CN103432651A - 一种闭环的智能麻醉控制系统 - Google Patents

Abstract

本发明公开了一种闭环的智能麻醉控制系统，包括监控屏幕、生命体征采集端、工作站端和麻醉药剂注射装置；生命体征采集端与工作站端相连，生命体征采集端通过传感器、生命体征检测装置采集病人的生命体征传感信息，并将获得的传感信息传输至工作站端；工作站端连接到麻醉药剂注射装置的输出，工作站端对生命体征采集端传送过来的传感信息进行处理，得出病人所需的麻醉药物种类、注射药剂量和注射速度，并通过麻醉剂注射装置对病人进行麻醉剂的注射；监控屏幕监控工作站端对病人进行麻醉剂注射时病人的麻醉状态。本发明结合了人工智能与手工输入的闭环回路麻醉控制系统，其应用效果非常安全。

Description

一种闭环的智能麻醉控制系统

技术领域

本发明涉及医用麻醉控制领域，特别是一种可以自动控制的智能麻醉控制系统，该系统结合了人工智能与手工输入，可根据实时监测病人生命体征信息进行麻醉剂输入。 

背景技术

麻醉定义了病人处于无意识的（同样可以使用术语“麻醉”、“催眠”来描述这种状态），无痛苦的（同样可以使用术语“痛觉缺失”来形容这种状态），肌肉放松的（同样可以使用“神经肌肉阻滞”、“肌肉阻滞”术语来形容这种状态）一种状态。这三个组成部分在不同程度上描述了全身麻醉的需要具备的必要条件。全身麻醉的部分形式有局部麻醉，病人处于某种程度的无意识的、昏昏欲睡的、痛觉丧失的状态，只保证和维护病人的无痛苦状态，以允许对其进行某些操作程序或干预。对于全身麻醉的三个组成部分，需要根据一些参数来确定其所处的不同程度。 

关于麻醉组成部分之一催眠，可以根据两种参数确定催眠等级： 

1)自发的衍生脑电图参数；

2)诱发电位，可以是患者受刺激后产生的听觉或任何其他形式的传感电位。

关于麻醉组成部分之二痛觉缺失，试图通过与病人随时进行沟通来确定痛觉缺失的程度是不可能的，需借助许多参数来确定痛觉缺失程度。例如， 

1)血流动力学参数，包括心率、血压或衍生物；

2)身体对疼痛的反应，例如出汗、流泪的变化、瞳孔大小、手电导能力的变化；

3)对与手术无关的故意诱发疼痛刺激的反应；

4)其他形式的身体对疼痛的反应。

关于麻醉组成部分之三肌肉松弛，目前有几种确定病人麻醉时肌肉松弛程度的方法: 

1)可以根据病人服从命令的能力，直接确定肌肉力量；

2)间接地刺激运动神经，通过各种途径确定肌肉的收缩。常用方法包括：力的直接测量、收缩的加速度、肌肉收缩的电子测量、运动的电子测量，或肌肉松弛所造成的声音。

麻醉医师使用这些参数的变量为每个组成部分估计药物的剂量。这样就可以实现将一到三种或更多种药物注射进入病人的静脉，或通过吸入、肌肉注摄、皮下注射的方式实现给药。麻醉给药最常见的形式之一是静脉途径，可以间歇静脉注射或者连续静脉注射。麻醉药物通常是采用瓶装容器运输，为了便于对静脉注射的管理，必须将麻醉药装载到不同大小的注射器，一般采用手工方式标记这些瓶子。 

发明内容

本发明的目的在于提供一种闭环的智能麻醉控制系统。该系统结合了人工智能，可根据实时监测病人生命体征信息进行麻醉剂输入。 

实现本发明目的的技术解决方案为：一种闭环的智能麻醉控制系统，包括监控屏幕、生命体征采集端、工作站端和麻醉药剂注射装置。其中：监控模块获取表明病人麻醉程度的信息，传输给生命体征采集端。生命体征采集端与工作站端相连，生命体征采集端采集病人的脑电双频指数BIS、动脉收缩压、心跳、痛觉指数信息，并将获得的传感信息传输至工作站端；工作站端对生命体征采集端传送过来的传感信息进行相应的处理，得出病人所需的麻醉药物种类、麻醉药物剂量和注射速率等级，并通过麻醉剂注射装置对病人进行麻醉剂的注射；监控屏幕再根据工作站端对病人麻醉剂的注射情况监控病人的麻醉状态。 

