“醉”译献 | 人工智能和麻醉
嘉兴市第二医院麻醉科译审01介绍人工智能（AI）被普遍认为是始于机器人的发明的。机器人这个术语本身是通过捷克作家Karel Capek的戏剧《R.U.R》（1921年）进入了国际词汇领域。AI是一种通用的表达，指所有使计算机能够模仿人类智能的技术。它基于算法使机器能够推理和执行一些功能，如解决问题、物体和单词识别、世界状态推理和决策。它包括机器学习（ML）和深度学习（DL）。ML允许计算机通过经验提高性能，通常涉及将算法暴露给“训练数据”来训练算法。ML算法有三种类型：(I)监督学习，使用标记的数据集来训练算法以对数据进行分类或准确地预测结果；它侧重于新数据的分类和未知参数的预测。（II）无监督学习，它是指在没有输出可预测的数据集中识别模式或结构的算法。这些算法有助于找到对患者、药物或其他组进行分类的新方法从而为未来研究生成假设。（III）基于算法的强化学习，尝试某些任务，并从随后的成功和错误中学习。DL是ML的一个子集，使用人工神经网络（ANN）在多层次中进行组织。ANN使用多层次计算来模拟人类大脑如何从信息中解释和得出结论的概念。DL的特征是多个隐藏节点层，它们通过以多种方式抽象数据来学习数据的表示。DL与简单神经网络（NN）的区别之处在于，节点层的层数增加，网络的整体规模更大，从而可以更准确地表示复杂的相互关系。医学本质上是一个不断发展的领域，大多数医学数据本质上是不精确的。由于这些原因，Boolean逻辑或传统逻辑，使用尖锐的区别，即0表示假，1表示真，并不总是适合分析医学数据。1965年，加州大学的工程师Lofti Zadeh推广了“模糊”逻辑，使用从0到连续集合成员1。模糊逻辑（FL）是一种允许歧义的数据处理方法，因此特别适用于医疗应用。AI在医疗保健领域的巨大应用潜力得到了广泛的认可。在这种背景下，我们发现了在精准医疗、优化可用资源和减少不平等等方面的可用性。AI在医学诊断、医疗治疗、药物生产、临床管理、医学教育等各个医学领域都取得了良好的成果。例如，AI在降低成本和节省时间方面的有效性已被证明，ML算法中应用于骨质疏松症和Paget病患者可以设法确定可能的最佳治疗组合，减少药物相互作用。在这方面，麻醉领域也不例外。事实上，通过持续监测提供的丰富数据使麻醉成为应用AI技术的很有前景的领域。
本综述的目的是分析AI及其子集是否在当前的临床麻醉实践中得到实施，并描述该领域的研究现状。
02方法我们对Scopus、PubMed和Cochrane数据库中的文献进行了叙述性回顾。检索词由“人工智能”、“机器学习”、“麻醉”、“麻醉学”的各种组合组成。两位作者独立进行搜索。第三位审稿人调和筛选结果的任何分歧。纳入的论文必须重点关注基于AI的算法在麻醉实践中的应用，包括术前、术中、术后和手术室（OR）管理。2015年至2021年12月的所有英文论文均符合条件。同行评审，已发表的文献，包括叙述性综述论文，有纳入条件。涉及动物、社论、给编辑的信和仅有摘要的研究被排除在外。被纳入论文的参考文献列表被手工搜索，如果符合纳入标准，则被纳入。搜索策略总结如表1所示。
03讨论在纳入文章的基础上，我们确定了以下研究类别：（I）AI在麻醉前的应用；（II）AI在麻醉中的应用；（III）AI在麻醉后的应用；（IV）AI在OR管理中的应用（表2）。
