作者：北京工业大学计算机学院( 齐宏智、李建强、赵青) ，北京－都柏林国际学院( 蔡嘉怡、沈金炎) ; 首都医科大学附属北京安贞医院麻醉中心( 景赫、王晟) ; 清华大学自动化系( 数字医疗健康工程研究中心) ( 杨吉江)

疼痛是麻醉科医师最关注的核心问题之一，国际疼痛研究协会将疼痛描述为“一种与实际或潜在的组织损伤有关的或以这种损伤来描述的不愉快的感觉和情绪体验”。急诊科有 52. 2%的患者主诉疼痛，医院疼痛的发生率高达 83%。未经正规诊疗的疼痛不仅会降低患者生活质量，还会损害其神经系统、内分泌系统和免疫功能。

近年来，麻醉科医师越来越关注通过先进技术来更客观、全面地评估和管理围术期疼痛。人工智能( artificialintelligence，AI) 作为一项极具变革性的前沿技术，为麻醉领域带来了创新，给患者护理、监测和决策制定引入了新的解决方案。

AI 技术的引入，不仅提高了麻醉操作的精确性和个体化水平，还在疼痛程度评估、个性化疼痛管理以及镇痛支持等方面展现出巨大潜力。通过大数据分析和机器学习算法，AI 能够在短时间内处理大量复杂信息，辅助麻醉科医师做出更为精准的决策，减少人为误差，提高医疗效率。本文探讨麻醉和 AI 这两个动态领域的交叉应用，对 AI 在患者疼痛评估、预测术后镇痛需求、个性化疼痛管理以及围术期疼痛管理应用中的挑战等方面作一综述。

1.AI 用于疼痛评估

有效和可靠的疼痛评估对于选择适当的治疗方法、监测疾病进展以及评估是否需要继续或修改治疗方法至关重要。传统的疼痛评估方法包括自我报告和观察性评估工具。自我报告是疼痛评估的黄金标准，患者通过口头或书面形式描述疼痛感受。观察性评估工具则适用于不能主诉疼痛的患者，通过护理人员或家庭成员观察患者行为或生理反应从而推断疼痛是否存在。然而，传统方法存在主观性和准确性的问题，持续监测疼痛存在误差。因此，借助 AI 技术开发自动化的客观疼痛评估系统具有重要意义。自动化疼痛评估系统可以实时、连续地监测患者疼痛状态，帮助医护人员及时调整治疗方案，优化治疗效果。

基于面部表情分析： 目前，大多数疼痛识别工作集中于分析视频中包含的面部图像，从面部表情判断疼痛状态。Park 等研究表明，结合视线与眼部标记、头部位置和面部动作单元的综合模型在预测术后数字评定量表( numerical rating scale，NRS) 方面表现最佳( NRS 疼痛评分≥7 分) ，此模型尤适用于不能有效沟通疼痛的患者。Fontaine 等使用 ResNet-18 卷积神经网络对患者术前和术后捕捉的面部表情图像进行训练和验证，结果显示，此模型对检测疼痛 NRS 疼痛评分≥4 分和 NRS 疼痛评分≥7 分的敏感性分别达到 89. 7%和 77. 5%，明显优于临床专家的表现。除了使用图像帧之 外，视频流中的时序信息也是重要特征。

Casti 等提出一种基于传递熵( transfer entropy，TE) 和面部标志点分析的非侵入性疼痛检测系统，主要应用于术后疼痛监控，尤其适用于不能自行表达疼痛的麻醉恢复期患者。该系统从视频中自动提取面部数据，通过量化标志点间的信息流动来评估疼痛水平。Rodriguez 等提出一种结合卷积神经网络( convolutional neural network，CNN) 和长短期记忆网络( long short-term memory network，LSTM)的深度学习方法，专门用于自动识别术后患者的面部痛苦表情。该方法通过使用 VGG_Faces 预训练模型提取面部特征，并利用 LSTM 捕捉视频帧之间的时序关系，从而提高疼痛程度检测的准确性。该方法特别适用于那些在麻醉恢复期间或因语言障碍而不能自行表达痛感的患者，为临床中的疼痛评估提供了一个有效的自动化工具。

基于生理信号数据分析： Lötsch 等研究使用机器学习模型通过将从生理信号数据中提取的特征映射到潜在的疼痛状态来预测疼痛，旨在为临床疼痛监测的客观化与智能化提供理论与方法基础。Fernandez Rojas 等通过使用支持向量机( support vector machine，SVM) 模型，在对功能性近红外光谱( functional near-infrared spectroscopy，fNIRS) 获取的数据进行 4 种级别的疼痛类型进行分类，准确率为 94. 17%。Othman 等基于术后的原始主观 NRS 疼痛评分和同步心率数据进行分类建模，预测 NRS 疼痛评分( 0 ～ 10 分) 。该研究通过比较插值训练的传统机器学习模型和 LSTM 模型得出，LSTM 模型能够更好地捕捉疼痛动态变化，提供更连续和客观的评估结果。

