Volume 6, No. 1 • February 2023   Issue PDF

人工智能、患者安全以及实现麻醉学的五重目标

Jonathan M. Tan, MD, MPH, MBI, FASA；Maxime P. Cannesson, MD, PhD
Summary: 

人工智能在麻醉学和围手术期医学领域的应用正在以惊人的速度发展。在研究和发展与日俱增的背景之下，对于麻醉医师而言，将人工智能整合在患者照护和临床工作流程中即将变成现实。麻醉学和围手术期医学领域内的人工智能应用将成为一种工具，可用于改善快速变化且复杂的照护环境中的患者安全。在这篇短综述中，我们概述了作为新兴技术的人工智能，并为麻醉专业人士提供了一个实用框架，让他们了解人工智能与围手术期患者安全之间的重要关系。

麻醉 AR / VR

引言

作为一门专业学科，麻醉学在与改善患者安全相关的技术发展方面具有悠久的创新历史。不过，在过去 20 年里，技术发展的速度是前所未有的。这主要是因为数据和算力呈指数级增长，推动人工智能 (AI) 工具应用于围手术期环境。如今，在麻醉学和围手术期医学方面出现的新兴技术具有巨大的潜力，可进一步提高患者安全和照护质量。AI 的应用将通过帮助医生在复杂医疗照护系统中快速搜寻来自不同来源的数据，并有效地综合信息和做出更好、更明智的医疗决策，从而提高患者安全。1-3而且，还可以通过将 AI 整合到围手术期患者安全和质量领导者、患者安全科研人员和医疗照护系统领导者的工作流程中来改善患者安全。AI 在改善患者安全方面的作用已从其增强政策决断的能力扩展至大规模识别、评估和减轻患者安全威胁。4,5在这篇简短的综述中，我们将概述作为一项新兴技术的 AI，并为麻醉专业人员提供一个实用框架，帮助他们了解 AI 与围手术期患者安全之间的重要关系。

复杂世界中的患者安全与新兴技术

患者安全可被定义为不出现可预防的患者伤害和最大限度减少医疗照护过程中的伤害风险。6作为患者安全领域内的领导者，麻醉专业人员已站在研究、质量改进、技术采用和整合工程原理的最前沿，以减少对患者的伤害和风险。在当今的围手术期医学中，提供安全麻醉照护的挑战本身就可能成为患者安全问题，因为患者病情的复杂性、提供照护的速度、医疗系统的规模、多学科沟通方面的挑战以及产生的海量数据会与日俱增。麻醉照护团队越来越需要在围手术期和医疗照护环境中扩展他们的知识、增强存在感和提高有效性，特别是在工作压力巨大的时候。

为应对当前的医疗照护服务挑战，并继续履行患者安全承诺，麻醉照护团队需要了解新兴技术以及可用于帮助改善患者安全的其他技术。AI 是重大新兴技术之一，已经改变了医疗照护领域以外的世界，并即将在医疗照护领域得到更加广泛的应用。为了负责任地推进围手术期患者安全领域的工作，麻醉照护团队需要了解 AI 的原理、各种可能性、风险、伦理，以及 AI 在临床实践中的应用。这将需要医疗照护领域内的不同团队建立伙伴关系并协同工作，包括麻醉专业人员与数据科学家、计算机科学家、数据分析员以及人工智能专家进行有效沟通。

人工智能在麻醉学中的应用概述

AI 可被广泛定义为计算机或设备分析大量医疗照护数据、揭示知识、识别风险和时机，以及支持改进决策的能力。77随着 AI 领域快速发展，用于医疗照护的主要技术包括机器学习、自然语言处理3，以及通过开发图形用户界面将 AI 与临床决策支持结合起来。

机器学习是其中最常见的一种 AI 形式，可将其视为一种统计学分析技术，它使用训练数据库作为实例，使计算机“学习”如何理解数据，从而对数据进行模型拟合。8先进的机器学习模式包括神经网络和深度学习。近期在麻醉学方面的机器学习实例包括使用电子病历数据，研究哪些变量是诱导后低血压的预测因素，9根据丙泊酚和瑞芬太尼的输注史预报脑电双频指数 (BIS™, Medtronic, Dublin, Ireland) 值，10或使用术前和术中数据来预测术后住院死亡率。11

自然语言处理是可用于从非结构化文本数据中抽取相关信息的一种 AI 形式。例如，最近已将自然语言处理用于一项回顾性研究，以评估是否可以通过计算机来抽取电子病历中各种疾病的非结构化自由文本，并将其用于生成自动化的麻醉前评估报告。结果集中在自然语言处理软件与麻醉专业人员相比，识别出医疗状况的频率。该研究表明，在 16.57% 的病例中，自然语言处理能够发现被临床医生遗漏的相关情况，仅在 2.19% 的病例中，临床医生注意到了被遗漏的相关情况。12在人力资源有限的复杂医疗环境中，使用自然语言处理来扩大和增强个体麻醉专业人士的能力，是 AI 在患者安全方面一个令人瞩目的应用。

