刘巧，袁素，张喆，贾爰，晏馥霞

(中国医学科学院 北京协和医学院 国家心血管病中心 阜外医院麻醉科，北京 100037)

现代科学与自动化的发展推动了医学研究的进步，人工智能技术也影响着医学事业的发展，随着大型临床数据库的构建，人工智能在医学领域得到快速发展。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，如智能化识别医学图像、个人电子健康档案管理、临床辅助决策与诊断、自然语言处理等[1-3]。随着麻醉信息管理系统(anesthesia information management systems，AIMS)的普及和电子化办公的日常化，人工智能在临床麻醉学中的应用也在不断扩大，研究者借助机器学习算法处理麻醉相关的数据流，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[4]。人工智能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。人工智能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，为全面了解人工智能在临床麻醉学中的应用及其如何自动化辅助麻醉医师制订临床决策，现立足于临床麻醉学，围绕人工智能的概念、算法以及在临床麻醉学的应用进行全面介绍，以为今后智能化麻醉的发展提供新思路。

1 人工智能及常见算法

人工智能是一门关于计算机如何从数据中不断挖掘和学习信息的科学学科，是统计学和高效算法的交叉领域[5]。人工智能的核心是机器学习，通过算法从海量数据中自我学习，寻找数据间的潜在关系，产生稳定的输出模型[6]。根据学习方式的不同，主要分为监督学习、无监督学习和强化学习。监督学习属于任务驱动式学习模式，人为预先设定输出值，通过算法辅助学习，完成期望输出指标[7]；无监督学习属于无任务驱动式学习模式，计算机可自我识别规则，对数据直接进行整合处理，自动输出稳定模型[8]；强化学习是由动物学习理论发展而来，算法通过环境的交互奖罚制度指导学习，在不断试错的过程中学习，得到期望值，整体过程类似于动物条件反射的建立[9]。机器学习的过程主要依赖于算法的建立，机器学习算法种类较多，主要有以下几种。

1.1经典机器学习算法 该算法需要人为选择数据特征，协助算法处理数据，寻找数据间的潜在关联，主要借助决策树技术，将数据集按属性分成不同区域，每个区域均有独立的结构模型，通过不断分割子区域直到每个子区域数据集类型相同，多用于执行分类和回归任务。系统可借助决策树区分患者的麻醉状态[10]、选择最佳麻醉方式[11]、识别医疗保健的潜在患者[12]等。

1.2人工神经网络算法 人工神经网络是机器学习中应用最多的算法。该算法模仿生物神经系统中神经元间的联络，由输入层、神经元层、输出层构成，输入层由数据集的特征组成，神经元层对数据集进行信息处理和模型构建，输出层产出结果，该过程类似于大脑神经元的突触连接，在处理复杂数据时，需应用多层神经元层方可保证输出结果的稳定。研究者可借助人工神经网络进行麻醉深度监测[13]、预测丙泊酚在特殊人群中的药动学[14]、监测低氧血症[15]等。

1.3深度学习算法 深度学习是人工智能领域的新方向，其通过自我学习数据集的内在特征与规律，不需人工提取特征，利用多层神经网络模拟人脑思维进行模式分析与识别，分析数据更本质的特征，并通过逐层预训练的方式解决庞大的计算量，以得到最优解[16]。深度学习在医学影像学的应用较为广泛。研究者还可利用深度学习预测脑电双频指数(bispectral index,BIS)[17]、小儿困难气道[18]以及住院时间和病死率[19]等。

1.4模糊逻辑 模糊逻辑旨在模仿人脑的模糊性信息决策以及推理思维模式，处理传统方式无法解决的规则问题[20]。该算法主要用于控制系统，如Sharma等[21]提出的2型区间模糊逻辑控制器，其可自动控制硝普钠的输注速率，保证患者的平均动脉压在100 mmHg(1 mmHg=0.133 kPa)以内，为闭环血压控制系统的应用奠定基础。

2 人工智能在临床麻醉学中的应用

近年来人工智能在医学领域蓬勃发展，其提高了医护人员的工作效率。麻醉学作为临床医学的重要学科，其学科发展对于医学事业的进步至关重要。在日常的麻醉工作中，由于手术操作的多变性、患者的个体差异以及临床事件的不可预测性，麻醉医师必须同时并准确地处理大量临床事件，长时间的高压工作极易造成精神疲惫，导致不良后果的发生。为保证患者围手术期安全并提高麻醉效率，研究人员将人工智能应用于临床麻醉学，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。