其中，麻醉“模式”包括催眠水平、疼痛刺激水平，肌肉松弛的类型和程度。生命体征检测装置包括痛觉检测仪、心跳检测仪等。 

本发明与现有技术相比，其显著优点： 

（1）目前已有的自动麻醉技术中虽然麻醉药物剂量和注射过程是由自动系统计算并控制的，但是在麻醉实时过程中，所谓的自动系统无法感知被注射患者的状况，没有从催眠程度、痛觉丧失程度、肌肉松弛程度等几个方面监测病人的反应，不能构成真正的自动化闭环控制系统，只单方面执行麻醉环节，缺少病人反馈环节，容易导致医疗事故。而本发明可以有效地解决这些问题。

（2）结合了人工智能与手工输入的闭环回路麻醉控制系统，其应用效果将会比只由麻醉医师施打麻药还来得安全。由于许多偏僻医院缺乏麻醉医师这样的专科医生，而且未来麻醉医师可能会需要同时照顾好几位病人，支持闭环回路智能麻醉控制系统可大大减轻麻醉师的工作负荷，支持麻醉师更好地进行长时间手术，使其能将更多精力投入到监控病人生理状况等更重要的工作中。 

附图说明

图1是按照本发明实现装置描述的一个智能麻醉控制系统控制元件的模块框图。          

图2是图1智能麻醉控制系统推断麻醉操作的贝叶斯网络构建和训练过程的流程图示例。

图3是图1智能麻醉控制系统的贝叶斯网络分析器推断麻醉操作过程的流程图示例。 

具体实施方式

本发明一种闭环智能麻醉控制系统，包括监控屏幕[10]、生命体征采集端[2]、工作站端[3]和麻醉药剂注射装置[140]； 

生命体征采集端[2]与工作站端相连，生命体征采集端[2]通过传感器、生命体征检测装置采集病人的生命体征传感信息，并将获得的传感信息传输至工作站端[3]；

工作站端[3]连接到麻醉药剂注射装置[140]的输出，工作站端[3]对生命体征采集端[2]传送过来的传感信息进行处理，得出病人所需的麻醉药物种类、注射药剂量和注射速度，并通过麻醉剂注射装置[140]对病人进行麻醉剂的注射；

监控屏幕[10]监控工作站端[3]对病人进行麻醉剂注射时病人的麻醉状态。

所述工作站端[3]包括：中央控制单元[131]、数据存储装置[132]、显示控制[133]、用户接口控制[134]、信息输入控制[135]、麻醉剂注射控制[136]、数据库[137]、领域知识库[138]和贝叶斯网络分析器[139]；其中，信息输入控制[135]、数据存储装置[132]、数据库[137]、贝叶斯网络分析器[139]都和中央控制单元[131]相连；用户接口控制[134]和信息输入控制[135]相连，用户接口控制[134]接收生命体征采集端[2]输入的传感信息，信息输入控制[135]对这些传感信息进行数据清洗和预处理，将其加工成贝叶斯网络分析器[139]可处理的格式；数据存储装置[132]存储信息输入控制[135]传输过来的加工后的传感信息；数据库[137]保存生命体征采集端[2]输入的病人生命体征传感信息的实时数据和历史数据；领域知识库[138]存储贝叶斯网络模型，及以规则形式存储的针对不同类型手术的麻醉方案，供贝叶斯网络分析器[139]推断麻醉药剂类型、剂量、注射速率；贝叶斯网络分析器[139]和显示控制[133]、麻醉剂注射控制[136]相连，显示控制[133]和监控屏幕[10]相连；贝叶斯网络分析器[139]包括控制单元、Flash存储器和基于贝叶斯网络的自动麻醉控制模块，Flash存储器和基于贝叶斯网络的自动麻醉控制模块都和控制单元相连，Flash存储器用来存储数据库[137]传输过来的待分类的病人生命体征传感信息，基于贝叶斯网络的自动麻醉控制模块根据病人的实际情况判断病人所需的麻醉药物种类、剂量、注射速度并将得到的信息输出到麻醉剂注射控制[136]；麻醉剂注射控制[136]和药物注射装置[140]相连，控制麻醉剂注射装置[140]对病人进行麻醉剂的注射。 

所述生命体征传感信息包括脑电双频指数BIS、动脉收缩压、心跳和痛觉指数；所述麻醉状态包括催眠深度、肌肉放松程度和痛觉丧失程度。 

基于贝叶斯网络的自动麻醉控制模块的实现方法如下： 

步骤1：根据先验知识构造贝叶斯网络；

步骤2：训练贝叶斯网络；

步骤3：用构建出的贝叶斯网络推断麻醉药物种类、注射药剂量和注射速度。 

所述步骤1根据先验知识构造贝叶斯网络，具体方法如下： 

(1)获取真实手术中麻醉实施的样本，其中，麻醉实施样本由病人的生命体征信息及其对应的麻醉药物种类、剂量和注射速度的选择信息组成；

(2)由上述样本经关联规则挖掘算法——Apriori算法得到所有满足最小支持度阈值的频繁项集和所有满足最小置信度阈值的关联规则；其中，关联规则即麻醉实施样本中随机变量之间的因果关系；

