【麻海新知】人工智能在围手术期医学中的应用

当今麻醉科医师的工作地点不再局限于手术室。麻醉科医师主导的医疗团队可提供覆盖整个围手术期的医疗管理，涉及患者术前手术准备的优化、患者术后的长期恢复。麻醉科医师提供的这种医疗管理，有助于降低术后并发症和死亡。与罕见的术中死亡不同，术后并发症和术后死亡较常见。如果术后死亡被认为是一种疾病，这将是仅次于心脏病和癌症的第三大死亡原因。

人工智能等技术的迅速发展有助于建立安全的围手术期管理。人工智能通过分析不同系统复杂的数据，并产生可操作的信息来提供医疗服务。人工智能技术可以用于指导围手术期医学的诸多方面，制定以价值为基础的医疗方案，从而提高患者安全和改善医疗服务，同时降低医疗成本。

本文解读2023年4月Anesth Analg杂志发表的一篇综述，旨在通过讨论人工智能的具体应用和局限性，以便促进围手术期医学多方面的发展。

一、AI是如何工作的？‍‍‍‍‍‍  

人工智能是可以模仿人类智能的计算机系统的科学。它也是一组计算技术，例如机器学习 (machine learning, ML)、深度学习 (deep learning, DL) 和自然语言处理 (natural language processing, NLP)(图1)。

图1 人工智能分类  

无监督或有监督的ML技术用于分析大量数据，建立分类和预测模型。有监督学习模型 (逻辑回归和决策树) 利用标记数据进行学习，而无监督模型 (主成分分析，k均值) 从数据的分布和关联中得出推论。然而，强化学习模型通过反馈使智能体在不断变化的环境中学习。Hatib等使用ML对动脉压波形进行分析，提前15min预测术中低血压，其敏感性和特异性高达88% (95%CI 85%-90%) 和87% (95%CI 85%-90%)，曲线下面积 (area under the curve, AUC)为0.95 (95%CI 0.94- 0.95)。

DL是ML的子集，它利用多层连接的神经网络(像人脑一样)从原始输入中逐步提取更高级别的特征。通过基于权重和偏差的数据向后和向前的方法来连接多层网络，以完成识别或预测任务。Ghorbani等使用图像识别和深度学习来准确识别超声心动图中的心脏结构。其能够准确识别起搏器导联、左心房增大、、左心室肥厚、左室收缩末期和舒张末期容积以及射血分数。

NLP专门用于分析口语或书面内容。例如，Xu等使用临床医师病历和相关的结构化数据开发了多模式ML模型，准确预测与患者相关的国际疾病相关的诊断代码。

数据集的规模是构建所有人工智能模型的关键。因可以获得多个来源的复杂结构化或非结构化数据(例如监护仪上的数据、电子医疗记录的文本和图像数据)，AI已经成功应用于临床实践。这主要包括开发自动系统或机器人、病情的客观评估、气道评估和危险分层。

先进的人工智能应用程序通过分析大量数据信息并结合专家意见，可以帮助开发药物输送、精确的机械任务和决策支持的自动系统或机器人。尤其是在劳动力老龄化的情况下，自动系统对于患者安全越来越重要。例如，药物输送闭环系统，包括监测药物安全剂量的传感器、评估所需变化的算法以及将药物输送给患者的药物输送系统，可以共同提供麻醉药物输送，最终提供监测药物效应的传感器。

人工智能还可以使主观评估转变为客观评估。麻醉状态中的疼痛评估困难且主观。而如今可以使用心电图、体积描记图和皮肤导联进行客观的伤害性感受评估，并且提供伤害性感受水平指数，范围从0 (没有伤害性刺激)到100 (严重伤害性刺激)。如果该指数高于疼痛阈值，则需要使用阿片类药物。实际上，可以使用多个闭环系统(每个系统针对特定任务)以实现麻醉药物的输送。

传统的气道检查也高度依赖于操作者的评估，但可重复性差。计算机算法分析面部结构来确定气道难易程度不断取得进展。其中复杂的神经网络算法将用于分析成千上万的面部特征。此外，病情较重的患者预后更差，故风险分层可以为患者实施个体化的麻醉方案，从而减少患者自身的影响。因此，基于AI的实时决策支持系统可以提供基于证据的临床实践并改善患者预后。

