杜唯佳徐振东刘志强
同济大学附属第一妇婴保健院麻醉科，上海
国际麻醉学与复苏杂志,,41(08):-.
DOI：10./cma.j.cn--
基金项目
上海市科委医学引导类中西医项目基金（）；
上海市卫计委面上项目（）；
上海市科委产学研课题子课题（16DZ）；
浦东新区医联体项目（PDYLT?2）
REVIEWARTICLES
在年10月克利夫兰诊所的医学创新峰会上，揭晓了十大医学创新，位列第二的是人工智能（artificialintelligence,AI）在医学领域中的应用。早在半个世纪前，AI就已用于医疗行业，早期的医学AI系统需要临床医师来“训练”计算机，即通过输入特定的指令和公式来编码计算机。然而现代化的AI，比如机器学习（machinelearning,ML），能够从大量的非结构化数据中自我训练，寻找出这些大数据（如医学影像的像素、电子化信息系统中的原始资料）的规律，供医疗专业人员更好地分析患者病情，提供个性化的诊疗服务。目前，AI基本都是应用了ML的技术。ML这个概念最早是由Handelman等在年提出的，ML是一种实现AI的方法，是使用算法来解析数据、学习数据的规律，然后对真实世界中的事件作出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，ML最大的特征是可以解析大量的、复杂的原始数据，并且通过经验自动改进计算机的算法，优化计算机程序的性能。
1AI在医学中的应用
目前，AI在临床决策支持、图像分析和患者分类中的应用已经取得了显著的成果。通过ML应运而生的一系列统计学新方法将开辟21世纪新的医学领域。首先，AI将改善疾病的预后。传统的预测模型，如急性生理学及慢性健康状况评分（AcutePhysiologyandChronicHealthEvaluation，APACHE）和序贯器官功能衰竭评分（SequentialOrganFailureAssessment，SOFA）只能分析少量的变量，人们必须手工输入并且计算评分。然而，ML可以从电子化健康档案和数据库（electronicmedicalrecord,EMR）中自动提取大量的患者信息。最新一项研究结果显示，ML通过提取EMR数据构建的预测模型可以预测危重患者一年病死率［曲线下面积（areaundercurve，AUC）0.86］，该模型有助于改善临终关怀和优化医疗资源配置。通过ML的风险调整算法构建的模型还可以预测ICU患者的病死率，最终的预测模型包括格拉斯哥昏迷评分法（GlasgowComaScale,GCS）、休克指数、生命体征、机械通气情况、Cr水平等，模型的预测能力要高于现有的死亡风险预测模型（AUC=0.94，Brier评分=52.8%）。预测能力的提高可以使重症患者优先得到救治，及早获得优化的医疗资源配置，改善预后。
此外，ML可以通过计算公式解读各种数字化图像信息，完成影像学医师和病理解剖学家的大部分工作。ML卓越的数据处理能力可以分析大量的影像学资料，结合了先进的电脑合成技术，将大大超越人类的解读能力，而且，机器不会发生疲劳作业，减少了误诊率。基于深度学习（ML的一种类型）构建的算法可以从视网膜眼底图像中自动识别出糖尿病视网膜病和黄斑水肿，且有较高的敏感性和特异性。基于神经网络（ML的一种类型）的深度学习可以从胸片中准确地确定结核患者（AUC=0.99）。最近一项有趣的读片竞赛发现，深度学习的读片能力要超过11位病理医师，对于全切片的病理诊断能力可以与一位病理专家媲美，而且不受读片时间影响。不难断言，影像医师的大部分工作将有望被AI所代替。
2AI在麻醉领域中的应用
从一定意义上说，麻醉学科应该是最早应用AI的学科。麻醉药物的药代?药效动力学概念与模型（PK/PD模型），可谓是AI麻醉的雏形；早在20世纪50年代，Alexander和Joshi提出了自动化麻醉维持装置，利用累加的EEG信号调节麻醉药物输注速度从而控制麻醉深度。目前，AI在麻醉领域中主要用于电子化辅助诊断和评估系统、闭环自动化给药系统、预测模型的构建，这些对于提高诊疗质量，减轻麻醉医师负担以及改善患者预后具有重要的作用。
2.1 构建低血压预测模型
2.1.1 利用动脉波形特征