❖AI在麻醉前的应用术前风险分层是麻醉医师的基本评估。在这种情况下，AI的使用取得了良好的效果。其中最广泛使用的分级是美国麻醉医师协会身体状况（ASA PS）。这种分级是主观的，需要麻醉医生进行审查以评分，而且精细度有限。Zhang等人发表了一篇文章，目的是开发一个能够自动生成具有更细精度的ASA PS系统。监督下ML方法用于创建一个模型，使用患者家庭用药和合并症对患者ASA PS进行连续预测。采用了三种不同类型的预测模型：回归模型、顺序模型和分类模型。为了评估模型在连续ASA PS预测上的表现，我们将模型排名与两名麻醉医师在ASA PS 3级病例对的一个子集上进行了比较。结果表明，随机森林分割分类模型可以预测ASA PS，与文献中报道的麻醉医师的评估相一致，并产生精细度准确的连续评分。作者的结论是使用连续评分可能帮助麻醉医师识别高危患者，从额外的术前评估中获益。
这些新技术不仅能够提高现有分级，而且似乎可以提供新型高度个性化的风险评分。其中第一种被称为“我的手术风险评估”。来源于51,457名接受大型手术患者的数据。分数能够预测八类术后并发症的风险[急性肾损伤（AKI）、脓毒血症、静脉血栓栓塞、重症监护病房（ICU）入院时间>48小时、机械通气时间>48小时、切口、神经系统和心血管并发症]，曲线下面积（AUC）值在0.82和0.94之间，死亡风险在1、3、6、12和24个月的AUC值在0.77和0.83之间。此外，“我的手术风险”算法已被证明与20名医生相比有优越表现。另一个很好的例子是Xue等的研究小组。作者开发了ML模型，能够仅利用术中或术前数据以及联合数据识别5种术后并发症（AKI、谵妄、深静脉血栓形成、肺栓和肺炎）的风险。
术前评估的另一个重要方面是气道评估。文献中已提出多种评分方法。然而，对于大多数没有明显解剖性气道异常的成年患者，这些评分并不是那么有效。从2018年发表的一篇综述中可以看出，所有被调查的指标测试虽然具有良好的特异性，但敏感性相对较低。AI的使用在这一领域也可能很有用。Tavolara等人从正面面部图像中开发了一种能够识别困难插管患者的DL模型，其性能优于两种常规评分，即Mallampati评分和甲颌距离。此外，该模型可以在高灵敏度和低特异性（0.9079和0.4474）或低灵敏度和高特异性（0.3684和0.9605）下使用，超过了当前评分低灵敏度的极限。Kim等人提出了喉镜暴露困难的预测模型，根据Cormack-Lehane分级定义为3级和4级。在本单中心研究中，平衡随机森林（BRF）算法在接收机工作特性（AUROC）下的面积为0.79（0.72-0.86）。此外，在这种情况下，如果我们考虑光梯度增压机（LGBM），则已经确定了具有高灵敏度（BRF为90%）的模型和具有高特异性和准确性的模型，分别为91%和83%。最后，Hayasaka等人开发了一种卷积神经网络（CNN）算法，能够通过评估患者面部图像来评估插管难度，AUC为0.864，使其成为预测困难气管插管很有前途的工具。
❖AI在麻醉中的应用在文献中，最引起AI使用兴趣的围术期路径是术中路径。使用AI进行了几项任务并取得良好结果，特别是在以下领域中进行参考：区域麻醉解剖结构识别、镇静管理、麻醉深度（DoA）监测、自动给药、术中疼痛管理、预测不良事件，如低血压和低氧血症以及术后并发症风险预测。在解剖结构识别方面，图像引导程序成为许多医学方面诊断和治疗的标准。在所有的成像方式中，超声波（US）由于其实时、低成本和无辐射而被广泛应用。麻醉医师主要使用US来进行安全有效的区域麻醉。然而，由于干扰、伪影和解剖结构的变异，神经跟踪和精确的针尖定位仍然是一项具有挑战性的任务。一项研究调查了增强现实（AR）在模拟硬膜外麻醉中检测解剖标志的应用；在3D增强环境中观察US探头和针尖，并在针尖使用单元式换能器确定硬膜外空间。所有AR中的尝试均成功，而单独使用US只有50%的成功率。Pesteie等使用卷积NN自动识别椎板前基底，而Hetherington等人使用卷积NN从US图像自动实时识别骶骨和L1-L5椎体和椎体空间的准确率高达95%。麻醉医师最大的困难之一是对肥胖患者进行蛛网膜下腔阻滞或硬膜外麻醉，特别是在肥胖孕妇中，妊娠引起的脊柱改变进一步降低了成功的机会。在此背景下，Chan等人开发了一种ML算法，利用自动的腰椎脊柱标志US成像来确定穿刺点；结果令人印象深刻，第一次尝试的成功率约为80%。
