想象这样一个场景：患者被推入手术室后，麻醉医生熟练地为患者接上监护设备，护士则迅速开放静脉通路。监护仪发出规律的嘀嘀声，面罩轻轻覆上口鼻，耳边传来一声“深呼吸”。困意渐渐袭来，眼皮越来越沉，随后便什么都不知道了……等到意识慢慢恢复，手术已经完成。这样的场景，或许你在影视作品中也曾见过。你可能会认为，这一切完全由麻醉医生掌控。但在今天，这种理解已不完全准确——更真实的情况是，麻醉医生正在与“系统”默契配合，共同完成一次麻醉。而这个“系统”，正是人工智能（AI）。早在你第一次听到“人工智能”这个词之前，它就已经悄悄取代了麻醉医生的部分工作。

众所周知，“人工智能”（Artificial Intelligence, AI）并非一个全新的概念。虽然这个术语在1956年才被正式提出，但其理论基础可以追溯到1943年出现的“人工神经元模型”。经历了数次技术发展的“寒冬”之后，AI在2006年前后进入了深度学习阶段，并在2012年在视觉、语音识别等领域取得了关键突破。2020年，GPT-3问世；2022年，ChatGPT发布；2023年起，多模态大模型迅速兴起。

然而，很多人误以为人工智能在医疗领域的尝试是近几年才开始的。事实上，早在20世纪70年代，就已经出现了模仿人类决策规则的早期“专家系统”型医疗智能。1974年问世的MYCIN系统，就曾公开演示进行辅助医疗诊断。这也启发了麻醉医生尝试利用算法来帮助管理全身麻醉中的药物剂量，或预测手术麻醉过程中的生理变化。20世纪90年代，被称为“开环”的麻醉输注系统应运而生。它可以根据药代动力学原理，简单设置从静脉输注镇静药或肌松药的输注参数，但其调整仍需麻醉医生手动完成，无法自动调节。尽管这种开环系统相对简单，却很快被应用于手术麻醉和重症监护病房，并沿用至今。由此看，麻醉是医疗领域最早开始使用智能系统辅助治疗而不仅是诊断的学科。随着AI技术的不断突破，麻醉智能系统也在快速迭代。

“自动驾驶仪”：麻醉输注系统的进化

首先受益于深度学习和大数据技术的，正是麻醉输注系统。借助海量数据，系统能够以前所未有的精度分析心率、血压、脑电波、气道压力、动脉波形、呼吸曲线、肌肉松弛程度等复杂生理信号，为药物输注装上麻醉医生的“大脑”。于是，“开环”系统逐步发展为“闭环”系统。闭环系统可以通过反馈原理控制变量，使输注系统成为临床工作中的智能“自动驾驶仪”。

当患者进入手术室后，监护系统充当系统的“眼睛”，收集心率、血压等数据。闭环系统会根据麻醉医生输入的身高、体重、性别、年龄等信息，建立个性化的生物模型，制定唯一的用药方案，预判从诱导到苏醒不同阶段的药物需求。当麻醉医生决定开始麻醉后，镇静、镇痛及肌松药物由系统自动输注。在目前最常见的“单闭环”管理系统中，不同药物由各自独立的系统控制。以深度镇静药物的单闭环系统为例，系统会结合药代动力学和药效动力学模型，将监护数据整合到基于深度神经网络与长短期记忆网络的强化学习模型中，对药物输注速率提出动态建议。目前，已有智能系统能够整合脑电波、心率、血压及呼吸变化等多维数据，判断麻醉镇静深度与药物代谢速率——这就是所谓的“多闭环”系统。虽然多闭环系统目前多处于实验阶段，但随着多模态大模型的快速兴起，投入实际应用已指日可待。

管理与预测：多能的智能监护系统

麻醉智能监护系统不仅是执行全身麻醉、维持术中镇静深度的“眼睛”，更是麻醉医生预测术中风险、规避和处理危险的“大脑”与“助手”。AI的一大优势就是模式识别。在麻醉中，这意味着系统可以通过广泛的学习，识别出人类可能忽略的细微生理变化。国内外已有多种麻醉系统应用于临床，预测全麻诱导期出现的低血压、识别低血压类型，并为麻醉医生提供用药建议。部分系统通过分析诱导前平均血压、收缩压、长期服药史、麻醉诱导药物用量等预测因素，预判患者是否会在诱导后出现严重低血压，并提起给出干预建议。智能系统还能在手术过程中实时监测心率、血流动力学等数据，评估心脏功能、血管状态及循环血量是否满足器官需求，并主动给出意见：“快补液，5分钟内补入300毫升平衡液！”“静脉推注升压药1毫克！”“加强心脏支持！”“一过性血压升高，可暂不处理。”前文提到的闭环系统也是术中维持循环稳定的利器。目前的临床研究已证实，在术中采用闭环方式自动输注血管活性药物，效果优于人工给药。尤其是在高危手术或心脏手术麻醉中，与传统手动给药方式相比，自动闭环输注不仅能保持循环平稳，还能降低术后循环系统并发症的发生率。