二、AI在围手术期医学的应用

围手术期智能为围手术期医学开发人工智能程序提供了一个框架(图2)。涉及3个关键领域：(1)识别高危患者；(2)早期发现并发症；(3)提供及时有效的治疗。

图2 围手术期人工智能应用的三个关键领域

1、识别高危患者：预测分析

预测分析是医疗服务中最常见的人工智能应用。有监督和无监督的ML模型用于预测二分类事件，例如再入院和死亡。用于这些模型的数据易获取，且医院制定激励减少再入院和死亡的措施，因此预测分析在逻辑上可行。风险分层指数(risk stratification index, RSI)、美国外科医师学会国家外科质量计划(American College of Surgeons National Surgical Quality Program, ACS NSQIP)、改良心脏风险指数(revised cardiac risk index, RCRI)和术前评分预测术后死亡(Preoperative Score to predict Postoperative Mortality, POSPUM)等模型，通常使用回归分析技术进行预测分析，但其无法实现实时或动态风险预测。有些预测模型已使用ML技术来预测术后24h内出院的去处。实时和完整的患者信息有助于提高这些模型的预测准确性。

2、并发症的早期发现：传感器和持续监测的作用

术后心肌损伤、急性肾损伤(acute kidney injury, AKI) 以及术后阿片类药物引起的呼吸抑制和感染，是主要的术后并发症，且增加医疗花费。此外，早期发现和治疗并发症可能会减少不良预后。新型的传感器和连续监测设备有助于收集大量的生理或电子医疗记录数据，而AI可以帮助建立预测模型和决策支持系统。围手术期低血压与器官系统损伤密切相关。通过新型无创传感器实现连续无创动脉压监测，可以建立一种预测低血压事件的算法，提醒临床医师进行提早干预，从而降低低血压的发生。

同样，多达1/3的患者在心脏手术后经历AKI。基于梯度递增分类树ML模型使用连续腹内压力、尿量和核心温度的监测准确预测了首次发生肾脏疾病（KDIGO标准）24min前的第2阶段AKI的发生。同样，使用血管升压药、容量和利尿剂联合治疗早期纠正灌注压力可能会减少不良预后。阿片类药物引起的呼吸抑制在术后很常见。可穿戴技术进行更好的、便携式的、连续监测呼吸，能够提前发现呼吸抑制的发生。由于这些事件发生在危机事件之前，因此早期发现和纠正病因可能会避免灾难性结局。二氧化碳描记法监测阿片药物诱导的呼吸抑制(Prediction of Opioid-Induced Respiratory Depression in Patients Monitored by capnoGraphY, PRODIGY) 预测评分，是基于连续血氧饱和度和二氧化碳描记法的多因素回归模型预测呼吸抑制风险的第一步，而后使用DL技术进行检验。

3、及时有效的治疗：决策支持系统。

常规临床医疗中通常不提供基于高质量证据的干预。决策支持系统可以整合患者信息和高质量证据，以实时指导临床实践。Joosten等使用3种闭环系统对麻醉，镇痛和液体进行精确滴定，表明其有利于患者的神经认知恢复。在缺乏高质量证据的情况下，AI不仅可以帮助建立各专科学会的指南和建议，还可以有助于建立基于指南的决策支持系统。

三、人工智能在外科手术中的应用‍

随着人工智能在外科研究领域的增加，预计2024年用于外科手术的人工智能市场将从2019年的6910万美元上升到2.254亿美元。传统手术室中使用人工智能和预测分析，将帮助医院应对临床医师在使用决策支持和基于图像的导航工具进行手术时面临的低效率和临床挑战。这些解决方案可以更好地帮助外科医师完成手术，使患者受益。某些人工智能模型可以在患者入手术室前确定并发症的风险，以便医师提前干预，确保手术顺利，恢复更快。较低的并发症、再入院率或二次手术以及快速恢复会降低医疗花费。人工智能和预测分析的使用将产生多种下游效应，包括增强患者体验感，提高满意度和参与度，改善预后和降低医疗成本。   

人工智能也已经用于质量改进领域。手术室   “黑匣子”平台系统就是一个例子。该系统记录和分析术中发生的事情，发现潜在风险。医院通过该系统得知术中手术室的门打开的频率太高。手术室领导层人员通过该提示，发现缝合车已被转移到房间外。因此，将其返回到原始位置。在手术室复杂的环境中，手术室环境的数字化、来自不同系统的数字信息、电子设备和传感器的数字信息可以用于开发掌握手术进程的AI系统。Triton系统使用AI和红外摄像头技术来分析iPad在手术室或产房中拍摄的术中使用的海绵照片，以预测术中失血量。

