使用深度學習來控制處于麻醉狀態的患者的意識狀態

近年來，研究人員一直在為越來越廣泛的目的開發機器學習算法。這包括可應用于醫療保健環境的算法，例如幫助臨床醫生診斷特定疾病或神經精神疾病或隨時間推移監測患者的健康狀況。

麻省理工學院(MIT)和馬薩諸塞州總醫院的研究人員最近進行了一項研究，調查了使用深度強化學習來控制需要麻醉以進行醫療程序的患者的意識水平的可能性。他們的論文定于2020年國際醫學人工智能大會會議論文集發表，被評為該會議上發表的最佳論文。

“我們的實驗室在理解麻醉藥物如何影響神經活動方面取得了重大進展，現在有一個多學科團隊研究如何從神經記錄中準確確定麻醉劑量，”進行這項研究的研究人員之一加布里埃爾·沙姆伯格(Gabriel Schamberg)告訴TechXplore。“在我們最近的研究中，我們使用交叉熵方法訓練了神經網絡，方法是反復讓神經網絡在模擬患者身上運行，并鼓勵采取可導致良好結果的行動。”

本質上，Schamberg和他的同事開發了一個深度神經網絡，并對其進行了訓練，以便在模擬環境中使用強化學習來控制麻醉劑的劑量。他們特別關注丙泊酚的劑量，這是一種降低人們意識的藥物，通常用于對正在接受醫療程序治療的患者進行全身麻醉或鎮靜。

研究人員在模擬患者數據上訓練了他們開發的神經網絡，該數據是基于具有隨機參數的藥代動力學/藥效學模型生成的。這最終使他們能夠解決眾多具有不同特征和特征的患者。

他們使用所謂的“交叉熵”方法進行了一系列訓練試驗。在這些試驗中，神經網絡逐漸學會了將觀察到的麻醉狀態映射為輸注固定劑量的異丙酚的可能性。

當他們評估模型的性能時，研究人員應用了確定性策略，將固定劑量的異丙酚輸注的概率轉換為連續輸注速率。總體而言，他們的神經網絡取得了令人矚目的成果，勝過比例積分微分(PID)控制器，該控制器以前曾用于確定理想的麻醉劑量。

Schamberg說：“我們方法的兩個主要優點是它能夠縮放觀察結果中包括的臨床變量的能力，以及輸入變量與推薦劑量之間的深層網絡的連續關系。” “深層神經網絡使我們能夠使用許多連續的輸入數據來建立模型，因此我們的方法比以前的基于表的策略生成了更多的一致控制策略。”

將來，由這組研究人員設計的基于深度神經網絡的模型可以幫助麻醉師確定個別患者的異丙酚的理想劑量并達到不同的意識水平。盡管如此，該模型到目前為止僅在模擬中進行過測試，因此在將其應用于實際環境之前，將需要對真實患者進行一系列臨床試驗。

Schamberg說：“到目前為止，我們的方法優于常用的比例-積分-微分控制器，并且在各種患者的藥物代謝和作用變化中都具有很強的魯棒性。” “我們現在很樂意在受控的臨床環境中對人類提出的范例進行測試。”