珍稀动物保护日

珍爱动物 人人有责

珍稀动物保护日

珍爱动物 人人有责

微信号：135editor

新浪微博：@135编辑器

冬日微醺

微 信 号：135editor

新浪微博：@135编辑器

微信号：135editor

新浪微博：@135编辑器

人工智能在临床麻醉领域的应用

向明 李炜 王鹏

四川省巴中市恩阳区人民医院麻醉科

通信作者：王鹏

Email: 550614048@qq.com

基金项目：四川省医学科技创新研究会（2026YCZD038）

【摘要】人工智能（AI）技术近年来在麻醉学中得到广泛应用。热点涵盖围术期风险预测、智能闭环控制及流程优化。关于AI模型的“黑箱”特性导致决策过程不透明、临床有效性与安全性、法律责任界定与伦理规范仍是亟待填补的知识空白。AI正在成为实现“精准麻醉”和“围术期医学”的关键驱动力，其目标并非取代麻醉科医师，而是作为强大的辅助工具，共同提升患者安全与医疗质量。本综述系统性地回顾和总结AI在麻醉学领域的最新研究进展与应用现状，重点阐述AI在术前风险评估与优化、术中智能监测与自动控制、术后疼痛与管理、恢复预测等关键环节的革命性贡献，同时深入探讨当前面临的数据隐私、算法透明度、临床验证与法规障碍等挑战，并对未来发展方向，如多模态数据融合、可解释AI及人机协作模式进行展望。

【关键词】人工智能；术前评估；智能监测；数据隐私；精准麻醉

麻醉学不仅涉及对患者生命体征的实时监测，还包括对药物剂量的调控、麻醉深度的评估以及潜在风险的预测，这些任务的复杂性使得麻醉科医师在临床工作中面临巨大的压力，依靠人工智能（artificial intelligence， AI）来提升麻醉管理的精确性和效率显得尤为重要［1］。近年来，随着医疗数据的积累和计算能力的提升，AI在麻醉深度监测、麻醉控制、事件和风险预测、超声引导图像识别、疼痛与管理以及手术室物流管理等多个方面的应用剧增［2］，不仅可以帮助麻醉科医师优化决策过程，还能显著提高患者的安全性和舒适度，最终改善麻醉结果和患者的整体体验［3］。本综述系统阐述AI在麻醉学中的主要应用以及与AI相关的辅助技术，探讨面临的各种挑战以及未来可能的发展方向，以期为AI在麻醉学领域的研究和实践提供参考。

AI的主要应用

精准化麻醉管理精准化麻醉与AI是实现未来新技术与临床实践的融合，尤其体现在基于个体化数据的药物剂量预测与闭环给药系统的构建［4］。传统麻醉管理依赖于麻醉科医师基于经验进行判断与调整，而AI模型能够整合患者的年龄、体重、BMI、肝肾功能、遗传多态性以及术前焦虑评分等多维因素，对丙泊酚、瑞芬太尼等药物的用量进行智能推荐［5］。部分研究通过集成学习算法（如随机森林与深度神经网络融合）构建出剂量预测模型，其在老年患者中的绝对误差显著低于传统回归模型，表现出更高的泛化能力和稳定性［6］。闭环控制系统（closed-loop anesthesia system， CLCS）基于脑电双频指数（bispectral index， BIS）等生理指标进行实时反馈调节药物输注速率，其在维持麻醉深度稳定性、减少药物用量以及缩短术后恢复时间方面优于手动控制方式［7］。模型预测控制（model predictive control， MPC）方法使得系统能依据患者的动态变化及时调整给药策略，进一步提高安全性与效率［8］。尽管当前AI系统多处于实验或临床试点阶段，未来其将在标准化、麻醉监测与管理、智能化麻醉管理等方面具有重要影响［9］。随着可解释AI（explainable artificial intelligence， XAI）技术的发展，闭环系统的决策透明性和临床信任度也有望得到同步提升。

