临床麻醉学杂志综述|人工智能在小儿麻醉中的应用进展

本文由“临床麻醉学杂志"授权转载 人工智能在小儿麻醉中的应用进展  

宋琳琳 耿志宇 王东信

北京大学第一医院麻醉科 通信作者：宋琳琳

【摘要】人工智能技术已逐步应用到临床麻醉中，在小儿麻醉中的应用及研究日益增多。人工智能可以在术前预警小儿围术期高危事件风险(如围术期死亡和气道不良事件)，辅助气道诊断/评估和围术期输血预测；在术中辅助超声显像、小儿气道管理和呼吸监测，帮助实现麻醉的精准自动化闭环控制；在术后自动监测小儿呼吸模式等。本文总结了医学领域常用的人工智能模型，回顾了目前人工智能应用于小儿麻醉围术期各个阶段的临床研究。人工智能的发展及其在小儿麻醉领域的应用为麻醉科医师在改善患儿的围术期麻醉管理方面提供了思路，有助于预测临床结局，降低围术期风险。

【关键词】人工智能；机器学习；小儿麻醉；围术期管理

人工智能（artificial intelligence, AI）是研究如何模拟和扩展人类智能的一门新的技术科学，优势在于快速识别大规模数据之间存在的复杂关系。医疗卫生领域产生的大量医疗数据是使用AI的理想场景，AI是促进医学科技进步提供了重要工具[1]。目前AI在麻醉领域，尤其小儿麻醉领域的研究和应用已贯穿于小儿麻醉术前、术中和术后的各个阶段。

临床常用的AI算法模型

AI在多个领域发展，如机器学习（machine learning, ML）、进化计算、模糊逻辑、语言识别、图像识别、专家系统等，其中ML在医学中应用最为普遍，主要用于执行预测和分类任务。线性回归或Logistic回归等传统统计学方法仅能发现数据之间的线性关系，与以上传统统计学方法比较，ML可以分析大型数据库，揭示存在于独立和非独立参数间的非线性关系，在执行预测和分类任务时通常准确性更高。ML是一个庞大的家族体系，包括传统ML模型和深度学习模型。传统ML模型包括决策树、贝叶斯分类、支持向量机等；深度学习模型包括卷积神经网络和深度置信网等。

神经网络 神经网络模型通常分为3层：输入层、隐藏层和输出层，其中隐藏层可为多层，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”目标的结果。

支持向量机 支持向量机构建了一个能够正确分类数据且分类间隔最大的超平面。样本中距离超平面最近的一些点称为支持向量。线性可分数据的分类超平面为直线，该直线超平面可将阳性样本和阴性样本最大程度分隔；对于线性不可分的数据，可以采用核函数对所有样本进行转换，将阳性样本映射至上层空间、阴性样本映射至下层空间，在上、下层空间之间建立超平面，分隔阳性样本和阴性样本。

决策树 决策树是以类似流程图的树形结构构建模型，包含根节点（全部样本）、多个内部节点和叶节点（分类结果）。全部样本库在根节点处根据某一特征分割成多个子库（内部结点），随后在内部节点处根据另一特征将子库分割成多个亚子库，如此递归对样本进行不断分割，直至到达叶节点、对所有样本完成分类。决策树本质是从训练数据库中归纳出的一组分类规则。

随机森林 随机森林是一种以决策树为基学习器的集成学习算法，目的在于提高基学习器的分类性能。对训练数据库采用Bootstrap法（有放回的随机抽样），得到多个同等容量的数据集，相应构建多个决策树，最后将这些决策树的结果进行整合，作为最终结果输出。

提升树 提升树是一种以决策树为基学习器的集成学习算法。初始每个样本的权重相等，得到第1个学习器；随后增大分类错误样本的权重，减小正确样本的权重，得到第2个学习器；依次进行，最终得到n个学习器；最后将这n个基学习器的结果进行线性加权求和，作为最终结果输出。

人工智能在术前的应用

预测并发症风险 Dalesio等[2]描述了一项多学科小儿气道管理计划，即在由护士负责的住院问诊系统里，用AI的结构化查询语言对系统进行数据监督，对于已知有困难气道病史或头颈气道解剖异常的患儿，系统会自动触发麻醉会诊进行气道评估，会诊医师会根据手术紧急情况在1～2 h或24 h内填写气道管理方案，麻醉诱导前麻醉科医师可以直接根据推荐方案进行气道管理，或者申请气道应急团队现场支持。

Norwood手术可用于恢复单心室先心病患儿的功能体循环，但围术期死亡率高。Jalali等[3]应用ML模型分析小儿心脏网络单心室重建试验数据库，预测患儿的死亡风险和长期住院风险，结果表明，应用深度神经网络模型预测患儿术后死亡危险或心脏移植的准确性可达89%。这一预测模型以及衍生的人机交互界面可以有效辅助外科医师和麻醉科医师进行临床决策。