Kasaeyan Naeini 等开展的一项基于术后住院患者的前瞻性研究，提出一种利用心电图信号中提取的心率变异性特征进行急性疼痛识别的机器学习方法。该研究引入弱监督学习框架以扩大标签数据集，显著提升了模型在标签稀疏条件下的泛化能力，在多个痛感强度分类任务中，准确率为 84. 79%。该研究展示了基于心电图的客观疼痛评估在术后临床环境中的可行性，为不具有交流能力的患者的疼痛管理提供了新思路。

此外，Aqajari 等开发了一种基于皮电活动信号的自动化术后疼痛评估工具，并首次在术后住院患者中进行了验证。该研究通过可穿戴设备采集信号，结合机器学习方法对疼痛强度进行分级识别，模型在是否疼痛的二分类任务中准确率最高可达 86%。结果表明，该方法在临床真实场景中具有良好的适用性和准确性。

基于多模态数据分析： 将上述图像和生理信号数据结合，采用多模态数据进行疼痛预测也是一大研究方向。Othman 等对比 AI 方法与人类观察者在区分疼痛强度方面的表现。通过使用公开的 X-ITE 疼痛数据库，该研究比较随机森林分类器、修改的 MobileNetV2 卷积神经网络以及双 CNN 网络在分类任务中的表现，结果表明，经过样本加权方法优化的 AI 模型在准确率上显著优于人类观察者。然而，该研究中的人类观察者并非专业从业人员，可能临床经验较少，导致观察结果准确率偏低，从而夸大了自动化方法的优势。

此外，Park 等通过采集患者术后在麻醉复苏室的面部表情、生命体征和镇痛伤害指数构造多种机器学习模型，结果表明，多模态数据结合分析的模型不如仅使用面部表情的模型，提示需要进一步探索如何有效整合多种类型的数据以提升预测性能。以上研究的局限性提示，虽然在使用 AI 进行疼痛管理方面取得了一定的进展，但还需要进一步地探索数据类型对于最终模型性能的影响，最终提升临床应用效果。

2.AI 用于术后镇痛需求预测

术后疼痛影响超过 80%的手术患者，其中 75%的患者经历中度至重度疼痛。因此，准确预测术后患者对镇痛药物的需求，能够有效预防术后长期疼痛的发生。传统的患者自控镇痛( patient-controlled analgesia，PCA) 虽然在临床中被广泛使用，但其效果有限。无线 PCA 系统通过无线通信技术实现了远程监控和智能警报，但仍存在缺乏独立决策能力的问题，无法提供预防性镇痛。

智能化PCA：在AI技术的帮助下，智能化PCA技术(Ai-PCA) 应运而生。Ai-PCA 是近年来发展起来的一种新型镇痛管理系统，在传统 PCA 的基础上，融合了物联网( internet of things，IoT) 技术与AI 操作，有助于提高急性疼痛服务的工作效率。与传统的 PCA 比较，Ai-PCA 具有一系列显著优势，如精确调整药物输注，从而减少药物浪费、系统记录疼痛进展和药物使用情况等。此外，Ai-PCA能增强患者的控制感和疼痛缓解感，最终提高患者整体满意度。

然而，尽管麻醉科和外科医务人员关于 Ai-PCA 理论知识掌握较好，但在实际应用中，医务人员的实践频率和主动性较低，导致实际操作中的表现较差。未来需要通过全面的培训项目来提高医务人员在这一领域的实践能力。

镇痛质量指数： 随着数据的不断积累和 AI 技术的不断更新，现有研究转向利用数据驱动的方法来提高镇痛管理的质量。镇痛质量指数( analgesia quality index，AQI) 是 Ai-PCA 系统发展的产物，其组成要素源自 Ai-PCA 系统数据库收集的客观数据( 自主控制按钮按下频率、评估率、报警发生率、报警处理 时 间、药 物 使 用 情 况、患者基本信息等参数) 。每个要素体现镇痛管理的不同方面，如医务人员的质量控制意识和镇痛技术水平、医嘱的精准度、管理的规范程度等。Wang 等基于近15 000例术后患者数据，引入 AQI 并结合机器学习算法加权分析，结果表明，与传统 PCA 管理方法比较，使用AQI 能显著提升术后镇痛效果与管理水平，并能提高患者满意度。

