[發明專利]麻醉數據處理方法、系統、介質、設備及信息處理終端

在審

• 申請號: 202210975523.2
• 申請日: 2022-08-15
• 公開（公告）號: CN115346680A
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 高峻嘉;朱遙遙;蔡秀定;苗棟;張良;王迎凱
• 申請（專利權）人: 中科院成都信息技術股份有限公司
• 主分類號: G16H50/70
• 分類號: G16H50/70;G16H10/20;G06K9/62;G06N20/00
• 代理公司: 成都知棋知識產權代理事務所(普通合伙) 51325
• 代理人: 馬曉靜

本發明屬于麻醉數據處理技術領域，公開了一種麻醉數據處理方法、系統、介質、設備及信息處理終端，獲取臨床真實麻醉手術數據，構建離線臨床麻醉數據集；數據篩選和清洗，將數據集劃分為訓練集和測試集；基于離線臨床麻醉數據集的訓練集，使用離線強化學習算法訓練麻醉輸注策略；在訓練完成后，在測試集上進行測試；收集新的臨床真實麻醉手術數據，加入離線臨床麻醉數據集；迭代執行收集數據、模型訓練和策略驗證過程，直到測試結果符合人類專家水平。本發明使用離線強化學習方法建模，通過收集臨床麻醉手術數據作為很大的經驗池從中學習訓練智能體；為Q函數網絡添加正則項使得Q值的估計更加保守，避免分布偏移而導致的Q值過高估計的問題。

技術領域

本發明屬于麻醉數據處理技術領域，尤其涉及一種麻醉數據處理方法、系統、介質、設備及信息處理終端。

背景技術

目前，全身麻醉(全麻)指在手術中通過各種麻醉藥的使用，對患者身體所有機能暫時抑制，使患者神志消失(鎮靜)、痛覺消失(鎮痛)、肌肉松弛(肌松)；而麻醉藥是指所有麻醉用藥的統稱，并非單一的一種藥，基本以鎮靜藥、鎮痛藥、肌松藥為三大主藥。其次，全麻在整個手術過程分為三個階段，而三個階段的麻醉用藥，也是不同的：1.麻醉誘導期：麻醉醫生會在術前充分掌握患者的身高體重、基本病史等個人情況，計算出麻醉誘導藥的劑量，比如：依托咪酯(鎮靜藥)0.3mg/kg；舒芬太尼(鎮痛藥)0.5μg/kg；維庫溴銨(肌松藥)0.1mg/kg等，給藥后數分鐘，患者基本達到神志消失、痛覺消失、肌肉松弛的狀態，隨著氣管插管、麻醉參數調整等操作后，麻醉醫生會指示外科醫生，手術可以開始。2.麻醉維持期：在誘導期僅給予能使手術進行的麻醉藥劑量，而由于手術種類、難度等綜合因素導致手術情況無法準確預計，此劑量可能不足以維持整個手術過程，此時，就需要補充維持劑量，維持劑量一般使用注射泵泵注的劑量比較精確，比如：丙泊酚(鎮靜藥)5mg/kg/h；瑞芬太尼(鎮痛藥)10μg/kg/h；順苯(肌松藥)0.12mg/kg/h等，使患者的生命體征(心率、血壓、BIS等)基本保持穩定，手術才得以順利進行。3.麻醉復蘇期：當手術結束時，麻醉醫生會盡量使各種麻醉藥在同一時間失效(基本代謝完全)，而由于各種麻醉藥在人體的持續作用時間是不同的，尤其是三大主藥，比如：丙泊酚需15min左右，瑞芬太尼3min左右，順苯30min左右，都需要麻醉醫生根據手術進程提前停藥，以達到手術結束的同時患者平穩蘇醒。

而在一場涉及到麻醉的手術中，麻醉師不僅要對患者的麻醉狀態負責，還要對他們的生理穩定性和氧氣輸送負責。麻醉醫師風險高強度大加之人手短缺需要普遍加班，對麻醉醫師心理和身體都造成的巨大負擔，也嚴重影響了醫療質量和效率。亟需一種輔助麻醉醫師工作的智能麻醉系統，降低麻醉醫師工作量，減少因為疲勞等主觀因素引起的麻醉醫療事故發生。

近年來，深度強化學習算法圍棋、游戲、醫療等領域取得了影響深遠的成功并廣泛引起了人們的注意。強化學習是除開監督學習、無監督學習、半監督學習外的第四種學習范式，通過不斷試錯，并加以獎勵引導的方法進行學習。強化學習一般包括兩種重要的概念，即智能體模型和環境模型。智能體在環境模型中不斷進行試錯探索，獲取環境反饋的狀態以及認為設計的獎勵，以調整調整行動策略獲得最大的累積獎勵。

使用深度強化學習解決醫療中的麻醉靶控輸注問題鮮有人探索，其最大的原因是無法直接在人體上進行實驗交互。近來也逐漸有文獻探索通過建立數學模型模擬人體環境，以使得智能體從中學習。但由于模擬的環境與真實的人體環境相差甚遠，因此，智能體學習到的行為策略性能有限。甚至可能因為分布偏移(domain shift)而使得學習到的行為策略完全不可用，這在真實環境中是危險的。

為了訓練一個可以控制麻醉輸注速率的智能體模型的前提是，存在一個具有反饋的環境模型。因為麻醉藥的用量過多過少都會嚴重影響病人的生命體征信息，因此，直接基于人體環境訓練智能體是不太現實。現在普遍采取的做法是建立一個數學模型，模擬人體內的藥物轉移與代謝情況。