機器學習在麻醉學科中的應用進展

毛亞運，鄒小華，莫懷忠

(1.貴州醫(yī)科大學麻醉學院，貴州 貴陽 550004；2.貴州醫(yī)科大學附屬醫(yī)院麻醉科，貴州 貴陽 550004；3.貴州醫(yī)科大學附屬腫瘤醫(yī)院麻醉科，貴州 貴陽 550000)

機器學習是一門基于數(shù)據(jù)來研究算法的交叉學科，其致力于研究利用計算機模擬人類學習方式，并通過所獲取的知識不斷優(yōu)化自身性能[1]。作為人工智能領(lǐng)域的研究熱點，機器學習的理論及方法目前已被廣泛應用于解決實際應用和科學領(lǐng)域的復雜問題。麻醉醫(yī)師主要是在圍術(shù)期對由多種因素(麻醉、手術(shù)、原發(fā)疾病)引起的重要生命功能的變化進行監(jiān)測、干預，保證圍術(shù)期患者的安全。這要求麻醉醫(yī)師要有廣泛的專業(yè)知識，對患者各重要臟器功能儲備狀態(tài)進行準確評估，維護患者各項生命功能(包括重要臟器功能)，并在遇到危急情況時，能迅速準確地做出診斷與處理[2]。麻醉領(lǐng)域在發(fā)展和應用機器學習技術(shù)方面具有顯著的優(yōu)勢：各種計算機控制系統(tǒng)，如監(jiān)護儀、藥物輸注系統(tǒng)及麻醉電子病歷系統(tǒng)，可直接連接至每例患者，實時收集大量高保真數(shù)據(jù)等。本文就機器學習在圍術(shù)期風險評估與預測、麻醉深度監(jiān)測與調(diào)控、麻醉基本技能操作及圍術(shù)期危機診治的應用進展進行綜述。

1 機器學習在圍術(shù)期風險評估與預測中的應用

全面、準確的術(shù)前評估是臨床麻醉醫(yī)師的重要工作內(nèi)容，明確危險因素，甄別處于高風險狀態(tài)的患者，促使其完善術(shù)前準備，主動干預降低風險是提高麻醉管理質(zhì)量，降低圍術(shù)期相關(guān)并發(fā)癥發(fā)生率和病死率的保障。

1.1 機器學習用于預測圍術(shù)期低血壓圍術(shù)期低血壓是術(shù)后不良結(jié)局的獨立危險因素，早期識別高危人群，優(yōu)化誘導、維持及復蘇方案，是改善患者預后的一項重要措施。Kendale等[3]利用機器學習方法，分析了13323例患者誘導后低血壓的發(fā)生情況，以患者術(shù)前合并癥、術(shù)前用藥情況、誘導用藥、術(shù)中生命征為臨床特征，采用Logistic 回歸、隨機森林、支持向量機、樸素貝葉斯、k-近鄰、線性判別分析、神經(jīng)網(wǎng)絡及梯度提升等方法進行建模，并對性能最優(yōu)化的模型進行優(yōu)化，結(jié)果證實，機器學習算法可成功預測全身麻醉后低血壓的發(fā)生。而Hatib等[4]則根據(jù)有創(chuàng)動脈壓力波的特征(動脈壓波時間、波幅、曲線下面積、斜率特征、Flotrac算法特征、CO-Trek特征、壓力反射特征等)，判斷循環(huán)系統(tǒng)代償能力情況，創(chuàng)建低血壓預測模型。該模型的優(yōu)勢在于，可在低血壓發(fā)生前15分鐘預測出低血壓的發(fā)生概率，其敏感度為88%，特異度為87%。這將給臨床醫(yī)師提供高價值的預警，保證其有充足的時間糾正潛在的生命機能紊亂，防止嚴重低血壓的發(fā)生。

