用機(jī)器學(xué)習(xí)處理復(fù)雜的臨床數(shù)據(jù),智能化地輔助醫(yī)師進(jìn)行臨床診斷與治療,如個(gè)人電子檔案管理、智能化識(shí)別醫(yī)學(xué)圖像、自然語言處理、臨床輔助決策與診斷等。研究者借助ML算法處理麻醉相關(guān)的數(shù)據(jù),計(jì)算機(jī)系統(tǒng)自動(dòng)化地早期干預(yù)或預(yù)測(cè)麻醉事件,輔助麻醉醫(yī)師的日常工作[17]。研究表明,AI在準(zhǔn)確、快捷及有效性方面都體現(xiàn)出了明顯的優(yōu)勢(shì)[18],這對(duì)于注重安全與效率的麻醉與圍術(shù)期學(xué)科更能體現(xiàn)其可應(yīng)用的必要;AI將改變傳統(tǒng)的麻醉模式,推動(dòng)麻醉技術(shù)向智能化方向發(fā)展,加速智能化麻醉時(shí)代的到來。AI對(duì)于臨床麻醉學(xué)的影響并不是簡單的數(shù)學(xué)建模、處理任意臨床數(shù)據(jù),而是如何自動(dòng)化輔助麻醉醫(yī)師制訂臨床決策,為未來智能化麻醉的發(fā)展提供新的方向。

3 AI在麻醉與圍術(shù)期中的應(yīng)用

近年來,AI在包括麻醉與圍術(shù)期學(xué)科在內(nèi)的各個(gè)醫(yī)學(xué)領(lǐng)域如火如荼地發(fā)展,極大地提高了醫(yī)護(hù)人員的工作效率。研究人員將AI應(yīng)用于臨床麻醉中,開發(fā)出多種智能麻醉系統(tǒng),推動(dòng)臨床麻醉向自動(dòng)化麻醉發(fā)展[4]。

3.1 麻醉深度評(píng)估與監(jiān)測(cè) 通過AI強(qiáng)大的數(shù)據(jù)處理能力及自我學(xué)習(xí)能力,計(jì)算機(jī)可以對(duì)麻醉機(jī)及監(jiān)護(hù)儀中冗雜且重復(fù)的監(jiān)測(cè)數(shù)據(jù)或輸入信號(hào)進(jìn)行統(tǒng)計(jì)分析。目前,已有多個(gè)研究證實(shí),通過 AI 構(gòu)建的ML模型可用于圍術(shù)期的麻醉管理。Liu 等[19]通過收集術(shù)中病人的腦電波(EEG)信號(hào),訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型并獲得一個(gè)新的監(jiān)測(cè)指標(biāo)用于評(píng)估麻醉深度,結(jié)果顯示該指標(biāo)與腦電雙頻指數(shù) (BIS) 有良好的相關(guān)性,且在輸出結(jié)果的穩(wěn)定性及準(zhǔn)確性方面表現(xiàn)優(yōu)異。Sadrawi 等[20]將受試者的EEG、肌電圖、心率、血壓、脈搏以及信號(hào)質(zhì)量指數(shù)等多個(gè)參數(shù)作為輸入信號(hào),構(gòu)建的人工神經(jīng)網(wǎng)絡(luò)模型能更精確地反映麻醉深度。當(dāng) AI 對(duì)監(jiān)護(hù)儀進(jìn)行監(jiān)督學(xué)習(xí)時(shí),ML模型需要能夠區(qū)分真假警報(bào)。Hever 等[21]開發(fā)的基于專家系統(tǒng)的規(guī)則算法及隨機(jī)森林模型能夠有效識(shí)別監(jiān)護(hù)儀中的警報(bào)與偽象,明顯降低機(jī)器的誤報(bào)率。

3.2 事件與風(fēng)險(xiǎn)預(yù)測(cè)模型構(gòu)建 麻醉與圍術(shù)期學(xué)科的主要任務(wù)是對(duì)圍術(shù)期不良事件進(jìn)行預(yù)測(cè)。早期預(yù)測(cè)圍術(shù)期的不良反應(yīng)可以實(shí)現(xiàn)早期干預(yù),從而可以改善病人的結(jié)局及預(yù)后。研究者們利用算法對(duì)病人圍手術(shù)期數(shù)據(jù)進(jìn)行信息挖掘,處理和分析多維度數(shù)據(jù),建立預(yù)測(cè)模型,動(dòng)態(tài)地預(yù)測(cè)圍手術(shù)期低氧血癥、低血壓及呼吸困難等不良事件的發(fā)生[22-24],從而提高病人圍手術(shù)期的安全。