2.1闭环靶控输注系统 临床工作中，麻醉医师需要实时根据患者状态与手术情况，在维持患者生命体征平稳的基础上，不断调整药物的剂量，以维持患者处于适宜的镇静、镇痛和神经肌肉松弛状态，保证手术顺利进行。根据麻醉医师的工作特点，研究者开发出自动化输注系统，其可自动维持患者处于适宜的麻醉状态，该系统称为闭环靶控输注系统，简称闭环系统。闭环系统由四部分组成：①麻醉效应参数，用来衡量药物的药效程度，如BIS；②参数设定点，由麻醉医师预先设定效应参数的控制范围；③控制器，计算机通过算法处理参数，对执行器发出命令；④执行器，即药物输注泵。系统工作期间麻醉医师可随时按下“pause”或“stop”按钮，停止闭环系统，改为人工控制麻醉，防止因系统设计漏洞而造成的意外事件，保证患者安全。

1950年人类首次尝试使用闭环系统，Mayo等[22]利用脑电图分析对硫喷妥钠镇静进行自动化管理。20世纪90年代，随着计算机性能的提升，脑电信号监测技术的进步，人类对闭环系统的研究也越来越多样化，早期的闭环系统仅控制麻醉的某个方面，即单回路闭环系统，如利用BIS自动化控制丙泊酚的输注，维持BIS为40～60，以保证患者适宜的镇静深度[23]。随着单回路闭环系统的成熟，麻醉的多个方面逐渐纳入闭环系统，开发出更智能化的多回路闭环系统。如Liu等[24]利用BIS控制瑞芬太尼和丙泊酚输注，开发出双回路闭环系统，将目标BIS值设定为40～60，当BIS差值(实际BIS值与目标BIS值)为2～3时，仅调整瑞芬太尼的输注速率(若瑞芬太尼连续3次改变输注速率，则同时改变丙泊酚输注速率)；当BIS差值>4时，改变丙泊酚和瑞芬太尼的输注速率，成功地完成了镇静和镇痛的自动化控制。为满足更多的麻醉需求，Hemmerling等[25]研发出世界上第1台完全自动化的闭环麻醉输注系统——McSleepy，该系统分别以BIS、Analgoscore、4个成串刺激作为镇静、镇痛、肌肉松弛的参数，分别控制丙泊酚、瑞芬太尼、罗库溴铵的输注，成功实现了非心脏手术中麻醉诱导与维持的自动化管理。闭环系统不仅可用于非心脏手术，随着系统的不断优化，还可用于心脏手术、小儿麻醉及远程医疗[26-27]等，拓展了闭环系统在麻醉领域的应用场景。研究显示，与手动控制相比，闭环系统的术后苏醒快，拔管时间短，麻醉更平稳，还减少了老年患者术后认知功能障碍的发生[28]。

近年来闭环系统不仅限于麻醉镇静、镇痛、肌肉松弛等方面，为进一步挖掘闭环系统的临床价值，研究者还开发出了用于围手术期液体输注、血管活性药物管理等方面的闭环系统。闭环液体输注系统是指闭环系统模拟目标导向液体输注原则，根据尿量、血压、心率、每搏量、每搏变异度、脉压变异度等变量对围手术期液体输注进行自动化管理[29]。Joosten等[30]首次将镇静镇痛双闭环系统与闭环液体输注系统结合，通过术中监测BIS、每搏量、每搏变异度，对瑞芬太尼、丙泊酚、晶体液、胶体液输注进行自动化控制，推动了闭环系统的多元化发展。闭环系统还可以根据血压、心率等的反馈，自动化控制血管收缩药[31]或血管扩张药[32]的输注，维持目标血压，但由于开发成本高、安全考核不完善以及临床监管难等问题，目前关于血管活性药物的闭环系统开发相对较少，相信未来随着工程技术的发展，闭环系统可以结合更多的临床指标，真正地模拟麻醉医师，自动化完成围手术期的麻醉过程。

2.2麻醉监护与预测 人工智能在临床麻醉中的应用越来越广泛，研究者们利用算法对患者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，动态预测围手术期不良事件的发生，以提高患者围手术期安全。