术中监测与动态调整术中麻醉管理的核心挑战在于实现对复杂生理信号的实时监测与精准调控。AI，尤其是基于时间序列的深度学习算法，如长短期记忆网络（long short-term memory network， LSTM）与Transformer结构，已被广泛应用于术中低血压、氧饱和度下降和药物反应延迟等事件的预测［10］。通过实时处理包括动脉压波形、BIS数据等，AI模型能够在事件发生前2.5 min内提供预警，敏感性和特异性均明显优于传统阈值式报警系统［11］。在针对两个不同临床问题的外部验证中，图神经网络（graph neural network， GNN）被引入术中数据建模中，支持临床事件预测的泛化性，包括计划外输血、死亡率，并克服预测模型面临的泛化［12］。结合强化学习的自主控制模型还可辅助精准的术中血压调控，减少心脑血管脆弱患者围手术期并发症，实现对血流动力学状态的多目标平衡［13］。在技术实现方面，无接触式监测手段如毫米波雷达［14］、光学体积描记（photoplethysmography， PPG）［15］与红外热成像技术［16］也正在逐步引入，提升监测的连续性与无创性。当前研究的挑战集中在于模型在高噪音、生理变化剧烈的手术环境下的鲁棒性，以及如何与临床工作流高效融合，避免“报警疲劳”与干扰决策。

并发症预测与术后管理AI在术后管理中正逐步从单一并发症的预测工具转变为全病程动态监护系统。基于多任务学习（multi-task learning）的模型能够同时预测术后谵妄、呼吸衰竭、感染等常见并发症，其优势在于通过共享参数机制提高小样本情况下的建模效率。在结合术前电子病历、术中监测参数与实验室检查结果的情况下，集成极端梯度提升算法（extreme gradient boosting， XGBoost）与自然语言处理模块的系统，能显著提升对术后心肺并发症的预测准确率，曲线下面积（area under the curve， AUC）可达0.7，效果优于传统ASA分级评估［17］。计算机视觉技术已被应用于术后镇痛评估，通过分析患者的面部表情、动作频率等生物行为指标，构建无主观评分的疼痛管理系统，使患者自控镇痛（patient-controlled analgesia， PCA）使用次数显著减少［18］。迁移学习方法则帮助AI模型在面对不同医院系统与数据结构时维持稳定性能，提升临床推广性[19]。尽管当前的AI模型在实际部署中面临着伦理、数据隐私与跨系统兼容性等多重挑战，但其在减轻术后负担、优化护理资源配置与提高患者满意度方面的潜力已得到验证［20］。

与AI相关的辅助技术

虚拟现实与增强现实虚拟现实（virtual reality， VR）与增强现实（augmented reality， AR）虽然不直接属于AI技术，但在麻醉科的培训与操作辅助中，已与AI系统形成有效配合。VR已被广泛用于麻醉教学模拟，通过构建高度沉浸式环境，实现术前准备、穿刺路径规划及应急处理流程的重复练习。采用VR模拟器的麻醉学员在技能掌握与操作稳定性方面普遍优于传统教学方法[21]，尤其在区域麻醉与神经阻滞训练中，VR系统能够精确模拟解剖结构与超声反馈，大幅提升学习效率。AR则更强调临床实时辅助功能，其可将患者解剖图像三维投射至视野中，辅助穿刺操作定位，缩短操作时间并降低并发症风险。研究［22］结合AR与超声成像技术，开发出可视化引导系统，用于提升困难气道管理与区域麻醉的成功率，并可与AI图像识别模块联合用于路径规划与风险规避。未来，随着边缘计算与图像融合技术的成熟，VR/AR与AI系统的集成化将进一步增强智能麻醉系统的交互性与直观性，为临床操作带来“增强智能”体验。

数据平台与信息集成系统AI系统的有效运行离不开高质量、结构化的数据平台支持。当前麻醉临床信息来源包括电子病历（electronic medical record， EMR）、监护仪数据流、麻醉记录系统以及实验室检查结果等，这些数据普遍存在异构性强、时效性要求高与数据缺失严重等问题，构成AI模型训练的“数据瓶颈”［23］。为缓解该问题，多中心医院正在尝试构建统一数据标准、开发围术期结构化数据库，并引入联邦学习（federated learning， FL）机制，在不共享原始数据的前提下实现模型协同训练，有效突破数据孤岛限制［24］。数据标注问题也是制约AI性能的重要环节，围术期数据尤其缺乏高质量标签，对模型的监督学习构成挑战。当前，有研究［25］采用半监督学习或主动学习策略，借助少量标注数据与大量未标注数据协同提升模型泛化能力。现代信息技术如云计算［26］、数据湖架构［27］与智能中台建设也正在被引入以增强数据管理的可拓展性，一个可行的方向是通过构建多维度信息集成平台，为AI提供结构统一、持续更新的数据基础，保障智能模型的持续迭代能力与可部署性。