部分青少年术后可能需要长期服用阿片类药物缓解慢性疼痛[4]，Ward等[5]应用多种ML模型预测青少年术后长期服用阿片类药物的危险因素，这项研究共纳入12～21岁患者167 538例，回顾性提取了源自患者的特征参数如术前用药史、手术类型、社会经济情况和就诊地区等，训练Logistic回归、随机森林、梯度提升机和极端梯度提升模型实施预测任务，结果表明，极端梯度提升模型的整体预测准确性较高（曲线下面积0.71），在脊柱融合手术的预测准确性更高（曲线下面积0.823）。青少年术后长期服用阿片类药物的预测因素为术日阿片类药物用量和术前1年口服吗啡毫克当量。

评估困难气道 目前，气道评估方法如Mallampati分级评估困难气道的准确性有限。Cuendet等[6]建立了一种自动面部图像分析法用于识别与困难气道相关的面部形态学特征，研究应用970例患者的照片/视频数据，用面部探测器测量面部兴趣点间的距离作为模型的特征参数，例如张口高度、宽度、面积以及甲颏距离等，随后，用这些患者经历插管的难易程度作为结果，用ML模型中的随机森林算法学习，选出最具区分能力的面部形态学特征，建立困难气道的预测模型，最后用预测真实患者困难插管进行外部验证，结果表明，这一预测模型的准确性达到77.9%。

类似模型在患儿中也有广阔的应用前景[7]。解剖气道检查仍然是麻醉科医师评估患儿困难气道的基本工具，患儿在体检时经常不配合，影响评估的准确性。ML方法也可以从患儿的面部形态学特征中提取有意义的特征参数，建立预测模型，准确预测患儿是否存在困难气道。

制定输血方案 失血和血制品使用是ML模型的应用领域，可以帮助预测患者是否需要输血以及输血量，为临床提供参考。

Jalali等[8]构建了一个ML模型，预测患儿头面部手术（以颅缝早闭手术为主）术中是否需要输血以及输血量。研究者从全国小儿头面部手术围术期注册数据库（包括2 390例手术）中提取了22个可能与术中输血有关的临床和人口学特征，共测试了6种ML分类和回归预测模型，包括梯度提升机、弹性网络、随机森林、神经网络、自适应提升和支持向量机，结果表明，梯度提升机的预测能力最好，预测是否需要输血的准确性最高（曲线下面积0.87）。梯度提升机模型可以对相关特征的权重进行排序。在基于预测模型的人机交互界面中输入个体化特征参数，系统会给出对应患儿是否需要输血的建议、推荐的血制品类型和输血量。随着新患者的录入、数据库的更新，ML模型可以连续学习且进一步提高预测准确度，甚至有可能建立新的预测模型。

Michelet等[9]在147例脊柱侧弯矫形术患儿评价了术中血液保护（促红细胞生成素+抗纤溶药物）无效、需要输血的预测因素，该研究采用ML中的决策树模型，结果表明术中需要输血的预测因素包括非神经肌肉因素、融合椎体数量≥13个，以及BMI≥21 kg/m2，曲线下面积为0.93，预测准确性高。

人工智能在术中的应用

辅助气道管理 实时应用ML模型处理视频影像也可以帮助麻醉科医师进行气道操作。Matava等[10]利用ML模型在775例1～23岁患者的支气管镜和可视喉镜视频上实时标记声带和气管解剖，研究者评价了3种基于卷积神经网络的物体识别模型标记气道解剖的准确性，分别为ResNet、Inception和MobileNet模型，结果表明，ResNet和Inception模型标记气道解剖的准确性较高，正确标记声带和气管环的置信度分别为0.96和0.93。Inception模型处理实时视频的速度比ResNet快。除了可以实时标记声带和气管环，ML模型还可以在气道操作时正确标记体位方向。

用ML模型研究麻醉期间通气波形可以自动区分经面罩辅助通气与机械通气。Glvez等[11]使用神经网络分类模型分析监测设备数据库可以自动发现有创（喉罩和插管）和无创气道（面罩），所分析的数据源自全麻中监测的各种呼吸功能参数，如PETCO2、VT、吸气峰压以及由此衍生的统计学参数。此项研究评价了3种ML模型：提升树、支持向量机和神经网络，其中神经网络模型区别气道类型的准确性最好，达97.5%。模型最终纳入了20个自变量，其中8个基于CO2波形，这种分类器可以被整合到电子健康记录和麻醉信息管理系统中，便于系统自动区分气道形式的转换，自主记录气管插管和拔管时间，有助于发现有创气道意外脱出的不良事件并通过报警提醒麻醉科医师，提高安全性。