(3)根据得到的关联规则构造相应的贝叶斯网络。

所述步骤2训练贝叶斯网络，具体方法如下： 

(1)当网络结构已知并且变量可见时，采用朴素贝叶斯分类中涉及的概率计算方法计算贝叶斯网络中的条件概率表项；

(2)当网络结构给定但某些变量隐藏时，采用梯度下降方法计算贝叶斯网络中的条件概率表项。

梯度下降方法的步骤如下： 

(1)对每个i,j,k,计算梯度： 

$\frac{\∂\ln P_w\left(S\right)}{{\∂w}_{\mathrm{ijk}}}=\underset{d=1}{\overset{s}{\mathrm{\Σ}}}\frac{p(Y_i=y_{\mathrm{ij}},U_i=u_{\mathrm{ik}}|X_d)}{w_{\mathrm{ijk}}}---\left(1\right)$

其中，i,j,k是条件概率表矩阵的下标，其取值范围为1到n，n是贝叶斯网络中节点的数量，S是s个训练样本X₁,X₂,…X_s的集合，w_ijk是具有是双亲U_i=u_ik的变量Y=y_ij的条件概率表项，X_d是S中的样本；(1)式右端的概率对S中的每个样本X_d进行计算，此概率记为p；当Y_i和U_i表示的变量对某个X_d是隐藏时，则对应的概率p使用贝叶斯网络推理的标准算法计算。 

(2)对每个i,j,k,沿梯度方向前进一小步：用 

$w_{\mathrm{ijk}}\←w_{\mathrm{ijk}}+\left(l\right)\frac{\∂\ln P_w\left(S\right)}{\∂w_{\mathrm{ijk}}}---\left(2\right)$

更新权值w_ijk，其中l表示步长的学习率，而

由(1)式计算。设置学习率为一个小常数。 

(3)更新规格化权值：w_ijk在0.0到1.0之间，并且对于所有的i,k，Σ_jw_ijk等于1。 

所述步骤3用构建出的贝叶斯网络推断麻醉药物种类、注射药剂量和注射速度，具体方法如下： 

(1)输入有向无环图DAG，不可观察要素节点y和正规化因子ɑ；对所有可观察随机变量节点用观察值实例化，将不可观察节点实例化为随机值； 

(2)对DAG进行遍历，对每一个不可观察节点y,计算  $P\left(y\right|w_i)=\mathrm{\αP}\left(y\right|\mathrm{Parents}\left(y\right))\underset{j}{\mathrm{\Π}}P\left(s_i\right|\mathrm{Parents}\left(s_i\right)),$ 其中w_i表示除y以外的其它所有节点，s_j表示y的第j个子节点，ɑ为正规化因子，ɑ使得对除y以外的每个节点w_i，P(y|w_i)的总和为1，即  $\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(y\right|\mathrm{wi})=1;$

(3)使用第(2)步计算出的各个y作为未知节点的新值进行实例化，重复第(2)步，直到结果充分收敛； 

将收敛结果作为推断值，并输出推断出的麻醉药物种类、注射药剂量和注射速度等级。 

下面结合附图对本发明做进一步说明。 

一般说来，本发明具体实现的非限制性说明提供了一种控制麻醉的自动化控制系统和方法，自动检测全身麻醉的部分或全部组成部分，自动识别药物，自动控制给药。作为一个闭环运行的智能麻醉控制系统，它不断对控制变量采样，提供比麻醉师用手动配送系统更快的、更精确的给药变化速度，从而获得更稳定的控制变量。 

    全身麻醉由三个不同的部分组成：催眠、痛觉丧失和肌肉松弛。对于每个组成部分，需要确定一个目标参数来反映该组成部分的实际状况。这意味着一个参数反映当前的催眠程度，一个参数反映当前的痛觉丧失程度，一个参数反映当前的肌肉松弛程度。一旦这些参数确定后，它们作为智能麻醉控制系统的控制变量，                      

管理不同的药物（即三种不同的药物）通过输液控制注射装置获得每个部分所需的程度，根据建立于智能麻醉控制系统的算法控制输液速率。例如，在本发明的生命体征中采用下面的参数：脑电双频指数(BIS)用于催眠组成部分，痛觉指数用于痛觉丧失组成部分，肌音描计指数(Phonomyography)用于肌肉松弛组成部分。智能麻醉控制系统与标准的生命体征监测装置连接，采集参数计算，并通过反馈控制来维持目标参数。可以理解的是，可以使用其他参数评估每个麻醉组成部分。例如针对催眠组成部分的任何表明昏迷程度的参数，任何针对痛觉丧失组成部分的表明疼痛程度的参数。

