机器学习在麻醉学科中的应用进展

毛亚运，邹小华，莫怀忠

(1.贵州医科大学麻醉学院，贵州 贵阳 550004；2.贵州医科大学附属医院麻醉科，贵州 贵阳 550004；3.贵州医科大学附属肿瘤医院麻醉科，贵州 贵阳 550000)

机器学习是一门基于数据来研究算法的交叉学科，其致力于研究利用计算机模拟人类学习方式，并通过所获取的知识不断优化自身性能[1]。作为人工智能领域的研究热点，机器学习的理论及方法目前已被广泛应用于解决实际应用和科学领域的复杂问题。麻醉医师主要是在围术期对由多种因素(麻醉、手术、原发疾病)引起的重要生命功能的变化进行监测、干预，保证围术期患者的安全。这要求麻醉医师要有广泛的专业知识，对患者各重要脏器功能储备状态进行准确评估，维护患者各项生命功能(包括重要脏器功能)，并在遇到危急情况时，能迅速准确地做出诊断与处理[2]。麻醉领域在发展和应用机器学习技术方面具有显著的优势：各种计算机控制系统，如监护仪、药物输注系统及麻醉电子病历系统，可直接连接至每例患者，实时收集大量高保真数据等。本文就机器学习在围术期风险评估与预测、麻醉深度监测与调控、麻醉基本技能操作及围术期危机诊治的应用进展进行综述。

1 机器学习在围术期风险评估与预测中的应用

全面、准确的术前评估是临床麻醉医师的重要工作内容，明确危险因素，甄别处于高风险状态的患者，促使其完善术前准备，主动干预降低风险是提高麻醉管理质量，降低围术期相关并发症发生率和病死率的保障。

1.1 机器学习用于预测围术期低血压围术期低血压是术后不良结局的独立危险因素，早期识别高危人群，优化诱导、维持及复苏方案，是改善患者预后的一项重要措施。Kendale等[3]利用机器学习方法，分析了13323例患者诱导后低血压的发生情况，以患者术前合并症、术前用药情况、诱导用药、术中生命征为临床特征，采用Logistic 回归、随机森林、支持向量机、朴素贝叶斯、k-近邻、线性判别分析、神经网络及梯度提升等方法进行建模，并对性能最优化的模型进行优化，结果证实，机器学习算法可成功预测全身麻醉后低血压的发生。而Hatib等[4]则根据有创动脉压力波的特征(动脉压波时间、波幅、曲线下面积、斜率特征、Flotrac算法特征、CO-Trek特征、压力反射特征等)，判断循环系统代偿能力情况，创建低血压预测模型。该模型的优势在于，可在低血压发生前15分钟预测出低血压的发生概率，其敏感度为88%，特异度为87%。这将给临床医师提供高价值的预警，保证其有充足的时间纠正潜在的生命机能紊乱，防止严重低血压的发生。

1.2 机器学习用于围术期并发症风险评估传统的风险估计方法主要是依靠精心构建从而减少偏倚的队列或病例对照，采用假设检验、Logistics回归等办法推测结局与危险因素之间的关系[5]。但在大数据领域，数据结构常不完整，传统的统计方法较为受限(如对缺失值敏感、要求每个研究变量至少10～15个事件数、变量不宜纳入太多等)，在这些情况下，机器学习则显示出较大优势[6]。Thottakkara等[7]采用Logistic回归及广义相加模型、朴素贝叶斯、支持向量机等机器学习方法针对佛罗里达大学健康数据库中的50318条高维临床数据信息进行了分析，以建立术后脓毒症和急性肾损伤预测模型，结果表明，与Logistic回归比较，广义相加模型和支持向量机算法显著提高了模型的预测性能。同样，Hill等[8]采用随机森林等算法，利用加州大学洛杉矶分校围术期结构化数据库中患者的术前信息创建了一个自动化评分模型，该模型用于预测术后死亡率的受试者曲线(ROC)曲线下面积(AUC)显著高于现有的POSPOM评分和Charlon并发症评分。这些机器学习算法可迅速、精准地分辨出高风险人群，以利医师规划好围术期应对策略，并将稀缺医疗资源倾斜至最可能获益的患者身上，降低医疗风险并促进医疗资源价值最大化。

同传统回归模型一样，纳入变量对于结局的重要性决定了模型的预测性能，机器学习再精细也不能无中生有，提取出不存在的信息。同时，目前多数机器学习工具仍属于“黑盒”系统，其内部工作难以理解，也不能估计每个特征对模型预测性能的重要程度，处理过程的不透明性将影响到临床医师及患者对结果的信任度。近年来，许多学者对于机器学习的可解释性方面做了很多努力，未来有望通过机器学习建立预测性能高且容易解释的预测模型[9，10]。

