人工智能臨床決策支持系統(tǒng)在麻醉學(xué)領(lǐng)域的應(yīng)用

丁 宇 魏 祥 張依爵 袁紅斌 傅海龍

臨床決策支持系統(tǒng)(clinical decision support system, CDSS)是指輔助臨床決策的計(jì)算機(jī)軟件系統(tǒng)[1]。CDSS可收集患者數(shù)據(jù),結(jié)合相關(guān)醫(yī)學(xué)知識和相應(yīng)算法,給出診療方案,從而為醫(yī)護(hù)人員進(jìn)行臨床決策提供輔助與支持。20世紀(jì)50年代,Ledley等[2]首次提出了CDSS的概念。近年來,隨著電子病歷(electronic medical record, EMR)系統(tǒng)和人工智能(artificial intelligence, AI)的迅猛發(fā)展,CDSS逐步成為AI在醫(yī)療領(lǐng)域的一項(xiàng)重要實(shí)踐應(yīng)用。機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)算法和決策樹等AI技術(shù)與傳統(tǒng)的CDSS相結(jié)合,使系統(tǒng)可以將紛繁雜亂的患者信息迅速轉(zhuǎn)換為簡潔有序的數(shù)據(jù)資料并進(jìn)行分析,從而為臨床決策提供支持。目前,基于AI的CDSS已應(yīng)用于創(chuàng)傷外科[3]、普通外科[4]、神經(jīng)外科[5]和兒科[6]等領(lǐng)域,并取得了較好的臨床效果。

在麻醉學(xué)領(lǐng)域,麻醉科醫(yī)師在日常工作中往往需要同時執(zhí)行多項(xiàng)任務(wù),如使用麻醉藥物、進(jìn)行麻醉記錄、維持患者正常生理參數(shù)和液體平衡等,這使得麻醉科醫(yī)師需要從多個設(shè)備中獲取信息并快速進(jìn)行決策和干預(yù),這客觀上增加了麻醉科醫(yī)師工作中意外和疏忽的發(fā)生風(fēng)險(xiǎn)。同時,由于麻醉管理的復(fù)雜性、患者狀態(tài)變化的動態(tài)性和手術(shù)方式的多樣性,麻醉科醫(yī)師在臨床工作中難以完全嚴(yán)格遵循指南。針對上述情況,研究人員開發(fā)出可用于麻醉學(xué)領(lǐng)域的CDSS,這類CDSS可獲取患者圍手術(shù)期數(shù)據(jù),并給出相關(guān)診療建議。前期已有研究結(jié)果表明,CDSS可以提高患者術(shù)前服用抗生素[7]和β受體阻滯劑[8]的依從性,減少吸入性麻醉劑的用量[9],以及輔助完成麻醉單記錄和麻醉計(jì)費(fèi)工作[10]等。隨著麻醉信息管理系統(tǒng)(anesthesia information management system, AIMS)和AI技術(shù)的發(fā)展,CDSS在麻醉學(xué)領(lǐng)域的應(yīng)用將更加廣泛,功能將更加完善。本文闡述了近年來基于AI的CDSS在麻醉學(xué)領(lǐng)域的研發(fā)和應(yīng)用情況,其功能主要包括術(shù)前評估及圍手術(shù)期不良事件預(yù)測、提供治療決策和輔助麻醉操作等,并就AI相關(guān)CDSS的未來發(fā)展進(jìn)行展望。

