人工智能在麻醉与围术期应用的研究进展

蒲杰 胡益民

人工智能(AI)是研究模拟、延伸和扩展人类智能的一门新兴的科学技术,主要通过算法使机器能够推理问题和执行任务[1]。随着芯片存储、通信网络、计算机大数据技术的高速发展,以及无线传输模块和各类传感遥测设备的日新月异,AI技术已广泛应用于各个领域中[2]。由于其在快速识别、处理大规模数据之间的复杂关系方面有着无与伦比的优势,AI正推动着包括麻醉与围术期医学在内的各个医学研究领域的快速发展[3-4]。目前,社会人口的老龄化、麻醉从业人员的缺乏以及麻醉手术量的需求增长等诸多医疗矛盾日益突显,而这些因素均易引起病人麻醉质量下降从而导致病人围术期的风险增加[5]。因此,大力发展AI在麻醉与围术期学科的应用显得尤为重要。

1 AI概述及常用算法类型

AI是指通过计算机来模拟人类的思维,从数据中反复学习并分析算法,找到数据之间的关系,产生与人相似的思维方式,从而使计算机能够执行模仿人类认知功能的任务[6-7]。AI 在包括自然语音处理、语言翻译、文本分析、自我学习、机器计算、模糊逻辑、图像识别等多个领域均得到了发展,属于计算机科学的分支,本质上是统计学和高效算法的交叉领域之一。AI的常用算法类型包括机器学习(ML) 、深度学习(DL)和卷积神经网络 (CNNs) 等[8-11]。

1.1 ML ML的定义是机器学习数据的能力,用于处理大型数据集与变量,是AI的一个子类[12]。ML通过算法将输入数据映射到输出结果并应用算法建立输入图像特征与输出结果之间的关系,实现推理过程。ML涵盖监督学习、无监督学习以及强化学习三类。监督学习在分类和回归方面表现较好,但需要大量人为标记的数据和较长的训练时间;无监督学习更擅长从数据中挖掘新的疾病机制、基因型或表型,可以在无人为反馈的情况下找到数据中的隐藏模式;强化学习是监督学习和无监督学习的结合,通过不断的训练和试错来最大程度优化算法的准确性。传统 ML 模型包括支持向量机、决策树、贝叶斯分类、随机森林等。ML在医学中应用最为普遍,用于执行预测和分类任务,从而揭示存在于独立和非独立参数间的非线性关系。

1.2 DL DL本质上是ML的一个分支,结合计算机科学、统计学,在人工神经网络的基础上增加隐藏层对输入数据进行处理来实现自动预测[13-14]。因此,DL 具备自动特征学习、高性能的推理能力,其优势包括自动化解释医学图像、增强临床决策、识别新的表型、面对复杂疾病能选择较优的治疗方案。

1.3 CNNs CNNs是神经网络的一个子类,由一系列包含卷积层、池化层、全连接层等多个层次的隐藏层组成[15]。例如用含有4 个隐藏层的神经网络进行图像识别,输入层输入原始数据,第一至第四个隐藏层分别依次递进拟合“边缘”“形状”“图案”“目标”特征,最后得到输出层“是与不是”的目标结果[16]。CNNs 输入的数据类型为图像,在处理医学成像方面具有高效的特点,研究已证实 CNNs 具有学习医学影像分层和抽象特征的能力[12]。

2 AI对于麻醉与围术期的意义

传统麻醉与围术期医学主要关注术中安全问题,近年来麻醉学正在向更加关注术后转归的围术期医学方向进行转变。随着麻醉信息管理系统(AIMS)的普及,AI在临床麻醉学中的应用正在不断扩大;随着大型临床数据库的构建,计算机可模拟临床医师的思维,利用机器学习处理复杂的临床数据,智能化地辅助医师进行临床诊断与治疗,如个人电子档案管理、智能化识别医学图像、自然语言处理、临床辅助决策与诊断等。研究者借助ML算法处理麻醉相关的数据,计算机系统自动化地早期干预或预测麻醉事件,辅助麻醉医师的日常工作[17]。研究表明,AI在准确、快捷及有效性方面都体现出了明显的优势[18],这对于注重安全与效率的麻醉与围术期学科更能体现其可应用的必要;AI将改变传统的麻醉模式,推动麻醉技术向智能化方向发展,加速智能化麻醉时代的到来。AI对于临床麻醉学的影响并不是简单的数学建模、处理任意临床数据,而是如何自动化辅助麻醉医师制订临床决策,为未来智能化麻醉的发展提供新的方向。

