麻生希第二部快播-麻生希第六部-麻生希第三部-麻生希第三部种子-麻生希第四部-麻生希第一部-麻生希第一部快播-麻生希电影

 3    腦電監測的原理及主要指標  

腦電圖代表突觸后皮質神經元電位的總和，而麻醉和其他抑制高級皮質功能的過程會降低神經元的整體放電，減慢頻率并增加其同步性。隨著麻醉深度增加，腦電呈現慢波特征（頻率逐漸減慢，同時波幅增大），再至爆發抑制，最終呈等電位線。臨床用于全身麻醉/鎮靜的腦電監測技術為通過算法將原始腦電轉換為麻醉深度指數。過程為收集健康患者隨著麻醉水平加深所出現的腦電信號和相應的行為反應，形成數據庫供參考；確定相關的臨床終點（如意識喪失、對刺激水平失去反應、恢復清醒等），對該數據庫進行分析，提取最有前景的相關參數，通過高度復雜的數學方法對初步麻醉深度指數進行分類；然后在臨床試驗中對該算法進行測試，對其性能進行仔細檢查，重復該過程，直到算法被視為有效為止。其中的腦電信號處理包括對原始腦電信號的檢測和記錄，以及將前額表面電極接收到的模擬腦電信號進行放大、初級濾波（去除噪聲和干擾）、模數轉換、濾波獲得所需數字信號，提取相關的腦電特征或參數，通過對這些參數的統計分析和分類，確定最終的麻醉深度指數。圍手術期腦電監測分析技術包括：

3.1.1　時域分析

時域分析即直接從原始腦電中提取信息，包括腦電波形、頻率、相位、振幅隨時間的變化及異常波出現的時間、方式等。麻醉誘導后，腦電波形通常隨著麻醉深度的增加由高頻低幅向低頻高幅轉變，麻醉維持狀態下的腦電波形振幅比清醒狀態下大5~20倍。通過時域分析也能迅速識別麻醉過深的爆發抑制狀態。

3.1.2　頻域分析

頻域分析是通過傅立葉變換將時域波形分解為一系列不同頻率和振幅的獨立正弦波。根據頻率范圍將腦電波形分為δ（1~4 Hz）、θ（5~8 Hz）、α（9~12 Hz）、β（13~25 Hz）、γ（26~80 Hz）等5種波段。

3.1.3　時頻分析

時頻分析將時域和頻域結合，描述了頻率隨時間的變化情況。將時間放在X軸，頻率放在Y軸，功率通過顏色編碼繪制成二維光譜圖，又稱密度譜陣列。時頻分析可清晰地呈現麻醉藥物類別、劑量和患者年齡引起的腦電特征差異。

3.1.4　功能連接分析

功能連接分析研究不同腦區腦電信號間的相干性和相位同步關系。相干性用于描述信號在不同頻率下的同步關系，相干系數取值0~1，高相干值意味著各頻率成分是同步的。相位同步指兩個相互耦合的神經振蕩活動的相位差固定，不隨時間的變化而變化。采用大腦的功能連接分析的方法更有利于明確不同麻醉藥物的作用機制。

3.1.5　復雜度

復雜度通過反映大腦活動在時間或空間上的“難度”，來評估腦的復雜性。Lempel?Ziv復雜度是一個常用的時間復雜度指標，由相位隨機化的替代數據揭示?？臻g復雜性涉及形成連通性矩陣和計算連通性模式的復雜性。時空復雜性可以通過多種方式進行估計，包括時間或空間連接、狀態切換估計或綜合信息。通過評估復雜性，可以監測麻醉深度、腦損傷下的意識狀態等。

3.1.6　相位幅值耦合分析

相位幅值耦合分析用于評估麻醉引起的跨區域功能關系的變化。首先，對原始數據中感興趣頻帶進行帶通濾波；其次，將帶通濾波后的信號轉換為復數解析信號；最后，從解析信號中提取相位或振幅，評估幅值在相位角上的分布。

3.1.7　基于人工智能的腦電分析技術

基于人工智能的腦電分析技術能夠自主提取數據特征，完成復雜信息的分類任務（如邏輯回歸、樸素貝葉斯模型和支持向量機等）。有研究提出了基于額葉腦電的意識評估方法，先從原始腦電中提取置換熵、樣本熵、置換Lempel?Ziv復雜性、相對功率等特征，再使用基于遺傳算法的支持向量機對意識狀態進行分類。研究結果表明，與單一的腦電特征相比，遺傳算法?支持向量機（GA?SVM）結合多種腦電特征可以更準確地評估患者意識狀態。

當前，臨床使用的腦電監測指標包括腦電功率譜、爆發抑制率、BIS、反應熵、狀態熵、Narcotrend指數、PSI、SNAP指數和Ai等。聽覺是全身麻醉誘導過程中最晚消失和最早恢復的感覺，可采用聽覺誘發電位來反映麻醉和覺醒狀態。