1 AI相關(guān)CDSS在麻醉學(xué)領(lǐng)域的主要功能

1.1 術(shù)前評估和圍手術(shù)期不良事件預(yù)測 早期的CDSS應(yīng)用于術(shù)前評估時僅局限于單一類別指標(biāo)的篩查。系統(tǒng)通過讀取EMR信息,可篩查、識別糖尿病[11]、急性肺損傷[12]等患者,一定程度上減少了麻醉科醫(yī)師術(shù)前審閱患者病歷資料的工作量。2018年,Wax等[13]研發(fā)了一種可篩選多個關(guān)鍵事件的CDSS,該系統(tǒng)可通過讀取患者EMR資料,包括既往手術(shù)和麻醉記錄,從中篩查出關(guān)鍵事件,如麻醉操作困難、搶救用藥、圍手術(shù)期不良事件等,在患者再次進(jìn)行手術(shù)時該系統(tǒng)可向麻醉科醫(yī)師提供預(yù)警。

CDSS逐步由簡單的病歷資料篩查向系統(tǒng)性的評估預(yù)測發(fā)展。傳統(tǒng)的術(shù)前評估方式如ASA分級、美國外科醫(yī)師學(xué)會國家外科手術(shù)質(zhì)量改進(jìn)計(jì)劃(national surgical quality improvement program, NSQIP)風(fēng)險(xiǎn)計(jì)算器,存在主觀性性強(qiáng)、患者信息收集錄入工作量大等缺點(diǎn)。基于AI的CDSS則利用AI算法自動讀取病歷數(shù)據(jù)并進(jìn)行分析,克服了上述傳統(tǒng)評估方式的缺點(diǎn),提高了術(shù)前評估的準(zhǔn)確性和效率。2019年,Bihorac等[14]研發(fā)了MySurgeryRisk系統(tǒng),該系統(tǒng)基于EMR記錄中現(xiàn)有的臨床數(shù)據(jù),計(jì)算出8類術(shù)后不良事件[急性腎損傷(acute kidney injure, AKI)、敗血癥、靜脈血栓栓塞癥、ICU停留時間>48 h、機(jī)械通氣時間>48 h、切口處并發(fā)癥、神經(jīng)系統(tǒng)并發(fā)癥和心血管系統(tǒng)并發(fā)癥]的概率風(fēng)險(xiǎn)得分,并預(yù)測術(shù)后24個月內(nèi)患者的死亡風(fēng)險(xiǎn);經(jīng)驗(yàn)證,該系統(tǒng)預(yù)測術(shù)后并發(fā)癥的AUC為0.82～0.94,預(yù)測術(shù)后1、3、6、12和24個月的患者死亡風(fēng)險(xiǎn)的AUC為0.77～0.83,該系統(tǒng)在其他數(shù)據(jù)集中也被證明具有穩(wěn)定的預(yù)測性能[15]。MySurgeryRisk系統(tǒng)操作簡便、易行,可自動讀取EMR數(shù)據(jù),無需臨床醫(yī)師手動輸入數(shù)據(jù)。此外,有學(xué)者已開發(fā)并驗(yàn)證了麻醉誘導(dǎo)后低血壓[16]和氣管插管困難[17]的AI預(yù)測模型,這些模型為進(jìn)一步完善CDSS的術(shù)前評估功能提供了數(shù)據(jù)基礎(chǔ)。