    参照图1，智能麻醉控制系统一般包括监控屏幕、生命体征采集端、工作站端3部分。生命体征采集端中的负责采集BIS、动脉收缩压、心跳、痛觉信息，工作站端3实现了智能麻醉控制系统的主要计算和控制功能，下面再具体介绍其组成。用户可以使用控制按钮和界面与智能麻醉控制系统进行交互。例如，在全自动或半自动工作模式之间选择；对数据输入，趋势分析，显示模式的变化或其他的人机交互操作等。智能麻醉控制系统可能通过电缆或通过无线与其他系统沟通，检索病人1的生命体征变量。这些数据被用来作为智能麻醉控制系统的输入，反映病人1的麻醉状态。 

    参照图1，显示了智能麻醉控制系统工作站端控制元件的模块框图，其中包括中央控制单元131、数据存储装置132、显示控制133、用户接口控制134、信息输入控制135、麻醉剂注射控制136、数据库137、领域知识库138、贝叶斯网络分析器139。智能麻醉控制系统可以通过信息输入控制135和监控屏幕10监测病人1的多个变量，记录目标参数，反映全身麻醉的三个组成部分的客观状态。信息输入控制135作为一个过滤模块（包括多种过滤方法）为智能麻醉控制系统提供所有必要的数据。智能麻醉控制系统使用基于Bayesian Networks的内置算法记录、显示和分析接收到的数据。用户可以手动输入，也可以通过触摸显示屏或键盘手动输入。 

用户可以选择全自动模式和半自动模式。在自动模式，智能麻醉控制系统全自动控制麻醉的三个组成部分，即催眠、痛觉丧失和肌肉松弛，即按照执行程序的类型，选择适当的催眠、痛觉丧失目标水平，和肌肉松弛的目标类型/水平，即核心松弛（深度肌肉松弛）或周围松弛（四肢肌肉松弛）。 

    在半自动模式下，用户可以选择智能麻醉控制系统自动管理麻醉的组成部分。例如，用户可以选择其需要的催眠水平，痛觉丧失的水平（根据痛觉丧失合作模式而定，例如局部麻醉）和肌肉松弛的类型/水平，即核心松弛（深度的肌肉松弛）或周围松弛（四肢肌肉松弛）。麻醉药品的监测和手动管理是由用户使用控制按钮和屏幕来完成，而智能麻醉控制系统自动管理剩余的药物，不间断地实时通知用户输送和麻醉效果的状态。 

在全自动模式下使用的方法：

如前所述，数据库137存储了根据不同麻醉“模式”（催眠水平、疼痛刺激水平，肌肉松弛的类型和程度）分组的不同类型的手术。领域知识库138存储了医生或专家针对不同类型手术的麻醉方案知识，然后驻留在数据存储装置132的控制算法使用这些麻醉数据和知识，在中央控制单元131的控制下，由贝叶斯网络分析器139执行判断。

例如，假设选定的手术为内窥镜胆囊切除术。这种手术具有时间短（约1小时），疼痛刺激程度高的特点，但手术不需要深度肌肉松弛（即较短的时间的麻醉），大多数仅在门诊即可治愈无需住院，病人应该能够在同一天离开医院，以满足这种类型手术的花费和人力资源限制。 

内窥镜胆囊切除手术的临床场景可分为以下几类（每种对应全身麻醉的每个组成部分）。 

催眠水平：轻度； 

痛觉丧失水平：深度；

肌肉松弛水平：深度； 肌肉松弛位置：核心

轻度催眠保证全身麻醉后的快速复原，深度痛觉丧失保证最佳的应激抑制和深度核心肌肉松弛，保证操作腹腔手术的最佳条件。

此外，领域知识可能会建议智能麻醉控制系统使用短效药物，因为在这种情况下手术后的疼痛是轻度的，可迅速从手术中恢复，以便从医院早日出院。因此没有必要在术中使用术后仍长时间有效的止痛药。在这个例子中，智能麻醉控制系统可能提出propofol（异丙酚），remifentanil（芬太尼）和rocuronium（罗库溴铵）的组合方案。 

模式学习方法：

    闭环智能麻醉控制系统可以从一个特定用户为给定类型手术进行的手动调整中学习知识，并在领域知识库138中存储其学习的时间模式以供将来参考。例如，在给定数量的用户X内镜胆囊切除术的麻醉的执行案例情况下，智能麻醉控制系统可以根据存储的时间模式进行自动化地变化。例如计算病人的平均定位时间后，不需要用户X手动输入，会出现自动地输液变化。可以申请要求用户确认预期的时间框架，而不是依靠用户手动输入。

