机器学习尤其是近年来热门的深度学习方法已经在肿瘤预后的预测领域引领了新的风潮,但是在围术期的应用还较少。
本文由“梧桐医学"授权转载
图片来源 | 来自全景视觉
想象一下,此时手术室里没有医护人员,只有患者躺在手术床上,一台复杂的全麻手术正常进行,作为麻醉医生不用一直待在手术室盯着病人和监护仪是一种什么体验?
『达芬奇机器人』已经可以按照编好的程序自动完成暴露手术视野、锁定目标区域、进行手术操作等一系列需要依靠外科医生的控制才能完成的手术过程,而麻醉医生的工作也正在被麻醉机器人或者相关的人工智能技术所取代,包括麻醉深度的精准监测、人工智能结合超声可视化技术自动定位穿刺目标以及各种药物靶控输注技术的应用等。
药物自动化输注系统可以根据监护仪的各种参数精确调节药物的输注速度,达到我们目前所追求的理想麻醉状态,包括足够深度的镇静、充分镇痛、满意的肌松等。
这些听起来好像离我们很遥远,实际上已经有研究者在进行初步探索了,主要得益于近年来人工智能在医学领域应用的飞速发展。
在麻醉领域,『人工智能』的应用虽然还在起步阶段,但近年来也取得了不少进展,一起来看看那些技术可能替代麻醉医生的工作吧。
0 1 麻醉深度监测
提到麻醉深度监测我们首先想到的就是脑电双频指数(BIS)、听觉诱发电位(AEP)和熵指数等目前临床常见的指标,其中BIS是被FDA批准用于麻醉深度监测的设备之一。
基于脑电变化转化成数字的模式较为直观,BIS也是目前临床应用最广泛的监测镇静程度的指标,但其在监测苏醒时的敏感性不够高,还受温度等因素影响较大,使得临床医生还需结合自身经验进行麻醉深度的判断。
机器学习的飞速发展推动了脑电信号分析技术的进步,最近一些研究利用人工智能技术和频谱分析更直接地通过脑电图信号来估计麻醉深度。
Mirsadeghi等人的研究纳入了25名患者,比较了机器学习分析脑电图信号直接特征的准确性(例如,不同波段的功率[δ, θ, α, β和γ]、总功率及熵等),发现利用脑电图特征预测麻醉深度的准确率为88.4%,BIS指数的准确率仅为84.2%。
同样,Shalbaf等人使用脑电的多种特征对七氟醚麻醉中清醒和麻醉的患者(分为清醒、轻度、全身或深度麻醉四种可能状态)进行分类,准确率为92.91%,而反应熵指数的准确率为77.5%。这些研究强调了人工智能技术在创建模型方面的优势,这些模型可以有效地同时考虑线性和非线性数据,最大限度地利用每个可用的变量,生成精准预测结果。
02 麻醉药物把控输注
麻醉药物输注控制系统的开发其实也依赖于精确的麻醉深度监测,麻醉深度监测可以为镇静药物的输注提供可靠信息,闭环输注可以反馈调节药物的输注速度,换言之当系统检测到麻醉深度减浅时可以加快镇静药物的输注速度来加深麻醉深度。
在上世纪90年代,一些生命体征,比如血压和心率,被用作控制系统的信号,以确定如何调节麻醉药的输送。随着麻醉深度评估新指标的开发,反馈信号转移到诸如BIS等测量值。
早期的研究使用纯经验的方法来调节麻醉给药以实现目标BIS。随着BIS的应用变得越来越广泛,研究人员开始使用更复杂的模糊逻辑系统或强化学习来实现以BIS为目标的麻醉控制。
此外,基于肌松监测反馈的肌松药输注方法也将有希望应用到临床工作中去。
03 围术期不良事件的预测
机器学习尤其是近年来热门的深度学习方法已经在肿瘤预后的预测领域引领了新的风潮,但是在围术期的应用还较少。
『举个例子』:神经网络被用来预测丙泊酚诱导推注剂量的镇静效果(通过 BIS 测量)(敏感性为 82.35%,特异性为 64.38%,曲线下面积(AUC)为 0.755),超过执业麻醉医师的平均水平(敏感性:20.64%,特异性:92.51%,AUC为0.5605)。
Hatib 等人使用两个大型数据库(共 1,334 名患者)来自动脉线路的波形数据来开发和测试一个逻辑回归模型,该模型可以预测低血压的发生率,Lee等人在手术室中也进行了类似的研究,使用深度学习的方法分析患者术中的动脉波形、心电图及呼气末二氧化碳波形等结果显示,各信号的组合可以获得更好的预测效果。