CDSS不僅可以用于術(shù)前評估,還能在整個圍手術(shù)期實(shí)時監(jiān)測和預(yù)測不良事件的發(fā)生風(fēng)險(xiǎn)。2010年,密歇根大學(xué)(University of Michigan)研究人員開發(fā)了AlertWatch系統(tǒng)[18],該CDSS已被美國FDA批準(zhǔn)使用。AlertWatch系統(tǒng)可提取患者歷史EMR數(shù)據(jù),如基本信息、實(shí)驗(yàn)室檢查結(jié)果等,并將其與手術(shù)中實(shí)時監(jiān)測獲取的各項(xiàng)生理數(shù)據(jù)結(jié)合,當(dāng)監(jiān)測中發(fā)現(xiàn)異常值時,系統(tǒng)的屏幕可通過不同顏色進(jìn)行標(biāo)記,提示并發(fā)出警報(bào)[19]。AlertWatch系統(tǒng)也已被整合入麻醉控制塔(anesthesiology control tower, ACT)系統(tǒng)中,高年資麻醉科醫(yī)師在總控制室可依托ACT系統(tǒng)遠(yuǎn)程監(jiān)控各個手術(shù)室中患者的情況[20]。2018年,Lundberg等[21]開發(fā)了“先知”系統(tǒng),該系統(tǒng)可通過機(jī)器學(xué)習(xí)的方法預(yù)測麻醉過程中低氧血癥的發(fā)生風(fēng)險(xiǎn)并實(shí)時分析風(fēng)險(xiǎn)因素,其優(yōu)點(diǎn)為可自動獲取數(shù)據(jù)、自我分析預(yù)測風(fēng)險(xiǎn),并發(fā)出實(shí)時警報(bào)。同年,Hatib等[22]開發(fā)了一款術(shù)中低血壓實(shí)時預(yù)測系統(tǒng),該系統(tǒng)將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用于動脈壓波形的分析,建立了可預(yù)測低血壓的算法;在低血壓發(fā)生前的15 min,該系統(tǒng)預(yù)測動脈低血壓的靈敏度和特異度分別為0.88(95%CI為0.85～0.90)和0.87(95%CI為0.85～0.90),該系統(tǒng)是一套即時而非靜態(tài)的預(yù)測系統(tǒng),預(yù)測指數(shù)與距離低血壓發(fā)生時間的遠(yuǎn)近保持高度一致性[22]。2019年,Adhikari等[23]對MySurgeryRisk系統(tǒng)進(jìn)行改良,利用術(shù)中實(shí)時監(jiān)測數(shù)據(jù)以預(yù)測術(shù)后AKI的發(fā)生風(fēng)險(xiǎn),提高了MySurgeryRisk系統(tǒng)預(yù)測術(shù)后AKI的靈敏度和特異度。在重癥監(jiān)護(hù)領(lǐng)域,Calvert等[24]于2016年開發(fā)了膿毒癥早期預(yù)警系統(tǒng)InSight,其僅應(yīng)用9項(xiàng)參數(shù)(收縮壓、脈壓差、心率、體溫、呼吸頻率、白細(xì)胞計(jì)數(shù)、pH值、血氧飽和度和年齡)就可在患者首次發(fā)生全身炎癥反應(yīng)綜合征(systemic inflammatory response syndrome,SIRS)前的3 h預(yù)測膿毒癥的發(fā)生;經(jīng)驗(yàn)證發(fā)現(xiàn),InSight預(yù)測膿毒癥的靈敏度為0.90(95%CI為0.89～0.91)、特異度為0.81(95%CI為0.80～0.82),可與現(xiàn)有生物標(biāo)志物檢測方法相媲美。有研究[25]結(jié)果表明,該系統(tǒng)在識別及預(yù)測嚴(yán)重膿毒癥和膿毒癥休克方面優(yōu)于現(xiàn)有的膿毒癥評分系統(tǒng)。

1.2 提供治療決策 AI相關(guān)CDSS可對麻醉過程中的重要操作步驟進(jìn)行提示,以避免麻醉科醫(yī)師遺忘或疏忽。2013年,有學(xué)者研發(fā)了一款名為SAM(Smart Anesthesia Manager)的CDSS,該系統(tǒng)除了有簡化麻醉計(jì)費(fèi)流程[10]、提高患者術(shù)前用藥的依從性[8]等功能之外,還可實(shí)時生成指導(dǎo)提醒,提醒麻醉科醫(yī)師定期進(jìn)行實(shí)驗(yàn)室項(xiàng)目(如血?dú)夥治觥⒀潜O(jiān)測等)檢查并給予藥物(如胰島素、肌肉松弛藥等)[26]。有研究[27]結(jié)果表明,該系統(tǒng)提高了麻醉科醫(yī)師在患者圍手術(shù)期的血糖管理水平。2017年,Kiatchai等[28]在SAM系統(tǒng)的基礎(chǔ)上開發(fā)出一款創(chuàng)傷性腦損傷CDSS,該系統(tǒng)同樣具備生成重要步驟指導(dǎo)提醒的功能,可用于接受緊急神經(jīng)外科手術(shù)的創(chuàng)傷性腦損傷患兒的麻醉管理。同年,Ehrenfeld等[11]也設(shè)計(jì)了一款血糖管理系統(tǒng),該系統(tǒng)可讀取患者病歷資料并自動篩選、識別糖尿病患者,針對這些患者,系統(tǒng)可向麻醉科醫(yī)師提供彈出提示,以進(jìn)行血糖測量和胰島素注射。使用該系統(tǒng)后,患者術(shù)中血糖監(jiān)測實(shí)現(xiàn)率從61.6%上升至87.3%,進(jìn)入麻醉恢復(fù)室時高血糖發(fā)生率從11.0%降至7.2%。