2 机器学习在麻醉深度监测与调控中的应用

麻醉深度是麻醉药物的抑制与伤害性刺激的激惹之间的相互关系在中枢神经系统上的反应。近年来大量研究表明：过深的麻醉与术后死亡率密切相关，而过浅的麻醉则增加患者术中知晓的风险[11]。密切监测并及时调整麻醉深度，是临床麻醉医师的核心工作，也是实现精确麻醉的基本要求。

2.1 机器学习算法用于麻醉深度的监测目前临床上的麻醉深度监测方法主要基于对脑电信号的分析，其中以脑电双频指数(Bispectral index，BIS)的应用最为广泛[12]。但其稳定性和抗干扰能力尚有待提高；与伤害性刺激的相关性也较差，更全面、更准确的麻醉深度监测方法仍是临床研究的热点[11]。机器学习非常适用于像脑电图一类的复杂数据流的分析，其可以利用多种线性和非线性数据构建高级模型，从而更好地反映药物的量效反应。Mirsadeghi等[13]采用机器学习算法分析脑电不同波段功率、总功率、纺锤体评分及熵等参数，以反映清醒-麻醉状态的脑电特性，结果表明机器学习算法可获得较BIS(88.4% vs.84.2%)更为准确的效果。Shalbaf等[14]则针对脑电图的多个特征，采用机器学习算法研究不同麻醉深度时脑电图的特征性改变，结果显示机器学习算法的准确率可达92.91%，远高于熵指数(77.5%)。

2.2 机器学习算法用于麻醉深度自动调控闭环靶控麻醉药物输注系统是以麻醉深度监测为反馈变量，以药代动力学与药效动力学知识为基础，实时控制输注速率或药物浓度，从而实现自动化麻醉管理功能的系统。Absalom[15]采用比例-积分-微分(propotional-integral-derivative，PID)控制算法，先使用统一的效应室浓度进行麻醉诱导，然后再用其设计的闭环靶控输注系统进行麻醉维持。这可以避免麻醉深度的剧烈振荡，减小控制误差。强生公司在其基础上发明了SEDASYS计算机辅助个体化镇静系统。该系统集成了麻醉学科ASA标准监护项目(包括呼气末CO2监测)及麻醉自动输注系统，系统在注射负荷剂量的麻醉药物(如丙泊酚)后，按程序设定好的速度维持泵注，然后根据药代动力学原理及麻醉深度相关指标对输注泵的参数进行实时自动调控[16，17]。然而，在控制领域中许多系统参数都是非线性的，简单的系统无法得到精确的数学模型，单一的PID控制难以满足复杂系统的要求。比如丙泊酚和芬太尼药理学特性的个体差异较大，SEDASYS系统对个体差异的分析和控制较弱；每次给药后的药效评估时间较长，不能适应无痛胃肠镜诊疗的高效周转；对于深度镇静所致呼吸抑制和气道梗阻问题的处理欠佳等[18]。而机器学习可显著减小中位执行误差、分散度及摆动度，使控制性能得到显著提升。Schamberg等[19]基于药代动力学/药效学开发了一个深度学习的神经网络，采用“交叉熵(cross-entropy)”的方法在模拟环境中通过强化学习对该神经网络进行训练，旨在将其用于患者麻醉深度的控制。该算法先按照某种规则进行成批的模拟，获得点误差，根据误差信息决定下一次模拟规则。经过多次学习，神经网络逐渐学习到麻醉状态与丙泊酚浓度之间的对应关系。该模型的优势在于确定每位患者达到不同麻醉深度的合适剂量，且在药代和药效个体差异的把握方面较PID模型更为稳健。

