بخشی از مقاله
چکیده
هدف این مطالعه تخمین عمق بیهوشی با درنظر گرفتن مشخصه های بیمار و حفظ عمق بیهوشی در سطحی ایمن و مناسب در طی مرحله القاء می باشد. با این هدف، دوز داروی بیهوشی داخل وردیدی پروپوفول، منطبق بر نیازهای واقعی بیمار تزریق می شود که منجر به مصرف بهینه دارو و همچنین پایداری در عمق بیهوشی بیمار می گردد. استراتژی تخمین بر پایه مدلسازی با کاربرد شبکه های عصبی می باشد
نوآوری این مطالعه تکنیک پیشرفته تخمین عمق بیهوشی بدون کاربرد مستقیم دستگاه برآورد عمق بیهوشی یا شاخص دو طیفی می باشد. عملکرد مدل ارائه شده با رویکرد بهبود یافته در مدل کلاسیک و مقادیر واقعی حاصل از BIS مقایسه ونهایتاٌ با داده های واقعی بیمار اعتبارسنجی شد، نتایج حاصل کارایی مدل را تأیید می کنند.
-1 مقدمه
بیهوشی نقش مهمی در جراحی و بخش مراقبت های ویژه ایفا می کند. علاوه بر این، نقش متخصص بیهوشی برای بهبود عملکردهای حیاتی بیماران طی فرایند جراحی و بعد از آن ضروری است. فرایند بیهوشی مدرن بر پایه مفاهیم سه گانه بیهوشی شامل خواب، بی دردی و فراموشی است. متخصصان بیهوشی با ترکیبی از داروها و تنظیم دستگاه تزریق اتوماتیک بدنبال برقراری تعادل کافی بین خواب - هیپنوتیزم - ، بی دردی و شل کننده های عضلانی بیمار می باشند. بیهوشی فرایندی نسبتاً پیچیده است و مسئله کنترلی چالش برانگیز بشمار می رود.
اتوماسیون نمودن برخی از اقدامات روزمره بیهوشی می تواند به کاهش حجم کاری و در نتیجه افزایش سطح ایمنی بیمار منجر شود. در حال حاضر وضعیت درک ما از آگاهی و مکانیسم از دست دادن هوشیاری ناشی از بیهوشی محدود است، در نتیجه این سطح آگاهی است که مدل سازی را دشوار ساخته است.
تا به امروز، انواع مختلفی از مانیتورهای بیهوشی بر اساس تکنیک های غیر مستقیم از جمله مانیتور شاخص بیسپکترال [1] - BIS - ، آنتروپی حالت - SE - 2 و مانیتور آنتروپی واکنش[2] - RE - 3، مانیتور حسگر عصبی[3]4، مانیتور شاخص مغز[4] - CSI - 5 و مانیتور خط [5 ] A، مورد استفاده قرار گرفته اند.
در دو دهه گذشته مطالعات متعددی در زمینه استفاده از سیستم های هوشمند برای تنظیم و کنترل فرایند بیهوشی ارائه شده است. روش های مدل سازی ریاضی بویژه هوش مصنوعی و همچنین مدل های ترکیبی و الگوریتم های ترکیبی هوشمند - شبکه های عصبی، منطق فازی، الگوریتم های تکاملی - در فرایند بیهوشی مورد استفاده قرار گرفته اند.
بدن انسان یک سیستم چند متغیره کاملاً غیر خطی با عدم قطعیت می باشد که طراحی کنترل کننده های خودکار را به چالش می کشد. برای رویارویی با پیچیدگی های روز افزون در فرایند مدلسازی، استفاده از سیستم های کامپیوتری جهت سهولت در درک و اخذ تصمیمات سریع و مناسب به انسان افزایش یافته است. چیلکات و همرلینک[6-7] معتقدند که در شرایط بحرانی، طراحی مدل کنترل پیش بین به بیهوشی ایمن و مطلوب کمک می کند. سیستم های هوشمند مانند شبکه های عصبی، کنترل فازی و الگوریتم ژنتیک خط مقدم این متدولوژی می باشند.
شلدون و همکاران[8]، با استفاده از فرکانس الکترو-انسفالوگرافی و یک کنترل کننده سازگار مبتنی بر مدل، عمق بیهوشی 13 بیمار داوطلب را کنترل نمودند. شیه و همکاران [9]، ماشین یادگیری قاعده محور با 10 بیمار آفلاین و 17 بیمار آنلاین را اعتبارسنجی نمودند و همچنین سیستم مانیتورینگ آنلاین و کنترل عمق بیهوشی با استفاده از منطق فازی خود سازمانده را ارائه دادند. مندز و همکاران[10]، با استفاده از تکنیک های کنترل پیش بین فازی عمق بیهوشی بیمار در سطحی ایمن، را کنترل نمودند.