智能麻醉控制系统根据病人的数据，如体重、既往病史、年龄等，可以通过启动画面实现校正。智能麻醉控制系统还可考虑额外的病人数据，如来自患者的电子病历或术前麻醉评估的数据，这些数据可能会影响药代动力学算法或药物的选择。如果病人容易发生过敏反应，智能麻醉控制系统会自动选择已知没有或很少引起过敏反应的麻醉剂，避免因麻醉剂而引起过敏反应。例如，顺式阿曲库铵（Cisatracurium，有一点过敏可能）可代替罗库溴铵（Rocuronium，具有高风险的过敏反应）作为肌肉松弛剂。 

    这种额外的病人的数据可以存储到数据库137中提供访问，例如在启动屏幕输入病人的ID。也可以用其他手段输入病人数据，包括用户通过用户界面手动输入。根据多种渠道的信息构造贝叶斯网络，如病人以往病史，麻醉规程，手术过程，监控设备资料，麻醉剂使用资料以及专家经验等。 

参照图2，显示了闭环智能麻醉控制系统推断麻醉操作的贝叶斯网络构建和训练过程的流程图示例，过程200中的步骤由块201至块202表示。根据手术室真实环境中的实验者（特定医生对特定病人）工作日志建立条件概率表，根据催眠深度、痛觉丧失程度、肌肉松弛程度等要素之间的依赖关系，即先验知识构造贝叶斯网络。 

过程200开始构造并训练贝叶斯网络。贝叶斯网络包含两个部分，一部分是贝叶斯网络结构图，这是一个有向无环图（DAG），其中图中的每个节点代表相应的变量，节点之间的连接关系代表了贝叶斯网络的条件独立语义。另一部分，是节点和节点之间的条件概率表（CPT），由一系列的概率值组成。      

构造与训练贝叶斯网络分为以下两步：(1) 确定随机变量间的拓扑关系，形成DAG。需要领域专家通过不断迭代和改进完成。 (2) 训练贝叶斯网络，即完成条件概率表的构造。如果每个随机变量的值都是可以直接观察的，那么这一步的训练是直观的，方法类似于朴素贝叶斯分类。如果贝叶斯网络的中存在隐藏变量节点，那么训练方法就是比较复杂，可以使用梯度下降等方法。参见图2块201，块202所示。

具体的，贝叶斯网络的构造与训练方法分别如下： 

1、根据先验知识构造贝叶斯网络。其具体步骤如下：

    (1)获取真实手术中麻醉实施的样本，其中，麻醉实施样本由病人的生命体征信息及其对应的麻醉药物种类、剂量和注射速度的选择信息组成。

    (2)由上述样本经关联规则挖掘算法——Apriori算法得到所有满足最小支持度阈值的频繁项集和所有满足最小置信度阈值的关联规则。其中，关联规则也即随机变量之间的因果关系。 

    (3)根据挖掘出来的关联规则构造相应的贝叶斯网络。 

2、训练贝叶斯网络。在学习或训练贝叶斯网络时，许多情况都是可能的。网络结构可能预先给定，或由数据导出。网络变量可能是可见的，或隐藏在所有或某些训练样本中。隐藏数据的情况也称为空缺值或不完全数据。 

当网络结构已知并且变量可见时，该过程由计算CPT项组成，其计算方法采用朴素贝叶斯分类涉及的概率计算方法。 

当网络结构给定，但某些变量隐藏时，则可使用梯度下降方法训练信念网络。目标是学习CPT项的值。 

参见图3，是图1智能麻醉控制系统的贝叶斯网络分析器推断麻醉操作过程的流程图示例，过程210中的步骤由块211至块215表示。包括以下步骤： 

输入：DAG，不可观察要素节点y，正规化因子 ，如图3块211所示；

输出：麻醉药物种类、注射药剂量、速度等级等不可观察要素的条件概率，如图3块212所示；

（1）对所有可观察随机变量节点用观察值实例化；对不可观察节点实例化为随机值。

(1)对DAG进行遍历，对每一个不可观察节点y,计算  $P\left(y\right|w_i)=\mathrm{\αP}\left(y\right|\mathrm{Parents}\left(y\right))\underset{j}{\mathrm{\Π}}P\left(s_i\right|\mathrm{Parents}\left(s_i\right)),$ 其中w_i表示除y以外的其它所有节点，ɑ为正规化因子，s_j表示y的第j个子节点，使得对除y以外的每个节点w_i，P(y|w_i)的总和为1，即  $\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(y\right|\mathrm{wi})=1.$ 如图3块213所示。 