人工智能还可以与临床决策支持系统配合使用，这种情况见于现代麻醉照护领域，其中，麻醉信息管理系统可以给麻醉团队提供有关围手术期抗生素剂量选择、高危患者术后恶心和呕吐预防性用药的电子提醒，并帮助进行血糖管理。近期的荟萃分析显示，临床决策支持可以提高围手术期抗生素预防性用药的依从性。13AI 将来在提高患者安全的临床决策支持中的作用将包括，根据患者的电子病历信息、病史和外科手术，提供有关理想抗生素的使用建议。AI 还可用于增进围手术期患者安全——通过尽早查出临床状况恶化，并为最佳管理术中生理变化提供临床决策支持。

五重目标

了解 AI 对围手术期患者安全的直接影响，可以从“五重目标”的视角来加以考察（图 1）。五重目标是拟在改善患者安全和提供的照护质量方面开展的下一步工作。医疗照护改进研究所 (Institute for Healthcare Improvement) 在 2008 年引入了三重目标，作为提高患者体验的框架，它强调群体健康和降低成本是医疗照护转型的关键。14由于有研究表明，临床医生的参与和职业倦怠导致了更多的安全事件并降低了照护质量，因此，在 2014 年，该研究所又引入了四重目标，以将临床医生健康包含在内。15许多认证组织（如国家质量保证委员或和联合委员会）都认识到了实现三重和四重目标的重要性。2022 年，研究所提出了五重目标，以增加第五个目标：促进医疗公平。这是一种意识，即为群众提供高质量且安全的患者照护，并实现其他目标，意味着需要专注于积极衡量、研究和解决不平等性。16

图 1：医疗照护服务五重目标的演变。

图 1：医疗照护服务五重目标的演变。

从五重目标的视角看，AI 在围手术期患者安全方面起着重要作用。在复杂的现代医疗照护提供系统中，AI 可以帮助麻醉专业人员实现“五重目标”中的五个目标，这样就可以提高围手术期场景下照护的安全性和质量。图 2 给出了在“五重目标”框架内使用 AI 来提高患者安全和照护质量的很多潜在实例。

图 2：将五重目标应用于人工智能在麻醉学中的应用以解决围手术期环境中患者安全问题的框架。

图 2：将五重目标应用于人工智能在麻醉学中的应用以解决围手术期环境中患者安全问题的框架。

集各方之力

利用 AI 来改善麻醉学领域内的患者安全，需要每名临床医生、麻醉学团体、医疗照护系统和监管机构（如美国食品与药物监督管理局 (FDA)）开展大量工作。AI 在临床实践中的应用并不像五年前预计的那样广泛。而且，在患者安全科学和实践中采用 AI 仍需要时间才能成熟。许多事件正预示着 AI 与围手术期患者安全的真正整合。FDA 在 2019 年制定的新监管路径已减少了监管障碍和由此产生的财务不确定性，以便各相关公司开发医疗照护领域的 AI 应用。与传统医疗器械不同，软件不断更新的性质和其他差异意味着，作为一种医疗器械，AI 和机器学习软件需要按其自身的路径得到监管。随着监管的进一步明确，以及医疗照护领域内 AI 研发的改进，在个人和医疗系统层面对 AI 的应用可能会增加。

关于 AI 在医疗照护领域的应用，其他重要注意事项包括确保算法设计的透明度和最大限度减少并消除 AI 算法的相关性偏差。17例如，帮助提高临床医生表现的 AI 算法也需要被使用其的团队了解，这包括在算法如何起作用方面的透明度。18此外，还需要特别注意 AI 算法的基础性开发和生成 AI 工具所使用的数据，以减少出现种族/族裔、社会经济和统计学偏差的风险。18-20

结论

为推进麻醉学和围手术期患者安全，需要学习 AI 等新兴技术，并将其整合在临床麻醉学领域中。为使 AI 有效发挥作用，结合麻醉学中的患者安全范式进行数据驱动的分析，将需要机构通过支持发展和建立由临床医生、数据科学家、工程师、信息专家和患者安全科研人员构成的多学科团队来进行创新。随着麻醉照护服务的不断发展，围手术期患者安全的多学科性质需要通过创新性的多学科方法、团队和解决方案来加以应对——这是从“五重目标”的视角，利用 AI 的可扩展性和优势的一种方法。

 

Jonathan Tan (MD, MPH, MBI, FASA ) 是洛杉矶儿童医院（加利福尼亚州洛杉矶）、南加州大学（加利福尼亚州洛杉矶）凯克医学院以及空间科学研究所的临床麻醉学和空间科学助理教授。

