首页 > 论文范文 > 医药卫生论文 > 临床医学论文 > 临床麻醉论文 > 机器学习在麻醉学领域的应用前景

机器学习在麻醉学领域的应用前景

2024-06-13 128 上传者：管理员

摘要：机器学习(ML)技术已逐步被用于临床麻醉中，在围术期的应用及研究日益增多。ML在术前可以预警高危事件的发生，辅助困难气道的诊断以及超声显像；在术中可以预测低血压、低氧血症、心搏骤停以及麻醉深度等，帮助实现麻醉的精准和安全控制；在术后可以预测麻醉相关不良结局等。本文总结麻醉学领域常用的ML模型，回顾ML应用于围术期各个阶段的相关研究。ML的应用可改善围术期麻醉管理，有助于预警高危事件的发生，降低麻醉相关风险。

关键词：
人工智能
围术期管理
机器学习
疾病预测
麻醉学
加入收藏

人工智能(artificial intelligence, AI)正在以迅雷不及掩耳之势席卷全球，这很可能成为第4次工业革命的核心驱动力，彻底改变人们的生活。机器学习(machine learning, ML)是AI的主要技术手段，是从已有的数据中“总结”出一般性的规律，将其应用到未知样本上并进行预测的方法[1]。ML作为计算机科学和统计学的交叉领域，将高效的算法与数据结合，实现分类、预测及隐藏特征的挖掘[2]。科学预警、积极有效预防和快速正确诊断和处理是降低围术期危机事件的关键。在麻醉学领域中，由于电子监护仪的普遍使用，患者信息收集、存储和检索成本的不断降低，并产生海量的数据，这为ML在麻醉学领域的应用带来新机遇。本文对ML在麻醉学领域中的研究现状、发展及存在的问题进行综述，以期为今后的研究提供参考。

1、ML的分类和常见算法

ML在不同的标准下有不同的分类方式。根据学习方式的不同可以分为有监督学习、半监督学习和无监督学习。根据算法类型分类可以分为传统ML算法和深度学习算法。传统ML算法主要包括支持向量机、决策树和随机森林等，均基于严格数学推理，可解释性较强。深度学习算法均基于神经网络，主要包括卷积神经网络、循环神经网络和深度置信网络等。深度学习算法的特点在于隐藏层层数较深、可解释性较差，同时对数据量有一定的依赖。根据学习方式的不同进行分类是目前较为常见的分类方式，其有监督学习又可分为分类算法和回归算法两大类，无监督学习则可分为聚类算法和降维算法。在麻醉学领域中，分类算法是应用较多的算法，主要用于麻醉相关风险事件预测、术后并发症等方面[3,4]。

ML在术前的应用

困难气道气管插管失败是麻醉相关死亡和严重并发症的主要原因[5,6]。术前气道评估中，Mallampati分级和甲颏距离主要用于评估气道的困难程度[7,8]。研究[9]表明，Mallampati分级≥3级或甲颏距离≤3 cm预测困难气道的敏感性和特异性为32%和85%。因此，麻醉科医师需要更好的工具预测困难气道，以减少与麻醉相关的并发症。Zhou等[10]使用ML方法分析甲状腺手术患者插管困难的发生情况，以性别、年龄、身高、体重和BMI进行建模，梯度提升机模型(gradient boosting)在验证集中的受试者工作特征曲线下面积(area under receiver operating characteristic curve, AUROC)为0.848,其模型的准确度和精确度分别为0.913、1.000。Tavolara等[11]通过卷积神经网络提取152例患者面部冠状面图像特征，然后构建了多示例学习模型，其可在两种模式下运行：一种是高敏感性和低特异性模式，其敏感性为0.908,特异性为0.447;另一种是低敏感性和高特异性模式，其敏感性为0.368,特异性为0.961。

神经阻滞超声成像没有侵入性，并且提供了神经及其周围结构的准确位置。因此，超声引导下的神经阻滞技术作为麻醉科医师的一项基本操作，应得到广泛推广。但是，在各种组织以及伪影等的干扰下，超声可视化下神经图像的识别及穿刺操作的协调是最难学习的环节。Hatt等[12]使用自适应增强算法来训练神经阻滞针的图像分割模型，然后利用拉东变换(Radon transform)从分割后的图像中找到神经阻滞针的位置和方向。在临床数据中，针头定位成功率为99.8%。Gil González等[13]将ML算法应用于超声图像中神经结构的自动分割，该方法通过使用图形分割自动确定一个感兴趣的区域，实现了神经结构的自动化识别，准确性>95%。