接受胃肠镜检查的患者往往需要镇静以提高患者舒适度和检查质量。2021年，Syed等人建立了一个ML模型（XGBoost），该模型在10025次结肠镜检查中进行镇静成功的预测，AUC为0.762。
许多外科手术都需要全身麻醉，为患者提供镇静、镇痛和肌松。镇静药物滴定可以防止镇静过度和镇静不足以避免不必要的术中知晓或血流动力学不稳定。准确的DoA监测可降低死亡率、并发症发生率和术后康复。不幸的是，镇静药量与DoA没有线性关系，包括挥发性麻醉药和静脉麻醉药。ML领域提供了许多不同的算法用来建立一个可靠的索引以监测DoA。在此背景下，Afshar等人提出了一个涉及CNN、双向长短期记忆（LSTM）和注意力层的DL组合结构。该模型使用脑电信号连续监测双谱指数。它在主要来自于全身麻醉患者的大型数据集上进行训练，少数病例接受镇静/镇痛和脊髓麻醉。将所得到的DoA值离散为四个麻醉水平，结果显示出较强的学科间分类准确率，为88.7%。同样，在本研究中，作者提出了一种结合多种基于脑电图特征与人工神经网络来评估DoA的方法。BIS与该方法指数的相关系数为0.892（P＜0.001）。结果表明，该方法能很好地区分清醒状态和麻醉状态。麻醉的闭环控制是指根据测量的临床效果持续调整药物输注速率。然而，在真实的手术环境中，许多干扰因素会影响BIS信号的可靠性，因而影响丙泊酚和瑞芬太尼持续注射的效应部位预测浓度与BIS指数之间的差异从而导致潜在的全凭静脉麻醉（TIVA）并发症。考虑到这些方面，其他工具可能在维持期间提供有用信息。West等利用NeuroSENSE监控提供深度的脑电图镇静监测[基于小波的中枢神经系统麻醉深度（WAVCNS）监测]评估使用WAVCNS反馈稳健控制异丙酚和瑞芬太尼输注闭环系统的可行性。结果表明其提供了一种使用单一传感器优化两种药物稳健控制的方法，但需要进一步的研究来确定这些安全条件下的最优限制条件。此外，Miyaguchi等最近比较了六种ML方法[逻辑回归、支持向量机（SVM）、随机森林、光梯度增强机（LGBM）、ANN和LSTM]在预测瑞芬太尼导致不良事件方面的性能。结果表明，在预测瑞芬太尼后1 min后速率增加时，LSTM模型的预测敏感性为0.659，特异性为0.732，ROC-AUC为0.753；对于作者来说，这些结果显示了预测麻醉医师使用ML决策的未来潜力。
在术中疼痛管理方面，量化患者痛觉水平和在麻醉期间调整镇痛药物输注仍具有挑战性。为此，ML算法可以用于建立索引，帮助麻醉医师管理术中疼痛，如Gonzalez-Cava等在本文中所做的那样。他们评估了镇痛/伤害性刺激指数（ANI）作为阿片类药物输注速率调节的指导变量。ANI监测仪使用心率变异性（HRV）分析来测量呼吸性心律失常（RSA）的影响。ANI值和血流动力学信息优于非特异性的传统体征，如心率和血压以量化痛觉水平，并可能在这些事件发生前调整剂量变化以防止血流动力学事件的发生。
