古麻今醉网-神麻人智专栏于年正式创刊，我们的初衷是希望专栏能够为广大从事麻醉事业的同道们提供一个互相交流、共同学习的平台。大脑控制着人类特有的认知功能，也就赋予了神经外科麻醉应不断探索以求改善患者神经功能预后的特权与责任。麻醉方法（如唤醒麻醉）、麻醉技术（电生理监测等）也就随之得以实施、推广并更新进展；目前医疗健康领域的人工智能（Artificialintelligence，AI）应用研究正方兴未艾是近年来进展最为迅速的研究领域之一，集中了广泛的热点。为此我们的专栏聚焦于神经外科麻醉和人工智能两大领域，对这两大领域近年来的进展进行了广泛的追踪和报道，主要包括唤醒麻醉、合并神经系统疾病患者的围术期管理、脑功能监测及AI在医疗健康包括麻醉领域的运用进展等。1.唤醒麻醉神经外科手术切除颅脑功能区肿瘤的目标是在尽可能切除肿瘤的同时最大限度地保留患者原有的神经功能，因此术中常应用多种技术（包括神经电生理监测，术中导航等）以精确定位肿瘤位置，但即使最为先进的神经功能监测技术亦无法精确定位大脑的功能区域，尤其是语言功能中枢，为此唤醒麻醉成为保护患者神经功能的重要措施。Roni等[1]回顾性研究比较了颅脑运动相关区域肿瘤患者采用唤醒麻醉或全身麻醉下神经电生理监测这两种麻醉方式对患者预后的影响，结果表明与全身麻醉相比，唤醒麻醉在保留有患者运动功能方面虽没有优势，但能够显著缩短患者恢复运动功能的时间及住院天数；研究结果同时提示患者在全麻下实施皮层运动诱发电位时需要给予更大的刺激电流才能进行运动功能区定位及监测。唤醒麻醉主要分为两类：睡眠-唤醒-睡眠的麻醉模式AAA（Asleep–Awake-Asleep）、全程镇静的麻醉方式MAC（monitoredanesthesiacare），其中MAC是唤醒开颅术中常用的一种技术，完善的局麻镇痛和术中使用恰当的药物给予患者良好的镇静是该技术的两个重要基石。GoettelN等[2]前瞻性、随机、双盲研究比较了右旋美托咪定与丙泊酚-瑞芬太尼（P-R）为基础的技术在清醒幕上脑肿瘤切除术中的效果，结果提示两组的术中皮层定位质量和镇静效果方面相似，患者术中、术后心血管、神经或其他不良事件的发生率亦无明显差异，但P-R组呼吸系统不良事件的发生率明显高于右旋美托咪定组，然而该研究存在一定局限性，可能仍需要更大样本量以揭示组间的潜在差异。静脉应用镇静和镇痛药物的目的是最大程度上改善患者的舒适度，药物的选择一方面需考虑到有效性（良好的镇静镇痛效果，维持时间短从而有利于患者的恢复），另一方面要保证其安全性。丙泊酚联合瑞芬太尼的方案被许多医疗中心采用，这两个药物具有持续输注半衰期短，可控性好的特征。右美托咪定虽然在药代动力学上并不具有优势（其持续输注半衰期随着输注时间的延长，明显增加），但其药效学特征和它所特有的协同镇静的特性令其在唤醒开颅术中赢得了一席之地。因此，我们中心采用的是联合使用丙泊酚(TCI),瑞芬太尼（TCI）和右美托咪定的方案，在我们的方案中右美的定位仍是辅助用药，而非主要用药。2.合并神经系统疾病患者的围术期管理脑卒中在我国呈逐年上升趋势，提高其功能预后的关键在于尽早开通闭塞血管，恢复血流再灌注。由于静脉注射组织型纤溶酶原激活剂的时间使用局限性，在急性前循环缺血性脑卒中患者发病的符合标准时间以内，采用介入手段即血管内血栓清除术，清除脑循环中的血栓，成为一种更好的治疗方法。除了患者病情和手术治疗，影响预后的另一关键因素是再灌注前侧支灌注情况，良好的侧支灌注能够维持半暗带的存活,所以这期间麻醉方式的选择以及血压控制水平，显得尤为重要。SimonsenCZ等[3,4]开展了单中心前瞻性随机对照研究（GOLIATH研究）中共纳入名急性缺血性脑卒中前循环大血管闭塞的行血管内治疗的患者，旨在探讨全身麻醉和镇静这两种麻醉方式对急性缺血性脑卒中行血管内治疗梗塞灶体积变化及临床预后的影响，结果表明全身麻醉或者清醒镇静这两种不同的麻醉方法对患者梗塞灶的体积变化没有影响，也不改变患者术后90天预后，当血压控制在收缩压≥mmHg，平均动脉压≥70mmHg时，血压对于患者神经系统的预后没有影响。