Maxime Cannesson (MD, PhD) 是加州大学洛杉矶分校戴维·格芬医学院麻醉和围手术期医学系的麻醉学教授和系主任。

公开信息：Jonathan Tan (MD, MPH, MBI, FASA) 接受了麻醉患者安全基金会 (APSF) 和麻醉教育与研究基金会 (FAER) 的研究项目资助。

Maxime Cannesson (MD, PhD) 是 Masimo 和 Edwards Lifesciences 公司的顾问，接受了 Masimo 和 Edwards Lifesciences 公司提供的研究资助，他也是 Sironis 和 Perceptive Medical 公司的股东，并接受了 Edwards Lifesciences 公司提供的稿酬。

参考文献

  1. Grossman LV, Choi SW, Collins S, et al. Implementation of acute care patient portals: recommendations on utility and use from six early adopters.J Am Med Inform Assoc.2018;25:370–379.PMID:29040634.
  2. Macrae C. Governing the safety of artificial intelligence in healthcare.BMJ Qual Saf.2019;28:495–498.PMID:30979783.
  3. Choudhury A, Asan O. Role of artificial intelligence in patient safety outcomes: systematic literature review.JMIR Med Inform.2020;8:e18599.PMID:32706688.
  4. Dalal AK, Fuller T, Garabedian P, et al. Systems engineering and human factors support of a system of novel EHR-integrated tools to prevent harm in the hospital.J Am Med Inform Assoc.2019;26:553–560.PMID:30903660.
  5. Maddox TM, Rumsfeld JS, Payne PRO.Questions for artificial intelligence in health care.JAMA.2019;321:31–32.PMID:30535130
  6. World Health Organization.Patient Safety.Sept 13, 2019.Accessed November 8, 2022. https://www.who.int/news-room/fact-sheets/detail/patient-safety#:~:text=What%20is%20Patient%20Safety%3F,during%20provision%20of%20health%20care.
  7. Hashimoto DA, Rosman G, Rus D, Meireles OR.Artificial intelligence in surgery: promises and perils.Ann Surg.2018;268:70–76.PMID:29389679.
  8. Bi Q, Goodman KE, Kaminsky J, Lessler J. What is machine learning?A primer for the epidemiologist.Am J Epidemiol.2019; 188:2222–2239.PMID:31509183.
  9. Kendale S, Kulkarni P, Rosenberg AD, Wang J. Supervised machine-learning predictive analytics for prediction of postinduction hypotension.Anesthesiology.2018;129:675–688.PMID:30074930.
  10. Lee HC, Ryu HG, Chung EJ, Jung CW.Prediction of bispectral index during target-controlled infusion of propofol and remifentanil: a deep learning approach.Anesthesiology.2018;128:492–501.PMID:28953500.
  11. Lee CK, Hofer I, Gabel E, et al. Development and validation of a deep neural network model for prediction of postoperative in-hospital mortality.Anesthesiology.2018;129:649–662.PMID:29664888.
  12. Suh HS, Tully JL, Meineke MN, et al. Identification of preanesthetic history elements by a natural language processing engine [published online ahead of print, 2022 Jul 15].Anesth Analg.2022 Dec 1;135:1162–1171.PMID:35841317.
  13. Simpao AF, Tan JM, Lingappan AM, et al. A systematic review of near real-time and point-of-care clinical decision support in anesthesia information management systems.J Clin Monit Comput.2017;31:885–894.PMID:27530457.
  14. Berwick DM, Nolan TW, Whittington J. The triple aim: care, health, and cost.Health Aff (Millwood).2008;27:759–769.PMID:18474969.
  15. Bodenheimer T, Sinsky C. From triple to quadruple aim: care of the patient requires care of the provider.Ann Fam Med.2014;12:573–576.PMID:25384822.
  16. Nundy S, Cooper LA, Mate KS.The quintuple aim for health care improvement: a new imperative to advance health equity.JAMA.2022;327:521–522.PMID:35061006.
  17. Canales C, Lee C, Cannesson M. Science without conscience is but the ruin of the soul: the ethics of big data and artificial intelligence in perioperative medicine.Anesth Analg.2020;130:1234–1243.PMID:32287130.
  18. Diallo MS, Tan JM, Heitmiller ES, Vetter TR.Achieving greater health equity: an opportunity for anesthesiology.Anesth Analg.2022;134:1175–1184.PMID:35110516.
  19. Amann J, Blasimme A, Vayena E, et al. Explainability for artificial intelligence in healthcare: a multidisciplinary perspective.BMC Med Inform Decis Mak.2020; 310 (20).PMID:33256715.
  20. Parikh RB, Teeple S, Navathe AS.Addressing bias in artificial intelligence in health care.JAMA.2019; 322:2377–2378.PMID:31755905.