临床实践中的挑战

数据质量问题AI模型的性能高度依赖于训练数据的质量，而临床麻醉数据具有典型的“高噪音、多模态、低标签”特征，对模型构建形成显著障碍。术中数据采集频率高，但常包含大量运动伪差、传感器故障与缺失值，导致特征提取阶段信息不稳定［28］，严重影响模型预测的准确性。围术期数据来源涵盖电子病历、实时监护、图像资料与实验室指标，呈现出结构化、半结构化与非结构化多模态共存的复杂状态，不同设备生成的数据接口标准不一，使得融合建模面临接口适配与数据对齐的困难［29］。更为关键的问题是标签的稀缺，尤其是术中事件或术后并发症数据的标注依赖于专业人员判断与后期确认，人工成本高，准确性也不易保证。标签缺失限制了监督学习算法的应用，也增加了模型在小样本学习中的过拟合风险。虽然近年来逐步引入半监督学习、迁移学习与主动学习等策略缓解标注压力，但尚缺乏统一的“围术期数据标准框架”用于指导数据处理流程，成为AI模型规模化部署的核心瓶颈。

模型迁移困难AI模型从研发阶段进入临床落地应用时，面临显著的迁移困难，最常见的问题是算法偏倚与跨机构适应性差。由于训练数据通常来源于单中心或特定人群，模型在泛化到不同医院、手术类型或患者人群（如高龄、基础病多发人群）时，性能显著下降。一些模型在欧美数据中表现良好，但在亚裔人群中的敏感性显著降低［30］，反映出算法对训练集结构的依赖性较强。这种“隐性偏倚”不仅影响预测准确性，还可能导致某类患者在模型干预中受到不公平待遇，触发医疗伦理风险。术中环境复杂、操作差异性大，也导致模型在实际应用中出现适应性差、误报率高的问题，进而影响医师对AI系统的信任。当前部分研究尝试通过领域自适应（domain adaptation， DA）或微调机制（fine-tuning， FT）优化迁移性能［31］，但其依赖较多技术资源，难以在基层医院普遍实施。如何建立具备“本地学习+广域迁移”［32］能力的智能框架，构建面向多中心部署的低成本模型迁移策略，是实现AI规模化应用的重要方向。

医患伦理风险随着AI辅助系统深入临床流程，相关的伦理与法律问题日益显现，尤其在麻醉这种“高风险、快速反应”的科室中更为突出。当前主流深度学习模型仍呈现“黑箱式”决策特征，即输入与输出之间的逻辑关系难以解释，临床医师难以理解AI如何做出特定建议［33］。这种不可解释性削弱了医师信任，也限制了AI介入关键决策场景。在AI建议引发不良事件的情况下，责任归属存在法律模糊地带［34］。目前，尚无明确法律框架界定AI辅助建议与最终医疗决策之间的权责关系，在术中意外发生后，医院、系统开发方与医师之间责任划分存在争议。患者对AI介入医疗决策的接受度也有限，尤其在紧急麻醉场景中，往往无法充分获取患者的知情同意，构成伦理风险。随着技术深入发展，还出现医务人员依赖系统、技能退化的现象，进一步加剧AI系统故障时的风险暴露。实现安全可持续应用，应加强AI系统的临床透明度［35］、决策责任可追溯性，并设立伦理监管机制［36］，以提升整体临床可接受度与社会信任基础。

麻醉领域应用的潜在局限性尽管AI在麻醉学中的应用有了显著的进步，但其临床推广过程中仍面临诸多限制与挑战［37］，数据隐私与安全性是关键问题。麻醉过程中涉及大量敏感患者信息，若数据在采集、传输或存储环节中泄露，可能对患者隐私权造成严重侵害。尽管采用数据去标识化是一种有效策略，但研究［38］表明，去标识化处理可能影响数据的完整性，当前AI模型大多数尚未经过大规模、多中心的临床验证，导致其在实际临床环境中的可推广性和可信度存疑。此外，医疗数据本身存在高度异质性，AI模型在不同种族、年龄及地域人群中可能表现出不同的准确性，存在“算法偏倚”问题，可能对某些群体造成不公平的治疗结果。AI系统出错时的法律责任归属问题尚无明确界定，当患者因AI辅助决策出现不良后果时，是否应由医院、技术开发方或临床医师承担责任，仍处于伦理与法律灰色地带［39］。在紧急情况下如何获取患者的知情同意也亟需法律和伦理框架支撑。与此同时，AI系统“黑箱式”的决策过程使得麻醉科医师难以理解其逻辑，降低了临床医师对系统的信任程度，并限制了人机协作效率［40］。随着AI逐步介入临床操作，部分麻醉科医师担忧技能依赖技术而退化，在系统故障时可能无法迅速采取应对措施。因此，在拥抱AI技术的同时，仍需警惕其对临床专业性的潜在削弱，保持人工与智能之间的动态平衡。

