Искусственный интеллект — способность машин обучаться с помощью алгоритмов для того, что бы в итоге начать рассуждать подобно человеческому разуму. Цель ИИ — создание инструментов, что смогут помочь в решении разнообразных задач и сделать более эффективным процесс принятия решений в разных областях человеческой деятельности. Развитие технологий на основе ИИ и последующее внедрение их в медицину, возможно, сможет привести к улучшению оказания медицинской помощи в контексте безопасности и экономичности [1, 2]. Bignami et al. [3] показали роль ИИ в периоперационной медицине для анестезиологов, когда ИИ помогает человеческому разуму в планировании периоперационных практик на разных стадиях. ИИ может сыграть важную роль в предоперационной фазе в виде оценки показаний к оперативному вмешательству, оценки факторов риска и в менеджменте нежелательных явлений. К примеру, одна из основных целей предоперационного периода заключается в идентификации пациентов высокого риска в разных направлениях хирургии, что несет в себе определенные трудности для анестезиологов, которым необходимо заранее оценить показания для перевода пациента в отделение интенсивной терапии в ближайшем послеоперационном периоде. Большинство традиционных шкал оценки хирургического риска при их применении приводит к строгому разделению пациентов на определенные кластеры, без учета вариабельности каждого пациента. И здесь можно предположить, что технологии ИИ приведут к лучшим результатам просто по причине индивидуализации процесса прогнозирования за счет способности ИИ обрабатывать намного большее количество информации.
Но применение ИИ в медицинской практике не должно исключать человеческих взаимоотношений между врачем и пациентом, эти отношения должны быть сохранены. ИИ может оказать поддержку клиницистам и в интраоперационном периоде в виде улучшения прогнозирования гипотензии и гипоксемии. К примеру, несколько авторов описали строгие алгоритмы, построенные на анализе пульсовой волны, которые позволяют с высокой точностью прогнозировать развитие гипотензии за несколько минут до ее клинических проявлений [4]. Подобные инструменты могут улучшить качество анестезиологической помощи, когда заранее предсказанное ИИ осложнение предотвращается своевременным вмешательством человека, снижая тем самым тяжесть и частоту послеоперационных осложнений и их последствия.
Практика сбалансированной общей анестезии и практика послеоперационного обезболивания в настоящий момент при управлении ноцицепцией больше полагается на опиоиды, которые считаются самыми эффективными антиноцицептивными агентами, даже несмотря на все те нежелательные явления, что сопровождает применение опиоидов. Современная концепция мультимодальной анестезии полагается на рациональную стратегию, при которой применяется комбинация агентов, каждый из которых направлен на свои цели в ноцицептивной системе, но все вместе они эффективны в качестве контроля боли в интраоперационном и в послеоперационном периоде [5]. И место ИИ в этой концепции — одновременный мониторинг антиноцицепции и уровня сознания при применении систем доставки с замкнутым контуром при проведении тотальной внутривенной анестезии (тема, хорошо изученная с 60-х годов прошлого века) [6, 7].
Совсем недавно была реализована модель, при которой контроль глубины анестезии при целевой инфузии пропофола и ремифентанила осуществлялся с помощью биспектрального индекса (БИС), а нейронная сеть была обучена прогнозированию глубины анестезии только лишь на основании показаний БИС без какой либо информации о фармакокинетике и фармакодинамике пропофола и ремифентанила [8].
В послеоперационном периоде польза от использования ИИ может заключаться в прогнозировании средне- и долгосрочных исходов, тем самым помогая клиницистам устанавливать более точное и безопасное, в контексте послеоперационных осложнений, время выписки пациента из стационара или из ОИТ. К примеру, время перевода пациента из ОИТ в ночное время ассоциируется с увеличением госпитальной летальности, но и здесь ИИ может оказать помощь в определении тех пациентов, которым такой перевод не навредит [3]. Таким образом, идентификация безопасных критериев для перевода пациента при использовании ИИ может улучшить процесс принятия решений, снижая возможность фатальной ошибки. Более того, ИИ может играть важную роль при прогнозировании послеоперационных осложнений, при этом точность прогноза находится в прямой зависимости от объема данных, введенных в систему прогнозирования.
Нельзя не сказать и об ограничениях, свойственных ИИ. Во первых, большинству методов не хватает прозрачности того, как работают алгоритмы, и каким образом работают механизмы, генерирующие прогноз. Во вторых, ИИ может быть полезным инструментом для выявления корреляций и/или выявления закономерностей, ИИ не может объяснить причинно-следственную связь. Более того, алгоритмы ИИ очень сильно зависят от качества вводимых данных. Эти данные могут содержать в себе ошибки и предвзятости, свойственные клиническим исследованиям и самим системам здравоохранения [2].
В заключение можно сказать следующее — потенциально ИИ может играть ключевую роль как инструмент поддержки клиницистов, специализирующихся в периоперационной медицине, при разработке наилучших терапевтических программ, индивидуализированных под конкретного пациента.
Источник: DOI: 10.23736/S0375-9393.21.15612-3
Список литературы:
1. Connor CW. Artificial Intelligence and Machine Learning in Anesthesiology. Anesthesiology 2019;131:1346–59.
2. Hashimoto DA,Witkowski E, Gao L, Meireles O, Rosman G. Artificial Intelligence in Anesthesiology: Current Techniques, Clinical Applications, and Limitations. Anesthesiology 2020;132:379–94.
3. Bignami EG, Cozzani F, Del Rio P, Bellini V. The role of artificial intelligence in surgical patient perioperative management. Minerva Anestesiol 2021;87:817–22.
4. Kendale S, Kulkarni P, Rosenberg AD, Wang J. Supervised Machine-learning Predictive Analytics for Prediction of Postinduction Hypotension. Anesthesiology 2018;129:675–88.
5. Brown EN, Pavone KJ, Naranjo M. Multimodal General Anesthesia: theory and Practice. Anesth Analg 2018;127:1246–58.
6. Mayo CW, Bickford RG, Faulconer A Jr. Electroencephalographically controlled anesthesia in abdominal surgery. J Am Med Assoc 1950;144:1081–3.
7. M LEG. Liu N, Chazot T, Fischler M. Closed-loop anesthesia. Minerva Anestesiol 2016;82:573–81.
8. Lee HC, Ryu HG, Chung EJ, Jung CW. Prediction of Bispectral Index during Target-controlled Infusion of Propofol and Remifentanil: A Deep Learning Approach. Anesthesi- ology 2018;128:492–501