AI在麻醉学领域：当前技术，临床运用与局限

麻醉控制系统共搜索出33篇论文涉及麻醉、神经肌肉阻滞或其他相关药物的控制系统。Dumont和Ansermino48对麻醉中的控制系统进行了详细的回顾，并对前馈和反馈系统以及不同闭环系统进行了说明。由于麻醉自动给药系统还需要通过机器确定麻醉深度，因此，对于麻醉控制系统研究是非常接近麻醉深度的研究。使用机器学习的控制系统也已用于神经肌肉阻滞的控制，并且这些系统还包括对药物药代动力学的预测。

麻醉事件和风险预测共搜索出53篇文章涉及麻醉事件与风险预测。这些论文分为术前（术前评估；n=26）、术后（n=14）以及危重护理相关的事件（n=13）。在围手术期护理风险预测中，机器学习、神经网络和模糊逻辑中的各种技术都得到了应用。例如，神经网络被用来预测异丙酚的诱导剂量（由BIS测量）（敏感度为82.35%，特异度为64.38%），并超过了执业麻醉师的平均估计值（敏感度为20.64%，特异度为92.51%）。神经网络也被用来预测神经肌肉阻滞和低血压发生率或脊髓麻醉期间的恢复率，而其他机器学习方法被用来评估术前ASA分级、通过喉镜检查结果确定困难气道、识别清醒镇静期间的呼吸抑制，以及协助决策儿童外科手术中最佳麻醉方案。

超声指导共有11篇论文描述了人工智能技术在超声中的应用，神经网络是实现超声图像分类的最常用方法。研究人员使用神经网络来协助确定椎骨水平和其他解剖标记以用于硬膜外穿刺。Pesteie等人使用卷积神经网络自动识别椎板的前基底部，而Hetherington等人使用卷积神经网络从实时超声图像中自动识别骶骨、L1-L5椎体和椎体间隙，准确率高达95%。

疼痛管理共有9篇论文与疼痛管理领域相关的论文，涉及从阿片类药物的剂量预测到可能从医院急性疼痛服务部门的术前咨询中获益的患者的识别。Brown等人使用机器学习来分析从暴露于痛苦和非伤害性热刺激的人类志愿者收集的功能磁共振成像数据的差异，证明全脑扫描的机器学习分析比传统上与伤害感相关的单个脑区分析更能准确地识别疼痛。

手术室后勤共有3篇论文描述了使用人工智能技术来分析与手术室后勤有关的因素，例如手术室时间的安排或麻醉师的动作和行动的跟踪。Combes等人使用了一个医院数据库，该数据库包含有关人员配置、每个程序和人员的手术室使用情况以及麻醉后护理单位使用电子健康记录的信息，以训练基于神经网络来预测手术持续时间，手术类型和患者的相关病史；然而，他们的模型的预测准确率从未超过60%。在另一个例子中，使用模糊逻辑和神经网络通过建模病例类型、建模外科医生经验、工作人员经验、类型来优化眼科手术患者的床位使用关于麻醉和麻醉师的经验，病人的因素和合并症，错误率从14%到19%不等，这取决于病例的类型。在机器学习的不同应用中，Houliston等人分析了射频识别标签，以确定位置、方位，以及麻醉师在手术室的姿势。虽然他们的分析仅限于模拟手术室和人体模型，但作者建议在实际病人身上使用类似的追踪应用程序，以便更好地了解麻醉师与室内各种设备的相互作用对病人安全的潜在影响

本文综述了人工智能研究在麻醉学中的六个主要临床应用：（1）麻醉深度监测（2）麻醉控制（3）麻醉事件和风险预测（4）超声指导（5）疼痛管理和（6）手术室后勤。从这些应用中，总结了最常见的人工智能子领域（如机器学习、计算机视觉、自然语言处理）和方法（经典机器学习、神经网络、模糊逻辑）。人工智能在麻醉学中的大部分应用仍处于研究和开发阶段，因此，目前人工智能在麻醉学中的研究重点不是取代临床医生的判断或技能，而是研究如何更好的服务于临床。

人工智能对麻醉医生的启示

良好的数据标注是人工智能在医学领域成功的关键。当人工智能研究试图接近人类在诊断和治疗方面的表现或超越人类在预测方面的能力时，我们必须记住，对人工智能决策和预测的准确性的评估是我们比较人工智能的公认标准。在我们回顾的超声引导研究中，用于识别结构、标志物等的机器学习方法的训练依赖于训练集中目标的人类标记（即监督学习）。因此，对人工智能方法准确性的评估也基于机器标签与人类标签的比较，强调了拥有可靠、一致的人类生成标签的重要性。

