新算法显示在全身麻醉下测量无意识的准确性和可靠性
麻醉药物作用于大脑，但大多数麻醉师依靠心率、呼吸频率和运动来推断手术患者是否保持无意识到所需程度。在一项新研究中，麻省理工学院和马萨诸塞州总医院的一个研究小组表明，一种直接的人工智能方法，与所使用的麻醉剂类型相适应，可以产生基于大脑活动评估患者无意识的算法，具有高精度和可靠性。
“麻醉师最关心的一件事是‘我面前躺着一个可能有意识而我没有意识到的人吗?’” 能够在手术期间可靠地保持患者的无意识状态是我们所做工作的基础，”资深作者 Emery N. Brown 说，他是皮考尔学习与记忆研究所和麻省理工学院医学工程与科学研究所的 Edward Hood Taplin 教授，以及 MGH 的麻醉师。“这是向前迈出的重要一步。”
布朗补充说，新算法不仅提供了一个良好的无意识读数，还提供了允许麻醉师将其维持在所需水平的潜力，同时使用的药物比他们依赖不那么直接、准确和可靠的指标时可能使用的药物少。这可以改善患者的术后结果，例如谵妄。
“我们可能总是不得不有点‘过火’，”同时也是哈佛医学院教授的布朗说。“但我们能否以足够的准确性做到这一点，以便我们不会给人们提供超过需要的剂量?”
例如，用于驱动输液泵的算法可以帮助麻醉师精确控制药物输送，以优化患者的状态和他们正在接受的剂量。
人工智能，真实世界的测试
为了开发这项技术，博士后 John Abel 和 Marcus Badgeley 领导了 这项研究，发表在 PLOS ONE 上， 他们在一个非凡的数据集上训练机器学习算法 实验室在 2013 年聚集。在该研究中，10 名 20 多岁的健康志愿者接受了常用药物丙泊酚的麻醉。由于使用计算机控制的给药有条不紊地增加剂量，因此要求志愿者对一个简单的要求做出回应，直到他们不能再做为止。然后当他们随着剂量的减少而恢复知觉时，他们又能够做出反应了。一直以来，通过脑电图 (EEG) 电极记录反映其大脑活动的神经节律，在测量的大脑活动和表现出的无意识之间提供直接、实时的联系。
在这项新工作中，Abel、Badgeley 和团队根据不同的基础统计方法，对来自 7 名志愿者的超过 33,000 个 2 秒长的 EEG 记录片段进行了训练。通过这种方式，算法可以“学习”在丙泊酚下预测意识和无意识的脑电图读数之间的差异。然后研究人员以三种方式测试了算法。
首先，当应用于 2013 年研究的其他三名志愿者记录的 EEG 活动时，他们检查了他们的三个最有前途的算法是否准确预测了无意识。他们做到了。
然后，他们使用算法分析了 27 名接受异丙酚进行全身麻醉的真实手术患者的脑电图记录。尽管这些算法现在被应用于从“嘈杂”的现实手术环境中收集的数据，其中节律也用不同的设备测量，但算法仍然比其他研究显示的更准确地区分无意识。作者甚至强调了一个案例，其中算法能够在实际主治麻醉师之前几分钟检测到患者的无意识水平下降，这意味着如果在手术过程中使用它，它可以提供准确和有用的预警。
作为第三个测试，该团队将算法应用于 17 名接受七氟醚麻醉的手术患者的脑电图记录。虽然七氟醚与丙泊酚不同，它是吸入而不是输注，但它的作用方式相似，通过与相同关键类型脑细胞上的相同 GABA-A 受体结合。该团队的算法再次以较高的精度执行，但准确性有所降低，这表明他们对无意识进行分类的能力可靠地转移到了另一种以类似方式起作用的麻醉药物上。
作者说，在具有相同作用机制的不同药物中预测无意识的能力是关键。他们说，当前基于 EEG 的意识监测系统的主要缺陷之一是它们无法区分药物类别，即使不同类别的麻醉药物以非常不同的方式起作用，产生不同的 EEG 模式。他们也没有充分考虑大脑对麻醉反应的已知年龄差异。这些对其准确性的限制也限制了它们的临床应用。
在这项新研究中，虽然针对 20 多岁的人训练的算法很好地适用于平均年龄明显偏大且差异更大的手术患者队列，但作者承认他们希望训练算法专门用于儿童或老年人。他们还可以训练新算法，专门应用于具有不同作用机制的其他种类的药物。总而言之，一套训练有素且经过调整的算法可以提供高准确度，以考虑患者年龄和使用的药物。
Abel 说，该团队将问题定义为通过 EEG 预测特定类别药物的意识的方法使机器学习方法非常易于实施和扩展。
“这是一个概念证明，表明现在我们可以说让我们看看老年人口，或者让我们看看另一种药物，”他说。“如果您以正确的方式进行设置，这样做很简单。”
由此产生的算法甚至不需要计算。作者指出，对于给定的 2 秒脑电图数据，这些算法可以在不到十分之一秒的时间内准确预测意识，仅在标准 MacBook Pro 计算机上运行。
Brown 说，实验室已经在研究结果的基础上进一步完善算法。他说他还想将测试扩展到数百个案例，以进一步确认它们的性能，并确定团队采用的不同基础统计模型之间是否可能开始出现更广泛的区别。
标签：