3 机器学习在麻醉基本技能操作中的应用

3.1 机器学习在气管插管机器人中的应用随着达芬奇机器人辅助外科手术系统的研发成功，许多学者将智能化机械臂的理念引到了麻醉相关基本操作上，以期实现麻醉操作的智能化和远程化。2010年佛罗里达大学医学院的Tighe就报道了使用达芬奇机器人操控纤维支气管镜在模拟人上进行气管插管[20]。2012年加拿大麦吉尔大学使用其研发的开普勒机器人气管插管设备(Kepler intubation system，KIS)在12例患者身上成功实施了气管插管[21]。开普勒插管系统与达芬奇一样需要操作者进行远程操控，故仍算不上真正意义上的自动化。而在2011年Lederman等就开始采用高斯混合模型框架进行食管、气管上段、气管隆突等解剖特征图像进行学习训练，经过学习后，系统判断气管内插管的正确率可达95%[22]。随后Carlson等尝试用k-近邻、支持向量机、决策树和神经网络等算法训练软件系统对声门结构的判断，结果表明各种算法均可取得较好的成绩[23]。基于机器学习的实时图像识别功能和主动视觉跟踪技术，则使气管插管机器人向自动化发展又跨进了一大步。REALITI是由瑞士苏黎士大学研发的一款基于喉部影像的自动化经口气管插管机器人，可手动操控或系统自动操作。系统识别到第一个解剖标志，就会鼓励操作者将模式转换至自动模式，被识别的解剖结构周围出现提示框，内窥镜前端会向着声门开口方向移动，一旦进入声门，就会提供气管腔内结构图像并提示操作者进行人工确认[24]。国内目前也有多家单位开展气管插管机器人的研发，如海军军医大学潘铁文教授团队的遥操作气管插管机器人系统[25]、西安交通大学吕毅教授团队的全磁导航气管插管机器人等均获得较好的成绩。但对于气管插管机器人实现全自动化，目前尚有许多工作需要完善，比如自动化套囊充气系统、自动化气道表面麻醉系统、自动化经鼻气管插管系统等。

3.2 机器学习在超声引导神经阻滞中的应用在快速康复外科理念的推动下，超声引导下的神经阻滞作为麻醉学科的一项基本操作得到广泛推广。在神经阻滞机器人领域，2013年麦哲伦(Magellan)外周神经阻滞系统已成功用于神经阻滞的辅助操作，但实际上仅是使用遥操机械臂替代了人工直接操作，故还不能称为自动化系统[26]。超声图像的识别及图像引导穿刺操作的协调是最难学习的环节，而机器学习在图像识别方面具有巨大的优势。2015年Gil将机器学习算法运用于超声神经图像的分割，其中特征提取阶段采用特定的非线性小波变换，分类步骤采用高斯处理，实现了神经结构的自动化识别[27]。Hatt等[28]则利用机器学习算法训练针的超声图像分割器，并采用Radon变换从分隔的图像中找到针的位置和方向，从而可以准确定位针的位置。因此，神经阻滞向自动化发展的困难也正在被逐一排除。

4 机器学习在围术期危机事件管理中的应用

科学的预警和决策，积极有效预防和快速正确诊断处理是化解围术期危机事件的关键。哮喘或支气管痉挛的发作是围术期重要危机之一，早期的识别和处理可避免病情的进一步加重，从而改善患者的预后。Amaral等[29]采用k近邻、随机森林、AdaBoost等算法，研究强迫振荡技术参数用于哮喘发作时气道梗阻表现的诊断，结果表明，所有的算法均可较准确的诊断出哮喘发作，其中k近邻法和AdaBoost法的诊断效能可达较高精度，AUC分别为0.88和0.89。而对于限制性呼吸和哮喘的鉴别诊断，也可采用机器学习算法进行精确区分[30]。心力衰竭是围术期常见合并症之一，围术期心力衰竭患者非心脏术后的死亡率和再入院率比相同手术的冠心病患者都要显著增高。早期发现心力衰竭，给予制定完善的围术期管理计划(包括手术时机选择、术前优化、术中麻醉管理、输液控制及术后康复)，将可使患者获益。Olsen等[31]采用卷积神经网络算法训练并建立了一个基于44959例患者的心电图和经胸心脏超声数据判断心衰与否的系统，其AUC可达0.93，准确性达85.7%。而Alonso-Betanzos等[32]则利用监督及非监督学习法根据心衰患者的心脏超声心室容积参数及射血分数分析它们之间的关系，可对患者的心衰类型进行准确鉴别。同时，机器学习算法还可用在不同心衰患者对治疗方法的反应估计中，从而指导治疗决策的制定[33，34]。

5 展望

综上所述，人工智能时代的到来将使医疗行业的一些领域发生革命性变化，机器学习算法在人工智能的发展中发挥着至关重要的作用，其在图像分析、评估预测、辅助决策及自动化中的优势将给麻醉学科带来巨大的发展契机。虽然目前在麻醉学科多个领域的应用仍处于雏形阶段，但随着技术日益成熟、困难逐一解决，相信能推动麻醉学科向更智能、更科学的方向前进。