建立并验证一种新型多模态生理参数用于评估胸科手术麻醉深度

邱郁薇 韩 灿 刘梦豪 杨 阳 文耀锋 吴镜湘

传统麻醉科医师根据患者的生命体征来调整术中麻醉药物,这可能导致麻醉过深或过浅等不良事件的发生;而通过脑电图(electroencephalogram,EEG)、镇痛指数等单一参数监测患者麻醉深度的算法仍存在局限性和个体差异性,且易受到手术操作(如使用医用电刀)、心电信号、肌电信号的干扰[1-3]。目前仍缺乏相对准确且客观的多模态生理参数以同时判断术中伤害性刺激的程度和患者镇静水平,从而准确评估并实时调整患者术中麻醉深度,预防麻醉不良事件的发生。

人工智能的迅速发展促进了临床麻醉学由模糊麻醉向数字化麻醉转型,从标准导联监测、血压监测向融合的多模态生理参数监测转型。多模态生理参数,即原始心电信号、血压波形等来源参数,与脑电信号和外科脉搏容积指数(surgical pleth index,SPI)等参数相融合,结合临床医师定义的不同麻醉深度,进行深度特征学习,创建出适合术中麻醉深度评估的参数。尽管既往研究[4]结果表明,EEG结合多个生命体征可更准确地监测麻醉深度,然而多模态生理参数与单模态生理参数相比能否准确反映患者不同麻醉状态,能否被应用于临床决策仍需进一步验证。

本研究通过探索性的队列研究,建立了一种基于患者标准监测和脑电监测为基础的多模态生理参数,并比较其在评估胸科手术中患者麻醉深度状态的准确性。

1 对象与方法

1.1 研究对象 选择2022年10月—2023年2月于上海交通大学医学院附属胸科医院择期接受胸科手术的46例患者,年龄18～80岁,ASA分级 Ⅰ至Ⅲ级。排除标准:行紧急手术;严重心血管疾病;严重心律失常(定义为频发室性早搏二联律、心房颤动);雷诺综合征或外周血管病变影响脉搏血氧饱和度监测;痴呆等。本研究经医院伦理委员会审核并批准[KS(Y)21330],患者均自愿参加研究并签署知情同意书。

1.2 方法

1.2.1 多模态生理信号采集 患者术前均至少禁食8 h,禁饮2 h。入手术室后,使用麻醉监护仪(型号B850,美国GE公司)常规监测五导联心电图(electrocardiogram,ECG)、无创血压、脉搏血氧饱和度和SPI,局部麻醉下穿刺患者手术病变对侧桡动脉监测有创动脉压(以P1表示)。应用一次性无创脑电熵指数传感器(型号M1174413,中国深圳市美的连医疗电子股份有限公司)连接GE麻醉监护仪熵指数模块测定患者脑电波形及参数。应用icollect数据采集软件(型号5.0,美国GE公司)连接麻醉监护仪,4通道同时监测,采集并记录麻醉开始前患者清醒状态至麻醉苏醒期间的ECG、EEG(以Ent100表示)、P1和脉搏波形(以Pleth表示)。

1.2.2 麻醉方案 采用全凭静脉麻醉,依次静脉靶控输注丙泊酚4 μg/mL或甲苯磺酸瑞马唑仑0.3 mg/kg、舒芬太尼0.5 μg/kg、罗库溴铵0.9 mg/kg。麻醉诱导过程中,每5 s评估1次患者意识状态。待患者意识消失,改良警觉/镇静评分(MOAA/S评分)[5]为0分,肌肉松弛后进行双腔支气管导管插管。麻醉维持采用丙泊酚或甲苯磺酸瑞马唑仑联合瑞芬太尼持续静脉泵注,术中根据需要间断给予罗库溴铵维持肌肉松弛。待手术医师放置胸腔引流管、闭合胸膜后,减浅患者麻醉深度,直至手术结束,患者苏醒后拔除气管导管。

