人工智能（artificial intelligence, AI）自1956年诞生以来已经取得了长足的发展，作为计算机科学的前沿学科，被认为是21世纪三大尖端技术之一，受到了各国政府的重视。传统的AI，人输入的是规则，输出的是答案，而机器学习（machine learning, ML），人输入的是数据和从这些数据中预期得到的答案，系统输出的是规则，将这些规则应用于新的数据，并使计算机自动生成答案。机器学习需要3个要素：输入数据、预期输出、衡量方法，其中衡量方法指计算算法的输出和我们预期输出的差距。衡量结果是一种反馈信号，用来调整算法。从3个要素的角度来看，麻醉学是比较适合机器学习的，因为它具有很多可以作为输入的数据，如BIS、近似熵、多尺度熵等都可以用来评估麻醉深度，血压、心率和血容量等可以用来评估患者的身体情况，医师的诊断可以作为预期输出。

AI在麻醉上的应用是多种多样的，基本覆盖了临床麻醉的全过程。从术前对患者的风险预测并做出预案，给患者进行麻醉及镇静、镇痛、肌松，术中突发情况下的急救复苏，术后对患者的复苏催醒、远期随访，围手术期对患者身体情况进行的监测和相应处理等都有AI的应用，AI在麻醉学上的应用主要包括围手术期不良事件监测、自动评估麻醉深度、麻醉药物自动给药系统及自动超声图像处理等方面。对于麻醉医师来说，了解AI的最新发展，掌握如何高效、安全地利用AI是至关重要的。本文将对AI在麻醉上应用的相关研究进行综述。

1 AI在麻醉学中的应用进展

1.1　围手术期不良事件监测

1.1.1　临床辅助决策系统的演进

研究表明，仅在发达国家围手术期病死率就达到0.4%~0.8%，并发症率更高达17% 。围手术期不良事件的发生是造成围手术期并发症及死亡的原因之一，通过监测围手术期不良事件，可以减少病死率及并发症发生率。

围手术期针对不良事件的监测需要通过围手术期监测系统进行，但监测系统会产生大量未解释的数据，使用容易产生虚假的阈值警报，且系统依赖临床医师持续视觉跟踪生理数据的变化。

2008年有人提出了临床决策辅助系统，新系统通过构建应用于临床的规则库来辅助临床决策，将专家的经验总结归纳成一条条规则，使临床医师的监测更有效率和准确 。例如2013年Görges等 开发的主要用来识别危重通气事件的系统就采用了这种临床决策辅助系统，规则是通过与麻醉专家面谈来制定的，然后采用Delphi法来寻求专家们对检测标准的共识。实验结果是对气管插管袖带泄漏的诊断时间和治疗时间的减少具有临床意义和统计学意义。

上面说到的临床决策辅助系统是将专家知识经过编码封装得到规则，这属于传统的AI范畴。而随着AI的发展，机器学习逐渐被人认可。在机器学习中，人输入的是数据和从这些数据中预期得到的答案，系统输出的是规则，将这些规则应用于新的数据，并使计算机自动生成答案。

围手术期间有很多生命体征可以作为输入的内容，在过往的电子病历中也会记录医师的诊断可以作为预期结果。现在我们可以使用机器学习构建临床决策辅助系统来实现对危险事件的预测并辅助医师决策。现在的围手术期临床决策辅助系统通过持续监测高度关键的生理参数（心率、血压、PETCO2和SBP）辅助实时临床决策，规则通过机器学习产生，帮助麻醉医师在复杂情况下更准确、更快地识别关键事件。未来临床决策辅助系统或许可以集合大量针对不良事件的预测模型，实现对各种危险事件的提前干预。

1.1.2　AI针对不良事件监测的应用方向

危险事件可以大体分成两类，能进行量化的与不能进行量化的。针对可量化的（如低血压和低氧血症），我们希望做到可预测可解释；针对难量化的（如共济失调呼吸和婴儿疼痛），我们希望做到可量化。

