[发明专利]闭环自调节AI注射泵

说明书

本公开涉及一种闭环自调节AI注射泵，包括：获取患者在当前时刻的生理参数和麻醉药参数；将所述当前时刻的生理参数和麻醉药参数输入麻醉深度预测模型，以得到麻醉深度监测指数和未来预设时长内的血药浓度预测值；其中所述麻醉深度预测模型是基于术中时序数据以及回归标签对指定深度神经网络模型训练得到的，所述术中时序数据至少包含患者在多个历史时刻的生理参数和麻醉药参数，所述回归标签包含术中离线测得在所述多个历史时刻的患者血液中的血药浓度；AI注射泵基于该麻醉深度监测指数和/或未来预设时长内的血药浓度预测值控制调整注射泵泵送的麻醉药的注射剂量。

技术领域

本公开实施例涉及医疗设备技术领域，尤其涉及一种麻醉深度预测方法、介质以及闭环自调节AI(Artificial Intelligence)注射泵。

背景技术

目前手术中监测麻醉深度既要避免麻醉过浅又要防止麻醉过深，过浅可能发生术中知晓，过深又易影响患者转归，两者都会对患者的生理心理造成损害，且手术不同阶段的应激程度不同，需要不断调整麻醉深度以适应手术刺激，工作量大。因此，如何判断患者的麻醉深度以便麻醉医师适时调节麻醉药用量，一直是麻醉科医师关注的问题。

目前临床上主要通过脑电波EEG信号的采集，生成麻醉深度监测BIS数据来反映麻醉深度。然而，这种方式精准性有待提高。EEG信号在采集过程中，对环境因素干扰特别敏感。例如有线数据通信会由于麻醉医师助理不小心碰触而脱落或者接触不良，或者在麻醉中由于其他大型的手术设备会对麻醉设备等产生电磁干扰等因素而影响麻醉深度预测的精准性。

随着人工智能机器学习模型的发展，深度学习已应用于麻醉各个阶段的研究中。目前相关技术中基于深度学习模型如长短期记忆算法(long-short term memory，LSTM)训练的模型来预测靶控输注麻醉药如丙泊酚和瑞芬太尼的BIS的变化，该模型将预测结果的一致性相关系数从传统模型的26.5％提升至56.1％，极大地提高了BIS预测的精确度。该研究可为麻醉科医师提供一个预警系统，以在BIS出现过高或过低趋势时提醒麻醉科医师及时调整麻醉药如丙泊酚及瑞芬太尼的输注速率，以确保麻醉深度在一个合适的范围内，有助于患者术后快速苏醒和减少麻醉后并发症的发生。在此之后，又有研究将LSTM与模糊自动编码器相结合，利用麻醉期脑电图即EEG训练的模型预测麻醉深度。与其他传统预测模型相比，此模型预测精确度目前最高。

然而，该模型的标签是基于EEG图的分类，如图1所示不同麻醉深度下的EEG转换原始谱图。因此该模型的训练过程就是对这些人工归类的EEG图的标签进行逼近的过程。也就是说，基于EEG图的人工分类的标签的精度是这些模型预测麻醉深度的精确度的天花板，由于EEG图或者BIS图谱存在噪音的原因，该模型预测的精确度实际是基于这些噪音之上的精确度，也即是说真实的预测精确度依然有待提高。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种麻醉深度预测方法、介质和闭环自调节AI注射泵。

第一方面，本公开实施例提供了一种麻醉深度预测方法，包括：

获取患者在当前时刻的生理参数和麻醉药参数；

将所述当前时刻的生理参数和麻醉药参数输入麻醉深度预测模型，以得到麻醉深度监测指数和未来预设时长内的血药浓度预测值；其中，所述麻醉深度预测模型是基于术中时序数据以及回归标签对指定深度神经网络模型训练得到的，所述术中时序数据至少包含患者在多个历史时刻的生理参数和麻醉药参数，所述回归标签包含术中离线测得在所述多个历史时刻的患者血液中的血药浓度。

在一个实施例中，所述指定深度神经网络模型包括第一Transformer网络，所述指定深度神经网络模型的训练过程包括：基于所述术中时序数据以及回归标签对所述第一Transformer网络进行训练。

在一个实施例中，该方法还包括：

获取患者的基础信息，所述基础信息至少包括年龄、病史信息和器官功能信息；