3 AI在麻醉与围术期中的应用

近年来,AI在包括麻醉与围术期学科在内的各个医学领域如火如荼地发展,极大地提高了医护人员的工作效率。研究人员将AI应用于临床麻醉中,开发出多种智能麻醉系统,推动临床麻醉向自动化麻醉发展[4]。

3.1 麻醉深度评估与监测 通过AI强大的数据处理能力及自我学习能力,计算机可以对麻醉机及监护仪中冗杂且重复的监测数据或输入信号进行统计分析。目前,已有多个研究证实,通过 AI 构建的ML模型可用于围术期的麻醉管理。Liu 等[19]通过收集术中病人的脑电波(EEG)信号,训练人工神经网络模型并获得一个新的监测指标用于评估麻醉深度,结果显示该指标与脑电双频指数 (BIS) 有良好的相关性,且在输出结果的稳定性及准确性方面表现优异。Sadrawi 等[20]将受试者的EEG、肌电图、心率、血压、脉搏以及信号质量指数等多个参数作为输入信号,构建的人工神经网络模型能更精确地反映麻醉深度。当 AI 对监护仪进行监督学习时,ML模型需要能够区分真假警报。Hever 等[21]开发的基于专家系统的规则算法及随机森林模型能够有效识别监护仪中的警报与伪象,明显降低机器的误报率。

3.2 事件与风险预测模型构建 麻醉与围术期学科的主要任务是对围术期不良事件进行预测。早期预测围术期的不良反应可以实现早期干预,从而可以改善病人的结局及预后。研究者们利用算法对病人围手术期数据进行信息挖掘,处理和分析多维度数据,建立预测模型,动态地预测围手术期低氧血症、低血压及呼吸困难等不良事件的发生[22-24],从而提高病人围手术期的安全。

3.3 临床决策支持系统(CDS) CDS工具通过纳入病人基本信息、围术期生命参数、麻醉药及呼吸机参数等资料,可实现围术期麻醉管理、术中低氧血症或机械通气参数异常时警报等。利用构建的大型电子病历数据库,CDS 工具可协助临床医师更高效地制定个体化的诊治方案[25]。早期的 CDS 主要用于常规工作流程的提醒,如提示医师术中给予β受体阻滞剂、优化呼吸机参数、避免浪费麻醉药、核对麻醉账单等[26]。随着数据收集的优化以及硬件设备的升级,CDS 开始用于特殊病人的识别以及围术期管理。因此,CDS 工具不仅可为科研工作者提供更多的医学数据,而且还可以提供更好的临床途径来更有效地改善病人预后。目前大部分 CDS 属于反应型支持系统,研究者开发新型系统时可直接收集监护仪的数据,同时借助5G 网络处理大量数据流,研制出具备实时预测性的 CDS,但此类预测型 CDS 尚处于研究阶段。

3.4 智能化自动给药系统 近年来,靶控输注技术在临床麻醉中得到了广泛的应用。但随着病人的血流动力学发生变化,计算机并不能实时根据病人生命体征的变化动态地调控血浆靶浓度或效应室靶浓度以达到平衡,这种单一的闭环系统限制了自动给药系统的应用。AI 通过DL利用各种线性或非线性数据构建数学模型,根据药物的药代动力学及药效动力学特点,计算药物的量-效关系,根据输入的监测数据,如心率、血压、BIS等参数,指导和优化药物的靶控输注。Lee 等[27]研究表明,DL模型在预测 BIS 值方面优于传统的 PK-PD 模型。随着临床大数据的积累,未来有望构建更强大的DL模型,可以更加安全地指导临床麻醉用药,甚至实现无监督的自我学习。

3.5 围术期超声引导 AI在临床医学中应用最成熟的是医学影像识别,可以早期辅助医师识别病变脏器或组织,提高临床诊断率。AI在围术期超声中的应用可以帮助临床麻醉医生高效快速地识别超声图像,提高围术期超声的准确性,减少分析判断结果所耗费的时间。Hetherington等[28]构建的神经网络模型能够自动识别椎体、椎间隙及其他解剖定位,协助麻醉科医师进行硬膜外穿刺置管等操作,其准确度高达 95%。有研究表明,AI构建的ML算法能够自动测量心脏的射血分数等参数,快速评估心脏功能[29]。