1.1.2.1　从可量化到可预测可解释的不良事件

以低氧血症为例，脉搏血氧仪可以连续检测SpO2。但是它只能反映实时的血氧不足，不能预测和阻止未来可能发生的血氧不足。在此之前，我们已经通过机器学习对脓毒症等不良事件进行了预测，有不错的精度，但存在一个问题就是我们很难对预测进行解释，即我们不清楚不良事件发生的原因。之前的解决办法是避免使用复杂但更准确的模型，并撤退到更简单的可解释模型，但代价是准确性的下降，即预测的准确性和解释性不可兼得。

2018年Lundberg等 建立在模型不确定的预测解释方法的最新进展上通过开发一种方法，为模型预测提供理论上合理的解释，兼顾了预测准确性和可解释性。这种方法靠的是当我们观察到一个特征（如患者的BMI）与不观察该特征（如不知道患者的BMI）时的变化。当观察到某个特征时，模型输出预测中的变化表明了它对预测的重要性。这种重要性更多地代表了相关性而不是因果性。但通过了解这些与风险预测强相关的特征，我们结合临床经验可以做出初步解释。

在实现对低氧血症预测的前提下，我们就可以提前调整呼吸机的吸入氧含量这个参数来维持血氧浓度。Radhakrishnan等 开发了一个系统来预测维持正常氧饱和度所需的FiO2，该系统的预测输出结果与医师的决策进行比较，发现其错误低于5%。在低血压方面也是同样的，血压计可以测量血压，但不能预测血压。Kang等 研发的机器学习模型，可以预测气管插管至切开期间发生的麻醉诱导性低血压，研究发现，影响机器学习预测准确性的最重要特征是患者的最低SBP、最低MAP和气管插管前的平均SBP。2020年Cherifa等 利用超级学习者算法提前10 min预测急性低血压发作。

1.1.2.2　从难量化到可量化的危险事件

针对没有常规检测的不良事件，实现对这种事件的量化是大方向。在阿片类药物诱导的共济失调呼吸严重程度方面，阿片类药物会导致呼吸抑制，呼吸抑制又可能导致复杂的呼吸模式，如共济失调呼吸。围手术期对呼吸抑制的监测有很多，包括通过脉搏血氧仪测量SpO2、呼吸速率，通过二氧化碳仪测量PETCO2，以及系统的镇静评估等。但共济失调呼吸的程度并没有常规监测，部分原因是目前共济失调呼吸不容易实时量化。对共济失调呼吸严重程度的实时量化可以为常规监测的SpO2、呼吸速率和PETCO2参数增加重要信息。通过机器学习使用从庞加莱图获得的特征来自动量化共济失调呼吸的严重程度。这种方法与传统的方法相结合，可能有助于识别患有阿片类药物诱导呼吸抑制的患者 。

此外，在监测低血容量方面，2013年Mansoor Baig等 开发了基于模糊逻辑检测绝对低血容量的麻醉监测系统RT‑SAAM和FLMS‑2，通过κ分析与临床医师的评估进行比较，κ值分别是0.62和0.75，（0.6≤κ<0.85，可认为检验结果一致性较好）。

在婴儿疼痛方面，2019年Cheng等 通过以面部表情为中心的机器学习方法来自动评估婴儿疼痛。使麻醉医师更好地进行镇痛，实现良好的婴儿疼痛控制。

1.2　自动评估麻醉深度

通常我们使用BIS及脑电图特征参数来评估麻醉深度（depth of anesthesia, DoA）。即输入为BIS或脑电参数，输出为麻醉深度。

1.2.1　AI在BIS中的应用

因为BIS在手术过程中会受到很多因素的干扰，而血压、心率等其他参数可以提供更稳定的指标。基于此，2018年Yu等 提出了一个自适应控制方案，将BIS和血压结合，即使BIS信号间断丢失（可能干扰自动控制系统），也能保证目标设置点和体内药物的正确量。