（2）使用第二步计算出的各个y作为未知节点的新值进行实例化，重复第二步，直到结果充分收敛，如图3块214所示。 

（3）将收敛结果作为推断值，如图3块215所示。 

对催眠的监测

    智能麻醉控制系统的有效性在很大程度上依赖于要加以控制的输入变量和生理信号的可靠性。而衡量催眠药物的效果的理想变量是未知的，脑电图（EEG）分析所得的参数已成为度量闭环系统催眠深度的客观和可靠的措施。为此，脑电双频指数BIS是一种来自脑电图组成部分频率的相位和频率的关系的处理参数。BIS是一个无量纲数，范围从0（零电位活动）到100（意识）。40和60之间的值被视为表示较充足的催眠状态。

    如果只根据单一的输入信号计算，闭环控制系统可能被假象所误导。例如EEG信号中可能包含并非来自于人脑的电信号，这对病人存在很大的安全风险。为了尽量减少这些假象，使用信号质量指数（SQI）及肌电图（EMG）两个指标。SQI反映了用于导出前一分钟的BIS信息与非假象EEG数据的百分比。假象污 

染原始EEG脑电图，影响BIS的通常是使用一些手术器械或与EMG活动有关的高频信号。通过显示EMG信号，可以观察到这两种来源的假象。

    上面介绍的催眠监测过程仅是一个例子，可以使用其他参数。例如听觉诱发电位监测（AEP），指示无意识程度的参数。 

对痛感丧失的监测

    疼痛在全身麻醉的控制中是最不容易的，因为病人无法说话。然而，有一些间接的参数可以用来评估疼痛，如植物神经系统的反应、出汗、心率或血压的变化。有了这些参数，临床医生利用其判断、经验和手术的变量，比如在手术过程中的任何给定的时间内，对手术刺激引起疼痛的程度或存在的进行估计，调整痛觉丧失。在这些参数中，心率和血压是评估全身麻醉的疼痛程度最可靠的。

    虽然心率或血压已在外科手术中用来评估疼痛，关于术中疼痛评分的研究仍然是空白，没有建立任何一种相当于可广泛用来评估有意识病人疼痛的可视化疼痛评分方法。目前，大多数研究仅用于心率或血压，而没有两者的结合，来估计术中疼痛。为了将平均动脉压（MAP）、心率（HR）的变化转变为可能术中疼痛，必须需要信号处理和对数据的解释研究。 

    目前已经有一种公开的评估痛觉丧失分数表（analgoscore）算法（PCT专利公布号：WO2008/086624），采用平均动脉压和心率基于规则为全身麻醉期间的患者疼痛评分。痛觉缺失分数表范围介于-9和9之间，-9表示过度的痛觉丧失， 9表示疼痛控制不足。 

    上面介绍的痛觉丧失监测过程只作为一个例子，也可以使用其他参数，例如任何表示疼痛程度的参数。 

对肌肉松弛的监测

    目前还没有可靠的监视器可以确定在手术过程中全身肌肉放松的完整画面。为了正确反映人体肌肉松弛程度，应可靠监测一种类型以上的肌肉。可以采用目前已有的一种人体肌肉松弛程度监测方法，肌音描计法（phonomyography，由美国专利第7236832号公开），提供了一种非侵入性的、可靠的监测人体所有肌肉的方式，尤其是皱眉肌（CS）和拇内收（Adductor Pollicis, AP）肌。

    使用两个能够探测低频声波的小型麦克风，衡量CS肌肉和AP肌肉的肌肉松弛。通过两个神经刺激诱发电位评估肌肉收缩。按照麻醉标准的Train-Of-Four比率（TOF），4个200毫秒电脉冲（每个2赫兹）用于形成超强刺激电流（对于CS肌肉：20-30毫安；对于AP肌肉：40-70毫安）进行测量。一个TOF比率=1表示正常肌肉功能，而TOF比率<1表示不同程度的肌肉松弛，TOF比率介于0.10和0.25被认为是最佳的“外科手术放松”。 

    通过监测AP肌肉（周围肌肉功能的代表）和CS肌肉（核心肌肉功能，如腹肌，膈肌或喉部的代表），智能麻醉控制系统可以调整需要肌肉松弛的外科手术部位处的肌肉松弛药剂的输注率。 例如，如果腹腔镜手术需要手术部位腹腔的肌肉特别放松，输液速度将被滴定测试，保持CS肌肉在一定程度的“外科手术放松”，因为它可以最佳地反映腹腔肌肉放松的程度。 

    上面介绍的肌肉松弛监测过程只是一个例子，可以使用加速度监测仪等装置提供的其他参数。 

    在另一种实现中，智能麻醉控制系统可能允许用户为病人标记“紧张”，通过如下方式：例如，在启动画面增加域，或专用控制按钮，指示智能麻醉控制系统根据通常的临床实践需要增加催眠药物的剂量。 