在實(shí)現(xiàn)定期指導(dǎo)提醒的基礎(chǔ)上,CDSS逐步向提供完整治療方案的方向發(fā)展。2018年,Komorowski等[29]開發(fā)了Artificial Intelligence Clinician系統(tǒng),該系統(tǒng)從大量膿毒癥患者數(shù)據(jù)中提取隱含信息,并通過分析治療決策來學(xué)習(xí)最佳治療策略。研究[29]顯示,該系統(tǒng)的使用可以改善膿毒癥患者的預(yù)后。輸血決策支持系統(tǒng)近年來在臨床工作中也有所應(yīng)用,Artificial Intelligence Clinician系統(tǒng)依托AI技術(shù),亦可進(jìn)行圍手術(shù)期輸血量預(yù)測和圍手術(shù)期輸血管理[30-32]。

此外,2019年Radhakrishnan等[33]利用Mamdani模型開發(fā)了一個咨詢模糊控制器用于確定呼吸機(jī)所需輸送的氧氣濃度,以將患者的血氧飽和度維持在所需水平;2022年,Zare等[34]研發(fā)了可用于解讀血?dú)夥治鼋Y(jié)果的數(shù)據(jù)集,其包含10類、313個數(shù)據(jù)元素。這些研究成果為AI相關(guān)CDSS解讀實(shí)驗(yàn)室檢查結(jié)果和自動設(shè)置麻醉參數(shù)奠定了理論和實(shí)踐基礎(chǔ)。

1.3 輔助臨床麻醉操作 CDSS可以識別重要解剖結(jié)構(gòu),輔助麻醉科醫(yī)師完成操作,提高操作成功率,減少并發(fā)癥發(fā)生。2014年,Philippona等[35]研發(fā)了NerveGPS系統(tǒng),該系統(tǒng)可在超聲圖像上自動識別神經(jīng),這為區(qū)域神經(jīng)阻滯的目標(biāo)神經(jīng)搜尋提供了便利。2018年,Alkhatib等[36]提出了一種超聲圖像中的全自動神經(jīng)跟蹤方法,結(jié)果表明該方法優(yōu)于其他描述符,如噪聲和過濾圖像。這些研究成果對于初學(xué)者學(xué)習(xí)、掌握區(qū)域神經(jīng)阻滯技術(shù)具有重要意義。同年,Pesteie等[37]開發(fā)出一款混合機(jī)器學(xué)習(xí)系統(tǒng),該系統(tǒng)可在脊柱超聲圖像中自動定位硬膜外穿刺針的針靶,并可自動識別超聲圖像中硬膜外間隙的解剖標(biāo)志;該系統(tǒng)的應(yīng)用有助于提高醫(yī)師硬膜外穿刺的成功率,減少患者并發(fā)癥的發(fā)生。 2020年,Matava等[38]利用機(jī)器學(xué)習(xí)技術(shù)開發(fā)了一種識別標(biāo)記系統(tǒng),該系統(tǒng)可在視頻喉鏡和支氣管鏡檢查期間實(shí)時監(jiān)測、分類并標(biāo)記聲帶和氣管解剖結(jié)構(gòu);此外,在纖維支氣管鏡氣管插管和檢查過程中,該系統(tǒng)可以檢測氣管環(huán)并確定位置方向,通過幫助操作者實(shí)時識別關(guān)鍵解剖結(jié)構(gòu),提高了其氣管插管成功率和氣道管理水平。2021年,Yoo等[39]開發(fā)的深度學(xué)習(xí)模型可在視頻支氣管鏡檢查時自動區(qū)分、識別氣管隆突和雙主支氣管的解剖位置,其識別能力不受支氣管鏡隨機(jī)旋轉(zhuǎn)的影響,可作為設(shè)計(jì)視頻支氣管鏡CDSS的基礎(chǔ)。