AI是预测术中不良事件的新型临床工具的基础。与并发症发生率和死亡率增加相关最常见的影响因素之一是术中低血压。因此，预测术中血压的发生是术中ML的目标。在韩国的一项研究中，作者发现ML模型能够预测在气管插管和切皮之间发生的低血压。其中，随机森林模型的表现最好，AUC为0.842。在另一项研究中，作者比较了12个节点的单个隐层NN与离散特征鉴别方法在预测剖宫产术中脊髓麻醉下显著低血压方面的能力。结果表明，NN方法可能优于离散特征量化方法。此外，位于阿姆斯特丹的一个三级医疗中心进行的一项名为低血压预测（HYPE）试验的初步非盲随机临床试验测试了ML衍生的早期预警系统，即低血压预测指数（HPI）以在低血压发生前不久进行预测。患者被随机分配到接受早期预警系统或标准治疗，两组患者的平均动脉压（MAP）至少为65 mmHg。干预组患者低血压中位时间明显短于对照组，减少了术中低血压的严重程度和持续时间，没有使用静脉输液、血管升压药和/或正性肌力药物治疗。然而，在HYPE研究的一个亚研究中，HPI指导下的护理并没有减少术后低血压的中位持续时间。基于这些原因，我们认为需要进一步的研究来了解其在日常临床实践中的有效性及其对术后结局的影响。类似地，一项基于集成模型的ML工具，名为“预见”，可以帮助麻醉医师预测麻醉期间低氧血症的发生，并能够描述有助于预测的危险因素。然而，当接收由“预见”产生的信息时，麻醉医师能够显著提高他们预测术中低氧血症的能力。这代表人类和机器之间的互补关系可以超越个体。最近，Chen等人测试了一种可转移嵌入方法（一种将时间序列信号转换为预测ML模型输入特征的方法），称为PHASE，使用来自ORs和ICU的大量数据集。结果表明，PHASE在预测六种不同结果方面优于其他先进的方法：低氧血症、低碳酸血症、低血压、高血压、苯肾上腺素和肾上腺素。
整合术前和术中数据以改善风险预测正成为文献中争论的主题。这当然是合理的假设，即开发从术中阶段获得的信息可以提高认识。这一概念来自于几项研究，除了最近的一篇文章，该文章中添加术中数据并没有提高该模型在预测腹腔手术后死亡率方面的效能。相反，在其他几篇论文中，术中数据的利用提供了相关的临床信息，如“我的术后风险延长”。在最近的另一篇文章中，Palla等提出了一个能够预测麻醉后恢复病房（PACU）低血压的模型，使用了88,446名手术患者的术前和术中数据，AUROC为0.82。这两种数据时间之间的集成也被用来创建有效的术后谵妄的ML预测模型。不同但同样有效的例子是之前引用的Xue等的模型，能够利用来自不同手术阶段的数据，使这些模型特别适用于几种临床情况，从所有数据都可用的择期手术到急诊手术，唯一可用的数据来自术中。很明显，通过使用智能临床工具提供的精准医疗，如何摆脱了经典的患者个体化的概念，但它也设法包括了临床条件多样性的概念。
❖AI在麻醉后的应用在疼痛医学领域，AI正成为一个有价值的盟友。由于其复杂的分析使得理解疼痛的病理生理学正在成为可能。Gonzalez-Cava等使用ML分析了来自暴露于疼痛和非疼痛热刺激下人类志愿者的功能磁共振成像数据的差异。他们证明全脑扫描的ML分析比传统上与痛觉相关的单个大脑区域的分析更能成功地准确识别疼痛。在术后疼痛方面也取得了良好的结果，可能是考虑到导致术后疼痛发生变量的复杂性，包括在数量和相互关系等方面。Barry等分析与周围神经阻滞后反弹性疼痛相关的因素，显示了ML技术，特别是“逻辑模型树属性-选择分类器”，证明与其他分析相比有最好的性能，特别是与多元逻辑回归模型相比，包括以前没有考虑的新变量。Parthipan等使用ML技术更好地理解术后疼痛和抑郁之间的关系。他们得出的结论是由于这些新型分析技术的开发，首次突破已知的选择性5-羟色胺再摄取抑制剂（SSRIs）抑制前药阿片类药物疼痛控制的效果已被证实。ML不仅在疼痛风险预测方面被证明很有用，而且在支持有关急性疼痛服务（APS）的临床决策方面也很有用。在Tighe等的研究中，ML分级器成功地预测了92.5%的手术病例术前APS会诊。