    然后采用滴定测试的归纳方法，获得给定目标的催眠、痛觉丧失、肌肉松弛和合适的插管时机，通过以下方式表示给用户。例如，在维护屏幕附加插管指示器。只有当BIS 少于40，痛觉缺失分数处于绿色区域，肌肉松弛超过90％处于核心松弛（CS肌肉），插管指示器才被激活，通知用户现在的插管指标条件是最优的。如果使用其他控制变量，插管指标的激活条件将发生相应变化。 

智能麻醉控制系统镇静的使用

    在另一种实现中，智能麻醉控制系统可以提供自动控制病人的镇静的功能。为此，智能麻醉控制系统提供相应的额外用户界面。在进一步的实现中，智能麻醉控制系统的“轻型”版本可以只提供控制病人镇静的功能。

    在手术过程中，镇静是一个重要的麻醉任务，特别是在骨科手术中，患者需要接受脊髓麻醉和使用镇静程序，例如，使用异丙酚完成上述功能。 

    这是患者在接受髋关节或膝关节置换手术的标准做法。大多数麻醉师使用BIS作为临床判断和客观的监测参数，在这些过程中滴定测试异丙酚的连续输注剂量。 

    使用催眠监控，智能麻醉控制系统根据病人的需要调整异丙酚的输注速率，同时保持其自主呼吸活动。 

    镇静也可用于非手术干预（如上限或下限的胃肠道，心血管检查，经食管超声心动图或任何其他类似的内镜检查）。 

    这种类型的镇静往往需要麻醉师在现场。异丙酚不足或过量会导致严重的心血管或呼吸系统并发症，如果由未经训练的人员管理这类镇静会导致很严重的风险。 

    在手术过程中这些镇静或干预的风险是异丙酚过度镇静，这可能会导致低血压或降低自主呼吸活动，二氧化碳和低氧积累或镇静下自发运动的固有风险，这可能危及外科手术的成功，或造成患者的不适感。尽管脊髓麻醉呈现出完全无痛苦的症状，几乎所有的患者在手术过程中都喜欢“熟睡”。药物剂量的问题可导致血流动力学危害，为病人的生命和健康带来内在的风险。智能麻醉控制系统通过及早地检测关键限制值并使用弹出式菜单提醒用户，帮助用户避免风险。 

    因此，智能麻醉控制系统可用于保持镇静的任何级别。可以使用任何离散式意识监测仪器监控意识参数，如BIS。 

    此外，智能麻醉控制系统可集成以下生命体征参数：外周血氧饱和度、血压、心率、呼吸率、呼气的二氧化碳和呼气二氧化碳曲线的形状。 

    智能麻醉控制系统还集成了病人的氧气流量以及运动量，例如通过肌音描计传感器，智能麻醉控制系统能够使用这些功能探测到病人身体的运动情况，以及完整的血流动力学和呼吸状况。 

    然后智能麻醉控制系统可使用氧气流量和运动情况等生命体征参数提供的信息，调整药物输注水平。 

    可以理解的是，上文所披露的用户界面系统可以进一步生成各种报警和条件的状态，例如，在停止输液时“不注入”， 在注射器需要替换时“近空”。智能麻醉控制系统可以通过警报提醒用户关键事件的发生，如自动注射药剂时、注射神经肌肉阻滞剂时、存在虚假BIS信号时、与任何设备（监视器，输液泵等）的连接意外失效时。 

  

Claims (8)

1.一种闭环智能麻醉控制系统，特征在于：包括监控屏幕[10]、生命体征采集端[2]、工作站端[3]和麻醉药剂注射装置[140]；

生命体征采集端[2]与工作站端相连，生命体征采集端[2]通过传感器、生命体征检测装置采集病人的生命体征传感信息，并将获得的传感信息传输至工作站端[3]；

工作站端[3]连接到麻醉药剂注射装置[140]的输出，工作站端[3]对生命体征采集端[2]传送过来的传感信息进行处理，得出病人所需的麻醉药物种类、注射药剂量和注射速度，并通过麻醉剂注射装置[140]对病人进行麻醉剂的注射；