1.2.3 不同麻醉深度的专家评价 意识水平的专家评分(expert assessment of consciousness level,EACL)是指由经验丰富的麻醉科医师根据患者的一般情况、临床监测指标、手术刺激程度等结合自身经验评估全身麻醉患者的麻醉深度[6]。EACL是评估麻醉深度的重要参考标准[6]。EACL的取值范围为0～100,不同取值代表的意识状态与脑电双频指数(bispectral index, BIS)相关数值对应的意识状态基本一致。本研究改良了EACL,将其定义为镇静[状态熵(state entropy,SE)]、镇痛(SPI)和生命体征(血压和心率)为一体的综合评价体系,将EACL的具体数值转换为清醒、浅麻醉和适宜麻醉3种麻醉状态。清醒:MOAA/S评分为5分,SE≥90。适宜麻醉:MOAA/S评分为0分,SE为40～60,SPI≤50,血流动力学稳定,无明显的高血压和心动过速[有创动脉压收缩压≥160 mmHg(1 mmHg=0.133 kPa)、心率≥100次/min持续1 min]。参与EACL评价的麻醉科医师的工作年限为10～15年,职称均为主治及主治医师以上,均具有丰富的麻醉深度监测和SE、SPI等数据解读的经验。由2位麻醉科医师根据手术操作、患者生命体征、SE和SPI,结合自身经验分别评估患者麻醉状态,当2位医师意见分歧时,由更高年资的第3位麻醉科医师进行评估并给出决策。

1.2.5 深度神经网络模型 本研究建立的深度神经网络模型主要包括4个部分。①卷积神经网络(convolutional neural network,CNN),即首先将原始信号输入5个CNN块(Block1～Block5)的组合架构,以对信号进行平滑、滤波处理并初步提取时间、空间特征。每个CNN块均由3个卷积层后接激活函数(Relu)组成,其中前2层卷积的卷积核大小为3(2个Conv3),步长为1,最后1层卷积的卷积核大小为24(Conv24),步长为4,以减小特征维度并增大感受野。3层卷积均保持输入和输出的通道数不变,每个Block的最后是概率为0.2的随机丢失(Dropout)层,以降低深度模型的过拟合风险。整个CNN部分可在时域上对信号进行平滑和滤波处理,同时能促进多个通道(即不同模态)之间信息的初步融合和对齐。②循环神经网络(recurrent neural network,RNN)生理信号的本质是时间序列信号,因此提取其时序信息至关重要。本研究的算法采用RNN结构的变体双向长短期记忆网络(bidirectional long short-term memory,BiLSTM)网络提取信号中的时序特征。③注意力(Attention)模块采用Attention机制,聚合BiLSTM网络输出多个时间步的信息(hi)得到最终的特征表示。Attention机制可通过调节权重,从而动态、高效地融合更有价值的信息。④全连接层(fully connected layers,FC)对提取的特征表示进行分类,并输出结果,即清醒、浅麻醉或适宜麻醉。见图1。

注:每个Block均包括2个Conv3、1个Conv24、3个Relu和1个Dropout

1.3 观察指标 收集所有患者的一般资料(性别、年龄、BMI、ASA分级)、手术情况(手术类别、手术时间、麻醉时间、术中麻醉用药)、术后苏醒时间、拔除气管导管时间。

2 结 果

2.1 一般资料和手术情况 2例患者手术因故取消,1例患者麻醉诱导后出现严重过敏反应,2例患者发生术中心房颤动,2例患者脉搏氧饱和度波形和数字显示不佳,最终纳入39例患者。其中男19例、女20例,年龄(59±10)岁,BMI为(22.99±3.31) kg/m2。ASA分级Ⅰ或Ⅱ级33例(84.6%),ASA分级Ⅲ级6例(15.4%);36例(92.3%)患者接受肺部手术,2例(5.1%)患者接受食管手术,1例(2.6%)患者接受纵隔手术。手术时间为(71.5±10.5) min,麻醉时间为(90.5±12.4) min。术中麻醉用药用量:舒芬太尼(35.0±5.2) μg,丙泊酚(639.6±62.2) mg,罗库溴铵(70.2±15.4) mg,甲苯磺酸瑞马唑仑(142.5±23.4) mg。患者术后苏醒时间(12.4±3.5) min,拔除气管导管时间为(15.4±4.4) min。所有患者均未发生术中知晓。

2.2 多模态生理参数模型算法测试的结果 去除无效数据和伪差后,共分析了39例患者的23 000个完整数据集,其中清醒状态、浅麻醉状态和适宜麻醉状态各300、600、3 000个数据集用于测试,其他均作为训练集。本研究针对多模态融合算法模型做了相应的单模态消融实验。单模态数据的输入通道维度由4变为1,并对上述多模态融合算法框架做相应修改(卷积层的滤波器通道数和数量、FC的维度)以适用输入维度的变化,单模态生理参数算法整体结构与图1多模态融合模型保持一致。ECG、EEG、P1和Pleth单模态生理参数的算法测试结果中,网络不收敛,训练loss均为1.092,无法提取出对麻醉评估有用的决策信息,而是单纯根据经验风险最小原则将所有类别识别为最多的类别数;而多模态生理参数的模型可以初步对麻醉状态做出评估,其正确麻醉分类样本数量为2 874个,准确率为73.7%。见表1。