3.3 臨床決策支持系統(tǒng)(CDS) CDS工具通過納入病人基本信息、圍術(shù)期生命參數(shù)、麻醉藥及呼吸機(jī)參數(shù)等資料,可實(shí)現(xiàn)圍術(shù)期麻醉管理、術(shù)中低氧血癥或機(jī)械通氣參數(shù)異常時(shí)警報(bào)等。利用構(gòu)建的大型電子病歷數(shù)據(jù)庫,CDS 工具可協(xié)助臨床醫(yī)師更高效地制定個(gè)體化的診治方案[25]。早期的 CDS 主要用于常規(guī)工作流程的提醒,如提示醫(yī)師術(shù)中給予β受體阻滯劑、優(yōu)化呼吸機(jī)參數(shù)、避免浪費(fèi)麻醉藥、核對(duì)麻醉賬單等[26]。隨著數(shù)據(jù)收集的優(yōu)化以及硬件設(shè)備的升級(jí),CDS 開始用于特殊病人的識(shí)別以及圍術(shù)期管理。因此,CDS 工具不僅可為科研工作者提供更多的醫(yī)學(xué)數(shù)據(jù),而且還可以提供更好的臨床途徑來更有效地改善病人預(yù)后。目前大部分 CDS 屬于反應(yīng)型支持系統(tǒng),研究者開發(fā)新型系統(tǒng)時(shí)可直接收集監(jiān)護(hù)儀的數(shù)據(jù),同時(shí)借助5G 網(wǎng)絡(luò)處理大量數(shù)據(jù)流,研制出具備實(shí)時(shí)預(yù)測(cè)性的 CDS,但此類預(yù)測(cè)型 CDS 尚處于研究階段。

3.4 智能化自動(dòng)給藥系統(tǒng) 近年來,靶控輸注技術(shù)在臨床麻醉中得到了廣泛的應(yīng)用。但隨著病人的血流動(dòng)力學(xué)發(fā)生變化,計(jì)算機(jī)并不能實(shí)時(shí)根據(jù)病人生命體征的變化動(dòng)態(tài)地調(diào)控血漿靶濃度或效應(yīng)室靶濃度以達(dá)到平衡,這種單一的閉環(huán)系統(tǒng)限制了自動(dòng)給藥系統(tǒng)的應(yīng)用。AI 通過DL利用各種線性或非線性數(shù)據(jù)構(gòu)建數(shù)學(xué)模型,根據(jù)藥物的藥代動(dòng)力學(xué)及藥效動(dòng)力學(xué)特點(diǎn),計(jì)算藥物的量-效關(guān)系,根據(jù)輸入的監(jiān)測(cè)數(shù)據(jù),如心率、血壓、BIS等參數(shù),指導(dǎo)和優(yōu)化藥物的靶控輸注。Lee 等[27]研究表明,DL模型在預(yù)測(cè) BIS 值方面優(yōu)于傳統(tǒng)的 PK-PD 模型。隨著臨床大數(shù)據(jù)的積累,未來有望構(gòu)建更強(qiáng)大的DL模型,可以更加安全地指導(dǎo)臨床麻醉用藥,甚至實(shí)現(xiàn)無監(jiān)督的自我學(xué)習(xí)。

3.5 圍術(shù)期超聲引導(dǎo) AI在臨床醫(yī)學(xué)中應(yīng)用最成熟的是醫(yī)學(xué)影像識(shí)別,可以早期輔助醫(yī)師識(shí)別病變臟器或組織,提高臨床診斷率。AI在圍術(shù)期超聲中的應(yīng)用可以幫助臨床麻醉醫(yī)生高效快速地識(shí)別超聲圖像,提高圍術(shù)期超聲的準(zhǔn)確性,減少分析判斷結(jié)果所耗費(fèi)的時(shí)間。Hetherington等[28]構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型能夠自動(dòng)識(shí)別椎體、椎間隙及其他解剖定位,協(xié)助麻醉科醫(yī)師進(jìn)行硬膜外穿刺置管等操作,其準(zhǔn)確度高達(dá) 95%。有研究表明,AI構(gòu)建的ML算法能夠自動(dòng)測(cè)量心臟的射血分?jǐn)?shù)等參數(shù),快速評(píng)估心臟功能[29]。