动脉瘤蛛网膜下腔出血（aneurysmalsubarachnoidhemorrhage,SAH）患者的死亡率和病残率仍居高不下，SAH能够导致脑血管自动调节功能受损，但患者的脑血管对动脉二氧化碳分压（PaCO2）的反应性仍保留甚至增强，因此，低碳酸血症可能引起脑血管收缩从而加重继发性脑缺血。AkkermansA等[5]探讨了术中MAP和ETCO2水平与动脉瘤蛛网膜下腔出血患者神经系统结局不良之间的关系，结果提示SAH患者行全麻下动脉瘤夹闭或血管内栓塞治疗时，按照指南标准化治疗管理，术中发生低碳酸血症、低血压或高血压与神经系统预后不良没有关联，但目前亦无证据提示在临床实践中无需将ETCO2和血压调控到目标范围。综上所述，无论是对于血管内治疗麻醉方式的选择，还是对于SAH术中ETCO2和MAP对短期和长期神经系统预后的影响，仍需未来开展更多大规模、多中心、前瞻性的研究进一步评估术中为急性缺血性脑卒中患者的预后和转归，评估术中ETCO2和MAP对患者短期和长期神经系统预后的影响。颅脑创伤（traumaticbraininjury,TBI）患者的临床预后除了取决于原发性脑损伤的严重程度之外，还包括兴奋性毒性和炎症反应所导致的继发性脑损伤。基于预防继发性脑损伤的TBI管理策略能够改善患者预后，而神经功能监测能够评估颅脑诸多方面的生理改变，指导治疗并避免或减少继发性损伤的发生。但迄今为止仍没有一项神经监测手段能够全面地反映TBI所产生的病理改变，目前主张通过多模式的神经功能监测以全面了解颅脑创伤后的生理病理改变及其对治疗的反应[6]，包括临床监测神经功能、颅内压及衍生指标、脑灌注压、经颅多普勒、脑氧饱和度、脑代谢和生化指标及脑电图，但目前多模式神经功能监测指导下的临床治疗尚缺乏临床证据；选择哪些指标组成多模式神经功能监测尚无定论。未来随着技术发展，或许可以将多个神经功能监测指标整合在一项技术或有创监测内。将TBI患者流行病学特征、影像学表现与多模式神经功能监测结合起来或许可能为患者个体化治疗提供益处。3.全身麻醉对脑电的影响与麻醉深度监测麻醉药物引起意识消失的功能性脑动力学与连接模式是近年来研究的热点之一。现有研究通过自发性脑电活动观察到全麻药物能够对大脑皮层连接产生持续性地影响，使额叶皮层与后区的连接中断进而导致意识消失。LiD[7]等通过分析接受全身麻醉的30名健康志愿者在全麻过程中、意识恢复和重建认知过程中脑电图数据，结果提示脑功能连接状态的监测对于监测大脑功能状态具有可行性，全麻患者即使在全身状况稳定且无手术等伤害性刺激的条件下，尽管异氟烷维持麻醉的手术水平稳定，大脑功能区的连接状态仍会随着时间的推移呈现动态且非随机的变动，脑功能连接具有空间光谱特异性和动态性，这种随时间变化的连接状态可能比任何单一模式更适合作为全身麻醉的标志或机制。HightDF等[8]回顾性分析探讨了与术中脑电图α波活动变化的相关因素并开发量化α功率的模型方法，结果表明全麻患者即使在全身状况稳定且无手术等伤害性刺激时，其大脑皮层的功能连接亦具有空间光谱特异性（α、β和δ波）和动态性，而EEG中的α波是术中伤害性刺激强度的重要指标。α波脱失的产生机制为未被抑制的伤害性刺激引起皮质系统去极化或迷走神经过度兴奋引发神经失同步。因此，EEG能够用于监测全麻术中伤害性刺激的强度指导麻醉医生更精确地使用阿片类药物。麻醉深度不足或麻醉过深都可能给患者带来不利影响（如术中知晓、苏醒延迟、术后谵妄和认知障碍），脑电图（EEG）可直接及时反应皮层功能，较脑电双频指数（BIS）在监测麻醉深度方面更为灵敏。