人工智能在包括麻醉学在内的各个领域皆取得快速进展，本文综述了人工智能与麻醉交叉的研究并总结了其在麻醉学中六个主要的应用：（1）麻醉深度的监测（2）麻醉控制系统（3）麻醉事件和风险预测（4）超声指导，（5）疼痛管理（6）手术室后勤。此外，对人工智能的几个主题进行了描述和总结：（1）机器学习（包括有监督、无监督和强化学习），（2）人工智能技术（如经典机器学习、神经网络和深度学习、贝叶斯方法），（3）人工智能的主要应用领域。本综述讨论了人工智能对麻醉科执业医师的启示，以及人工智能的局限性和临床医生在进一步发展人工智能在临床护理中的作用。人工智能在从围手术期支持到重症监护到门诊疼痛管理等方面都有可能对麻醉实践产生影响。
内容
人工智能技术已经应用于医学领域的各个方面。2018年4月，美国食品药品监督管理局批准了第一个用于临床的人工智能软件系统，该系统可通过分析眼底图像来帮助诊断糖尿病性视网膜玻随着人工智能技术在医学领域的发展和应用持续增长，对于各个领域的临床医生来说，了解这些技术是什么以及如何利用它们来提供更安全、更高效、更具成本效益的医疗护理是非常重要的。
由于麻醉学科涉及临床医疗的多个方面，包括围手术期和重症监护、疼痛管理、药物递送等，因此有可能从人工智能的进步中获益。我们对关于人工智能和麻醉学交叉研究的文献进行了回顾性分析，以总结在麻醉研究和麻醉临床实践中使用的人工智能技术。
材料与方法
使用“机器学习、人工智能、神经网络、麻醉学及麻醉”这些关键词检索1946年至2018年9月30日在Medline、Embase、Web-of-Science以及IEEE Xplore数据库中的论文。论文必须着重于人工智能算法在麻醉实践中的设计或应用，包括术前、术中、术后、外科重症监护以及疼痛管理。论文包括经过同行评审的已发表文献，包叙述性综述文件，以及经过同行评审的会议论文集，排除社论，致编辑的信和摘要以及涉及动物，少于10位患者或仅模拟数据的任何研究。
结果
通过数据库检索，共有2171个标题、1368个摘要符合筛选条件。其中有394篇文章被纳入评估，进行最终分析的有173篇。通过对173篇文章进行分析，我们确定以下几类研究主题：（1）麻醉深度的监测（2）麻醉控制系统（3）麻醉事件和风险预测，（4）超声指导（5）疼痛管理，（6）手术室后勤。在本综述中，我们主要讨论以下内容：机器学习和学习算法的类型、人工智能的主要主题人工智能技术，以及上文提到的六类人工智能技术在麻醉学中的应用。
人工智能中的机器学习与学习算法
人工智能有多种不同的分类方法，但通常将机器学习归为人工智能的主要类别之一。传统的计算机程序是用明确的指令编写的，以根据特定的输入从而输出某些行为（例如，文字处理程序的主要功能是显示用户输入的文本）。而机器学习使得程序从数据中学习并对数据做出反应。可通过机器学习进行分析的数据非常广泛，包括但不限于数字数据，图像，文本以及语音或声音。机器学习概念化的一种常见方法是用于解决问题的学习算法类型：监督学习、无监督学习和强化学习。
监督学习是一个任务驱动的过程，通过该过程可以训练算法来预测预先指定的输出，例如识别停车标志或识别照片中的猫。监督学习需要训练数据集和测试数据集。训练数据集允许机器分析和学习输入与所需输出之间的关联，而测试数据集允许评估算法在新数据上的性能。在许多研究中，一个大数据集通常被分为一个训练集和一个测试集（通常70%的数据用于训练，30%用于测试）。无监督学习是指识别数据集中的模式或结构的算法。这种方法对于找到特定的患者、药物或者对其他人群进行分类非常有帮助。强化学习是指要求一个算法尝试某项任务（例如，给病人实施吸入性麻醉，开车）并从其随后的错误和成功中学习的过程。强化学习的生物学类比是操作性条件反射，经典的例子是一只老鼠被教导通过食物奖励来推动杠杆。然而，如今的强化学习问题更为复杂。例如，Padmanabhan等人利用强化学习开发了一种麻醉控制器，该控制器利用来自患者的双频谱指数（BIS）和MAP的反馈来控制异丙酚的输注速率（在模拟患者模型中）。在这种情况下，在设置的范围内实现BIS和MAP值将导致对算法的奖励，而范围外的值将导致错误，从而提示算法执行进一步的微调。
机器学习问题通常分为需要分类的问题（将数据划分为离散组）和需要回归的问题（建模数据以更好地理解两个或更多具有预测潜力的连续变量之间的关系）。分类的一个常见例子是图像识别（例如，识别猫和狗），而回归的一个常见例子是预测（例如，根据现有的平方英尺数据预测房价）。监督，无监督和强化学习方法都可以用来解决分类和回归问题，具体取决于问题的性质和可用数据的类型。
人工智能技术
在上述三种机器学习方法中，每种方法都有不同的技术和模型。尽管对机器学习中使用的具体方法和算法的详细描述不在本文的讨论范围内，但是有必要了解人工智能研究中常用技术的基本概念。