围手术期低血压与主要的心血管不良事件以及急性肾脏损伤等相关[33]，提前预测并早期干预低血压是目前临床研究的一大热点。Hatib等[34]根据动脉波形图开发出可预测低血压的人工智能算法，该算法对1 344例患者的动脉波形图进行了分析，在患者的动脉波形中提取23个特征，可提前15 min预测低血压的发生，该算法也被称为早期预警系统。鉴于该系统对低血压的预测属于被动型且具有滞后性，Wijnberge等[35]提出新型预测模式，可辅助医师主动预测低血压的发生以及产生病因，新型预测模式将早期预警系统与循环治疗指南结合，麻醉医师可根据计算机系统提示的参数与流程图相对应，快速得到低血压的潜在病因，提前15 min干预病因，有效降低了围手术期低血压的发生率，减少了麻醉期间的循环波动。

麻醉过深与病死率、术后不良事件以及相关脏器损伤相关，围手术期维持适宜的麻醉深度对于临床麻醉的意义重大。目前围手术期麻醉深度的监测主要借助BIS，维持BIS为40～60可避免术中知晓以及深度麻醉的发生，但BIS具有滞后性，且易受电刀干扰，监测效果易受影响。目前研究的重点是根据患者的原始脑电图探索监测围手术期麻醉深度的方法，由于不同麻醉状态下的脑电图变化复杂，提取单一特征很难有效评估麻醉深度，可借助人工智能算法自脑电图中提取出多个有效特征，以精准评估麻醉深度，提高监测的实时性与准确性。Haghighi等[36]借助人工神经网络从脑电图中提取4个有效参数(熵、脑电边缘频率、β比率、快慢波的相对同步性)，将这4个参数作为神经网络的输入层、BIS作为神经网络的输出层，分析大脑功能状态，可有效区分患者的清醒状态与麻醉状态；Gu等[13]利用小波变换法分析脑电图并提取特征，通过聚类分析评估麻醉深度，该方法通过了临床数据库的验证，证实了该算法的可行性；为进一步提高监测的准确度，Saadeh等[37]利用机器学习分类处理器分析脑电图，将患者分为深度镇静、中度镇静、轻度镇静与清醒4个状态，其准确度可达92.2%，滞后时间最长为1 s，保证了患者术中适宜的麻醉深度。

研究者还利用人工智能进行了其他方面的预测，如利用神经网络预测肌肉松弛的恢复情况[38]；根据面部图像识别气管插管困难患者[39]；术前识别输血相关性急性肺损伤患者[40]等，利用人工智能高效的计算能力处理复杂的数据，提前预测不良事件的发生，及早干预，保证患者术中安全。

2.3图像识别与分类 人工智能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。随着图像识别技术的成熟，机器阅片能力已逐渐超过人工阅片。而超声作为医学影像学的检查工具之一，由于具有低成本、便携、实时成像等优点，深受麻醉医师关注，超声引导下的神经阻滞、血管穿刺、硬膜外穿刺镇痛等已广泛应用于临床。随着舒适医疗的不断推广，减少麻醉期间有创操作中的副损伤已成为麻醉医师的共识，但超声图像识别易受伪影和人为干扰，加上人体解剖结构的变异，导致超声下精确的解剖定位困难。

目前研究人员主要利用人工神经网络帮助识别和分类超声图像，精准识别超声下的动脉、静脉、神经丛、硬膜外间隙、左心室等[41-42]，帮助医师快速定位，提高临床工作效率并减轻患者不适。Carneiro和Nascimento[43]提出了新型自动化图像识别模型，通过深度学习神经网络，并与左心室收缩和舒张的运动模式相结合，用于超声下左心室心内膜图像的追踪与识别，为临床医师提供更为精确的图像追踪服务；Alkhatib等[44]利用深度学习算法执行计算机视觉任务，在13种常见的深度学习追踪器中寻找最佳的追踪器，对正中神经和坐骨神经进行图像定位，同时使用更精准的矩形框实时圈出目标神经，帮助医师快速定位与穿刺；研究者还利用混合机器学习系统识别超声图像中的硬膜外腔解剖学标志，与超声医师相比，混合机器学习系统在3D测试数据平面的横向和纵向误差分别为1 mm和0.4 mm[45]，有效地减小了误差，提高了患者的舒适性与安全性。