随着AI在医学领域的应用，机器学习算法极大提高了EEG数据分析的效率和准确性，解决了人工分析耗时耗力且具有主观性的问题。FahyBG等[9]阐述了脑电监测的一般设计原则及脑电信号处理和分类的关键阶段、算法开发中用于最终导出代表麻醉状态指标的关键数学技术，同时讨论了脑电监测作为优化患者个体化治疗的工具在临床中的优势和局限性。麻醉深度监测的内容和价值随着临床麻醉学科和脑科学研究的不断深入也在不断地更新，其临床重要性也愈显突出。目前使用的麻醉深度监护仪均需依靠原始EEG信号推导出相应指数，基于高阶数学分析，采用复杂算法对原始脑电信号进行处理。随着对麻醉意识和相关终点机制的理解的提高，能够直接测量相关神经生物通路状态的监护仪可以为每个患者提供定制的麻醉方案，准确判断麻醉深度，以改善患者预后。近年临床麻醉学科研究的热点问题很多集中于围术期麻醉深度的精准调控和老年患者的术后认知功能。不必要的深麻醉状态可能导致术后苏醒延迟及术后并发症的增加，精准调控麻醉深度不仅能够维持术中血流动力学更加平稳，同时能够减少术后苏醒时间提高苏醒质量及改善预后。因此，精准调控围术期麻醉深度，进一步开发更为有效可靠的脑电监测指数，从而对患者进行个体化治疗有助于远期恢复。4.人工智能在医疗健康领域的运用随着数字化数据采集、机器学习算法以及计算机硬件设施的进步，AI相关的研究领域日益扩增，对人类生活的各方面产生了巨大影响。医疗健康领域属于其一，基于机器学习的医疗AI系统在临床诊断及治疗决策上被认为有潜力达到专家级水平。目前，自动化医学图像诊断可以说是最成功的医学AI应用领域[10]，包括放射科、眼科、皮肤科以及病理学图像的诊断。基于机器学习的医疗AI系统应用于放射学，如CT肺结节的检测、胸片诊断肺结核以及钼靶扫描进行乳腺肿块识别，已经达到专家级诊断准确度。同时，AI的深度神经网络理论，有望使大数据（如高通量基因组学数据、生物标记物模式特征、临床监测数据）在疾病预测、治疗效应、临床预后中发挥作用，为个体化精准医疗提供导向。例如，通过机器学习方法从基因表达、蛋白质丰度水平和DNA甲基化谱大数据中识别出与疾病状态、疾病亚型相关的分子模式，并获得预测疾病表型的组学特征，从而用于预测多种疾病的状态，包括癌症、传染病和唐氏综合症的风险。当然，医疗AI系统参与越来越多的医疗行为时，也必然带来社会、经济和法律新问题。如AI系统导致的医疗过失责任归属问题等。因此，未来AI技术的发展过程中需要同步制定符合医学实践的AI应用规范和法规，使AI在医疗健康领域的应用真正有助于医生，造福于患者。5.人工智能在麻醉领域的应用虽然每一种单独的机器学习方法可能有其自身的局限性，但我们不得不承认，机器学习算法较传统的统计学算法有着无可比拟的优势和发展前景，它只需通过实际数据特征建立模型，并在建模过程中自动学习改进并实现自身完善，这一技术的日趋成熟必将为医疗领域发展带来巨大的变革，目前亦已扩展至麻醉诸多领域，如KendaleS等[11]通过电子记录获取大量围术期健康数据，建立了一个高度辨别的机器学习模型来预测诱导后低血压，进而证实机器学习方法在术中预测分析的可行性。LeeHC等[12]通过对多万个数据进行深度学习，对丙泊酚联合瑞芬太尼的全凭静脉麻醉患者进行学习建模以预测BIS值，使机器能够像人类一样学习，得到更加稳定的BIS值，维持可靠的麻醉深度。LundbergSM等[13]使用机器学习的方法开发利用围术期的大数据以预测不良事件的发生并及时通知麻醉医生，对外科手术和麻醉监测带来积极影响。MendezJA等[14]研究设计一个基于模糊规则的自动输注系统，通过及时调整患者在全麻过程中药物所需剂量维持可靠的麻醉深度，从而将麻醉医生从部分常规事务中解放出来以更好地
转载请注明地址:
http://www.ohdqi.com/zcmbyf/13079.html
当前时间：