论文部分内容阅读
背景和目的:精准监测麻醉深度(Depth of anesthesia,Do A)对预防全身麻醉患者术中知晓,维持适宜的麻醉深度,减少麻醉药用量及麻醉相关并发症,加速术后康复非常重要。随着精准医学和快速康复理念的发展,对麻醉深度监测提出了更高的要求,因此,探寻高精准度的麻醉深度监测新方法已成为近年的研究热点。目前,麻醉深度监测尚无评估的“金标准”。研究发现脑电(Electroencephalogram,EEG)信号能反映全身麻醉药对中枢神经系统的作用而准确监测意识状态改变。因此,基于EEG信号的麻醉深度监测仪成为麻醉深度监测的主流方法,但其监测的准确性和必要性仍存在争议,而我国麻醉医生对麻醉深度监测仪的使用、态度和监测需求尚不清楚。此外,国产品牌对比进口品牌麻醉深度监测仪的准确性尚不清楚。美国的脑电双频指数(Bispectral index,BIS)是目前临床使用范围广,准确性高,评估麻醉深度的常用参考标准,而麻醉深度指数(Depth of anesthesia index,Ai)是国内自主研发的麻醉深度指数,其监测麻醉深度的准确性尚缺乏研究。由于EEG信号易受到年龄和多种病理生理状态如低温、低血糖、缺氧等的影响及不同麻醉深度指数的专有算法各异导致目前的麻醉深度监测方法具有一定的局限性。此外,心电(Electrocardiogram,ECG)信号中的心率变异性(Heart rate variability,HRV)受中枢神经和自主神经系统共同调控,与麻醉药物作用和麻醉深度密切相关。因此,有必要深入研究EEG和ECG信号,探寻麻醉深度监测的新方法以进一步提高麻醉深度监测的准确性。人工智能(Artificial intelligence,AI)机器学习算法是近年麻醉深度监测研究的热点,但哪种人工智能算法监测麻醉深度更准确尚不清楚。人工神经网络(Artificial neural network,ANN)是一种模拟人类大脑神经网络结构的人工智能算法,而深度神经网络(Deep neural network,DNN)是一种高级的人工神经网络,具有更强的学习和预测能力。研究发现DNN可结合EEG或ECG信号特征监测麻醉深度,但监测的准确性还存在提升的空间。因此,本研究作为国家重点研发计划《基于物联网技术的围术期生命监测支持仪器的评价研究》中麻醉深度监测仪评价研究的核心内容,通过麻醉深度监测应用现状的调研以了解麻醉深度监测的不足,采用Ai指数与BIS准确性的对比研究以了解Ai指数与BIS准确性的差距,进而基于EEG或ECG信号特征结合DNN探索麻醉深度监测的新算法以提升麻醉深度监测的准确性。第一部分国内麻醉深度监测应用现状的调查研究方法:2020年7月~2020年9月,邀请临床麻醉医生参与在线调查,调研问卷通过微信调研表的形式发送。所有的调研问卷均匿名填写。采用分层分析、相关性分析、卡方检验方法分析临床麻醉医生对麻醉深度监测仪的使用、态度和需求。结果:本调查研究共收回4037份反馈问卷。对于麻醉深度监测仪的使用,仅有9.1%的麻醉医生常规使用;教学医院的麻醉医生使用麻醉深度监测仪的主要目的是预防术中知晓,而非教学医院的麻醉医生使用麻醉深度监测仪的主要目的是指导术中麻醉用药;而准确性有限、抗干扰能力较差、不能监测镇痛、监测及耗材不能收费或费用高是影响其临床使用的重要原因。对于麻醉深度监测仪的态度,67.3%的麻醉医生对国产和进口品牌的麻醉深度监测仪均认可;81.0%的麻醉医生最常用BIS麻醉深度监测仪;68.5%的麻醉医生认为目前准确性最高的麻醉深度指数是BIS。对于麻醉深度监测仪的需求,95.7%的麻醉医生认为需提升麻醉深度监测仪的准确性;86.3%的麻醉医生认为麻醉深度监测仪应适用于所有年龄的患者;80.4%的麻醉医生认为麻醉深度监测仪应具有镇痛监测;75.6%的麻醉医生认为麻醉深度监测仪应适用于所有的麻醉药物;65.0%的麻醉医生认为麻醉深度监测仪应整合脑电信号和生命体征监测;53.7%的麻醉医生认为先进的麻醉深度监测仪应具有人工智能。