2、ML在术中的应用

低血压低血压是围术期主要风险事件[14]。术中低血压是术后不良结局的独立危险因素，长期的低血压可能导致术后脑梗死、肾功能受损，延长患者住院时间[15]。Kendale等[16]采用ML方法分析患者麻醉诱导后低血压(MAP<55 mmHg)的发生情况，以年龄、BMI、ASA分级、术前合并症、用药情况、术中生命体征等临床特征进行建模，该研究将数据随机分为训练集和验证集(7∶3)进行模型训练和验证，梯度提升机模型在验证集中的AUROC为0.740(95%CI 0.720～0.770),ML算法可成功预测麻醉诱导后低血压的发生。然而，梯度提升机模型在外部数据中的有效性尚不明确，该模型是否可在临床上广泛使用仍不得而知。Choe等[17]研究使用18 813例接受非心脏手术患者动脉波形作为输入的深度学习算法进行建模，卷积神经网络和循环神经网络算法构建模型的精度-召回率曲线下面积分别为0.698(95%CI 0.690～0.705)和0.706(95%CI 0.698～0.715),其表现优于逻辑回归算法0.673(95%CI 0.665～0.682)。该研究开发的预测短期术中低血压的模型较卷积神经网络和循环神经网络算法表现更好(AUC=0.716, 95%CI 0.708～0.723)。

低氧血症低氧血症可对患者造成严重伤害，如心律失常、脑缺血甚至心搏骤停等并发症[18]。若能精准预测低氧血症，则麻醉科医师可及时采取措施预防低氧血症，从而将对患者的伤害降到最低。Lundberg等[19]根据电子病历系统中麻醉数据构建ML系统，预测麻醉中低氧血症的发生，并探究全身麻醉期间低氧血症的危险因素，结果表明患者BMI、术前潮气量和脉搏是预测患者术中低氧血症的重要指标。若麻醉科医师可预测15%的低氧血症事件，在ML系统的辅助下则可提高至30%。ML可通过分析预测风险，实时发出警告，优化麻醉操作。Xia等[20]分析了14 777例患者的临床资料并构建基于ML的拔管后低氧血症的预测模型，结果表明随机森林模型表现最好，其AUROC为0.792(95%CI 0.771～0.814)。

心搏骤停围术期心搏骤停(perioperative cardiac arrest, POCA)是一种罕见但极其危险的事件，麻醉相关POCA的发病率为0.000 4%～0.08%,死亡率为20%～60%[21]。准确预测POCA患者生存率并及时做出正确的决策对麻醉科医师提出了巨大的挑战。Shang等[22]利用5种传统ML算法分析150例POCA患者的生存情况，将5种传统ML算法集合后建立了集成ML模型，其AUROC为0.900(95%CI 0.780～0.980)。

麻醉深度麻醉过浅导致术中知晓会对患者造成心理阴影，而麻醉过深可能会导致苏醒延迟或谵妄等并发症从而延长住院时间。准确、可靠的麻醉深度监测是临床亟需解决的问题。Ramaswamy等[23]使用弹性网络从脑电图中提取特征，然后进行逻辑回归分析。在使用丙泊酚、七氟醚和右美托咪定进行镇静的患者中，其模型AUROC分别为0.970(95%CI 0.940～1.000)、0.740(95%CI 0.500～0.990)、0.770(95%CI 0.670～0.870)。Saadeh等[24]从脑电图中提取了6个特征(频谱边缘频率、beta比值和四个频谱能量波段)构建决策树模型，准确预测了四类麻醉深度的分类(深、中、浅麻醉状态与清醒状态)。Gu等[25]通过人工神经网络提取脑电图中的频域和熵等特征评估麻醉深度，其可以很好地区分清醒状态和麻醉状态，而且与BIS的相关性较好。

3、ML在术后的应用

术后并发症尽管逻辑回归和比例风险回归模型等对麻醉相关不良事件具有一定的预测能力，但其准确性和实用性有限[26]。ML技术可结合时间序列数据并从中提取患者的数据特征，动态预测患者麻醉相关不良结局[27]。Xue等[28]分析了111 888例手术患者的数据并构建了基于ML的术后并发症预测模型，使用逻辑回归、支持向量机、随机森林、梯度提升树和深度神经网络等算法，不同并发症的最佳表现模型分别是：肺炎模型AUROC为0.905(95%CI 0.903～0.907)、急性肾损伤0.848(95%CI 0.846～0.851)、深静脉血栓0.881(95%CI 0.878～0.884)、术后谵妄0.762(95%CI 0.759～0.765)及肺栓塞0.831(95%CI 0.824～0.839)。

尽管目前麻醉相关的死亡率显著降低，但仍有0.5%～3%的择期手术患者在术后30 d内死亡[29]。急诊腹部手术后患者的生存率更差，其30 d死亡率为4%～8%[30]。早期识别风险因素可以更好降低术后死亡率[31,32]。Fritz等[33]采用卷积神经网络预测术后30 d的死亡率，结果表明AUROC为0.867(95%CI 0.835～0.899),其优于深度神经网络0.825(95%CI 0.790～0.860)、随机森林0.848(95%CI 0.815～0.882)、支持向量机0.836(95%CI 0.802～0.870)和逻辑回归0.837(95%CI 0.803～0.871)。