DoA监测仪仅推荐用于某些麻醉药物和特定年龄组的患者。2019年Saadeh等 提出了一个机器学习分类处理器以准确估计DoA，而不考虑患者的年龄和麻醉药物，为所有DoA状态实现了92.2%的平均精度。

1.2.2　AI在脑电图中的应用

机器学习方法非常适合分析复杂的数据流（如脑电图），因此，一系列基于脑电图的信号被发现用于测量DoA。由于BIS是DoA监测的金标准，我们使用神经网络和其他机器学习方法分析脑电图数据，目的是通过其他脑电图参数逼近BIS，所以最后都要与BIS进行比较。

脑电图样本熵只在一个时间尺度上估计信号的复杂性。2015年Liu等 提出了一种利用多尺度熵考虑不同时间尺度上结构信息的新方法。结果表明，该方法的指标与金标准的相关性较高。

脑电信号通常受到伪影的污染，影响测量的DoA精度。2017年Liu等 提出DoA滤波算法，可以有效地去除脑电信号中的伪影。结果表明，滤波前后熵与BIS的相关系数分别为0.14±0.30和0.63±0.09。

1.2.3　AI在其他临床信号中的应用

尽管通过BIS和脑电图来进行评估被大多数人所公认，也有人对其他临床信号进行了研究。Zhang等 记录了患者的中潜伏期听觉诱发电位，并使用神经网络来评估这些信号在判断患者清醒（准确率96.8%）、充分麻醉（准确率86%）和从全身麻醉中苏醒（准确率86.6%）方面的准确性。

1.3　麻醉自动给药系统

1.3.1　麻醉药的自动给药系统

麻醉的自动给药需要通过机器确定DoA，意味着需要寻找各种近似反映DoA的靶点。在20世纪90年代，临床体征和血压等测量数据被用作靶点，以确定如何调节麻醉剂的输送。随着测量DoA的新指标的发展，BIS成为了更适合的靶点。

伴随着BIS的广泛使用，研究人员开始使用更复杂的模糊逻辑系统或强化学习以BIS作为目标测量来达到麻醉控制，这主要是因为人与人之间都存在差异，导致我们在实际的临床问题中并没有一个完美适用的标准。计算出的正常值对有些人来说也会偏低或偏高，此时我们需要利用临床医师提供的知识经验来调整药物剂量以适应患者的实际需要。2018年Mendez等 基于模糊逻辑的闭环系统用于全身麻醉患者的自动给药，输入信息和适当输出的映射由基于临床医师知识的规则库给出。

1.3.2　镇痛水平控制系统

镇痛水平的测定依赖于间接植物性体征，如由Evans和Davies开发的PRST评分（P=压力，R=心率，S=出汗，T=泪液生成）。此外，在疼痛刺激时，心率变异性、心率和血压（MAP）都会增加，2013年Janda等 设计了一个镇痛水平控制系统依赖于这几个参数的组合，结果在计算机控制给药过程中，丙泊酚和瑞芬太尼无需人工干预。所有患者对麻醉质量的评价均为“良好”至“非常良好”。

心率与MAP测量值与目标值偏移的百分比也可作为靶点，间接反映疼痛水平的高低，2016年Zaouter等 通过这个靶点来反映疼痛水平开发了一个自动闭环的麻醉药物给药系统，用于CPB心脏外科手术中。催眠的临床表现在70%（97.5%CI 63%~76%）维持时间内控制良好，而镇痛的临床表现只有3%（97.5%CI 1%~6%）维持时间不足。

1.3.3　肌松控制系统

使用机器学习的控制系统也被用于自动传递神经肌肉阻滞。神经肌肉阻滞的深度可以通过从拇内收肌接收到的神经学信号来确定 。

1.4　自动超声图像处理

超声图像因其独有的实时动态特点，数据庞大复杂，人工分析数据的工作量巨大且准确性易受人为主观因素影响。通过AI辅助可以提高工作效率，减少主观经验造成的诊断误差。

1.4.1　自动超声处理应用于神经阻滞麻醉

在神经阻滞麻醉中，由于实际扫描时的位置、图像参数以及患者特异性不同，表现各不一样，深度学习神经网络与传统特征提取方法相比，更稳定、更准确。2013年Hemmerling等 通过机器人系统用远程控制中心在超声引导下对坐骨神经执行神经阻滞，成功率100%。机器人辅助神经阻滞在未来可能可以实现自动化。