另一项也需要进行持续监测并提供大量重要数据的阶段是PACU的准入。这代表了手术患者另一个阶段，需要进行持续仔细的监测以识别早期并发症。Olsen等提出了一种检测在PACU中早期不良事件迹象（ESODs）的预测算法；该系统具有良好的结果，能够达到92.2%的准确率，显著减少误报和遗漏ESODs。然而不幸的是，这尚未得到广泛应用，这是关于这一主题为数不多的研究之一。另一项重要的PACU评估是对手术后住院患者死亡率的评估。在此背景下，Lee等开发了一种具有神经网络的广义加性模型（GAM-NNs），能够预测全身麻醉患者的死亡率，AUC较高，并且与以往研究中使用的简单模型相比具有许多优势；例如，能够学习数据中的非线性模式，临床更直观，更容易解释，显著的AUC，为0.921。
肝移植术后急性肾功能衰竭是一种严重的术后并发症，考虑到这一点，回顾性单中心研究设定了创建基于ML的风险预测工具的目标；结果显示是有希望的，约55%的病例预测正确，尽管病例数量不是很高，但在临床实践中实施这类算法之前，进一步的多中心研究是有必要的。在最近的一篇文章中，作者使用了一个随机森林模型来评估与终末期肾功能衰竭患者术后并发症最为相关的影响因素，例如麻醉时间、手术时间、晶体和胶体的使用。该模型的F1得分为0.797，显示了预测的良好可靠性，使其成为医生对这些患者进行治疗选择的可行指南。
呼吸管理是患者管理的基石。使用二氧化碳测定仪（etCO2-呼气末二氧化碳；RR-呼吸频率）和脉搏血氧仪（SpO2-动脉血氧饱和度；PR-脉搏频率）进行持续呼吸监测可减少严重呼吸不良事件的发生。利用基于FL推理模型的数学算法，可以将这些通气和呼吸参数组合成单一值。综合肺指数（IPI）在识别重大和严重的呼吸事件显示出高水平的敏感性。IPI的高特异性可以预防医护人员对警报声音的脱敏和被称为“警报疲劳”的现象。
可以肯定的是，在术前、术中和术后阶段，AI目前都能够执行即便是较为复杂的程序并且具有良好结果，提供了构建智能临床决策工具的能力。新技术允许我们进入称之为麻醉4.0的新时代。由于麻醉与其他职业有许多相似之处，来自其他学科的几个概念一直被应用。就像在工业中一样，麻醉医师也在经历一场真正的技术突破。工业4.0不仅被认为是对提高制造效率的新技术和工具的投资，而是颠覆整个商业组织思维和运作方式的革命，而不仅仅是一场技术革命。在我们的案例中，麻醉学思维的改变也必须发生。同样地，我们正面临一个新的阶段，麻醉4.0，作为当今麻醉学倾向于插入由可靠的大数据系统驱动的智能和自主系统以提高质量、安全性和效率（图1）。考虑到麻醉风险管理的反应性操作；在不久的将来，它们将被基于AI模型的临床决策支持系统超越，该模型设计为在不良事件发生之前进行干预，而不是已经发生之后。基于这些原因，我们建议AI应该成为未来麻醉医师的基本技术和非技术技能以跟上当前的技术和文化革命。
❖OR管理众所周知，手术室是医院中最昂贵的部分之一。能够充分利用可用资源和空间是管理运营资源的一个基本目标。然而，优化不仅包括改善经济方面，而且最重要的是所做工作的安全性和质量。例如，由于手术时间安排上的错误而取消手术不仅会导致经济资源的浪费，而且还会推迟手术从而危及特定患者的安全。此外，优化可用资源意味着提高所提供的医疗质量，最大限度地利用可用资源。然而，运营部门的管理并不简单，涉及对医疗保健专业人员和仪器的多学科管理，加上一定程度医学典型的不可预测性。因此，当前使用的系统和逻辑所获得的结果并不总是最优的。AI的使用似乎能够提供宝贵的帮助。