小儿在围术期易发生不良气道事件，包括喉痉挛、支气管痉挛、气道梗阻、喘鸣、低氧血症等。ML模型可以提前预测低氧血症发生，以便麻醉科医师对危险因素进行早期干预。Lunberg等[12]描述了一个基于梯度提升机模型的预测系统，在全麻期间实时预测随后（未来5 min内）发生低氧血症（SpO2≤92%）的风险并分析危险因素。数据源自真实病例、超过5万例手术麻醉管理记录系统，模型共纳入7 000多个特征参数，与经验性预测比较，使用这一预测系统使麻醉科医师对低氧血症事件的预测数量增加了1倍，预测准确性显著提高（曲线下面积由0.66升至0.78）。虽然这一系统并不专门针对小儿，但系统识别的危险因素与小儿麻醉高度相关，如使用琥珀胆碱预示患儿随后发生低氧血症的风险增加。

在小儿麻醉中，鼻导管经常作为补充氧源，但对此并无可靠的呼吸监测手段。现有的监测波形波幅较低且噪音过多，无法为临床提供参考。Fan等[13]设计了一个可以准确描记呼吸流率的鼻导管设备，利用反向传播神经网络模型消除信号噪声，获得准确的呼吸流量曲线，提高了监护仪的可靠性[6]。反向传播神经网络的基本思想是，首先产生初始预测模型并计算预测值，如果预测值与实际值的误差较大，则反向回到建模阶段，重新调整初始预测模型中各参数的权重，再次计算预测值并评估与实际值的误差，如此反复进行，直至调整后模型预测值与实际值的误差处于预期范围内。

控制自动化闭环 术中自动化闭环控制也是AI应用的重要潜在领域。在儿科重症监护室进行的一项随机研究中，闭环系统用于自动调节吸入氧浓度[14]。使用AVEA呼吸机的闭环吸入氧浓度调节模式，早产儿目标SpO2设置在较窄的范围（89%～91%或88%～92%）时，严重低氧血症（SpO2<80%）的发生率低于SpO2设置在较宽范围（86%～91%）。这一系统也可以应用于早产儿麻醉。

经典的闭环丙泊酚静脉麻醉用稳健比例-积分-微分控制器实施，通常依据实际体重给药[15]。与10岁以上患儿比较，10岁以下患儿所需丙泊酚按公斤体重计算剂量更大，因此不应按统一标准给药。van Heuvel等[16]在泌尿科手术患儿利用改良的稳健比例-积分-微分控制器控制闭环丙泊酚麻醉，在控制器模型中引入异速生长尺度权重（体重0.75）。异速生长就是机体各部分以不同速率生长，某一部分随着另一部分的改变以一个常幂指数的速率发生改变，此常幂指数又称为尺度。引入异速生长尺度权重后，丙泊酚输注总量与体重0.75成正比，即丙泊酚输注总量的增长速度慢于体重的增长速度。使用改良闭环系统后，脑电图催眠深度指数变化曲线在6～10岁和11～16岁患儿的差异缩小，6～10岁患儿闭环麻醉诱导时间较改良前明显缩短，接近11～16岁患儿。

人工智能在术后的应用

1岁以内患儿由于呼吸中枢发育不完善，术后可能发生威胁生命的呼吸暂停，尤其早产儿。Robles-Rubio等[17]研发了一种呼吸模式自动分析工具，通过分析双带（胸带和腹带）呼吸感应体积描记波形对患儿的呼吸模式进行分类。原始波形源自21例有术后呼吸暂停风险的婴儿，从中提取标准方差、非周期性功率、瞬时频率和相位等特征，将这些特征引入4种二分K均值分类器，基于这些特征将呼吸模式分为呼吸暂停、体动、呼吸同步、呼吸非同步以及未知呼吸5种。优选出的分类器对呼吸模式分类的整体准确性为80%，对呼吸暂停识别的特异性为78%。

小结

AI在小儿麻醉的应用可在围术期各个阶段辅助麻醉科医师的临床决策，有助于提升医疗质量，改善患儿预后，降低医疗费用。麻醉科医师应与数据处理专家和工程师合作，从临床视角提供有价值的高信度数据，多中心的数据分享和合作尤为重要。临床医师的重要角色也体现在对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AI在小儿麻醉的应用研究有望在麻醉深度监测、自动化闭环靶控麻醉乃至自动麻醉、预警围术期循环和气道风险等领域实现突破。

参考文献略。

DOI:10.12089/jca.2022.09.020

免责声明：

本微信公众平台所刊载原创或转载内容不代表米勒之声的观点或立场。文中所涉及药物使用、疾病诊疗等内容仅供医学专业人士参考。

— END—  

编辑：Michel.米萱

校对：Mijohn.米江