人工智能技术在围手术期目标血压调控应用领域的研究进展

丁 宇 贾 慧 袁红斌 傅海龙

血压是围手术期需要监测的重要生命体征之一。临床工作中常用的血压测量方法主要为无创间断测量、无创连续测量和有创连续动脉血压监测。麻醉时的血压可反映患者的容量、应激状态,其亦可在病理状态下(如各类休克时)出现剧烈波动。血压值与组织器官的灌注程度密切相关,并可能影响患者预后。因此,围手术期血压管理的优劣是衡量麻醉质量的重要指标之一。为提高围手术期安全性,目标血压调控的概念应运而生。研究[1]显示,术中低血压(intraoperative hypotension, IOH)在非心脏手术期中较常见,且与严重的肾脏、脑和心血管不良事件的发生密切关联。一项收集近20 000例患者资料的随机临床研究[2]结果表明,术中持续性存在的低平均动脉压(mean artery pressure, MAP)和低脑电双频指数(bispectral index, BIS)的累积时间与患者术后死亡率相关;术中“双低”累积时间超过60 min的患者术后90 d的死亡风险增高1倍。与此同时,术中过高的血压同样会带来风险。2019年的一项研究[3]结果表明,对于成人心脏手术患者,围手术期收缩压高于140 mmHg(1 mmHg=0.133 kPa)与术后30 d死亡率增高有关;而对于成人非心脏手术患者,虽然没有对术中血压控制的上限值提出明确的建议,但收缩压超过160 mmHg可能与心肌损害乃至心肌梗死的发生相关。因此,实施目标血压调控对提高围手术期安全性,降低患者不良事件发生率和死亡率具有重要意义。人工智能(artificial intelligence, AI)技术的出现为高质量目标血压调控的实现带来了希望。AI是通过计算机“深度学习”以解决各类问题的一种先进技术[4]。本文就AI技术在目标血压调控中的应用优势及其研究进展进行综述。

1 AI技术在目标血压调控中的应用优势

目前,围手术期血压控制的目标范围主要依据患者的个体情况和手术需求决定。Salmasi等[5]建议在非心脏手术中将患者MAP维持在65 mmHg以上或将基础血压控制于±20%范围内,以减少IOH可能带来的术后心肌和肾损伤。美国心脏协会/美国卒中协会(American Heart Association/American Stroke Association, AHA/ASA)建议,存在脑卒中高危因素的患者术中MAP应维持在70 mmHg以上,以降低其围手术期脑卒中的发生风险[6]。《中国老年患者围手术期麻醉管理指导意见(2020版)(二)》[7]则推荐,为提高可能存在术后脏器损伤风险的老年患者围手术期的安全性,建议术中血压控制目标为收缩压在术前平静血压±10%范围内波动,MAP维持在65～95 mmHg; 或建议根据术前基线血压采用个体化血压控制目标,即对基础血压较高的非心脏手术患者,建议将血压保持在基础值的80%～110%,且收缩压<160 mmHg,而对脆弱脑功能患者推荐维持术中血压在基础值的100%～120%。然而,相对严格的血压调控目标所允许的血压波动范围极窄(例如±10%),麻醉科医师通过手动调节血压的方式达到上述目标具有较高的难度,尤其在一些长时程手术中则更加困难。目前,AI概念已逐步融入到人类社会的各个领域。在医学领域,AI技术也逐步展现出高效、快速、持久,以及可大量复制的巨大优势[8]。在血压调控中,AI技术可基于临床资料快速进行大数据的积累与分析,形成特定场景下血压波动的预测模型或参数指标,通过临床实践更新,完成模型和参数的验证与优化;进一步来说,AI可通过实时接收血压变化数据,通过设定模型或计算参数,根据设定目标实现药物闭环的实时自动血压调控;在后期,在AI助力下甚至可实现实时自动预测和血压调控。