在一项综述中发现，ML的使用似乎有助于完成三个重要的任务：手术取消识别、PACU占用和手术持续时间的估计。Rozario等展示了在COVID-19时代，高级Python程序设计语言与来自Google AI的开源OR-Tools软件相结合在占用资源较少的情况下能够准确预测操作预订时间。该作者还证明了与传统方法和目前使用的方法相比，在使用这些技术时可能获得的潜在经济优势。当与其他技术相结合时，AI在管理中的应用潜力或能够更加放大。目前的主要限制似乎是手动引入数据。这种做法不仅在输入信息时容易出错，而且经常涉及到时间引入时的生理延迟。另一方面，自动定时系统可以提供准确实时的信息。因此，结合使用新技术，如ML、智能传感器和跟踪系统可能会对患者的围术期管理质量和安全产生进一步的影响（图2）。Huang等已经在2017年提出了SmartOR，即能够独立地识别手术时间。我们的研究小组也处理了这个问题。我们有一项正在进行的研究，名为BLOC-OP（NCT05106621）。这是一项将室内跟踪系统与ML分析联系起来的研究。一方面的目的是自动检测时间；该架构包括通过Raspberry Pi v4模块的蓝牙低能耗（BLE）标签进行室内定位，通过相关的天线保留的局域网（LAN）相互通信（图3）。另一方面，ML算法分析的目的是基于手术和麻醉信息，准确地预测手术时间从而成为智能调度模型的基础。
04AI的局限性和未来发展方向医学AI并非没有难题和限制。最近，Jotterand和Bosco将其定义为达摩克利斯之剑；一方面它成功地克服了当前的一些限制，另一方面它可以操纵人的本性。
数据伦理是AI的基础，其关键领域包括知情同意、隐私和数据保护、所有权、客观性和透明度。立法机关正在适应新技术所施加的新要求，严格遵守是必要的。AI是一种工具，必须在可控的情况下部署以回答适当的问题或解决适用的问题；因此，数据必须与特定目的严格相连。
数据质量是构建准确和可靠的AI算法的另一个基本要求，但也容易受到偏见（性别、性取向、种族等）的影响。AI的任务主要是消除这些偏见而不是加剧。因此，必须采取一切可能的方法来消除偏见，消除政府之间的差异。因此，应该鼓励围绕AI和ML技术的多学科合作。为了促进合作，还应通过国际法和政治进一步加强。不仅数据质量很重要，编码也很重要。通常，当大数据系统可用时，为了能够提供有用的信息有必要进行编码。这是一个关键的步骤，必须由医疗保健专业人员和数据学家组成的多学科团队来执行。COVID-19大流行很好诠释了这一概念。拥有大量的数据并不意味着既没有质量，也不知如何正确地使用。数据学家目前扮演着至关重要的角色，其技能不仅是上述阶段的基础，而且在使用大数据项目的每一个步骤中都发挥着作用。Van Poucke非常成功地定义了这些阶段：问题定义、假设生成、数据收集/提取、模型构建、模型实现。正如作者所指出的，从最初的问题定义阶段开始，为了成功地将临床问题转化为数据问题，让数据学家参与进来是很重要的。
除了上述挑战外，重要的是要将这些模型转化为日常临床实践的有用工具。为了实现这一目标，必须满足一些条件。该模型必须通过严格的前瞻性研究进行外部一致性验证，并与一个易于使用的工具相关联。除此之外，医疗保健专业人员从今天开始就必须开始接受这一领域的培训。如果没有适当的培训，可能会导致新技术在医学上的使用迅速停止。