3.6 圍術(shù)期疼痛管理 圍術(shù)期疼痛管理可以從阿片類藥物劑量的預(yù)測(cè)到咨詢醫(yī)院急性疼痛服務(wù)小組的具體服務(wù)項(xiàng)目的確定等方面給病人帶來幫助[30-31]。有學(xué)者使用ML分析了暴露于疼痛和非疼痛熱刺激的志愿者的功能磁共振成像數(shù)據(jù)的差異,證明全腦掃描的ML分析比傳統(tǒng)上與傷害感受相關(guān)的單個(gè)腦區(qū)的分析,能更準(zhǔn)確地識(shí)別疼痛進(jìn)而進(jìn)行圍術(shù)期的疼痛管理[32]。此外,疼痛的識(shí)別并不局限于影像學(xué)技術(shù),Ben-Israel等[33]基于對(duì)25例擇期手術(shù)病人的光電容積描記圖和皮膚電導(dǎo)波形的機(jī)器學(xué)習(xí)分析,開發(fā)了傷害感受水平指標(biāo)。為尋找更客觀的疼痛生物標(biāo)志物,Gram等[34]還使用ML分析81例病人的腦電圖信號(hào),試圖預(yù)測(cè)對(duì)阿片類藥物治療急性疼痛有反應(yīng)的病人,結(jié)果表明,對(duì)術(shù)后阿片類藥物治療有反應(yīng)的病人,術(shù)前腦電圖評(píng)估的準(zhǔn)確性只有65%。Olesen等[30]進(jìn)行了一項(xiàng)大數(shù)據(jù)的研究,在1237例癌癥病人中檢測(cè)單核苷酸多態(tài)性,通過單核苷酸多態(tài)性預(yù)測(cè)這些病人的阿片類藥物的需求劑量。

3.7 手術(shù)室智能物流機(jī)器人的應(yīng)用 AI無論是在器械耗材庫房管理,還是在手術(shù)發(fā)展等方面都存在巨大的優(yōu)勢(shì)。物流機(jī)器人的引進(jìn),有效解決了人工配送的弊端,促進(jìn)手術(shù)室器械耗材管理改革,從而推動(dòng)庫房管理從人工管理到智能化的改革,大大提高了手術(shù)室運(yùn)營管理效率。研究表明,使用AI技術(shù)可以準(zhǔn)確地判斷、分析手術(shù)室供給與配送等相關(guān)問題[35]。Combes等[36]通過人員配備、工作人員的手術(shù)室使用情況及病人進(jìn)入麻醉恢復(fù)室(PACU)使用信息等醫(yī)院數(shù)據(jù)庫,結(jié)合電子記錄來訓(xùn)練神經(jīng)網(wǎng)絡(luò),通過手術(shù)團(tuán)隊(duì)、手術(shù)類型及病人的相關(guān)病史預(yù)測(cè)并確認(rèn)手術(shù)持續(xù)時(shí)間。

3.8 智能化教學(xué)系統(tǒng) AI在臨床麻醉教學(xué)中的應(yīng)用越來越受到重視。眾所周知,臨床麻醉醫(yī)生的培養(yǎng)需兼顧理論知識(shí)學(xué)習(xí)和實(shí)踐技能鍛煉。既往傳統(tǒng)的帶教模式單一,帶教師資的教學(xué)經(jīng)驗(yàn)、知識(shí)儲(chǔ)備等千差萬別。AI專家系統(tǒng)通過構(gòu)建臨床麻醉專業(yè)知識(shí)及臨床案例的數(shù)據(jù)庫,不僅可以對(duì)現(xiàn)有的病例進(jìn)行科學(xué)推理分析,還能利用病理生理學(xué)等專業(yè)知識(shí)總結(jié)計(jì)算出新的病例。研究表明,AI專家系統(tǒng)能顯著提升學(xué)生的理論知識(shí)及操作技能,且學(xué)生對(duì)該教學(xué)模式的滿意度明顯高于傳統(tǒng)教學(xué)模式[37]。AI專家系統(tǒng)既能提供全面系統(tǒng)的麻醉知識(shí)及臨床案例,豐富學(xué)習(xí)內(nèi)容,又能提升學(xué)生的學(xué)習(xí)積極性。它不僅是傳統(tǒng)臨床麻醉教學(xué)的完善及補(bǔ)充,更為將來麻醉科醫(yī)師培養(yǎng)模式的變革提供了新動(dòng)力。

