AI在麻醉学领域：当前技术，临床运用与局限

人工智能在包括麻醉学在内的各个领域皆取得快速进展，本文综述了人工智能与麻醉交叉的研究并总结了其在麻醉学中六个主要的应用：（1）麻醉深度的监测（2）麻醉控制系统（3）麻醉事件和风险预测（4）超声指导，（5）疼痛管理（6）手术室后勤。此外，对人工智能的几个主题进行了描述和总结：（1）机器学习（包括有监督、无监督和强化学习），（2）人工智能技术（如经典机器学习、神经网络和深度学习、贝叶斯方法），（3）人工智能的主要应用领域。本综述讨论了人工智能对麻醉科执业医师的启示，以及人工智能的局限性和临床医生在进一步发展人工智能在临床护理中的作用。人工智能在从围手术期支持到重症监护到门诊疼痛管理等方面都有可能对麻醉实践产生影响。

内容

人工智能技术已经应用于医学领域的各个方面。2018年4月，美国食品药品监督管理局批准了第一个用于临床的人工智能软件系统，该系统可通过分析眼底图像来帮助诊断糖尿病性视网膜玻随着人工智能技术在医学领域的发展和应用持续增长，对于各个领域的临床医生来说，了解这些技术是什么以及如何利用它们来提供更安全、更高效、更具成本效益的医疗护理是非常重要的。

由于麻醉学科涉及临床医疗的多个方面，包括围手术期和重症监护、疼痛管理、药物递送等，因此有可能从人工智能的进步中获益。我们对关于人工智能和麻醉学交叉研究的文献进行了回顾性分析，以总结在麻醉研究和麻醉临床实践中使用的人工智能技术。

材料与方法

使用“机器学习、人工智能、神经网络、麻醉学及麻醉”这些关键词检索1946年至2018年9月30日在Medline、Embase、Web-of-Science以及IEEE Xplore数据库中的论文。论文必须着重于人工智能算法在麻醉实践中的设计或应用，包括术前、术中、术后、外科重症监护以及疼痛管理。论文包括经过同行评审的已发表文献，包叙述性综述文件，以及经过同行评审的会议论文集，排除社论，致编辑的信和摘要以及涉及动物，少于10位患者或仅模拟数据的任何研究。

结果

通过数据库检索，共有2171个标题、1368个摘要符合筛选条件。其中有394篇文章被纳入评估，进行最终分析的有173篇。通过对173篇文章进行分析，我们确定以下几类研究主题：（1）麻醉深度的监测（2）麻醉控制系统（3）麻醉事件和风险预测，（4）超声指导（5）疼痛管理，（6）手术室后勤。在本综述中，我们主要讨论以下内容：机器学习和学习算法的类型、人工智能的主要主题人工智能技术，以及上文提到的六类人工智能技术在麻醉学中的应用。

人工智能中的机器学习与学习算法

人工智能有多种不同的分类方法，但通常将机器学习归为人工智能的主要类别之一。传统的计算机程序是用明确的指令编写的，以根据特定的输入从而输出某些行为（例如，文字处理程序的主要功能是显示用户输入的文本）。而机器学习使得程序从数据中学习并对数据做出反应。可通过机器学习进行分析的数据非常广泛，包括但不限于数字数据，图像，文本以及语音或声音。机器学习概念化的一种常见方法是用于解决问题的学习算法类型：监督学习、无监督学习和强化学习。

监督学习是一个任务驱动的过程，通过该过程可以训练算法来预测预先指定的输出，例如识别停车标志或识别照片中的猫。监督学习需要训练数据集和测试数据集。训练数据集允许机器分析和学习输入与所需输出之间的关联，而测试数据集允许评估算法在新数据上的性能。在许多研究中，一个大数据集通常被分为一个训练集和一个测试集（通常70%的数据用于训练，30%用于测试）。无监督学习是指识别数据集中的模式或结构的算法。这种方法对于找到特定的患者、药物或者对其他人群进行分类非常有帮助。强化学习是指要求一个算法尝试某项任务（例如，给病人实施吸入性麻醉，开车）并从其随后的错误和成功中学习的过程。强化学习的生物学类比是操作性条件反射，经典的例子是一只老鼠被教导通过食物奖励来推动杠杆。然而，如今的强化学习问题更为复杂。例如，Padmanabhan等人利用强化学习开发了一种麻醉控制器，该控制器利用来自患者的双频谱指数（BIS）和MAP的反馈来控制异丙酚的输注速率（在模拟患者模型中）。在这种情况下，在设置的范围内实现BIS和MAP值将导致对算法的奖励，而范围外的值将导致错误，从而提示算法执行进一步的微调。

机器学习问题通常分为需要分类的问题（将数据划分为离散组）和需要回归的问题（建模数据以更好地理解两个或更多具有预测潜力的连续变量之间的关系）。分类的一个常见例子是图像识别（例如，识别猫和狗），而回归的一个常见例子是预测（例如，根据现有的平方英尺数据预测房价）。监督，无监督和强化学习方法都可以用来解决分类和回归问题，具体取决于问题的性质和可用数据的类型。

人工智能技术

在上述三种机器学习方法中，每种方法都有不同的技术和模型。尽管对机器学习中使用的具体方法和算法的详细描述不在本文的讨论范围内，但是有必要了解人工智能研究中常用技术的基本概念。