AI 预测模型： AI 还可以通过预测镇痛药物种类及剂量来优化术后镇痛。Yu 等利用机器学习模型，旨在预测哪些外科手术患者的术后阿片类药物需求会超出标准处方指南，从而帮助医师更准确地生成个性化药物处方。研究结果表明，患者年龄、BMI、术前使用阿片类药物和住院期间阿片类药物用量是主要的影响因素，模型在多个机构的数据上表现出较好的预测能力。这一研究通过将 AI 技术引入术后疼痛管理，证明 AI 模型在提高处方精度和减少过量阿片类药物使用方面的有效性。在多模式疼痛治疗中，临床医师通常联合使用两种或多种镇痛药。

由于不同药物之间可能存在药理相互作用，超过两种药物的组合可能会使临床医师难以明确单一药物处方的净效果。基于此，Fritsch等分析了 750 例患者术后使用的 61 种镇痛药物组合，并采用 AI 模型进行效果预测，研究结果表明，含有甲氨蝶呤和对乙酰氨基酚的组合最为有效，能够显著减轻骨科手术后的疼痛，且使用 3 ～ 4 种药物的组合优于单一或两种药物的组合，为医师提供了优化术后疼痛管理的依据。van der Wal 等评估术中基于AI构建的伤害性感受水平指数( nociception level index，NOL) 监测系统对术后镇痛的影响。结果表明，NOL 引导的芬太尼给药可以显著降低术后 90 min 内的疼痛评分( 平均降低 1. 5分) ，严重疼痛的发生减少了 70%; 在所有可能影响术后严重疼痛的因素中，只有 NOL 引导镇痛方式显著降低疼痛风险。

Fuica 等在 75 例腹部手术的患者中研究基于 NOL 指数实时引导术中芬太尼给药的效果。与传统依赖血流动力学指标和临床经验的给药方式比较，基于 NOL 指数实时引导给药在不增加阿片类药物用量的前提下，显著降低术后恢复室内的疼痛评分，此方法为镇痛管理提供了更加个体化和客观化的手段。以上两项研究提示，基于AI 技术的 NOL 监测系统在术中可有效识别并响应患者的伤害性刺激，优化镇痛药物给药的时机与剂量，从而显著减轻术后早期疼痛。

3.AI 用于个性化疼痛管理

由于患者的疼痛体验及其表现差异很大，因此，疼痛评估存在主观性。最近，大型语言模型( large language models，LLMs) 在自然语言处理领域取得显著进展。得益于 LLMs 超大规模的参数量所学习到的广泛常识和常识推理能力，个性化疼痛管理变得可行。大模型通过综合分析患者的病史、检查结果和影像学资料等信息，从而定制个性化的解决方案，既能有效控制围术期疼痛，还有利于减少患者的不良反应和并发症。良好的评估是应用大型语言模型的前提。

Dhar等整理了扁桃体切除术后护理中 16 个常见问题，并分为 5 大类: 疼痛管理、饮食、身体活动、并发症和随访。将这些问题输入 ChatGPT 后，专家通过评估发现，ChatGPT 在疼痛管理方面的回答存在重大误差，特别是错误推荐 12 岁以下患儿禁用的可待因，提示在儿科临床决策中使用 AI 需更为谨慎。除了上述评估问答质量外，相关研究也关注大模型在真实临床场景中的应用效果。Guo 等探讨如何通过少样本学习将 ChatGPT 应用于疼痛管理领域，从电子健康记录中提取成对的“疼痛－治疗”实例，借助少样本上下文学习，ChatGPT 能够为新患者生成个性化的治疗方案。

Goh 等一项前瞻性随机对照研究结果表明，GPT-4 在独立完成多项诊断推理任务时的表现优于临床医师，但当医师在实际临床任务中结合该模型辅助决策时，并未显著提升诊断质量。这提示在疼痛管理等复杂临床情境中，优化 AI 与临床医师的交互方式，并提升临床医师对AI 工具的有效应用能力，是实现个性化管理的关键一环。Vaid 等通过微调大型语言模型( LLaMA 7B) ，成功实现自动提取肌肉骨骼疼痛的部位与性质信息，为从非结构化文本中提取个体化疼痛特征提供了可行路径。

该方法有助于减轻临床医师在查阅病历中的负担，提升初诊时对疼痛特点的快速把握能力，特别适用于门诊、康复及基层医疗场景中对个体化疼痛管理方案的辅助决策，展现出良好的临床实用性与推广潜力。未来工作可探索整合链式思维推理来增强 AI 生成的治疗策略与临床医师决策过程之间的连贯性。以上研究提示，通过适当的方 法 改 进，AI 在医疗领域仍有广阔的应用前景。