4 AI在麻醉與圍術(shù)期中應(yīng)用的挑戰(zhàn)與局限

隨著大數(shù)據(jù)時(shí)代的到來,ML將會(huì)不斷融入到醫(yī)學(xué)領(lǐng)域,廣泛應(yīng)用于臨床,輔助臨床決策;但同時(shí)這也可能給傳統(tǒng)醫(yī)療模式帶來沖擊,新的經(jīng)濟(jì)、法律和社會(huì)問題也就不可避免。ML算法的開發(fā)與計(jì)算機(jī)性能的提升有助于AI的發(fā)展,未來臨床麻醉安全很大程度受益于其為麻醉與圍術(shù)期病人所提供的精準(zhǔn)控制與預(yù)測(cè),但同時(shí)也會(huì)給臨床麻醉醫(yī)生帶來風(fēng)險(xiǎn)與挑戰(zhàn)。目前,AI最大的問題是不透明性與不可解釋性,即所謂的“黑匣子”現(xiàn)象,對(duì)于臨床麻醉醫(yī)生而言,要理解ML模型的內(nèi)部機(jī)制是非常困難的[38]。這是因?yàn)橛?jì)算機(jī)的輸出結(jié)果取決于ML模型和算法,而機(jī)器學(xué)習(xí)模型操作模式的不透明性及不可解釋性將極大地限制其應(yīng)用,臨床麻醉醫(yī)生很難判斷其“黑匣子”內(nèi)部是否會(huì)出現(xiàn)運(yùn)算錯(cuò)誤?！昂谙蛔印爆F(xiàn)象導(dǎo)致的后果是:首先,機(jī)器學(xué)習(xí)處理數(shù)據(jù)需要保證數(shù)據(jù)的完整性和準(zhǔn)確性,隨著互聯(lián)網(wǎng)的發(fā)展,黑客入侵?jǐn)?shù)據(jù)庫導(dǎo)致數(shù)據(jù)流失、病人隱私泄露等風(fēng)險(xiǎn)會(huì)進(jìn)一步增加,當(dāng)面臨數(shù)據(jù)不完整或虛假數(shù)據(jù)時(shí),性能就會(huì)顯著下降。目前,缺乏相關(guān)的法律法規(guī)來規(guī)范數(shù)據(jù)的隱私保護(hù),在應(yīng)用AI時(shí),不僅需要研究人員采取安全措施以防止數(shù)據(jù)的泄露及黑客對(duì)數(shù)據(jù)庫的入侵,還需要政府及相關(guān)監(jiān)管部門完善的法律法規(guī)及監(jiān)察制度來規(guī)范數(shù)據(jù)的使用。其次,由于臨床麻醉醫(yī)生和開發(fā)工程師無法解釋其背后原理和處理機(jī)制,缺乏醫(yī)學(xué)背景的工程師更無法獨(dú)立完成這一任務(wù),這必將會(huì)帶來諸多的醫(yī)學(xué)倫理問題。再次,由于迄今計(jì)算機(jī)尚不具備主動(dòng)思考的能力,還無法實(shí)現(xiàn)人機(jī)交互,還未實(shí)現(xiàn)智能化、適時(shí)解決實(shí)際問題。

5 展望

AI在麻醉與圍術(shù)期各個(gè)階段幫助臨床麻醉醫(yī)生進(jìn)行臨床決策,不僅有助于提升醫(yī)療質(zhì)量,也可改善預(yù)后、降低醫(yī)療費(fèi)用。臨床麻醉醫(yī)生的重要性體現(xiàn)在對(duì) AI分析的結(jié)果進(jìn)行臨床解讀、改進(jìn)AI 技術(shù)的臨床實(shí)用性以及輔助優(yōu)化其工作流程等各個(gè)方面。未來,臨床麻醉醫(yī)生與數(shù)據(jù)處理專家和工程師合作,從臨床視角提供有價(jià)值的數(shù)據(jù),多中心的數(shù)據(jù)分享和合作尤為重要。事實(shí)上,當(dāng)前AI 的大多數(shù)應(yīng)用僅限于數(shù)據(jù)分析,為醫(yī)師節(jié)約一些重復(fù)且低技術(shù)含量操作的時(shí)間,未來還需要更多的研究來探索AI 在麻醉學(xué)科中的應(yīng)用。可以預(yù)見的是,在未來的科學(xué)研究與臨床實(shí)踐中,AI 將變得越來越重要。