模糊逻辑 模糊集理论和模糊逻辑最早于1965年提出。尽管模糊逻辑本身并不一定是人工智能，但它已经被用于其他框架中，以促进基于人工智能功能的发展。标准逻辑只允许真（数值为1.0）和假（数值为0.0）的概念，而模糊逻辑允许部分真（数值介于0.0和1.0之间）。它的目的是用模糊或不精确的信息来模拟人类的决策方法。
经典的机器学习 机器学习使用数据中的特征或属性来执行其任务。与统计分析中的一个例子类似，特征类似于逻辑回归中的自变量。在经典的机器学习中，特征由专家选择（通常称为手工制作），以帮助指导算法分析复杂数据。
神经网络与深度学习 目前在机器学习中最流行的工作方法之一是使用神经网络。神经网络受生物神经系统的启发，每个网络由一个神经元输入层组成，该输入层由描述数据的特征组成，至少一个神经元隐藏层对输入特征进行不同的数学转换，以及产生结果的输出层（图4）。在每一层之间是神经元之间的多个连接，这些神经元根据输入输出映射被参数化为不同的权重。因此，神经网络是一个框架，在这个框架内，不同的机器学习算法可以实现特定的任务（如图像识别、数据分类）。
贝叶斯方法 贝叶斯定理提供了一个事件概率的描述，它基于先前的知识或关于可能影响事件的因素的数据。在医学文献中的许多研究中，采用了一种频率统计方法，其中假设检验是根据给定数据样本中发生事件的频率进行的，作为研究人群的代表。贝叶斯方法的不同之处在于使用已知的事件先前的概率分布以及给定数据集中表示的概率分布。
人工智能的应用
与麻醉学相关的其他两个主题是自然语言处理和计算机视觉。
自然语言处理 自然语言处理是人工智能的一个分支，它关注于人类语言的机器理解。在自然语言处理出现之前，计算机仅限于阅读机器语言或代码（例如，C++、java、Visual Basic）。借助自然语言处理，机器可以努力理解人类自然使用的语言。在医学中，自然语言处理最自然的应用是自动分析电子健康记录数据。尽管电子健康记录的发展已经将大量的文档转移到复选框、下拉菜单和预填充字段中，但是自由文本输入仍然是临床医生文档记录的一个重要组成部分，它允许临床医生相互交流，不仅记录重要的发现，还记录思想医疗决策背后的过程。自然语言处理目前正被用于帮助从自由文本字段中提取信息，以构建更结构化的数据库，这些数据库可以进一步分析，以确定手术候选者、评估不良事件或方便计费。
计算机视觉 随着对自动驾驶汽车的日益关注，计算机视觉已成为人工智能最广泛认可的子类别之一。计算机视觉是指计算机对图像，视频和其他视觉数据（例如计算机断层扫描）的理解。图像的自动采集，处理和分析是计算机视觉过程的一部分，颜色，形状，纹理，轮廓和焦点只是计算机视觉系统可以检测和分析的一些不同元素。虽然物体检测和识别已在平面印刷机中得到普及，但计算机视觉包含的工作领域包括以数字或符号形式描述视觉世界的研究，以便能够对图像进行解释，以便进行后续处理。
在医学上，计算机视觉在病理学和放射学中的应用已导致系统能够通过识别载玻片和X射线上显示出患病可能性很高的区域来帮助临床医生降低诊断中的错误率。此外，计算机视觉已被用于自动识别和分割腹腔镜手术的步骤，这表明使用计算机视觉系统可以实现情境感知。在麻醉学中，计算机视觉已广泛应用于超声图像的自动分析，以帮助在手术过程中识别特定的组织。
人工智能在麻醉学中的应用
麻醉深度的监测 共搜索到42篇应用人工智能提高麻醉深度监测的论文。这些论文大多集中在使用BIS或脑电图来评估麻醉深度。有效的麻醉深度监测可降低术中知晓的发生率。此外，文献中多数研对平均动脉压（MAP）进行了监测，这可能与低MAP与术后死亡率相关。
机器学习方法非常适合于分析复杂的数据流，如脑电图；因此，人们发现一系列基于脑电图的信号用来测量麻醉深度。1990年代初的文献描述了使用神经网络评估脑电图功率谱作为区分清醒患者和麻醉患者的信号，并确定了特定频段在评估某些药物疗效方面的潜力。
近年来，越来越多的文献采用人工智能技术和频谱分析技术对脑电信号进行更直接的分析，以评估麻醉深度。Mirsadeghi等人研究了25名患者，并比较了机器学习方法分析脑电信号直接特征（例如，不同波段的功率[δ、θ、α、β和γ]、总功率、纺锤体评分、熵等）的准确性，以确定清醒患者与BIS值的区别。结果发现，使用脑电图特征的准确率为88.4%，而BIS指数的准确率为84.2%。同样，Shalbaf等人在七氟醚麻醉期间使用脑电图的多个特征来区分清醒和麻醉患者（作为四种可能的清醒、轻度、全身或深部麻醉状态），采用BIS值的准确率为92.91%，而采用熵指数比较，准确率为77.5%。这些论文表明，人工智能技术在创建模型时能够有效地将线性和非线性数据结合起来，以达到最准确的预测。
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。
编译：魏恺，罗猛强
述评：邓萌
（公益支持 仅供医学专业人士参考）