监控屏幕[10]监控工作站端[3]对病人进行麻醉剂注射时病人的麻醉状态。

2.根据权利要求1所述的闭环智能麻醉控制系统，其特征在于：所述工作站端[3]包括：中央控制单元[131]、数据存储装置[132]、显示控制[133]、用户接口控制[134]、信息输入控制[135]、麻醉剂注射控制[136]、数据库[137]、领域知识库[138]和贝叶斯网络分析器[139]；其中，信息输入控制[135]、数据存储装置[132]、数据库[137]、贝叶斯网络分析器[139]都和中央控制单元[131]相连；用户接口控制[134]和信息输入控制[135]相连，用户接口控制[134]接收生命体征采集端[2]输入的传感信息，信息输入控制[135]对这些传感信息进行数据清洗和预处理，将其加工成贝叶斯网络分析器[139]可处理的格式；数据存储装置[132]存储信息输入控制[135]传输过来的加工后的传感信息；数据库[137]保存生命体征采集端[2]输入的病人生命体征传感信息的实时数据和历史数据；领域知识库[138]存储贝叶斯网络模型，及以规则形式存储的针对不同类型手术的麻醉方案，供贝叶斯网络分析器[139]推断麻醉药剂类型、剂量、注射速率；贝叶斯网络分析器[139]和显示控制[133]、麻醉剂注射控制[136]相连，显示控制[133]和监控屏幕[10]相连；贝叶斯网络分析器[139]包括控制单元、Flash存储器和基于贝叶斯网络的自动麻醉控制模块，Flash存储器和基于贝叶斯网络的自动麻醉控制模块都和控制单元相连，Flash存储器用来存储数据库[137]传输过来的待分类的病人生命体征传感信息，基于贝叶斯网络的自动麻醉控制模块根据病人的实际情况判断病人所需的麻醉药物种类、剂量、注射速度并将得到的信息输出到麻醉剂注射控制[136]；麻醉剂注射控制[136]和药物注射装置[140]相连，控制麻醉剂注射装置[140]对病人进行麻醉剂的注射。

3.根据权利要求1所述的闭环智能麻醉控制系统，其特征在于：所述生命体征传感信息包括脑电双频指数BIS、动脉收缩压、心跳和痛觉指数；所述麻醉状态包括催眠深度、肌肉放松程度和痛觉丧失程度。

4.根据权利要求1所述的闭环智能麻醉控制系统，其特征在于：基于贝叶斯网络的自动麻醉控制模块的实现方法如下：

步骤1：根据先验知识构造贝叶斯网络；

步骤2：训练贝叶斯网络；

步骤3：用构建出的贝叶斯网络推断麻醉药物种类、注射药剂量和注射速度。

5.根据权利要求1或4所述的闭环智能麻醉控制系统，其特征在于：所述步骤1根据先验知识构造贝叶斯网络，具体方法如下：

获取真实手术中麻醉实施的样本，其中，麻醉实施样本由病人的生命体征信息及其对应的麻醉药物种类、剂量和注射速度的选择信息组成；

由上述样本经关联规则挖掘算法——Apriori算法得到所有满足最小支持度阈值的频繁项集和所有满足最小置信度阈值的关联规则；其中，关联规则即麻醉实施样本中随机变量之间的因果关系；

根据得到的关联规则构造相应的贝叶斯网络。

6.根据权利要求1或4所述的闭环智能麻醉控制系统，其特征在于：所述步骤2训练贝叶斯网络，具体方法如下：

当网络结构已知并且变量可见时，采用朴素贝叶斯分类中涉及的概率计算方法计算贝叶斯网络中的条件概率表项；

当网络结构给定但某些变量隐藏时，采用梯度下降方法计算贝叶斯网络中的条件概率表项。

7.根据权利要求6所述的闭环智能麻醉控制系统，其特征在于：梯度下降方法的步骤如下： 

(1)对每个i,j,k,计算梯度： 

其中，i,j,k是条件概率表矩阵的下标，其取值范围为1到n，n是贝叶斯网络中节点的数量，S是s个训练样本X₁,X₂,…X_s的集合，w_ijk是具有是双亲U_i=u_ik的 变量Y=y_ij的条件概率表项，X_d是S中的样本；(1)式右端的概率对S中的每个样本X_d进行计算，此概率记为p；当Y_i和U_i表示的变量对某个X_d是隐藏时，则对应的概率p使用贝叶斯网络推理的标准算法计算； 

对每个i,j,k,沿梯度方向前进一小步：用 

更新权值w_ijk，其中l表示步长的学习率，而

由(1)式计算，设置学习率为一个小常数； 

更新规格化权值：w_ijk在0.0到1.0之间，并且对于所有的i,k，Σ_jw_ijk等于1。 

8.根据权利要求1或4所述的闭环智能麻醉控制系统，其特征在于：所述步骤3用构建出的贝叶斯网络推断麻醉药物种类、注射药剂量和注射速度，具体方法如下： 

输入有向无环图DAG，不可观察要素节点y和正规化因子ɑ；对所有可观察随机变量节点用观察值实例化，将不可观察节点实例化为随机值； 

对DAG进行遍历，对每一个不可观察节点y,计算 

其中w_i表示除y以外的其它所有节点，s_j表示y的第j个子节点，ɑ为正规化因子，ɑ使得对除y以外的每个节点w_i，P(y|w_i)的总和为1，即

使用第(2)步计算出的各个y作为未知节点的新值进行实例化，重复第(2)步，直到结果充分收敛； 

将收敛结果作为推断值，并输出推断出的麻醉药物种类、注射药剂量和注射速度等级。 

Images