3.6 围术期疼痛管理 围术期疼痛管理可以从阿片类药物剂量的预测到咨询医院急性疼痛服务小组的具体服务项目的确定等方面给病人带来帮助[30-31]。有学者使用ML分析了暴露于疼痛和非疼痛热刺激的志愿者的功能磁共振成像数据的差异,证明全脑扫描的ML分析比传统上与伤害感受相关的单个脑区的分析,能更准确地识别疼痛进而进行围术期的疼痛管理[32]。此外,疼痛的识别并不局限于影像学技术,Ben-Israel等[33]基于对25例择期手术病人的光电容积描记图和皮肤电导波形的机器学习分析,开发了伤害感受水平指标。为寻找更客观的疼痛生物标志物,Gram等[34]还使用ML分析81例病人的脑电图信号,试图预测对阿片类药物治疗急性疼痛有反应的病人,结果表明,对术后阿片类药物治疗有反应的病人,术前脑电图评估的准确性只有65%。Olesen等[30]进行了一项大数据的研究,在1237例癌症病人中检测单核苷酸多态性,通过单核苷酸多态性预测这些病人的阿片类药物的需求剂量。

3.7 手术室智能物流机器人的应用 AI无论是在器械耗材库房管理,还是在手术发展等方面都存在巨大的优势。物流机器人的引进,有效解决了人工配送的弊端,促进手术室器械耗材管理改革,从而推动库房管理从人工管理到智能化的改革,大大提高了手术室运营管理效率。研究表明,使用AI技术可以准确地判断、分析手术室供给与配送等相关问题[35]。Combes等[36]通过人员配备、工作人员的手术室使用情况及病人进入麻醉恢复室(PACU)使用信息等医院数据库,结合电子记录来训练神经网络,通过手术团队、手术类型及病人的相关病史预测并确认手术持续时间。

3.8 智能化教学系统 AI在临床麻醉教学中的应用越来越受到重视。众所周知,临床麻醉医生的培养需兼顾理论知识学习和实践技能锻炼。既往传统的带教模式单一,带教师资的教学经验、知识储备等千差万别。AI专家系统通过构建临床麻醉专业知识及临床案例的数据库,不仅可以对现有的病例进行科学推理分析,还能利用病理生理学等专业知识总结计算出新的病例。研究表明,AI专家系统能显著提升学生的理论知识及操作技能,且学生对该教学模式的满意度明显高于传统教学模式[37]。AI专家系统既能提供全面系统的麻醉知识及临床案例,丰富学习内容,又能提升学生的学习积极性。它不仅是传统临床麻醉教学的完善及补充,更为将来麻醉科医师培养模式的变革提供了新动力。

4 AI在麻醉与围术期中应用的挑战与局限

随着大数据时代的到来,ML将会不断融入到医学领域,广泛应用于临床,辅助临床决策;但同时这也可能给传统医疗模式带来冲击,新的经济、法律和社会问题也就不可避免。ML算法的开发与计算机性能的提升有助于AI的发展,未来临床麻醉安全很大程度受益于其为麻醉与围术期病人所提供的精准控制与预测,但同时也会给临床麻醉医生带来风险与挑战。目前,AI最大的问题是不透明性与不可解释性,即所谓的“黑匣子”现象,对于临床麻醉医生而言,要理解ML模型的内部机制是非常困难的[38]。这是因为计算机的输出结果取决于ML模型和算法,而机器学习模型操作模式的不透明性及不可解释性将极大地限制其应用,临床麻醉医生很难判断其“黑匣子”内部是否会出现运算错误。“黑匣子”现象导致的后果是:首先,机器学习处理数据需要保证数据的完整性和准确性,随着互联网的发展,黑客入侵数据库导致数据流失、病人隐私泄露等风险会进一步增加,当面临数据不完整或虚假数据时,性能就会显著下降。目前,缺乏相关的法律法规来规范数据的隐私保护,在应用AI时,不仅需要研究人员采取安全措施以防止数据的泄露及黑客对数据库的入侵,还需要政府及相关监管部门完善的法律法规及监察制度来规范数据的使用。其次,由于临床麻醉医生和开发工程师无法解释其背后原理和处理机制,缺乏医学背景的工程师更无法独立完成这一任务,这必将会带来诸多的医学伦理问题。再次,由于迄今计算机尚不具备主动思考的能力,还无法实现人机交互,还未实现智能化、适时解决实际问题。

5 展望

AI在麻醉与围术期各个阶段帮助临床麻醉医生进行临床决策,不仅有助于提升医疗质量,也可改善预后、降低医疗费用。临床麻醉医生的重要性体现在对 AI分析的结果进行临床解读、改进AI 技术的临床实用性以及辅助优化其工作流程等各个方面。未来,临床麻醉医生与数据处理专家和工程师合作,从临床视角提供有价值的数据,多中心的数据分享和合作尤为重要。事实上,当前AI 的大多数应用仅限于数据分析,为医师节约一些重复且低技术含量操作的时间,未来还需要更多的研究来探索AI 在麻醉学科中的应用。可以预见的是,在未来的科学研究与临床实践中,AI 将变得越来越重要。