模糊逻辑 模糊集理论和模糊逻辑最早于1965年提出。尽管模糊逻辑本身并不一定是人工智能，但它已经被用于其他框架中，以促进基于人工智能功能的发展。标准逻辑只允许真（数值为1.0）和假（数值为0.0）的概念，而模糊逻辑允许部分真（数值介于0.0和1.0之间）。它的目的是用模糊或不精确的信息来模拟人类的决策方法。

经典的机器学习 机器学习使用数据中的特征或属性来执行其任务。与统计分析中的一个例子类似，特征类似于逻辑回归中的自变量。在经典的机器学习中，特征由专家选择（通常称为手工制作），以帮助指导算法分析复杂数据。

神经网络与深度学习 目前在机器学习中最流行的工作方法之一是使用神经网络。神经网络受生物神经系统的启发，每个网络由一个神经元输入层组成，该输入层由描述数据的特征组成，至少一个神经元隐藏层对输入特征进行不同的数学转换，以及产生结果的输出层（图4）。在每一层之间是神经元之间的多个连接，这些神经元根据输入输出映射被参数化为不同的权重。因此，神经网络是一个框架，在这个框架内，不同的机器学习算法可以实现特定的任务（如图像识别、数据分类）。

贝叶斯方法 贝叶斯定理提供了一个事件概率的描述，它基于先前的知识或关于可能影响事件的因素的数据。在医学文献中的许多研究中，采用了一种频率统计方法，其中假设检验是根据给定数据样本中发生事件的频率进行的，作为研究人群的代表。贝叶斯方法的不同之处在于使用已知的事件先前的概率分布以及给定数据集中表示的概率分布。

人工智能的应用

与麻醉学相关的其他两个主题是自然语言处理和计算机视觉。

自然语言处理 自然语言处理是人工智能的一个分支，它关注于人类语言的机器理解。在自然语言处理出现之前，计算机仅限于阅读机器语言或代码（例如，C++、java、Visual Basic）。借助自然语言处理，机器可以努力理解人类自然使用的语言。在医学中，自然语言处理最自然的应用是自动分析电子健康记录数据。尽管电子健康记录的发展已经将大量的文档转移到复选框、下拉菜单和预填充字段中，但是自由文本输入仍然是临床医生文档记录的一个重要组成部分，它允许临床医生相互交流，不仅记录重要的发现，还记录思想医疗决策背后的过程。自然语言处理目前正被用于帮助从自由文本字段中提取信息，以构建更结构化的数据库，这些数据库可以进一步分析，以确定手术候选者、评估不良事件或方便计费。

计算机视觉 随着对自动驾驶汽车的日益关注，计算机视觉已成为人工智能最广泛认可的子类别之一。计算机视觉是指计算机对图像，视频和其他视觉数据（例如计算机断层扫描）的理解。图像的自动采集，处理和分析是计算机视觉过程的一部分，颜色，形状，纹理，轮廓和焦点只是计算机视觉系统可以检测和分析的一些不同元素。虽然物体检测和识别已在平面印刷机中得到普及，但计算机视觉包含的工作领域包括以数字或符号形式描述视觉世界的研究，以便能够对图像进行解释，以便进行后续处理。

在医学上，计算机视觉在病理学和放射学中的应用已导致系统能够通过识别载玻片和X射线上显示出患病可能性很高的区域来帮助临床医生降低诊断中的错误率。此外，计算机视觉已被用于自动识别和分割腹腔镜手术的步骤，这表明使用计算机视觉系统可以实现情境感知。在麻醉学中，计算机视觉已广泛应用于超声图像的自动分析，以帮助在手术过程中识别特定的组织。

人工智能在麻醉学中的应用

麻醉深度的监测 共搜索到42篇应用人工智能提高麻醉深度监测的论文。这些论文大多集中在使用BIS或脑电图来评估麻醉深度。有效的麻醉深度监测可降低术中知晓的发生率。此外，文献中多数研对平均动脉压（MAP）进行了监测，这可能与低MAP与术后死亡率相关。

机器学习方法非常适合于分析复杂的数据流，如脑电图；因此，人们发现一系列基于脑电图的信号用来测量麻醉深度。1990年代初的文献描述了使用神经网络评估脑电图功率谱作为区分清醒患者和麻醉患者的信号，并确定了特定频段在评估某些药物疗效方面的潜力。

近年来，越来越多的文献采用人工智能技术和频谱分析技术对脑电信号进行更直接的分析，以评估麻醉深度。Mirsadeghi等人研究了25名患者，并比较了机器学习方法分析脑电信号直接特征（例如，不同波段的功率[δ、θ、α、β和γ]、总功率、纺锤体评分、熵等）的准确性，以确定清醒患者与BIS值的区别。结果发现，使用脑电图特征的准确率为88.4%，而BIS指数的准确率为84.2%。同样，Shalbaf等人在七氟醚麻醉期间使用脑电图的多个特征来区分清醒和麻醉患者（作为四种可能的清醒、轻度、全身或深部麻醉状态），采用BIS值的准确率为92.91%，而采用熵指数比较，准确率为77.5%。这些论文表明，人工智能技术在创建模型时能够有效地将线性和非线性数据结合起来，以达到最准确的预测。

（编辑：宿州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!