编辑推荐：
为解决传统方法难以准确预测麻醉深度的问题，研究人员开展了基于混合人工智能从药物输注史预测麻醉深度的研究。结果显示，所提模型预测性能优于传统方法。这为临床提供了更可靠的预测工具，有助于提升患者安全和手术效果。
在现代医疗体系中，麻醉深度（Depth of Anesthesia，DoA）的精准把控是外科手术成功的关键一环，它直接关乎患者的安全与手术的最终效果。想象一下，在手术室里，麻醉医生就像一位 “生命的舵手”，需要精准调节麻醉药物的剂量，确保患者在手术过程中既不会因麻醉过浅而感到疼痛、产生术中知晓，也不会因麻醉过深而出现呼吸抑制、血流动力学不稳定等危及生命的状况。然而，现实中的麻醉管理却充满挑战。
传统的麻醉深度监测方法，比如通过观察心率、血压等生命体征，或是依据患者的肢体反应来判断，主观性很强，就像仅凭感觉驾驶船只，准确性难以保证。一些看似先进的技术，像心率变异性分析、孤立前臂技术（IFT）、下食管收缩性（LOC）评估等，也无法与实际麻醉深度完美契合。目前广泛应用的脑电双频指数（Bispectral Index，BIS）监测，虽得到美国食品药品监督管理局（FDA）认可，但在解读脑电信号时极为复杂，而且对某些特定麻醉药物的敏感度有限，在不同患者身上的表现差异较大。另外，先进的脑电图监测技术成本高昂，在医疗资源有限的地区难以普及。传统的基于药代动力学 - 药效学（PK - PD）的靶控输注（TCI）模型，在预测药物浓度时常常忽略 BIS 这一关键指标，导致麻醉过程中不同阶段的监测出现偏差。机器学习（ML）技术虽已涉足麻醉深度预测领域，但许多研究忽略了辅助药物如瑞芬太尼的影响，模型并不完善。即便有深度学习模型在该领域进行探索，在麻醉诱导和恢复阶段，面对患者差异巨大的生理反应，依旧难以准确预测。
为了攻克这些难题，天津第一中心医院麻醉科的研究人员开展了一项极具创新性的研究。他们提出了一种融合长短期记忆网络（Long Short - Term Memory，LSTM）、Transformer 架构和 Kolmogorov - Arnold 网络（KAN）的混合模型，致力于提高麻醉深度预测的准确性。
在这项研究中，研究人员运用了多种关键技术方法。他们选用韩国首尔国立大学医院的 VitalDB 数据库中的数据，该数据库涵盖了 6388 名手术患者的丰富信息。在数据处理上，对缺失值进行填充、去除无效数据，还将药物输注量转换为输注速率等。模型构建方面，LSTM 用于捕捉药物输注和生理反应的序列特征；Transformer 通过注意力机制增强对患者数据的上下文理解；KAN 则负责模拟药物输注历史与麻醉深度之间的非线性关系。最后，利用 PyTorch 2.0.0 在 NVIDIA RTX 3060 GPU 上进行模型训练，采用均方误差（MSE）等多种指标评估模型性能，并与多种传统机器学习模型和前沿深度学习模型进行对比。
研究结果如下：
- 基线模型性能：与传统机器学习模型相比，所提模型在各项误差指标上表现更优。例如，模型的平均绝对误差（MAE）为 0.0620，明显低于随机森林（RF）的 0.0735 和梯度提升（GB）的 0.0714。均方误差（MSE）为 0.0065，均方根误差（RMSE）为 0.0808，也超越了其他模型。平均方向百分比误差（MDPE）仅为 0.6254%，远低于表现最佳的基线模型 XGBoost（XGB）的 1.5293%，充分展示了模型在预测麻醉深度方面的高准确性和可靠性。
- 深度学习模型性能：与其他深度学习模型对比，所提模型同样脱颖而出。其 MAE 在所有评估模型中最低，MSE 和 RMSE 也均优于竞争对手，MDPE 仅 0.6254%，表明模型预测值与实际麻醉深度值契合度高。在可视化结果中，预测特定病例的 BIS 值时，该模型预测结果比其他模型更接近实际值。
- 时间窗口长度对模型性能的影响：研究发现，1800 秒（180 个时间点）的时间窗口对模型性能最佳，此时各项误差指标最低。较短的 900 秒时间窗口，因历史数据不足，无法全面捕捉药物输注的影响，导致模型对短期波动更为敏感，性能下降。而延长到 3600 秒，可能引入过多冗余信息和噪声，同样使模型性能略有降低。
- 消融研究结果：在消融研究中，去掉 LSTM 组件后，模型的 MAE 升至 0.0725，RMSE 升至 0.0929，表明 LSTM 在捕捉序列数据的时间依赖关系方面至关重要，缺失它会严重影响模型对麻醉深度的准确预测。去掉 Transformer 组件，模型性能进一步下降，MAE 达到 0.0735，RMSE 为 0.0950，凸显 Transformer 管理长程依赖关系的重要性。去掉 KAN 组件，模型的 MAE 为 0.0682，RMSE 为 0.0872，虽性能有所下降，但相比其他组件缺失时的影响较小，说明 KAN 有助于模型学习复杂模式，但相对而言，其缺失对模型性能的影响没有那么显著。
研究结论和讨论部分表明，该混合模型在麻醉深度预测方面展现出显著优势，为临床麻醉管理提供了更可靠的工具。不过，模型也存在一些局限性。一方面，模型依赖高质量和全面的输入数据，但现有数据集可能无法涵盖不同人群和临床条件下患者对麻醉的所有反应，可能导致实际应用中的偏差。另一方面，模型结构复杂，训练和推理时计算需求大，在资源有限的医疗机构难以推广，且模型预测的可解释性不足，不利于医生理解决策过程。未来研究可从多方面改进，如纳入更多上下文变量（患者合并症、实时生理数据等）、采用多模态数据融合方法、在更多临床环境和患者群体中验证模型，以及与麻醉医生合作优化模型，使其更好地应对临床实际挑战。这一研究成果发表在《BMC Medical Informatics and Decision Making》，为麻醉深度预测领域开辟了新方向，有望推动临床麻醉管理的发展，提升患者的安全和医疗质量。