四、人工智能在临床研究中的应用

循证医学是通过高质量的随机对照试验提供的高质量证据来实现的。然而，临床试验昂贵且耗时，高质量的随机临床试验提供的证据仅指导小部分(16%)围手术期医学的内容。AI可以在临床研究的诸多方面提供帮助，从新颖的试验设计、统计分析到患者招募策略。招募优化和更改干预措施，自动记录电子医疗信息有助于完成高效招募大量患者的工作。同样，ML技术可以帮助从大量复杂的生理数据中快速获得有用的数据，从而有助于证据的生成。急诊室已经使用了基于AI技术的患者自动筛查系统，以评估患者是否符合临床试验招募的资格。使用经过培训医师的医疗笔记来识别癫痫患者的手术选择的可行性已被临床研究验证。基于AI的聊天机器人已被用于癌症患者参加临床试验的筛查和报告 。

五、人工智能在质量改进中的应用

随着医疗机构2001年“跨越质量鸿沟” 的发布，低质量医疗问题变得尤为突出。15年后，一篇具有深远影响的论文表明，医疗差错在美国是患者的第三大死亡原因。这表明随着时间推移，医疗质量改进甚微。患者围手术期会接受各种复杂的治疗措施。尽管医疗服务取得了进步，术后并发症仍很常见，甚至出现致命的并发症。临床医师围手术期通过获取详细病史和体格检查，收集信息以评估患者基础情况和相关风险。然后 ， 临床医师制定个体化的治疗和监测方案，以实现最佳预后。但是，大多数决策都是通过以前的经验获得的静态知识制定的。电子医疗系统记录的大量随时可用的医疗数据使AI成为一个非常有吸引力的技术，有助于制定临床决策并提高医疗质量和安全性。人工智能不仅可以帮助制定日常决策，还可以主动识别潜在风险。临床中经常会出现重复检查 、 不必要的检查或处方以及制定不完善的治疗方案。因此，人工智能可以通过以下方式提高医疗质量：(1)在关键决策点向医疗人员提供有关手术患者的相关信息 ； (2)根据患者的医疗状况和需求协助开发个体化临床医疗路径 ； (3) 监测循证医学实践的依从性。

从大量的医疗数据中锁定信息就像大海捞针，即使AI技术也并不是完美的。诸如NLP之类的技术可以潜在地帮助提取围手术期医疗记录中的相关信息，并以简洁、可解释和可操作的形式呈现。

人工智能有助于发现手术人群中的细微差异，发现与最佳和最差预后相关的临床实践 ， 使临床医师能够根据患者的基线特征 、 手术方式和康复轨迹 ， 为患者制定最佳的手术期临床路径。Maheshwari等发现，AI可以非常容易地识别结直肠手术患者的差异，制定理想的干预措施，从而改善患者的预后和降低医疗花费。    患者围手术期经常会出现各种并发症。如果及时干预，则可以避免大多数术后并发症。在电子医疗记录中识别相关信息，预警即将发生的并发症，促使临床医师采取措施将有助于改善不良预后。Lundberg等发现，AI可以在缺氧发生前5 min 预测术中缺氧事件。该算法还确定了重要的预测因素，从而帮助医师制定合适的管理方案。

向围手术期的临床医师提供反馈可以改善患者医疗和指南的适用性。当反馈来自可信且经过验证的信息时最有效，这种反馈也是持续的，接近实时的，有明确的目标，并且可以改进。 ML技术为医师提供了患者个体化的反馈，提出可行的临床实践驱动因素。Schulz等使用神经网络模型，基于麻醉医师控制之外的变量预测滞留麻醉恢复室（post-anesthesia care unit，PACU）的时间，以便更好的理解患者术后住PACU的时间差异。

六、人工智能在教育中的应用

AI可以促进教育内容开发，改善教师和学习者之间的互动，并有助于学生的分级和评估。人工智能基于学生的需求和技能为学生提供有针对性的课程来实现教育改革。此外，Hellothinkster一个数学辅导程序，使用AI来记录学生解决数学问题的步骤，并通过其他方法指导他们解决问题。识别学生的知识差距并在有差距的知识点上制定后续课程的方法可用于麻醉培训。同样，Content Technologies公司开发了制定教育内容的AI。DL分析现有课程材料，该技术创建自定义学习材料，章节摘要和学生测试。例如，Gradescope可以对在线或课堂中的所有测试进行评分，并了解学生的表现。麻醉培训会促进教师对住院医师进行高质量反馈，改善住院医师培训。但并非所有教师的反馈都是高质量的。Neves等使用ML模型筛选教师反馈，可以确定高质量反馈与低质量反馈，进而改善教师对学员的反馈。因此，我们需要在麻醉学员培训中引入AI技术。放射学培训项目在设计和实施住院医师培训方面处于领先地位。