人工智能辅助下的图像识别明显减少了麻醉工作中解剖定位时间，提高了工作效率，精准化的影像追踪也大大减少了患者穿刺的副损伤，提高了麻醉的安全性与有效性。目前的图像识别技术已相对成熟，开发者开始研究麻醉机器人。麻醉机器人将机械臂与图像识别技术相结合，完成麻醉工作中的机械动作，如将机械臂与神经阻滞针相连接，代替医师手臂，算法根据图形建模进行智能化超声图像识别，圈出目标阻滞靶点，机械臂通过已设定好的程序进行目标靶点的神经阻滞[46]，相对于人工神经阻滞，该系统的稳定性高，变异度低，还可用于临床教学，有助于初级学者的临床入门，但由于技术限制，目前该系统仍处于开发阶段。

2.4临床决策支持系统(clinical decision support system，CDSS) 麻醉记录是临床麻醉工作的主要组成部分，患者围手术期的数据可为后续的麻醉处理及病案管理提供参考。目前各大医院的AIMS可以实时收集来自监护仪、医院信息系统、呼吸机、麻醉工作站等源头的数据，麻醉医师根据术中的麻醉管理情况，实时记录患者液体平衡状态、手术情况、用药记录、特殊事件等信息，因此麻醉记录是患者手术期间实时信息的综合数据库。

随着AIMS的不断普及，研究者利用机器学习对患者的麻醉综合数据库进行全面分析，开发出一种为麻醉医师提供实时决策辅助的硬件系统，减少医师工作失误，该系统称为CDSS。该系统主要从AIMS收集数据，将数据通过转换、过滤、缺失填补等方式归类为可供使用的数据，决策处理器应用算法处理数据并根据已设定的决策规则，判断是否在AIMS上进行通知或警报(如弹出消息或闪烁按钮等)，麻醉医师根据警报提示，自主决策下一步诊疗计划。早期的CDSS主要用于常规工作流程的提醒，如提示医师术中给予抗生素、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[47]。随着数据收集的优化以及硬件设备的升级，CDSS开始用于特殊患者的识别以及围手术期管理。Ehrenfeld等[48]开发出可用于术中血糖监测的CDSS，利用自回归算法根据患者的人口学特征、疾病史、麻醉类型、手术特征、胰岛素水平以及血糖水平等信息进行数学建模，自动识别出潜在的糖尿病患者，提醒麻醉医师术中监测血糖，并给予相应的胰岛素治疗，降低了术后高血糖以及切口感染的发生率。CDSS还可用于识别接受神经外科手术的小儿脑外伤患者，根据AIMS的患者信息，识别目标人群，根据已设定的算法规则，提醒麻醉医师术中需关注的麻醉要点，减少了术中不良事件的发生[49]。但早期CDSS的提醒界面较为单调，有时难以引起麻醉医师的注意，新型的CDSS将患者的循环指标、呼吸参数、液体平衡、实验室检测结果以及报警提醒等信息以不同颜色的器官动态图综合在一个提醒界面，全面而生动地反映患者的术中情况，提高了麻醉医师围手术期的管理效率[50]。

目前大部分CDSS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CDSS，但此类预测型CDSS仍处于研究阶段。

3 小 结

人工智能的蓬勃发展得益于机器学习算法的开发与计算机性能的提升，随着大数据时代的到来，机器学习将会不断地融入到医学领域、辅助临床决策、改善患者预后。机器学习算法对围手术期的精准控制与预测将为患者提供更为安全的临床麻醉，但也会给麻醉医师带来一定的风险与挑战，当前人工智能最大的问题是不可解释与不可理解，即黑盒问题：①医师和开发工程师均无法解释其背后原理和处理机制，这将带来诸多医学伦理问题；②机器学习处理数据的前提是需要保证数据的完整性和准确性，当面临数据不完整或虚假数据时，性能将会显著降低；③人工智能无法实现人机交互，机器无法共情，目前的科学技术尚未达到使计算机具备主动思考的能力，计算机无法与人主动互动，很难真正智能化、动态化地解决实际问题。因此，人工智能在麻醉学领域的应用目前仍处于早期探索阶段，但这也给麻醉医师带来新的机遇，麻醉医师可以与计算机科学家开展多元化合作，将临床实际问题与计算机技术结合，提高人工智能在临床的实用性，进行学科交叉，实现智能化技术落地。未来医学将朝着更加个体化、智能化的方向发展，新型的智能化医疗模式将会不断深入到临床。