4.AI 在围术期疼痛管理应用中的挑战

细粒度建模不足： 现有关于疼痛的研究，大多使用患者主观报告的疼痛水平作为分类标签，但该方法主观性较强，不同患者对疼痛的感知和表达存在显著差异，容易受情绪、心理、文化和语言等因素影响。尤其对于存在表达障碍的患者，主观报告疼痛评估难以适用，因此，在某些情况下需要结合客观评估手段来提高准确性和可靠性。尽管现有研究使用患者主观报告的 NRS 疼痛评分，但进行模型训练时，大多简化成了疼痛与否，或高、中、低三种程度疼痛的简单分类，没有探究细粒度疼痛等级的预测，而细粒度分级对于医务人员合理分配医疗资源，有针对性处理疼痛至关重要。

数据模态单一性： 现有研究大多针对面部图像进行分析，却忽略了视频中的动态信息。静态图像分析无法充分捕捉到面部表情的时间演变和动作连续性，而这些动态信息对于评估疼痛或情感反应的细微变化至关重要。另外，现有研究大多局限于单一模态的数据分析，未能充分利用多模态数据，如生理信号、面部表情、时序特征、身体动作、声音及眼动等关键信息。尽管 Lin 等研究使用多模态数据，但其对象主要是健康志愿者，未能涵盖实际临床疼痛患者的复杂性。因此，现有研究缺乏对于哪些特征最能反映患者疼痛水平的系统性探讨。这些问题限制疼痛评估的准确性和全面性，未来研究应进一步探索多模态数据的整合与特征优化。

模型潜在偏见： 自然语言的发展，尤其是自动问答系统的发展，使得 AI 回答个性化医疗问题成为可能。然而，问答系统通常是基于大量的互联网数据进行训练的，这些数据中可能包含人类社会中的偏见。例如，Logé 等引入一个名为 Q-pain 的数据集，用于评估 GPT-3 和 GPT-2 在处理术后疼痛管理时的种族和性别偏见，结果表明，这些模型在对待不同种族和性别患者时存在显著差异，黑色人种女性患者更容易被拒绝疼痛治疗，而白色人种男性患者的拒绝概率最低。该研究结果强调了在医疗 AI 应用中识别和解决潜在偏见的重要性，这种不平等不仅违反医学伦理，更严重影响被区别对待群体的健康。

Poulain 等主张通过改进大型语言模型的提示词设计和模型架构来减轻偏见，并提高模型的解释性和透明性，此外，还需通过多方面合作，促进 AI 专家、医疗从业者和政策制定者之间的跨学科合作，以共同解决 AI 偏见问题。Moor 等建议持续进行模型的审核监管和举办有奖竞赛来鼓励社区审查模型偏见问题。为了有效解决道德问题，政府和各利益相关者必须合作，制定严格的监管框架和伦理指南，确保 AI 系统的准确性、可靠性和安全性。

临床实用性： 长期效果的评估对于全面了解AI 镇痛系统的益处和潜在风险至关重要。而现有镇痛管理研究未进行长期随访，如 Liu 等主要关注术后早期结果，缺乏对长期疼痛和潜在并发症的评估，如术后慢性疼痛发生率和长期睡眠质量等，且研究未考虑在随访期间患者可能接受的治疗干预，这些治疗( 包括药物、理疗、手术等) 可能会影响疼痛的进展情况。

未来的研究可以将患者接受的治疗方式纳入模型中，以提高预测疼痛进展的精度。此外，现有研究大多针对单中心单医疗机构数据构建模型，缺乏模型的外部验证，鲜少有针对多中心多医疗机构共同验证模型性能的研究，导致此类模型容易出现过拟合现象，模型泛化能力不足，导致研究结果的普适性有限。多中心研究会提供更广泛的数据，以验证模型的效果和临床可推广性。

5.小 结

AI 在围术期疼痛管理中展现出巨大的应用潜力，通过深度学习和大数据分析等技术，AI 在疼痛水平评估、个性化疼痛管理和解决镇痛需求等方面展现出显著优势。然而，现有研究仍然面临一些挑战，包括数据稀缺、模型偏见以及缺乏长时间随访的数据验证等。未来的研究应聚焦于多模态数据的融合、模型泛化能力的提升以及偏见问题的有效解决，以确保 AI 在疼痛管理中的应用更加全面和精确。随着 AI 技术的进一步发展和医疗数据的积累，AI 在疼痛管理中的应用前景广阔，有望显著提高患者的生活质量并减轻医疗系统的负担。

来源：齐宏智,景赫,李建强,等.人工智能在患者围术期疼痛管理中的应用进展[J].临床麻醉学杂志,2025,41(10):1108-1113.