2 AI技术在围手术期目标血压调控中的应用进展

现阶段AI在目标血压调控领域的应用仍处于起步阶段,其主要聚焦于3个方面,即低血压的术前评估、术中预测和围手术期血压的实时调控,并已初步展现出广阔的应用前景。

2.1 AI在术前预测围手术期低血压发生中的应用 目前,临床上用于预测麻醉诱导后低血压发生的方法较少,患者术前服用药物、麻醉诱导用药及各种并发症等都是麻醉诱导后低血压发生的相关因素,其复杂性导致麻醉科医师凭经验进行预测相对困难。AI可通过大数据分析,在术前预测围手术期低血压事件的发生率。2018年,Kendale等[9]通过机器学习的方法尝试预测麻醉诱导后低血压的发生率;该研究[9]纳入了13 323例12岁以上全身麻醉下行手术的患者资料,提取医院电子健康记录中年龄、性别、BMI、手术时间、ASA(即美国麻醉医师协会)分级等数据,目标结局为“诱导后低血压”,其定义为在记录全身麻醉诱导开始后10 min内,无创或有创动脉血压测量结果中任何一次MAP<55 mmHg。研究人员采用朴素贝叶斯、线性判别分析、神经网络和随机梯度增强等机器学习算法进行预测模型开发,并采用ROC曲线进行评估;结果显示,通过各种算法所获得的模型,其预测诱导后低血压发生的AUC均不低于0.63,其中随机梯度增强模型具有最佳的预测效能,其AUC为0.76(95%CI为0.75～0.77)。可见,AI能基于围手术期大数据分析,建立高效辨别的机器学习模型以预测麻醉诱导后低血压的发生风险,并且其可基于实际数据特征建立模型,在建模过程中自动改进、自我完善。该项技术的日趋成熟,必将为围手术期不良事件预测模式带来巨大变化。值得一提的是,IOH事件是一种术中常见现象。2020年,一项回顾性多中心观察性研究[10]评估了中至高风险(ASA分级Ⅲ或Ⅳ级)非心脏手术患者IOH的发生情况,该研究将IOH事件定义为MAP<65 mmHg持续时间至少1 min;结果显示,非心脏手术期间IOH事件发生率高达88%,平均持续时间为28.2 min。因此,对于发生率如此之高的事件来说,在辅助麻醉科医师进行术中的血压管理时,AI模型的实时预警显然较单纯的术前预测更有价值。

2.2 AI在实时预测术中血压变化中的应用 AI技术可用于创建预测血压变化新指标。2018年,Hatib等[11]依据某公司血流动力学大样本数据库,构建了基于高保真动脉压波形分析条件下预测低血压的机器学习算法,该算法从高保真动脉压波形中计算出的大量特征与即将发生的低血压事件的相关性进行预测分析,以ROC曲线评估其预测低血压发生的效能,通过实时自动获取特征数据,自我分析低血压发生风险,最终研发出了一种预测指标,即低血压预测指数(hypotension prediction index, HPI)。具体而言,该算法依托训练集和验证集两个数据源进行开发;其中训练集数据来自于美国重症监护医学信息数据库Ⅱ(medical information mart for intensive care Ⅱ,MIMIC Ⅱ)和爱德华生命科学数据库,训练集为回顾性队列,包括1 334例患者的记录信息,其中包含545 959 min的动脉波形记录和25 461次低血压事件数据;而验证集数据来自于美国加州大学欧文医学中心,验证集数据为前瞻性队列,包括204例患者的记录信息,其中包含有33 236 min的动脉波形记录和1 923次低血压事件数据。研究人员通过将动脉压波形拆分成5个期,结合临床常用的多种血流动力学参数,研发出HPI。HPI可结合实时动脉波形特征预测低血压发生风险,其范围为0～100,数值越大提示发生低血压的风险越高。

HPI需要搭载Acumen HPI软件才能提供监测和预警,目前该技术已逐步应用于临床工作中。Wijnberge等[12]通过随机对照试验,比较了择期非心脏手术术中使用HPI预警系统与标准麻醉管理对协助控制患者IOH程度和持续时间的影响,评估了HPI预警IOH的临床价值。该研究将纳入的68例接受择期非心脏手术的患者随机分为HPI组和标准管理组,HPI组在HPI>85时开始进行循环干预,标准管理组则采用常规监护条件下的标准干预管理;研究中的IOH事件的定义为MAP<65 mmHg并超过1 min;通过循环干预后MAP>65 mmHg持续时间达1 min以上认为IOH事件终止。研究的主要观察指标为IOH时间加权平均值,次要观察指标是高血压或低血压超过既定阈值的时间、次数和持续时间等。研究[12]结果显示,HPI组患者IOH时间加权平均值显著低于标准管理组(0.10 mmHg比0.44 mmHg,P<0.05),同时HPI组低血压发生率显著低于标准管理组,低血压持续时间亦显著短于标准管理组,提示使用HPI预警系统可减少IOH的发生。此外,也有研究[13]显示,HPI指导下的围手术期管理可及时探及血流动力学的不稳定,并缩短IOH的持续时间,发生时长由28 min缩短至12 min。然而,在实际应用中HPI也存在一定缺陷:HPI几乎不能提前预警突发事件导致的严重低血压,且尚无法顾及高血压患者、非血流动力学因素,以及在不同种族人群的动脉压波形中缺乏普适性[14]。Li等[15]通过系统评价评估了HPI预防非心脏手术IOH的效果,结果显示,HPI指导的术中血流动力学管理有助于降低患者IOH时间加权平均值、阈值下面积、发生率和持续时间,但由于研究纳入的文献较少,结果的可信度偏低,后期仍需进一步大样本量的临床试验予以验证。

Choe等[16]利用深度学习的方法对18 813例非心脏手术患者的动脉波形进行研究及建模,开发了STEP-OP系统,可在术中预测患者5 min内的低血压发生率;Jo等[17]则采用AI技术对脑电图和心电图波形信息进行分析、建模,通过脑电图、心电图、动脉血压波形三者组合进行低血压预测,其效能优于仅基于动脉血压波形的预测。未来在AI助力下,可能会研发出更多灵敏、高效的围手术期低血压预测新指标。