这些研究结果是令人振奋的,如果可以在术中根据监测信号波形的变化提前预测患者可能会在15分钟后发生低血压,那对于麻醉医生来说将是很有指导价值的。
过去我们大部分工作是根据患者的生命体征变化来进行调节,将来如果我们拥有了“未卜先知”的能力,那将是革命性的进步。
04 超声可视化技术
超声作为麻醉医生的第三只眼睛已经走进了很多医院的手术室,麻醉医生利用超声进行动静脉穿刺、神经阻滞等操作成为了必备技能之一。人工智能致力于帮助麻醉医生快速精准找到目标区域。
已有少数研究报道了使用人工智能技术来协助执行基于超声的程序,神经网络是实现超声图像分类的最常用方法。Smistad 等人使用来自 15 名患者的腹股沟超声图像来训练卷积神经网络识别股动脉或静脉,同时将其与其他可能相似的超声图像(如肌肉、骨骼甚至声影)区分开来,其平均准确率为 94.5% ± 2.9%。
除了超声图像中的特定结构检测外,研究人员还使用神经网络来协助识别椎体水平和其他解剖标志以进行硬膜外导管的放置。Pesteie 等人使用卷积神经网络自动识别椎板前基底,而 Hetherington 等人使用卷积神经网络从超声图像中自动识别骶骨和 L1-L5 椎骨和椎间隙,实时准确率高达95%。
此外,人工智能在疼痛管理中的应用主要集中在两个方面,一是借助影像学的检查,使用深度学习的方法分析疼痛状态下大脑不同区域的变化,以期为疼痛的精准治疗找到一些新的证据。
二是在于寻找伤害性感受的标志物,麻醉深度的监测尚有一些方法,但是对于麻醉的患者其疼痛感受的监测一直以来都是一个难题。如果能够利用人工智能的方法建立伤害性感受的监测系统,那对于围术期的疼痛管理将具有重大意义。
由此可见,在这个数据爆炸的信息时代,人工智能正以惊人的速度改变麻醉学领域的认识。当然,以上的论述并不是支持人工智能可以取代麻醉医生,毕竟人工智能在麻醉学中的大部分应用仍处于研发阶段。
因此,目前麻醉学中人工智能的重点是研究如何更好地帮助麻醉医生进行临床决策。
此外,麻醉医生的看家本领在于生命体征的监测和调控、危重病患者的救治和管理以及疼痛诊疗。笔者认为即使有一天人工智能已经高度发展,在遇到突发情况时,麻醉医生基于循证医学和临床经验的判断及治疗仍然是无可替代的。
在这个问题上,Lancet发表过一篇关于小儿麻醉与呼吸道并发症风险的重要文献,Anesthesiology杂志报道了此项随机对照研究,比较了具有围术期呼吸道不良事件高风险的儿童,接受静脉或吸入诱导后出现的呼吸道并发症发生情况。
参考文献
[1] Hashimoto DA, Witkowski E, Gao L, et al. Artificial Intelligence in Anesthesiology: Current Techniques, Clinical Applications, and Limitations. Anesthesiology. 2020;132(2):379-394.
[2] Lee S, Lee HC, Chu YS, et al. Deep learning models for the prediction of intraoperative hypotension. Br J Anaesth. 2021;126(4):808-817.
内容 | 周 康
审核 | Doc.张
编辑 | 李冬阁
转 载 声 明
原创不易,感谢分享与转载!本篇内容版权归梧桐医学所有
不感兴趣
看过了
取消
人点赞
人收藏
打赏
不感兴趣
看过了
取消
您已认证成功,可享专属会员优惠,买1年送3个月!
开通会员,资料、课程、直播、报告等海量内容免费看!
打赏金额
认可我就打赏我~
1元 5元 10元 20元 50元 其它打赏作者
认可我就打赏我~
扫描二维码
立即打赏给Ta吧!
温馨提示:仅支持微信支付!
已收到您的咨询诉求 我们会尽快联系您