1.2 機器學習用于圍術(shù)期并發(fā)癥風險評估傳統(tǒng)的風險估計方法主要是依靠精心構(gòu)建從而減少偏倚的隊列或病例對照，采用假設檢驗、Logistics回歸等辦法推測結(jié)局與危險因素之間的關(guān)系[5]。但在大數(shù)據(jù)領(lǐng)域，數(shù)據(jù)結(jié)構(gòu)常不完整，傳統(tǒng)的統(tǒng)計方法較為受限(如對缺失值敏感、要求每個研究變量至少10～15個事件數(shù)、變量不宜納入太多等)，在這些情況下，機器學習則顯示出較大優(yōu)勢[6]。Thottakkara等[7]采用Logistic回歸及廣義相加模型、樸素貝葉斯、支持向量機等機器學習方法針對佛羅里達大學健康數(shù)據(jù)庫中的50318條高維臨床數(shù)據(jù)信息進行了分析，以建立術(shù)后膿毒癥和急性腎損傷預測模型，結(jié)果表明，與Logistic回歸比較，廣義相加模型和支持向量機算法顯著提高了模型的預測性能。同樣，Hill等[8]采用隨機森林等算法，利用加州大學洛杉磯分校圍術(shù)期結(jié)構(gòu)化數(shù)據(jù)庫中患者的術(shù)前信息創(chuàng)建了一個自動化評分模型，該模型用于預測術(shù)后死亡率的受試者曲線(ROC)曲線下面積(AUC)顯著高于現(xiàn)有的POSPOM評分和Charlon并發(fā)癥評分。這些機器學習算法可迅速、精準地分辨出高風險人群，以利醫(yī)師規(guī)劃好圍術(shù)期應對策略，并將稀缺醫(yī)療資源傾斜至最可能獲益的患者身上，降低醫(yī)療風險并促進醫(yī)療資源價值最大化。

同傳統(tǒng)回歸模型一樣，納入變量對于結(jié)局的重要性決定了模型的預測性能，機器學習再精細也不能無中生有，提取出不存在的信息。同時，目前多數(shù)機器學習工具仍屬于“黑盒”系統(tǒng)，其內(nèi)部工作難以理解，也不能估計每個特征對模型預測性能的重要程度，處理過程的不透明性將影響到臨床醫(yī)師及患者對結(jié)果的信任度。近年來，許多學者對于機器學習的可解釋性方面做了很多努力，未來有望通過機器學習建立預測性能高且容易解釋的預測模型[9，10]。

2 機器學習在麻醉深度監(jiān)測與調(diào)控中的應用

麻醉深度是麻醉藥物的抑制與傷害性刺激的激惹之間的相互關(guān)系在中樞神經(jīng)系統(tǒng)上的反應。近年來大量研究表明：過深的麻醉與術(shù)后死亡率密切相關(guān)，而過淺的麻醉則增加患者術(shù)中知曉的風險[11]。密切監(jiān)測并及時調(diào)整麻醉深度，是臨床麻醉醫(yī)師的核心工作，也是實現(xiàn)精確麻醉的基本要求。

2.1 機器學習算法用于麻醉深度的監(jiān)測目前臨床上的麻醉深度監(jiān)測方法主要基于對腦電信號的分析，其中以腦電雙頻指數(shù)(Bispectral index，BIS)的應用最為廣泛[12]。但其穩(wěn)定性和抗干擾能力尚有待提高；與傷害性刺激的相關(guān)性也較差，更全面、更準確的麻醉深度監(jiān)測方法仍是臨床研究的熱點[11]。機器學習非常適用于像腦電圖一類的復雜數(shù)據(jù)流的分析，其可以利用多種線性和非線性數(shù)據(jù)構(gòu)建高級模型，從而更好地反映藥物的量效反應。Mirsadeghi等[13]采用機器學習算法分析腦電不同波段功率、總功率、紡錘體評分及熵等參數(shù)，以反映清醒-麻醉狀態(tài)的腦電特性，結(jié)果表明機器學習算法可獲得較BIS(88.4% vs.84.2%)更為準確的效果。Shalbaf等[14]則針對腦電圖的多個特征，采用機器學習算法研究不同麻醉深度時腦電圖的特征性改變，結(jié)果顯示機器學習算法的準確率可達92.91%，遠高于熵指數(shù)(77.5%)。