موضوع حائز اهمیت در سیستم های اتوماتیک، تغییرات و نوسانات مربوط به متغیرهای درونی و بیرونی بیمار است . از طرفی واکنش افراد به داروهای بیهوشی در طی عمل جراحی کاملاً متفاوت می باشد. رویکردهای متفاوتی با درنظرگرفتن این نوسانات وجود دارند که یکی از آنها استفاده از سیستمهای کنترلی رباست است
رویکرد بکار رفته در مطالعه حاظر، پیش بینی سطح بیهوشی بر اساس نیاز واقعی بیمار به دوز دارو با استفاده از تکنیک های هوش مصنوعی و کاربرد شبکه های عصبی با لایه های پنهان - MLP - 6 می باشد. نتایج مطالعه حاضر در پیش بینی عمق بیهوشی با استفاده از دستگاه تزریق اتوماتیک، نتایجی مشابه عملکرد تزریق دستی را تأیید می کند.
ارائه مقاله به شرح زیر است: در بخش دوم مقاله به بیان مسئله و تشریح کامل مدل بیمار تحت بیهوشی می پردازیم. در بخش سه، ساختار کامل مدل بر اساس شبکه های عصبی چند لایه توصیف می شود. در بخش چهارم، نتایج حاصل از مدلسازی با روش های شبیه سازی و همچنین مقایسه آن با مدل کلاسیک و مقدار واقعی حاصل از BIS ارائه می شودو نهایتاً در بخش پنجم، نتیجه گیری و پیشنهادات آتی ارائه می شود.
-2 استراتژی و هدف مدل
تا کنون به اجزا عملکردی بیهوشی حین فرایند بیهوشی توجه کافی نشده است. در دهه اخیر مطالعات متعددی با هدف توسعه دستگاه هایی براساس شاخص های غیرمستقیم، بدون شواهد کافی از پایگاه علمی آنها انجام شده است. شاخص های غیرمستقیم مورد تأیید، عبارت از متغیرهای همودینامیکی مانند فشار خون و تغییرات ضربان قلب می باشند. تغییرات در میزان تنفس و غلظت دی اکسید کربن خون همچنین می تواند یک اندازه گیری غیرمستقیم برای عمق بیهوشی بشمار آید.
فرایند بیهوشی شامل دو مرحله القاء و نگهداری است. مرحله القاء با تزریق بلوز اولیه داروی بیهوشی، قبل از عمل جراحی آغاز و تا رسیدن به بیهوشی کامل ادامه دارد، پس از آن حفظ سطح هوشیاری بیمار تا انتهای عمل جراحی امری حیاتی است که مرحله نگهداری نامیده می شود. متخصصان بیهوشی براساس ملاحظات متعددی دوزهای اولیه را انتخاب و نتایج را مشاهده می کنند، سپس تنظیمات نرخ تزریق داروی بیهوشی را بر اساس عوامل مختلف، تا لحظه اتمام عمل در فواصل زمانی نامنظم تنظیم می کنند. در اصطلاحات مهندسی کنترل، این به معنی بازخورد در مشاهدات و مداخلات بیهوشی است که یک سیستم کنترل حلقه بسته محسوب می شود. سیستم کنترل حلقه بسته، یک کنترل کننده انسانی در حلقه دارد که اقدامات کنترلی بدلیل کنترل انسانی ناگهانی و نامنظم است.
هدف از سیستم کنترل حلقه بسته کامپیوتری این است که فرآیند مشاهده و مداخله را بمنظور ارائه کنترل بهتر و دقیق تر، فرمول بندی کنیم. چنین سیستم هایی از یک سیگنال تقریباً مداوم از اثر دارو استفاده می کنند. در این سیستم ها خطای بین مقدار مشاهده شده و مقدار مطلوب محاسبه می شود و این خطا در یک الگوریتم بکار می رود تا تنظیمات مکرر و منظم تزریق دارو را انجام دهد. علاوه بر این، برخی از سیستم های کنترل کامپیوتری سعی می کنند تا اثرات آینده داروها را پیش بینی کنند تا بتوان تنظیماتی بهتر را در پیش گرفت.
الگوریتم BIS با استفاده از یک فرمول پیچیده [4]، با تکنیک های پیشرفته مصنوعی یک شاخص بی بعد با مقادیر 0 تا 100 که نسبتاً مستقل از عامل خواب آوری است، تعریف می شود. مقادیر BIS بین 40 تا 60 برای حفظ بیهوشی حین جراحی تحت بیهوشی عمومی پیشنهاد شده است. مقادیر کمتر از 60 با احتمال کم یادآوری و احتمال بالای عدم پاسخ در طی عمل جراحی تحت بیهوشی عمومی، همراه است.