七、人工智能的局限性

尽管人工智能有助于提高医疗服务，但其普及仍有限制。社区医疗中，在没有适当验证和可解释的情况下实施人工智能系统存在风险。很难想象，重大治疗决策将永远基于缺乏合理临床解释的黑匣子 AI系统。AI系统很难普及是另一个令人担忧的问题，因为许多算法都是在特定的有限数据集上进行训练和测试的，并且在某些人群中表现不佳。因此，迫切需要开发大规模且稳健的临床数据集，以便开发和测试AI算法，来确保通用性和有效性。

我们不仅需要关注数据的数量，还需要关注数据的质量。例如，围手术期生理波形数据的质量难以保持，影响 AI算法的输出。然而，由于监管困难，难以开发包含大量临床数据的公开可用数据集。尽管AI在医疗服务尤其图像识别中的应用取得了一些成功，但AI在医学中的实施仍有质疑。基于AI算法决策的道德和法律后果正受到关注，且需要适当的监管。此外，用于AI模型训练的数据集中某些人群代表性差会导致内在偏倚，影响医疗服务和患者的预后。在有限的数据集下，AI可能提供较好的预测性能，但同时它也可能加剧算法偏差带来的偏倚。    AI在临床工作流程中的普及也可能带来巨大挑战。床旁医师需要被问到 “这些模型中获得的知识如何应用于临床？”实施科学应指导和评估新的AI解决方案对临床工作流程的影响。有些决策是自动制定的，并且会出现技能退化。这种技能退化是否提供了获得新技能的机会，或者这是否对患者治疗构成风险？ 

当前医疗机构的学习 、 数据共享和协作的体制结构可能会阻碍AI的开发和应用。患者与机构之间数据的所有权问题进一步限制了数据的自由访问。患者应该拥有医疗数据的所有权，这是毋庸置疑的。AI在医疗服务方面的成功取决于协调不同社区机构之间的工作。部门结构应进行改变以促进获取、保留数据以及与有经验的AI数据科学家建立合作伙伴关系，从而构建有效的临床应用程序。

严格的监管是人工智能普及的关键障碍，这因国家和机构而异。由于严格的监管或政治原因，美国在生理闭环技术应用方面落后。不过现在有改变的迹象。最近，美国食品和药物管理局举办了研讨会，并为麻醉和重症监护中使用的生理闭环医疗设备提供了监管的框架。此外，许多算法是医疗设备 (software as medical device, SaMD)装载的软件以便促进安全创新和保护患者安全。

麻海新知述评

AI医疗和围手术期大数据驱动下的麻醉管理是麻醉学十大科学问题之一。目前，AI医疗在麻醉学领域的应用呈方兴未艾之势，包括但不限于气道管理、超声辅助诊断、智能药物输注系统、术中精准监测预警、围手术期并发症与死亡的预测、重症监护治疗等。AI医疗能够改变临床麻醉实践，优化治疗流程与改善患者预后。随机对照试验的临床证据等级较其他临床研究高，但其研究目标大多单一。麻醉学围手术期管理需要关注多个目标的优化，传统的随机对照研究可能无法完成，因此AI医疗在麻醉学的围手术期管理方面具备较佳的应用前景。  

然而，围手术期麻醉管理数据的结局并非最终的临床结局、数据呈现高纬度、混杂因素多、“鲁棒性”问题更突出，因此实际应用面临巨大的挑战。目前 ， 仅有一个开源的麻醉围手术期管理的数据库VitalDB，包含了韩国一家医院6388 例非心脏手术患者的术中生命体征和围手术期其他临床信息。而多中心围手术期管理的数据融合及所构建模型的推广应用 ， 能更好的解决人工智能面临的“鲁棒性”问题。另外AI算法的公开透明可以促进模型的验证，提高AI医疗的通用性和接受度。同时也要考虑患者对AI医疗的信任程度所引发的伦理安全问题。

总之， AI医疗对临床麻醉的渗透已是大势所趋。麻醉科医师在临床中尝试应用AI医疗的同时，相关部门应加快制定相关法律法规、加强伦理风险管控、完善标准规范体系建设，使AI的转化价值与临床意义在实践中得到检验。

编译： 臧鸣一 述评： 卢文斌

原始文献：   Maheshwari K, Cywinski JB, Papay F, Khanna AK, Mathur P. Artificial Intelligence for Perioperative Medicine：Perioperative Intelligence. Anesth Analg. 2023;136(4):637-645. Doi:10.1213/ANE.0000000000005952.   

声明：古麻今醉公众号为舒医汇旗下，古麻今醉公众号所发表内容之知识产权为舒医汇及主办方、原作者等相关权利人所有。未经许可，禁止进行转载、摘编、复制、裁切、录制等。经许可授权使用，亦须注明来源。欢迎转发、分享。  

打赏