2.2 機器學習算法用于麻醉深度自動調(diào)控閉環(huán)靶控麻醉藥物輸注系統(tǒng)是以麻醉深度監(jiān)測為反饋變量，以藥代動力學與藥效動力學知識為基礎(chǔ)，實時控制輸注速率或藥物濃度，從而實現(xiàn)自動化麻醉管理功能的系統(tǒng)。Absalom[15]采用比例-積分-微分(propotional-integral-derivative，PID)控制算法，先使用統(tǒng)一的效應室濃度進行麻醉誘導，然后再用其設計的閉環(huán)靶控輸注系統(tǒng)進行麻醉維持。這可以避免麻醉深度的劇烈振蕩，減小控制誤差。強生公司在其基礎(chǔ)上發(fā)明了SEDASYS計算機輔助個體化鎮(zhèn)靜系統(tǒng)。該系統(tǒng)集成了麻醉學科ASA標準監(jiān)護項目(包括呼氣末CO2監(jiān)測)及麻醉自動輸注系統(tǒng)，系統(tǒng)在注射負荷劑量的麻醉藥物(如丙泊酚)后，按程序設定好的速度維持泵注，然后根據(jù)藥代動力學原理及麻醉深度相關(guān)指標對輸注泵的參數(shù)進行實時自動調(diào)控[16，17]。然而，在控制領(lǐng)域中許多系統(tǒng)參數(shù)都是非線性的，簡單的系統(tǒng)無法得到精確的數(shù)學模型，單一的PID控制難以滿足復雜系統(tǒng)的要求。比如丙泊酚和芬太尼藥理學特性的個體差異較大，SEDASYS系統(tǒng)對個體差異的分析和控制較弱；每次給藥后的藥效評估時間較長，不能適應無痛胃腸鏡診療的高效周轉(zhuǎn)；對于深度鎮(zhèn)靜所致呼吸抑制和氣道梗阻問題的處理欠佳等[18]。而機器學習可顯著減小中位執(zhí)行誤差、分散度及擺動度，使控制性能得到顯著提升。Schamberg等[19]基于藥代動力學/藥效學開發(fā)了一個深度學習的神經(jīng)網(wǎng)絡，采用“交叉熵(cross-entropy)”的方法在模擬環(huán)境中通過強化學習對該神經(jīng)網(wǎng)絡進行訓練，旨在將其用于患者麻醉深度的控制。該算法先按照某種規(guī)則進行成批的模擬，獲得點誤差，根據(jù)誤差信息決定下一次模擬規(guī)則。經(jīng)過多次學習，神經(jīng)網(wǎng)絡逐漸學習到麻醉狀態(tài)與丙泊酚濃度之間的對應關(guān)系。該模型的優(yōu)勢在于確定每位患者達到不同麻醉深度的合適劑量，且在藥代和藥效個體差異的把握方面較PID模型更為穩(wěn)健。

3 機器學習在麻醉基本技能操作中的應用

3.1 機器學習在氣管插管機器人中的應用隨著達芬奇機器人輔助外科手術(shù)系統(tǒng)的研發(fā)成功，許多學者將智能化機械臂的理念引到了麻醉相關(guān)基本操作上，以期實現(xiàn)麻醉操作的智能化和遠程化。2010年佛羅里達大學醫(yī)學院的Tighe就報道了使用達芬奇機器人操控纖維支氣管鏡在模擬人上進行氣管插管[20]。2012年加拿大麥吉爾大學使用其研發(fā)的開普勒機器人氣管插管設備(Kepler intubation system，KIS)在12例患者身上成功實施了氣管插管[21]。開普勒插管系統(tǒng)與達芬奇一樣需要操作者進行遠程操控，故仍算不上真正意義上的自動化。而在2011年Lederman等就開始采用高斯混合模型框架進行食管、氣管上段、氣管隆突等解剖特征圖像進行學習訓練，經(jīng)過學習后，系統(tǒng)判斷氣管內(nèi)插管的正確率可達95%[22]。隨后Carlson等嘗試用k-近鄰、支持向量機、決策樹和神經(jīng)網(wǎng)絡等算法訓練軟件系統(tǒng)對聲門結(jié)構(gòu)的判斷，結(jié)果表明各種算法均可取得較好的成績[23]?；跈C器學習的實時圖像識別功能和主動視覺跟蹤技術(shù)，則使氣管插管機器人向自動化發(fā)展又跨進了一大步。REALITI是由瑞士蘇黎士大學研發(fā)的一款基于喉部影像的自動化經(jīng)口氣管插管機器人，可手動操控或系統(tǒng)自動操作。系統(tǒng)識別到第一個解剖標志，就會鼓勵操作者將模式轉(zhuǎn)換至自動模式，被識別的解剖結(jié)構(gòu)周圍出現(xiàn)提示框，內(nèi)窺鏡前端會向著聲門開口方向移動，一旦進入聲門，就會提供氣管腔內(nèi)結(jié)構(gòu)圖像并提示操作者進行人工確認[24]。國內(nèi)目前也有多家單位開展氣管插管機器人的研發(fā)，如海軍軍醫(yī)大學潘鐵文教授團隊的遙操作氣管插管機器人系統(tǒng)[25]、西安交通大學呂毅教授團隊的全磁導航氣管插管機器人等均獲得較好的成績。但對于氣管插管機器人實現(xiàn)全自動化，目前尚有許多工作需要完善，比如自動化套囊充氣系統(tǒng)、自動化氣道表面麻醉系統(tǒng)、自動化經(jīng)鼻氣管插管系統(tǒng)等。