结论:麻醉深度监测仪的使用率有待提高,准确性有限等多种因素影响其使用。大部分麻醉医生对国产和进口品牌的麻醉深度监测仪均认可,对BIS的熟悉程度和认可度高。准确性是麻醉医生选择使用麻醉深度监测仪的重要指标和需求。具有人工智能的麻醉深度监测仪可能是未来麻醉深度监测研究的新方向。第二部分麻醉深度指数与脑电双频指数准确性的对比研究:一项前瞻性、多中心、随机对照临床研究方法:2020年9月~2021年1月,在陆军军医大学第二附属医院、四川大学华西医院等10家三甲医院招募并纳入择期腹腔镜胃肠手术患者145例。通过随机对照研究,以BIS作为参照标准,探讨Ai指数用于麻醉深度监测的准确性。结果:根据Bland-Altman一致性分析,Ai指数与BIS的差异均值为-0.1747,95%CI(-0.6660~0.3166),P=0.4857。根据戴明回归分析,Ai指数与BIS两种麻醉深度指数的戴明回归方程为:y=5.6387+0.9067x(y为BIS,x为Ai),斜率与截距均有统计学意义。通过ROC曲线分析,BIS监测意识状态的AUC为0.943,高于Ai指数的AUC0.941,两种指数的AUC无统计学差异(P=0.4705)。而Ai指数与BIS监测意识消失的最佳界值均为79.5,监测意识消失的AUC分别为0.953和0.965,有统计学差异(P=0.0013)。两种指数监测意识恢复的最佳界值分别为71.5和70.5,监测意识恢复的AUC分别为0.936和0.934,无统计学差异(P=0.5271)。结论:Ai指数与BIS的一致性较好,监测麻醉深度的准确性相似,均能准确监测全身麻醉患者的意识水平。第三部分基于脑电信号奇异谱分析结合深度神经网络监测麻醉深度的研究方法:2020年9月~2021年1月,基于麻醉深度监测仪对比研究中78例受试者的脑电数据,通过奇异谱分析提取α,β,θ,δ,β比率,频域和时域样本熵7个脑电特征作为深度神经网络的输入特征,以BIS作为深度神经网络的输出标准监测麻醉深度,同时对比深度神经网络与支持向量机监测麻醉深度的准确性。结果:通过奇异谱分析提取的EEG特征α,β,θ,δ,β比率,频域和时域样本熵与目标值BIS均存在相关关系,尤其是β比率和时域样本熵与BIS具有中度相关性,相关系数分别为0.58和0.62。与目标值BIS相比,深度神经网络监测值的均方误差明显小于支持向量机,差异具有统计学意义(Χ2=15.2,P=0.0012)。结论:奇异谱分析可用于α,β,θ,δ,β比率,时域和频域样本熵EEG特征的提取,DNN监测麻醉深度的准确性优于SVM。第四部分基于深度神经网络的心率变异性衍生特征监测不同麻醉状态的研究方法:2020年3月~2020年4月,在陆军军医大学第二附属医院招募并纳入23例择期腹腔镜手术患者,使用飞利浦监护仪采集受试者术中心电监测数据,通过原始心电数据的重采样及数据处理,提取高频,低频,高频与低频比和样本熵4种心率变异性的时频特征作为输入,以意识水平专家评分作为输出标准,基于4种心率变异性衍生特征结合DNN监测麻醉诱导、麻醉维持、麻醉苏醒三种麻醉状态,同时对比DNN与Logistic回归、决策树和支持向量机监测不同麻醉状态的准确性。结果:基于高频,低频,高频与低频比和样本熵4种心率变异性衍生特征结合四种机器学习算法监测麻醉状态的准确性分别为86.2%(Logistic回归),87.5%(支持向量机),87.2%(决策树)和90.1%(DNN)。DNN的准确性高于Logistic回归(P<0.05),支持向量机(P<0.05)和决策树(P<0.05)。结论:心率变异性衍生的高频,低频,高频与低频比和样本熵特征结合DNN可准确监测不同的麻醉状态,DNN的准确性高于Logistic回归,支持向量机和决策树。