改进路径与技术突破

XAI与SHAP/LIME的临床决策协助为解决AI“黑箱”问题并增强模型透明度，近年来“XAI”［41］技术成为关键突破口。常用方法如夏普利加性解释［42］（Shapley additive explanations， SHAP）与局部可解释模型无关解释［43］（local interpretable model-agnostic explanations， LIME）可量化模型输出结果中各特征变量的重要性贡献，使得临床医师能够理解AI建议背后的逻辑依据。在老年高血压患者术前急性心力衰竭的预测模型中，SHAP值可显示患者年龄、BMI与术前焦虑评分分别对推荐剂量的影响程度，从而增强医师对预测结果的信心［44］。XAI不仅提升了临床接受度，也为模型调试提供诊断线索，发现潜在偏倚或数据异常［45］。可解释性结果还可嵌入术中决策支持系统，辅助医师在关键节点快速判断是否采纳AI建议，引入XAI的麻醉AI模型在用户信任度与采纳率方面均有显著提升［46］。

FL在多中心协作模型中的应用为打破医疗数据分散、隐私受限的困境，FL被广泛认为是AI医疗协作建模的重要方向［47］。FL允许不同医疗机构在不共享原始数据的前提下，协同训练AI模型，既满足数据隐私合规要求，又提升模型的泛化能力与多中心适应性。在麻醉领域，已有研究成功应用FL整合来自多家医院的麻醉用药、术中事件与术后结局数据，构建统一的剂量预测与并发症预警模型，并在外部验证中表现出良好稳定性［48］。与传统“集中式建模”相比，FL可显著降低中心间数据差异所导致的偏倚，提高模型迁移能力［49］。为提升通信效率与安全性，研究者还引入差分隐私（differential privacy， DP）保护与安全多方计算（secure multiparty computation， SMC）机制，进一步保障训练过程的合规性与安全性［50］。未来，若能结合FL与可解释性技术，将有望推动“可信AI平台”在临床的广泛部署，实现多中心协同研究、个性化医疗与智能决策支持系统的深度融合。

基于深度时序模型的术中低血压预警系统在麻醉AI的临床应用中，术中低血压（intraoperative hypotension， IOH）的早期预测被认为是可验证性强、临床价值高的应用场景之一［51］。多中心研究构建的预测危重患者突发性低血压发作的概括性深时间模型，其受试者工作特征曲线的AUC为0.57～0.87［52］，基于LSTM架构利用心电图-PPG特征差异进行无创连续血压估算［53］，收缩压和舒张压的预测精度分别为（0.0±1.6）mmHg和（0.2±1.3）mmHg。系统通过与麻醉信息管理系统（anesthesia information management system， AIMS）集成，在术中以图形化方式提示风险趋势，同时给出模型预测的依据特征，增强医师判断能力。该模型在不同医院手术室部署过程中，结合迁移学习机制完成模型微调，并利用FL架构保护原始数据安全［54］，保证建模合规性。尽管其实施仍处于试点阶段，但其技术路径为未来AI辅助麻醉监测系统的开发提供了标准范式，即“高频数据流采集+深度学习预测+XAI解释+FL协作建模”。该案例充分展示了AI如何与真实临床场景融合，提升术中监测的主动性与预警能力，为基层推广提供技术可行性参考。

小 结

AI正深刻驱动临床麻醉从传统经验导向模式，迈向以数据驱动为核心的精准化新范式，在围术期的多个关键环节展现出显著潜力：基于预测模型助力术前风险评估与个体化方案制定；智能监测系统实现术中生理参数的实时分析与早期预警；自动控制技术如闭环靶控输注提升了麻醉深度的调控精度与稳定性。然而，该领域仍面临多重挑战。数据层面，存在多源异构医疗数据质量不一、标注标准缺失与隐私保护等问题；技术层面，深度学习模型的可解释性差，制约了临床信任建立；应用层面，AI系统与现有工作流程融合不足，缺乏前瞻性大样本研究验证其临床效用与安全性。未来研究应聚焦多模态数据融合与高质量专科数据库构建，发展XAI增强决策透明度，并通过前瞻性随机对照试验验证其对患者远期预后的影响。最终目标是构建以患者安全为核心、人机协同的智能麻醉新生态，使AI成为提升麻醉质量、保障患者安全的强大助力。

参考文献略。

DOI:10.12089/jca.2026.10.012

特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.