基于机器学习结合脑电特征的精准麻醉深度监测
Accurate Machine Learning-based Monitoring of Anesthesia Depth with EEG Recording
涂志祎1 • 张月晗1 • 吕雪阳1 • 王妍妍1 • 张婷婷1 • 王娟1 • 喻信人1 • 陈沛1 • 庞锁成1 • 李胜天4 • 余雄杰2,3 • 赵璇1
1同济大学医学院附属第十人民医院麻醉科，上海 200072，中国
2浙江大学医学院附属妇产科医院麻醉科， 杭州 310006，中国
3浙江大学医学院附属妇产科医院，浙江省妇科重大疾病精准诊疗重点实验室，杭州 310027，中国
4上海交通大学Bio-X研究所，发育与神经精神疾病遗传教育部重点实验室， 上海 200240，中国
第一作者：涂志祎、张月晗、吕雪阳
通讯作者：赵璇、余雄杰
在临床上全身麻醉是手术成功的重要步骤。麻醉不足将导致术中知晓，另一方面，麻醉过深也会导致术后认知功能障碍、急性肾损伤、循环系统不稳定和其他并发症。现有的麻醉深度监测手段对不同的麻醉药物缺乏普适性，并且容易受到术中其他用药的干扰，并且在年老以及幼儿患者不能很好反映麻醉深度变化。因此，一种行之有效的准确监测麻醉深度手段显得尤为迫切。
在本研究中，研究人员针对丙泊酚与艾司氯胺酮两种作用受体不同的麻醉药物，通过功率谱，相干性以及爆发抑制率等特征值利用神经网络机器学习的方法，构建了一套可以准确预测不同药物麻醉深度的预测方法，为临床麻醉深度监测提供了新的思路。
研究人员首先对不同浓度丙泊酚麻醉状态下的脑电功率谱，相干性以及格兰杰因果关系进行了系统的分析，发现随着麻醉深度加深以上这些脑电指标均呈现特征性的变化，以上结果提示不同麻醉深度下的脑电活动对应不同的大脑活动状态，进一步研究人员利用以上这些特征，构建了一个包含16维脑电特征值的数据集（额顶叶各频段脑电功率，额顶叶各频段相干性以及爆发抑制比例），并随机划分20% 测试集，80% 训练集进行神经网络机器学习模型的训练，发现无论在数据集内部或是不同个体之间均表现较高准确率的预测能力，充分体现了该模型的泛化能力，研究人员也发现该方法也在艾司氯胺酮麻醉中有着相似的表现。
进一步的研究人员在合并不同浓度状态下丙泊酚与艾司氯胺酮的脑电特征数据集中，按照不同动物个体随机划分测试集以及训练集，发现该模型也可以在丙泊酚与艾司氯胺酮进行准确的区分并且预测相应的麻醉深度。
图1 不同麻醉深度丙泊酚脑电特征变化及模型预测结果。
图2 机器学习模型可准确识别丙泊酚与艾司氯胺酮及其相应麻醉深度。
综上所述，本研究建立一套识别和预测不同作用受体的麻醉药物及其相应的麻醉深度，为进一步实时精确监测麻醉深度带来新的可能。
关键词：全身麻醉；机器学习；丙泊酚；氯胺酮；脑电
文章查阅请扫描下方二维码或复制原文链接查看网络版：
https://link.springer.com/article/10.1007/s12264-024-01297-w
▲长按识别二维码阅读论文
点击 / 阅读全文