BIS بصورت یکنواخت به افزایش دوز داروی بیهوشی - استنشاقی یا تزریق داخل وریدی - در سراسر طیف هوشیاری، مستقل از عامل، پاسخ می دهد و بطرز قابل توجهی تحت تأثیر داروها قرار دارد. BIS درد را مانیتور نمی کند و قابلیت پیش بینی محرک های درد یا واکنشهای همودینامیک را ندارد
از آنجائیکه BIS هزینه بر است، بنابراین در اکثر بیمارستانهای مورد مطالعه در مشهد فرایند بیهوشی با استفاده از مانیتورهای استاندارد اتاق عمل، مدیریت و کنترل می شوند. از طرفی متعلقات وابسته به دستگاه برای هر بیمار منحصر بفرد بوده و باید جداگانه تهیه شود این امر منجر به هزینه های مازاد بیماران، هزینه استهلاک و نگهداری و تعمیرات دستگاه میشود که کسر بودجه بیمارستانها را در پی دارد. مطالعه پیش رو با در نظر گرفتن شرایط موجود در بیمارستانهای مورد مطالعه، بدنبال تخمین عمق بیهوشی بیمار با حداقل خطا جهت تعیین دوز بهینه داروهای بیهوشی براساس نیاز واقعی بیمار بدون استفاده از دستگاه BIS می باشد.
همانطور که گفته شد، بیهوشی دارای دو مرحله القاء و نگهداری می باشد، لذا در این مقاله، مرحله القاء را جداگانه در نظر گرفتیم و مدل تنها برای رسیدن بیمار به فاز القاء طراحی می شود. علت در نظر گرفتن مرحله القاء بطور جداگانه، رساندن عمق هوشیاری بیمار در سطحی ایمن و مناسب بدون هیچگونه کمبود یا مازاد دارو است که به کاهش زمان القاء و شروع هر چه سریعتر عمل کمک می کند، همچنین کاهش مدت زمان اقامت بیمار در اتاق عمل و مصرف بهینه دوز دارو را در پی دارد.
بطور کلی در فرایند بیهوشی، انتخاب داروهای بیهوشی نقش اساسی ایفا می کند. داروهای بیهوشی جهت القاء و نگهداری بیهوشی می توانند بصورت گاز یا بخار - بیهوشی استنشاقی - یا تزریقی - بیحسی داخل وریدی - باشند.
داروهای داخل وریدی مستقیماً به رگ تزریق می شوند و بطور معمول جهت القایبیهوشی استفاده می شود، زیرا معمولا ً برای القاء راحتر و سریعتر از اکثر داروهای استنشاقی است. در تزریق داخل وریدی، داروی کنترل کننده وارد سیستم گردش خون می شود و با عملکرد قلبی ترکیب و بطور مساوی توزیع می شود. این دارو باید قبل از رسیدن به ارگان هدف یا سلول ها از سیستم گردش خون به حجم خارج سلولی منتشر شود. پروپوفول یک داروی داخل وریدی است که بعنوان داروهای استاندارد بیهوشی وریدی پذیرفته شده است. پروپوفول توزیع و متابولیسم سریع در بدن دارد و مانند بعضی از داروها در بافت تجمع نمی یابد.
هدف ما طراحی مدل پیش بینی عمق بیهوشی با داده های حاصل از بیمار و تعیین دوز دقیق پرپوفول متناسب با نیاز واقعی بیمار است که به نوع و زمان عمل جراحی بستگی دارد. مدل موجود یک سیستم تصمیم گیری در شرایطی با عدم قطعیت بالا را ارائه می دهد و بدنبال بهبود مدیریت فرایند بیهوشی می باشد.
سیستمهای عصبی کاربردهای زیادی از نظر مدلسازی، کنترل و پیش بینی در صنعت، مهندسی و پزشکی دارند. این سیستمها به لحاظ ساختاری و الگوریتمهای آموزشی دارای انواع متفاوتی هستند. با توجه به پیچیدگی فرایند بیهوشی، تلفیق مدل تئوریک بر اساس روابط و پارامترهای فیزیولوژیکی بیمار امری بسیار دشوار است. در این مقاله شبکه عصبی با پرسپترون دو لایه پنهان بمنظور پیش بینی مدل عمق بیهوشی بیمار تحت عمل جراحی در اتاق عمل، طراحی و بررسی می گردند و نتایج حاصل از آنها با نتایج دستگاه BIS و مقادیرمدل کلاسیک مقایسه می شوند.
-3 ساختار مدل
در فرایند ساخت مدل، ابتدا ورودی ها و اطلاعات حاصل از بیماران واقعی مشاهده شده، جمع آوری و سپس داده ها را جهت طراحی الگوریتم آموزشیبه شبکه های عصبی وارد می کنیم.