2 AI相關(guān)CDSS的未來展望

當(dāng)前,AI在麻醉學(xué)領(lǐng)域的應(yīng)用主要包含3個方面:藥物機(jī)器人自動給藥系統(tǒng)、麻醉技術(shù)機(jī)器人輔助操作系統(tǒng)和CDSS。相較于前兩者,AI相關(guān)CDSS起步較晚,也最具有挑戰(zhàn)性和發(fā)展?jié)摿40]。AI相關(guān)CDSS具有以下3個發(fā)展趨勢:①可解釋性增強(qiáng)。當(dāng)前AI存在不可解釋性,即黑盒問題,臨床醫(yī)師和工程師均無法解釋其背后的原理和機(jī)制,這極大地限制了AI相關(guān)CDSS的應(yīng)用。未來CDSS兼具機(jī)器學(xué)習(xí)的預(yù)測能力和傳統(tǒng)邏輯回歸的可解釋性,將成為術(shù)中決策支持的有力工具。系統(tǒng)可以幫助臨床醫(yī)師預(yù)測可能發(fā)生的不良事件及其風(fēng)險(xiǎn)因素,并根據(jù)術(shù)中監(jiān)測數(shù)據(jù)進(jìn)行實(shí)時更新,麻醉科醫(yī)師可根據(jù)系統(tǒng)提供的風(fēng)險(xiǎn)因素采取相應(yīng)的干預(yù)措施[41]。②自主性加強(qiáng)。區(qū)別于閉環(huán)系統(tǒng),目前的CDSS無法進(jìn)行自動反饋[42]。由單純的預(yù)測評估轉(zhuǎn)向“預(yù)測性治療”,是CDSS的發(fā)展方向。這有利于減輕麻醉科醫(yī)師的工作壓力、緩解麻醉科醫(yī)師短缺的問題。③兼容性提高。當(dāng)前部分CDSS存在與AI算法不兼容的情況[43],且多數(shù)系統(tǒng)開發(fā)后應(yīng)用時間較短,不同系統(tǒng)和不同醫(yī)院EMR系統(tǒng)之間也存在兼容性欠佳的情況,隨著信息技術(shù)的發(fā)展,系統(tǒng)兼容性的問題將得到解決。

綜上所述,盡管AI相關(guān)CDSS在麻醉學(xué)領(lǐng)域的研發(fā)和應(yīng)用起步較晚,但已顯現(xiàn)出了潛在的臨床應(yīng)用價(jià)值。CDSS在術(shù)前評估、圍手術(shù)期不良事件預(yù)測和操作干預(yù)等方面皆能夠發(fā)揮巨大的作用,從而提高麻醉管理水平,減輕麻醉科醫(yī)師工作壓力。在未來,隨著AI技術(shù)的不斷發(fā)展,更多功能完善的CDSS將應(yīng)用于臨床,為麻醉科醫(yī)師提供更加準(zhǔn)確、嚴(yán)謹(jǐn)?shù)臎Q策支持。