Hatib等解析了万组的动脉波形数据，通过各种算法获得其特征模型——低血压的预测指数，低血压的预测指数整合了患者实时的生理数据，预测外科手术患者即将发生的低血压事件（低血压发生前15min）。ML不仅可以分析动脉波形数据所包含的简单特征（如血压和心率），还能分析复杂的，诸如脉压变异度、AUC和SBP升高等近个独立的变量，通过各种算法寻找之间的关联。这个过程类似于传统的回归模型：多变量、单结局，用线性回归的方法把两者联系起来。ML强大的数据处理能力可以同时处理数目庞大的变量，通过复杂的算法处理一些非线性问题。然而，基于动脉波形分析的数据受波形质量的影响，而对于一些非常规进行动脉监测的部门也存在使用的局限性。
2.1.2 利用健康电子档案
可以同时对手术资料和流行病学资料进行分析，把各种不相关的信息整合到一个特定的算法，即预测模型中。Kendale等分析了个患者的术前健康档案，包括健康状态、年龄、性别、BMI、手术时间、诱导用药等多个变量参数，用于构建预测模型，预测麻醉诱导后的低血压。通过多种算法构建模型，结果发现使用梯度推进机构建的预测模型预测效果最佳，AUC为0.74（95%CI0.71~0.76）。阴性预测值为19%，阳性预测值可达96%。但由于这项研究是单中心的，需要其他数据库对其进行外部校验，因此其应用尚需进一步验证。
2.2 全自动/半自动麻醉系统
2.2.1 临床决策支持（clinicaldecisionsupport,CDS）工具
麻醉医师在临床工作中，不仅要掌握各种操作（如气管插管、深静脉穿刺、神经阻滞），还要解读各种患者的数据（如生命体征、实验室报告等），分析患者病情变化后制订诊疗决策。目前而言，机器人的灵活性尚不能实现精细化的临床操作，但是AI可以作为一种CDS工具，如提醒预防性抗生素和抗呕吐药物的使用、术中生命体征的管理、术中血压和机械通气参数异常时警报等。将来，随着AI技术的进步，CDS数据处理能力将进一步得到改善，能够对各种最新的研究证据进行评价，结合患者的病史资料和诊疗纪录，制订循证医学支持的个体化的临床诊疗路径，随着临床指南意见不断优化，使患者获得更大的收益。
2.2.2 基于AI的靶控输注模型
全凭静脉麻醉是利用靶控输注技术，根据数学公式计算出要快速达到血浆靶浓度或效应室靶浓度药物的需要量。丙泊酚的效应室靶浓度与镇静深度密切相关，然而，衡量麻醉深度的金标准——BIS，与丙泊酚的效应室靶浓度往往存在偏差，特别是在麻醉苏醒和诱导期。而深度学习可以利用多种线性和非线性数据构建高级模型更好地反映麻醉药的剂量?反应关系。最近一项研究发现，根据深度学习构建的模型，能够更准确地反映丙泊酚?瑞芬太尼靶控输注时的BIS，一致相关性系数为0.（95%CI0.~0.），远远高于传统的药代?药效动力学模型0.（95%CI0.~0.）。根据深度学习构建的BIS预测曲线可以指导和优化两种药物的靶控输注。
2.2.3 基于AI的闭环麻醉维持系统
目前，大多数的自动化闭环麻醉控制系统基本都是基于Bickford模型构建的，它的特点是遵循指定规律，利用闭环系统控制一套或者几套环路来维持全身麻醉，达到镇静、镇痛和肌松的效果。多项Meta分析结果都显示，相比人工操作，闭环系统能更准确地实现目标滴定输注，减少麻醉药物的用量以及缩短患者恢复时间。闭环系统不仅可以用于简单手术麻醉的维持，还能用于复杂的心脏搭桥手术，使用三套闭环反馈系统维持全身麻醉，分别通过BIS值、NociMap值和四个成串刺激率调节各种药物输注速度从而达到一定的镇静、镇痛和肌松效果。但是，缺点在于传统的闭环控制系统只能处理一些线性的数据，当出现非线性数据时就不能用预设的算法或公式来处理，而AI能够通过建模后得出一个经验性的模型，从而可能解决传统闭环系统无法应对复杂情况的问题。解决这个问题，需给予计算机最新的医学指南和患者全部数据，计算机可以通过一系列认知算法和ML，把大量的线性或非线性的原始数据转化为可解析的数据，并自动分析其规律建立闭环反馈模型，实现真正意义上的全自动麻醉管理。而麻醉医师只需密切监测机器的运行情况，大大减少了麻醉医师的临床负担，使麻醉医师可以去
转载请注明：http://www.jiaolvz.com/skjj/5324.html
当前位置： 失血性休克 > 失血性休克急救 > 人工智能在麻醉学领域的应用进展