4、ChatGPT

ChatGPT即“聊天生成预训练转换器”,它是由美国开放人工智能研究中心(OpenAI)研发的大型语言模型。以往医疗领域的ML模型大多只能处理单一模态数据，随着ML技术的不断更新，逐渐出现多模态数据的研究。临床研究者们逐渐将研究视线转移到医学图片的研究中，然后又将数字数据和图片数据结合进行多模态数据的分析研究。ChatGPT即应用深度学习将海量、多类型数据进行训练生成的模型。ChatGPT将在医疗教育、研究和实践中被广泛应用，其合理的使用有可能加速医疗领域的创新，并且可通过克服语言障碍促进研究的多样性开展[34]。ChatGPT训练的目标是通用认知能力的实现。因此，ChatGPT并未专门针对医疗或医学领域应用进行训练，在麻醉学领域相关研究尚未有报道。目前ChatGPT展现出来的能力仅仅是采用互联网上公开数据进行训练的结果。ChatGPT在撰写医疗记录、提供医疗咨询、诊断和教育的各种任务中都表现出较为不俗的能力。ChatGPT还可阅读医学研究资料，并参与相关讨论，如简要总结内容、提供技术分析、确定相关前期工作、评估结论以及提出可能的后续研究问题。同样，在其他相关医疗领域皆证实了ChatGPT在临床决策和优化临床工作流程等方面拥有巨大的潜力[35,36]。

ChatGPT也可能会发生错误，但也可以发现错误，且既可以发现AI的错误，也可以发现人类的错误。既往应用的AI是基于特定范围内的模型，并针对特定临床任务进行调整，此类模型受益于精确定义的使用范围。那么应如何评估ChatGPT的通用认知能力?用户可以在多大程度上“信任”ChatGPT?用户是否需要花费更多时间确认其所写内容的真实性?除校对外，还需要做多少核查工作?ChatGPT可以在多大程度上协助完成这项任务?上述问题无疑将成为争论的话题。相信在不久的将来，AI将会在麻醉学领域掀起一场史无前例的“革命”浪潮。

5、ML在麻醉学领域的不足

ML可以集合多种类型、不同观测方法获得的数据指标，兼顾多种影响因素，减少主观误差，提高预测和诊断疾病方面的全面性、客观性和准确性。ML模型的建立一方面可以通过大范围筛查，快速发现高风险疾病患者，尽早引起医务人员和其他相关人员的警觉；另一方面还可通过减少实验室、影像学检查等项目有效压缩诊断时间，

图1 ML构建模型的一般过程与难点

从而降低治疗的等待时间。虽然ML在麻醉领域的相关研究已取得了较大进展，但仍存在不足(图1):(1)若未找到科学的临床问题，那么一味使用ML进行研究并非有益。如果不能梳理出混杂因素，确保数据正确，并理解观察结局和数据收集背后的临床问题，那么所得出的结论可能会产生误导性。(2)若存在高可变性、数据有限、数据质量差、患者群体代表性不足或错误的试验设计，可导致系统性偏倚。(3)现有ML分类指标形式多样，内容繁杂，缺少清晰明确的分类依据以及系统化和规则化的应用效果分析。(4)基于多模态的分类模型，在融合多元信息过程中混杂了更多与预测和诊断关联程度不高的信息，随着无关变量数量的增加，噪声体积变大，导致ML算法的预测性能降低，对预测和诊断疾病准确性有一定干扰[37,38]。(5)现有研究仍停留在模型构建的理论阶段，模型应用到实践中还需要慎重思考以下几个问题：一是研究样本对总体的代表性，二是模型的适用性和泛化性，三是算法的准确性和稳定性有待改善，四是模型可解释性不足，五是麻醉领域模型的认可度仍需提高。ML模型能否得到真实有效的数据，预先设定的训练数据是否能完全覆盖使用对象，评估结果如何解释，评估结果如何应用于后续治疗，这些也是后续应该关注的问题。

虽然ML尚有诸多不足之处，但需坚信AI/ML在临床试验操作和临床试验数据分析方面具有变革性的影响。因此，就像过去的许多其他技术工具一样，ML可以极大地改变我们的研究方式。在不久的将来，AI衍生的应用很可能会帮助麻醉科医师腾出更多的时间来进行医学研究。

6、小结

ML在麻醉相关不良结局预测、麻醉深度监测以及术后并发症预测等方面展现出巨大潜力，ML技术的发展和普及有望在麻醉管理中发挥重要作用。然而，ML在麻醉领域的应用还存在诸多挑战。研究样本的代表性、模型的适用性和泛化性、算法的准确性和稳定性、模型的可解释性以及在麻醉领域的认可度等方面仍需进一步优化和提升。随着ML技术的不断进步，越来越多的ML技术将可能应用于麻醉管理，有利于患者的病情评估和精准麻醉的实施，最终改善患者的临床预后。

文章来源:胡小义,王迪,纪木火,等.机器学习在麻醉学领域的应用前景[J].临床麻醉学杂志,2024,40(06):634-638.