Исследователи разработали алгоритм для оценки состояния пациентов во время операций. По активности нейронов компьютерная система распознаёт момент начала выхода из наркоза и предупреждает анестезиолога.
Общая медицинская анестезия угнетает центральную нервную систему и вызывает полную утрату сознания и болевой чувствительности. Для введения в это состояние, врач-анестезиолог индивидуально рассчитывает дозу анестетиков с учётом типа процедуры и особенностей организма. Во время операции врач следит за состоянием пациента и назначает дополнительные дозы анестетиков, чтобы вовремя предотвратить преждевременный выход из наркоза.
При оценке состояния пациента анестезиологи полагаются на сердечный ритм, частоту дыхания и движения пациента. От количества полученных препаратов зависит процесс выхода из наркоза и выраженность осложнений. Поэтому для анестезиолога критически важно видеть мельчайшие изменения в физиологических показателях и вовремя на них отреагировать. При этом точность субъективных расчётов варьируется в зависимости от опыта и квалификации врача.
Один из главных недостатков современных систем диагностики сознания на основе ЭЭГ заключается в том, что они не различают классы лекарств. Кроме того, они не учитывают возрастные отличия в реакции мозга на анестезию. Эти факторы ограничили их клиническое применение.
Команда исследователей из Массачусетской больницы общего профиля и Массачусетского технологического института разработала алгоритм для ИИ, оценивающий состояние пациента по показателям активности нейронов.
В основе алгоритма лежат данные из исследования 2013 года, опубликованного в журнале PNAS. В исследовании участвовало 10 здоровых добровольцев возрастом от 20 до 30 лет. Учёные вводили добровольцам короткодействующее снотворное пропофол, применяемое для поддержания наркоза. Участники отвечали на простые вопросы, в то время как исследователи повышали дозу. Потом дозу уменьшали и возвращали участников в сознательное состояние.
Во время экспериментов исследователи регистрировали нейронную активность мозга участников с помощью электроэнцефалограммы (ЭЭГ). В результате они получили набор данных о реакциях нейронов на вход и выход из бессознательного состояния.
Для обучения алгоритма учёные создали датасет из 33 тыс.двухсекундных записей ЭЭГ от семи из десяти добровольцев из исследования 2013 года. На их основе алгоритм натренировали различать состояние организма по активности нейронов, после чего исследователи проверили его в ходе трёх тестирований.
Для начала исследователи проверили, работает ли алгоритм. В исследовании 2013 года участников было десять, и исследователи прогнали данные трёх оставшихся через нейросеть. Алгоритм точно определил вход и выход из бессознательного состояния.
Второй тест включал анализ показателей ЭЭГ от 27 пациентов, получавших пропофол для общей анестезии в реальной медицинской операции. Показатели записывались на другое оборудование и отличались по качеству с экспериментальными (больше шумов). Тем не менее, алгоритм точно разделял состояния пациента. Исследователи особенно подчёркнули, как в одном из случаев он определил начало выхода из бессознательного состояния за несколько минут до того, как это сделал анестезиолог. Если бы алгоритм уже работал и помогал анестезиологу, он выдал бы точное и своевременное предупреждение.
В третьем тесте исследователи проверили, насколько хорошо работа алгоритма применима к другим препаратам. Система анализировала показатели ЭЭГ 17 оперируемых под ингаляционным анестетиком севофлураном. Несмотря на разницу в способе введения, и севофлуран, и пропофол действуют на одни и те же рецепторы на ключевых типах клеток мозга. В третьем эксперименте алгоритм оценивал состояние с меньшей точностью. По словам исследователей, отклонения не критичны и алгоритм хорошо себя показал при переносе на другой анестетик.
В новом исследовании, в отличие от исследования 2013 года, средний возраст пациентов выше и шире разброс. На основе полученных данных исследователи планируют разработать узкоспециализированные алгоритмы, предназначенные для разных возрастов и типов анестетиков. Кроме того, они продолжают обучение и тестирование ИИ на новом наборе данных от сотни пациентов.
Разработанный алгоритм не требует больших вычислительных мощностей. Полученная система запускается на MacBook Pro и за десятую долю секунды по двум секундам показателей ЭЭГ даёт точное предсказание уровня наркоза. Простота использования и высокая скорость выдачи результата позволит внедрить алгоритм для широкого использования в медицинских учреждениях, что повысит точность прогноза и качество оказания медицинской помощи, обещают его авторы.
Исследователи также планируют разработать автоматическую систему подачи анестетика, своевременно реагирующую на изменения нейронной активности мозга, зафиксированных ИИ.
Материалы исследования опубликованы в статье «Machine learning of EEG spectra classifies unconsciousness during GABAergic anesthesia» в журнале PLOS ONE Doi.org/10.1371/journal.pone.0246165.