当然，这是一篇关于AI仅在麻醉中应用的综述，但在我们的学科中，所有分支，重症监护、疼痛医学和紧急医疗服务，都进行了投入（图4）。新技术，特别是先进的模拟技术，远程医疗和AI正在深刻地改变学科的各个方面，从临床到研究、组织和医学教育。由于技术的相互作用，有可能产生不是总结性的效应，而是协同效应。例如，考虑到与术后监测中远程医疗技术相关智能实时报警系统的应用可能需要做些什么。就在不久前，FDA批准使用第一项在医学领域使用的AI软件系统，能够分析眼底图像以帮助医生诊断糖尿病视网膜病变，迄今为止FDA批准AI/ML医疗设备已经上升到343项，其中一项称为“神经跟踪”的软件最近获得美国FDA批准；该AI应用于US以识别麻醉中周围神经阻滞深层结构，目前可用于临床实践。
然而，重要的是认识到AI算法永远无法超过人的作用。尽管算法在整合复杂、巨大、结构化的数据集方面可能超过人的能力，但临床医生从患者收集的许多数据来自于患者信任他们时所建立的临床关系。一台机器，无论其多么复杂都永远不能取代患者的整体视觉，而只有医疗保健专业人员才能感受到。相反，AI必须作为具有特定目的的工具来利用，让医生更多地致力于区分医患关系的人类组成部分。因此，需要进行定性研究来更好地理解将AI纳入临床工作流程的伦理、文化和社会影响。
（Bellini V, Rafano Carnà E, Russo M, Di Vincenzo F, Berghenti M, Baciarello M, Bignami E. Artificial intelligence and anesthesia: a narrative review. Ann Transl Med. 2022 May;10（9）:528. doi: 10.21037/atm-21-7031.）
嘉兴市第二医院麻醉科简介
嘉兴市第二医院麻醉科建科于1979年，为浙江省医学扶植学科，嘉兴市医学重点支撑学科，国家级住院医师规范化培训基地。科室人才辈出，梯队优良，目前麻醉科医生45名，主任医师6名，副主任医师9名，主治医师14名，麻醉护士14名，手术室护士60名。其中博士2名，硕士23名，教授1名，副教授6名，硕士生导师5名。年完成麻醉量近4万例。骨干成员分别在德国图宾根大学附属医院、德国鲁尔大学附属医院、英国皇家自由医院、美国西北大学芬堡医学院、北京阜外医院、上海中山医院、华西医院等国内外知名院校进修学习，在各领域打造嘉兴地区最优秀麻醉手术团队。
临床上承担嘉兴地区老年危重病人麻醉联合诊疗中心以及超声可视化教学基地，推动本地区舒适化医疗和围术期快速康复外科快速发展。教学上承担浙江省中医药大学、蚌埠医学院麻醉学硕士生培养，嘉兴学院、温州医科大学等临床本科实习生教学基地。是第一批国家级麻醉专业住院医师规范化培训基地，目前已培养优秀的麻醉住培医生70余人。科研上主攻方向为老年患者围术期脏器功能保护、精准麻醉与可视化技术和围术期认知功能障碍的预防与发病机制三个方向，目前承担各级科研项目20余项，GCP 项目5项，科研经费300余万元，发表论文100余篇，SCI30余篇，省市科研获奖十余项,专利20余项。医教研共同发展为手术科室提供卓越的麻醉手术平台，为本专业培养优秀的青年麻醉医生，也起到了本地区麻醉科研的学术引领作用。
往期回顾
“醉”译献 | 疼痛和阿片类药物引起的肠道微生态失调“醉”译献 | 局麻药混合的药理学和临床意义
“醉”译献 | 驱动压指导的通气和术后肺部并发症：多中心随机临床试验
“醉”译献 | 气管隆突切除和重建术的麻醉
“醉”译献 | 降低小儿麻醉围术期呼吸不良事件的风险评估和优化策略：Part 1：患者和手术因素
“醉”译献 | 降低小儿麻醉围术期呼吸不良事件的风险评估和优化策略：Part 2：麻醉相关风险和治疗选择
声明本微信公众号所刊载原创或转载内容不代表新青年麻醉论坛观点或立场。文中所涉及药物使用、疾病诊疗等内容仅供参考。
▼ 点击“阅读原文”查看更多精彩内容！
页:
[1]