3.2 機器學習在超聲引導神經(jīng)阻滯中的應用在快速康復外科理念的推動下，超聲引導下的神經(jīng)阻滯作為麻醉學科的一項基本操作得到廣泛推廣。在神經(jīng)阻滯機器人領(lǐng)域，2013年麥哲倫(Magellan)外周神經(jīng)阻滯系統(tǒng)已成功用于神經(jīng)阻滯的輔助操作，但實際上僅是使用遙操機械臂替代了人工直接操作，故還不能稱為自動化系統(tǒng)[26]。超聲圖像的識別及圖像引導穿刺操作的協(xié)調(diào)是最難學習的環(huán)節(jié)，而機器學習在圖像識別方面具有巨大的優(yōu)勢。2015年Gil將機器學習算法運用于超聲神經(jīng)圖像的分割，其中特征提取階段采用特定的非線性小波變換，分類步驟采用高斯處理，實現(xiàn)了神經(jīng)結(jié)構(gòu)的自動化識別[27]。Hatt等[28]則利用機器學習算法訓練針的超聲圖像分割器，并采用Radon變換從分隔的圖像中找到針的位置和方向，從而可以準確定位針的位置。因此，神經(jīng)阻滯向自動化發(fā)展的困難也正在被逐一排除。

4 機器學習在圍術(shù)期危機事件管理中的應用

科學的預警和決策，積極有效預防和快速正確診斷處理是化解圍術(shù)期危機事件的關(guān)鍵。哮喘或支氣管痙攣的發(fā)作是圍術(shù)期重要危機之一，早期的識別和處理可避免病情的進一步加重，從而改善患者的預后。Amaral等[29]采用k近鄰、隨機森林、AdaBoost等算法，研究強迫振蕩技術(shù)參數(shù)用于哮喘發(fā)作時氣道梗阻表現(xiàn)的診斷，結(jié)果表明，所有的算法均可較準確的診斷出哮喘發(fā)作，其中k近鄰法和AdaBoost法的診斷效能可達較高精度，AUC分別為0.88和0.89。而對于限制性呼吸和哮喘的鑒別診斷，也可采用機器學習算法進行精確區(qū)分[30]。心力衰竭是圍術(shù)期常見合并癥之一，圍術(shù)期心力衰竭患者非心臟術(shù)后的死亡率和再入院率比相同手術(shù)的冠心病患者都要顯著增高。早期發(fā)現(xiàn)心力衰竭，給予制定完善的圍術(shù)期管理計劃(包括手術(shù)時機選擇、術(shù)前優(yōu)化、術(shù)中麻醉管理、輸液控制及術(shù)后康復)，將可使患者獲益。Olsen等[31]采用卷積神經(jīng)網(wǎng)絡算法訓練并建立了一個基于44959例患者的心電圖和經(jīng)胸心臟超聲數(shù)據(jù)判斷心衰與否的系統(tǒng)，其AUC可達0.93，準確性達85.7%。而Alonso-Betanzos等[32]則利用監(jiān)督及非監(jiān)督學習法根據(jù)心衰患者的心臟超聲心室容積參數(shù)及射血分數(shù)分析它們之間的關(guān)系，可對患者的心衰類型進行準確鑒別。同時，機器學習算法還可用在不同心衰患者對治療方法的反應估計中，從而指導治療決策的制定[33，34]。

5 展望

綜上所述，人工智能時代的到來將使醫(yī)療行業(yè)的一些領(lǐng)域發(fā)生革命性變化，機器學習算法在人工智能的發(fā)展中發(fā)揮著至關(guān)重要的作用，其在圖像分析、評估預測、輔助決策及自動化中的優(yōu)勢將給麻醉學科帶來巨大的發(fā)展契機。雖然目前在麻醉學科多個領(lǐng)域的應用仍處于雛形階段，但隨著技術(shù)日益成熟、困難逐一解決，相信能推動麻醉學科向更智能、更科學的方向前進。