1.4.2　自动超声处理应用于硬膜外麻醉

通过深度卷积神经网络对低位脊柱的横向图像进行分类，可以成功地鉴别骶骨、椎间隙和椎骨的超声图像，达到88%的准确性 。Leng等 2016年已经可以实现通过全自动超声图像处理系统来实时地确定硬膜外麻醉进针位置。这种方式既不需要麻醉医师掌握超声图像，也不需要额外的硬件，通过指导麻醉医师在纵向视图中到达所需的插入区域，然后指导麻醉医师旋转并轻微调整超声探头位置，定位理想穿刺位置即可。

1.4.3　自动超声处理应用于识别血管

通过算法能对健康动脉和异常动脉的超声图像进行识别并成功地对颈总动脉、颈内动脉、颈外动脉进行区分，对19名健康志愿者和3例患者进行了试验，成功率为89% 。

2 AI在麻醉应用的展望

AI是麻醉医师的好帮手，AI的未来到底是完全取代医师还是与医师协助共同应对疾病？从现在的研究来看，AI仍旧存在不少缺陷和不足，后者的可能性更大。

综合来看，首先，现在的AI还比较低级，基本遵循“大数据小任务”的范式，这被朱松纯教授称为“鹦鹉”模式的智能，导致我们只对每个特殊的疾病，每个特殊的群体，都要收集大量的数据进行分析处理。未来有没有可能针对不同疾病或者针对不同群体通过独立的学习观察进行合理外推呢？具体在麻醉方面就是针对低血压、低氧血症等不良事件，我们是否可以用一套综合的系统进行预测，针对小孩、老人、有基础疾病极度虚弱的人，是否可以用一套综合系统进行分析处理？

其次，现在的AI是一个“黑箱”，模型算法只能给我们提供输出，却不能告诉我们怎样得到的这个结果。现在研究人员已经竭尽所能让模型变得更加透明化，可以证明相关性，但还做不到确定因果关系 。举个例子，AI知道红灯与汽车停是存在相关性的，但它不知道是否存在因果关系，是红灯亮所以汽车停，还是汽车停所以红灯亮呢？未来有没有可能让它具有一定的因果判断能力。具体在麻醉方面，如果AI提前10 min预测了患者有可能发生急性低血压发作，是容量不足还是中毒性过敏性休克所致，AI能不能给出可能的原因？

再次，AI极度依赖数据的数量和质量，因为医学的客观限制，我们给予AI处理的数据或多或少存在偏差［统计方法的偏差（盲法、抽样），预期统计结果的偏差（医师误诊），现实显性或隐性的条件导致的决策偏差（经济条件导致进入ICU的患者家属放弃治疗）］。在临床麻醉实践中，如麻醉药的选择也受到经济因素的影响而不全看麻醉药的效果，麻醉剂量的选择也存在麻醉医师的主观因素。机器学习也对伦理提出了挑战，传统上医师要保护患者的隐私，但AI要求收集患者的各方面数据，这些数据如何保密，一旦泄密如何问责，需要我们深思 。未来有没有可能通过算法的升级、研究的纠偏使数据的质量得到提高，通过立法、监管保证数据不被滥用？

AI是未来发展的方向，麻醉学要积极拥抱AI，在AI的协助下更好地为中国的医疗事业添砖加瓦，为人民的健康保驾护航。

国际麻醉学与复苏杂志,2021,42(04):418-422.
DOI：10.3760/cma.j.cn321761-20201021‑00266
杨士慷 等
via http://med.china.com.cn/content/pid/256895/tid/1026