3.2.1　BIS

BIS采用了基于功率頻譜分析、雙頻譜分析和爆發抑制數據的算法，BIS范圍為0~100。

3.2.2　Narcotrend指數

Narcotrend指數采用爆發抑制、時域和頻域分析提取相關腦電參數，檢測后進一步細分成14個亞階段：從A（清醒）到F（深麻醉）。

3.2.3　PSI

PSI由4通道腦電采集并通過算法計算而來，范圍為0~100，最佳深度在25~50。還可顯示兩側密度譜陣列和兩側4通道的原始腦電波形。

3.2.4　熵

熵由頻譜分析產生，有2個主要參數：狀態熵，反映催眠深度（指數范圍為0~100）；反應熵，傷害感受/刺激反應的間接評估（來自額部肌電圖，指數范圍為0~91）。

3.2.5　AEP

AEP指數依賴于中潛伏期聽覺誘發電位（middle latency auditory evoked potential，MLAEP）與腦電信號。監測時通過耳機給予雙側滴答聲刺激，從補充背景腦電噪聲中識別出刺激后的腦電信號，并處理成MLAEP；反映丘腦和初級聽覺皮質內的神經活動。

3.2.6　Ai

Ai以頻率、時域、復雜度等多個指標為基礎，采用多變量統計方法對腦電波進行從清醒到最深麻醉程度量化，范圍為0到99%（0表示最深程度麻醉）。

目前，臨床較常用的腦電監測指標存在局限性：① 缺乏公認、說服力強的數據分析手段，既往以線性尺度的方法將鎮靜深度劃分為0~100過于簡單，也不符合生物學原理；② 易受藥物、手術事件、患者病理生理狀況及其他電信號等干擾；③ 目前常用的腦電監測電極多安置在一側或雙側的前額及耳前顳部，部分手術中應用受限；④ 目前的監測大多基于額葉腦電。雖然前額葉皮質對于大腦意識的執行功能很重要，但其并不是產生意識的中心。在麻醉和睡眠期間，與意識的關聯可能存在更深的結構中（如前扣帶皮質和后扣帶皮質）。麻醉醫師應了解并掌握如何解釋和鑒別不同的腦電圖特征，結合患者狀態及各麻醉藥物特點評估患者的鎮靜/麻醉深度。

 4    展望  

未來腦電監測在全身麻醉/鎮靜中的臨床應用仍有廣闊的研究領域和探索空間，亟待在廣度和深度上實現突破。

針對現有腦電監測指標的不足之處，術中復合其他監測指標的多模態監測技術可能提供更精準的麻醉指導。如SEF95，指頻率低于腦電圖總功率的95%，該值越低，鎮靜水平越高；近年來多個研究發現，SEF95可更準確地評估鎮靜/麻醉深度，可能是一種很好的補充監測指標。另外，基于自主神經系統的監測（包括鎮痛傷害性刺激指數、手術體積描記指數、傷害水平指數等），原理為通過分析傷害性刺激相關交感神經反應的變化，間接監測全身麻醉下的傷害感受。術中此類監測與基于腦電的麻醉深度監測聯合使用，可能有助于更為精準的個體化麻醉方案，促進患者快速康復。但基于自主神經系統的監測只能間接反映傷害性刺激，術中傷害性刺激的直接監測手段有待研發。

腦電監測使個體化麻醉策略的實現成為可能，未來腦電監測儀器可能與人工智能結合，通過機器學習算法和深度學習模型等更優化的數據分析方式，提升腦電監測的準確性和可靠性。未來人工智能技術用于腦電監測將根據患者的具體情況，包括年齡、相關的合并癥、特殊用藥等，提取患者的腦電特征，依據使用的麻醉藥物種類，顯示相應的麻醉深度，并通過腦電監測?靶控輸注泵閉環系統調節麻醉藥物的給藥速率。

未來的腦電監測設備應當包括以下特征：高刷新率和低延遲（以準確反映患者的當前狀態）、高靈敏度和高特異性、成本低?？梢灶A見，未來小型化和可穿戴設備將取代現有儀器，這類設備也將進一步拓展腦電監測設備的應用領域，特殊環境、特殊情境下的腦電監測將得到推進。此外，智能化的腦電監測設備將實現與其他醫療設備和醫療信息網絡的數據共享，從而更好地支持醫療決策。

隨著腦電監測技術的提升與突破，腦電監測的意義也將由監測轉為控制，從而在突觸層面上直接抑制傷害性感受的傳遞和實現麻醉深度的控制。麻醉的定義可能也會有所改變，由“用藥物或其他方法使患者整體或局部暫時失去感覺”轉變為“通過高密度腦電圖和基因組檢測維持的人工智能控制的靜態狀態”。此外，多學科合作是腦電監測相關研究的重要途徑，與神經科學、生物醫學工程和計算機科學的合作也必將推進麻醉學科的整體發展。 

        專家共識委員會         

董海龍（空軍軍醫大學第一附屬醫院麻醉與圍術期醫學科）

【來源】本文章轉自古麻今醉網

【聲明】此文章不代表本訂閱號贊同其觀點和對其真實性負責。如轉載內容涉及版權等問題，請立即與我們聯系，我們將迅速采取適當措施。