麻醉智能系统的“眼睛”并不局限于手术室内的监护设备，也不仅限于手术麻醉过程中。这台“眼睛”可以是床旁的便携超声设备——经过充分学习的系统，只需观察一个超声切面，就能判断术中心脏功能与容量状态。它也可以是术前麻醉访视时，观察患者面部的摄像头——通过分析面部特征，系统可以预警全身麻醉后气管插管是否困难。它还可以是记录病史的软件——通过分析大量患者数据，系统能结合个体的既往病史、手术麻醉记录等，预测术后认知功能障碍的风险，并提出加强镇痛或使用止吐药物的建议。

麻醉医生的“第三只手”

作为助手的麻醉AI系统，不仅能预测风险并及时提醒，还能显著减少麻醉医生的文字工作负担。麻醉医生需要在手术过程中书写麻醉记录单，这是一份记录术中生命体征变化、突发事件处理过程与结果的医疗文件，要求真实、即时。信息化之后，麻醉医生不再需要每隔几分钟就手动记录，但许多信息仍需人工输入。整合了视觉、语音和大数据学习的智能麻醉记录系统可以进一步解放了医生的双手与精力。手术室内多个摄像头和麦克风捕捉到的影音信息，连同监护仪的数据，被实时转化为麻醉记录单上的文字内容——“患者入室”“开放静脉”“麻醉开始”“药物输注”“气管插管”“手术开始”“苏醒”“拔管”“转送复苏室”……过程会被自动书写下来，待手术结束后由麻醉医生核对确认。像是多出了一只可以进行文字工作的“手”，麻醉医生可以将更多的时间与精力用于观察患者、了解手术进展、发现问题、处理危机。更值得一提的是，智能摄像系统还能作为提醒麻醉医生自己的“手”——当系统发现医生长时间未关注患者时，它会适时提醒医生调整状态。

麻醉智能系统也已开始拥有自己真实的“手”。达·芬奇手术机器人系统作为外科领域的“手”已应用多年，但目前仍需人为操作。2010年，首例基于达·芬奇系统的模拟机器人辅助纤维支气管插管被报道，但这依然是由麻醉医生操作机械臂完成，算不上真正的人工智能。真正的智能气管插管机器人于2012年面世——名为Kepler的插管系统在气管插管模型上经过60次真人操作学习后，根据学习到的操作轨迹图像，成功完成了30次自主插管。三个月后，Kepler系统又已真实患者身上自主成功完成了11例全麻下的气管插管。

是学生、也是老师：多种智能助力麻醉教学

麻醉医生不仅通过大数据和大模型训练AI系统，同时也在接受AI系统的“训练”。例如在超声图像识别与引导区域神经阻滞或椎管内阻滞的训练中，AI能够实时提升图像清晰度，标记神经、筋膜平面和血管等解剖结构，帮助操作者识别关键解剖标志，减少并发症和意外发生。这对初学者或学习新技术的医生尤其有帮助。另一项令人兴奋的技术是“数字双胞胎”——即基于真实患者数据建立的虚拟模型。AI模拟的“病人”在给药前就能产生相应反应，为学习者提供一个安全、可控的练习环境。通过AI模拟、反馈与自适应学习，麻醉医生的训练临床应对的能力得以提升。麻醉作为一项容错率极低的实践学科，真实世界规划的虚拟患者，或可帮助医患双方规避医学传承与发展中可能面临的风险与代价。

麻醉医生会被AI取代吗？

最后不得不问一个总会被提及的问题：麻醉似乎比其他专科更接近全面人工智能的时代——AI注射药物、机器人自动插管、术中系统自行监测与维持麻醉深度、规避风险，术后还能预测疼痛与并发症……麻醉医生会是第一个被AI取代的医疗职业吗？

不会。

无论是药物输注系统、监护预警系统，还是插管机器人；无论是单闭环还是多闭环；无论是视觉模型、语言模型还是算法模型，它们都需要人来训练。但面对复杂多变的人体和疾病时，医生、护士、系统、机器——都只是谦卑的学习者。

AI擅长分析数据、识别模式、执行重复性任务。但临床麻醉远不止数字。它需要判断力、沟通能力、同理心、危机处理能力，以及在不确定性中从容应对的智慧——这些品质，是机器无法复制的。AI不会取代麻醉医生，但掌握AI的麻醉医生，可能会优于不使用它的同行。未来属于那些能将人类专业智慧与机器智能相结合的临床医生。人工智能麻醉设备，将是麻醉医生值得信赖的伙伴——它能提升安全性、精准度和效率。目前的手术室，已是一个人类与智能系统并肩协作的地方，未来的协作只会更加紧密。

变革，才刚刚开始。

作者：张弩 复旦大学附属闵行医院麻醉科