个性化医疗的大数据方法可能在未来的麻醉护理中发挥重要作用。尽管在一项关于疼痛管理的研究中，对阿片类药物相关的单核苷酸多态性的研究没有取得成果，人工智能已在其他领域发挥了巨大作用，以识别和进一步研究对特定疗法反应的潜在遗传标记。本综述尚未涵盖目前或正在进行的全基因组关联研究工作，这些研究可能揭示用于最佳药物选择、剂量的确定等。

目前，很难预测人工智能应用的全部潜力，因为我们将继续在硬件和算法设计以及数据库创建，管理和管理方面取得重大进展，而这些进展无疑将推动人工智能的进一步发展。目前，人工智能最大的近期潜力在于它能够提供分析大量数据的工具，并提供关于这些数据相关的统计分析数据，临床医生可以利用这些数据做出医疗决策。因此，人工智能可以为各级麻醉师提供决策支持（无论是临床的还是程序的），以使所有临床医生能够为他们的病人提供最好的循证护理。

人工智能的局限性及其伦理意义

在模型的透明性和信任度方面，人工智能虽然可以在证明相关性或识别模式方面表现出色，但它还不能确定因果关系，至少在某种程度上还不能确定临床实施所必需的因果关系。随着这一领域的研究不断扩大，临床医生将不得不对新的研究成果和产品公告进行批判性审查，医学教育和培训也必然要将纳入人工智能概念。人工智能算法也容易受到数据偏差的影响。除了教授临床医生的基础研究偏见（如抽样、盲法等），我们还必须考虑医疗系统中的隐性和显性偏见，这些偏见可能影响正在或将要用于人工智能的大规模数据。

未来发展方向

人工智能算法的未来发展方向尚未超过人类的性能；然而，人工智能能够快速、准确地筛选大量数据，发现人类认知所无法察觉的关联和模式，这将使它成为临床医生的一个有价值的工具。我们预计，我们预计，人工智能将继续在监测麻醉深度，维持药物输注或预测手术中低血压等方面提供更加有效的帮助。麻醉师应继续与数据科学家和工程师合作，为人工智能的发展提供有价值的临床见解，以确保该技术在临床上适用。麻醉师应与其他医生（如外科医生、干预医师、重症医师、护士）和患者合作，帮助制定最佳使用人工智能的策略。麻醉学作为一个领域在实施和实现患者安全计划方面一直处于领先地位，而人工智能可以作为一种新的工具，在提供安全麻醉护理方面继续创新。

结论

麻醉学领域从事结合人工智能方面的研究已有悠久的历史。人工智能有可能影响麻醉的临床实践，从围手术期的支持到危重监护，门诊的疼痛管理。随着研究工作的推进和技术的发展，临床医生提供基于实践的见解以帮助人工智能的进一步发展将是至关重要的。

“神麻人智”评述

麻醉是一个动态过程，这就要求人工智能可以完成动态的生命功能监测与调控。目前，以机器学习为代表的人工智能，已应用于多项麻醉学研究中。一方面，这得益于临床数据的便捷性获取和存储，能够形成足够大的数据集；另一方面，不断更新的机器学习算法也将对数据进行更为充分的挖掘，得出常规思维难以得到的结果。就目前而言，机器学习是帮助麻醉科医师再认识临床麻醉问题的一个工具和手段，应用机器学习所得的结果并最终使围术期患者受益，才是最终目的。

本文综述了人工智能研究在麻醉学中的六个主要临床应用：（1）麻醉深度监测（2）麻醉控制（3）麻醉事件和风险预测（4）超声指导（5）疼痛管理和（6）手术室后勤。从这些应用中，总结了最常见的人工智能子领域（如机器学习、计算机视觉、自然语言处理）和方法（经典机器学习、神经网络、模糊逻辑）。人工智能在麻醉学中的大部分应用仍处于研究和开发阶段，因此，目前人工智能在麻醉学中的研究重点不是取代临床医生的判断或技能，而是研究如何更好的服务于临床。人工智能会使麻醉科医师这个职业消亡吗？这个问题难于回答。人工智能已经叩开麻醉的大门。在不远的将来，麻醉学领域的部分工作，如麻醉药品准备、术中麻醉监测及决策支持、麻醉深度及过程自动调整、麻醉操作，人工智能将扮演十分重要的角色，扮演接管或替代者的角色。在未来，麻醉科医师或许会主动转身，积极求变，投身于人工智能麻醉大背景下。