2.3 AI在围手术期血压实时监测和闭环调控中的应用 AI除了预测异常血压的发生,其最大的优势在于可实现血压监控下的反馈调控,即在原有的靶控输注(target-controlled infusion, TCI)基础上,由计算机接收血流动力学(血压和心率等)和麻醉深度监测指标,依据设定的麻醉深度和血压,自动调整输注泵内麻醉药和血管活性药的给药速率,实现目标血压的调控。2019年,日本光电研发了基于BIS指导下的麻醉深度监测静脉给药系统,于2021年投入临床应用,并于2022年发表了该系统的安全性评价研究[18]。这项研究纳入了55例患者,随机分为系统自动组和人工组。人工组采用麻醉科医师监护下的标准TCI模式行全凭静脉麻醉,术中BIS维持于35～55,采用4个成串刺激(train of four stimulation,TOF)监测肌肉松弛(简称肌松)情况;系统自动组则按照系统计算的给药曲线自动调控,但仍设置麻醉科医师预警。研究中的主要评价指标为镇静、镇痛、肌松3个要素都保持在设定目标范围内的时间比例;次要评价指标为手术开始至结束48 h内不良事件的发生率。结果显示,系统自动组在术中同时满足镇静、镇痛和肌松要求的时间比例显著高于人工组,提示自动给药系统的麻醉效果更佳,但在血压调控中未体现明显优势。Wang等[19]使用荟萃分析评估BIS麻醉深度监测下静脉给药系统的临床使用效果,结果显示,与标准麻醉管理方式相比,使用BIS监测下丙泊酚闭环TCI系统可减少丙泊酚用量,降低高血压、低血压,以及术后认知功能障碍等不良事件的发生率。然而,BIS监测下的给药系统的应用尚存在一些理论缺陷:①存在计算得出的药物效应室浓度与实际BIS间不相符合的矛盾;②应用研究中严重依赖获得稳定的TCI血药浓度和麻醉中的BIS值;③BIS主要体现镇静程度,但给药系统缺乏客观评价镇痛效果的指标。上述缺陷可能制约了其在临床目标血压调控中的应用。

近年来,国内研发了基于脑电小波算法的麻醉深度监测给药系统[20]。该系统建立患者麻醉深度实时监测,通过将监测电极置于患者额部眉间、双侧眉上方及双侧乳突位置,实时接收电极传输的患者脑电小波信号,获取、分析客观反映镇静和镇痛程度的小波指数(wavelet index, WLi)和镇痛指数(pain threshold index, PTi),记录和显示数值和变化趋势。系统根据实时监测的WLi、PTi、有创动脉血压和心率等数据,自动调控镇静和镇痛药物的输注速率。当患者血压低于设定的目标血压时,系统自动报警并给出处理建议,经麻醉科医师确认或自动按预设方案行血管活性药物干预,以实时辅助麻醉科医师维持患者目标麻醉深度及循环稳定。Wu等[21]采用WLi麻醉深度监测来预测小儿全身麻醉时血流动力学反应性,该前瞻性观察研究通过记录134例患儿在术中全凭静脉麻醉下的WLi和PTi数值,评估其与诱导插管和手术切皮刺激时血流动力学反应的相关性;结果显示,PTi与插管和切皮时的血流动力学反应密切相关,可用于预测术中相关血流动力学稳定性;WLi与插管和切皮时的血流动力学反应缺乏关联性。该研究[21]还发现,PTi作为一种客观反映镇痛效果的参数,更倾向于对伤害刺激做出反应,而WLi则在诱导麻醉时数值下降迅速,实时反映镇静效果。何士凤等[22]评估了基于脑电WLi的AI给药系统在腹腔镜结直肠手术患者中的临床应用效果,将52例腹腔镜结直肠癌根治术患者随机分为人工组和自动给药组,评价两组围手术期各类相关指标的差异。在调控血压方面,该研究以麻醉诱导前MAP为基线值,观察两组患者在诱导前、诱导后、切皮、手术开始1 h、手术结束5个时间点的心率、MAP、实时MAP与基线MAP血压差(ΔP);结果显示,自动给药组在切皮时的MAP显著高于人工组,手术开始1 h的心率、ΔP显著低于人工组;与人工组相比,自动给药组丙泊酚用量及干预调节次数显著减少,术中MAP<65 mmHg或收缩压<90 mmHg的持续时间占总手术时长的百分比显著降低,术中使用去甲肾上腺素的总剂量显著减少,术中 MAP 介于基线值±20%的持续时间占总手术时长的百分比显著增高(P<0.05),提示WLi麻醉深度监测下的智能给药模式在维持术中血压稳定方面较传统麻醉管理模式更具优势。但由于腹腔镜结直肠癌切除手术时间长、出血量多,且术中干扰因素多,同时该研究样本量较小,麻醉深度监测给药系统在维持围手术期血压稳定中的确切效果仍需要进一步的研究证实。

3 展 望

综上,AI技术在血压调控应用方面已显现出一定优势,未来可能为围手术期医学带来更多变化。随着目标血压调控和精准麻醉理念的提出,应用AI技术提高麻醉管理质量和保障围手术期安全是后续值得进一步研究的重点。