表1 多模态生理参数与单模态生理参数算法测试的结果

3 讨 论

本研究提出了一种基于ECG波形、脑电波形、P1波形和Pleth为基础所衍生的多模态生理参数监测不同麻醉深度的方法,结果表明多模态生理参数与单模态生理参数相比,能更好地评估胸科手术中患者的麻醉深度,其准确率可达73.7%。多模态生理参数可以在一定程度上准确评估清醒、浅麻醉和适宜麻醉这3种临床常见的麻醉状态。

适宜麻杂志可直接使用缩写的常用词醉反映了个体化为导向的麻醉策略,是基于镇静深度、最佳镇痛平衡为一体的综合麻醉监测及管理策略。准确的综合麻醉监测对实现适宜麻醉至关重要。尽管AI的发展促进了麻醉深度监测的进步,然而既往大多数的研究基于EEG衍生特征和机器学习算法监测麻醉深度[7-10],少有研究探索多模态生理参数监测不同临床麻醉深度的准确性,且选择何种的生理参数进行多模态融合尚无定论。Schneider等[11]在2014年发现,在标准监测的基础上(包括心率、无创血压、脉搏氧饱和度、呼气末二氧化碳分压、呼气末吸入麻醉药物浓度等)联合BIS所衍生出的麻醉多模态镇静指数,可以较BIS或标准监测更准确地预测患者从轻度镇静到深麻醉的不同麻醉阶段;近期的一项研究[12]显示,不使用EEG,而是基于心率、平均动脉压、呼吸频率和吸入七氟烷药物浓度的多模态生理参数,预测麻醉深度的准确率可以达到82%。由于本研究中采用全凭静脉麻醉的给药方式,因此未将吸入麻醉药的呼气末药物浓度列入评价参数体系。本研究采用的多模态生理参数同时涵盖了镇静、镇痛和生命体征监测,以麻醉的标准监测即ECG、P1和Pleth为基础,与EEG和SPI相结合。EEG在反映镇静深度上有一定优势,但无法有效区分伤害性刺激和其他生理参数(如血流动力学参数的波动),且易受到患者年龄、性别、低体温、使用镇静药物种类的影响;Pleth衍生的SPI更侧重于反映术中伤害性刺激的程度,但易受多种因素影响,如血管活性药物、心血管功能状态、探头部位的灌注、体位、清醒等;将脑电SE、SPI与患者的ECG、P1及麻醉科医师的经验相结合,可以更有效地综合反映镇静、镇痛水平;并且在本研究中所获取的各个不同生理参数,并非来源于具体数字,而是来源于多通道生理参数的原始波形,能够更好地还原患者围手术期的麻醉基本信息。未来,本研究团队产生的综合监测体系也可克服上述脑电参数等国外专利的局限,研发出适合国人特点的综合麻醉监测体系。

本研究通过综合评价所衍生的多模态生理参数可以较准确地区分专家定义的清醒、浅麻醉和适宜麻醉3种状态,但与其他研究[13-14]不同的是,本研究的算法测试中并未发现熵指数传感器所产生的脑电波形能够区分专家评价的不同麻醉深度。分析其可能的原因:本研究定义的专家评价的麻醉深度同时涵盖了镇静深度和镇痛深度的综合概念,而既往研究主要评价的是意识消失或恢复为基础的不同镇静水平。尽管BIS或SE等脑电衍生参数可以区分镇静深度,但对外科创伤所引起的血流动力学波动或伤害/抗伤害刺激强度无法准确评估[15];其次,本研究采用真实世界的麻醉给药方式,从麻醉给药开始到浅麻醉再到意识消失,时间较短,可能存在专家判断与时间标签记录者之间的时间延迟效应,尽管采用10 s一个单位分割时间序列样本,但仍可能影响短时效数据的判断[16]。

本研究建立了一种新的多模态生理参数并验证了其在胸科手术麻醉中评估患者不同麻醉深度的准确性。这项研究还存在一定局限:首先,本研究的样本量较小,且未校正患者的年龄、性别,尚需更大的样本量去进一步验证其准确性;其次,本研究选择的麻醉方式是全凭静脉麻醉,无法确定其在吸入麻醉深度监测中的有效性;另外,对于较短时效麻醉状态的区分还需进一步验证。总而言之,麻醉深度的最佳评价者仍是麻醉科医师,结合围手术期生理指标和脑电所建立的深度学习后的多模态参数,仍需反复验证才能使其准确反映专家评价的麻醉深度。