夜雨聆风麻醉医生这个职业有个特点：看起来谁都能干，其实谁都不敢干。
对于一个不了解麻醉的人来说，麻醉医生的工作就是“打一针，患者睡着，手术做完，叫醒”。但对于任何一个熟悉手术室工作流程的医生来说，麻醉是整台手术里风险最高、变数最多、容错率最低的环节。
有人说AI要取代麻醉医生。说这话的人，大概率没在手术室里完成过一台完整的手术麻醉。但要说得AI跟我们麻醉医生毫无关系，那也是自欺欺人。
ChatGPT、DeepSeek火遍全网的同时，麻醉圈也没闲着——中山三院推出了国内首个投入临床使用的麻醉多智能体协作平台“睿麻助手”；南方医院发布了基于DeepSeek的围手术期麻醉管理大模型“南方智麻”，融合了百万例中国手术患者的麻醉数据。
接下来我们就一起看看，未来AI可能在哪些方面改变我们的工作方式：
一、术前：从“问病史”到“看数据”
术前访视，问完病史、翻完检查单、做完Mallampati分级，对困难气道的判断，说到底还是“凭经验”。
AI的思路不一样。Cuendet等开发了全自动困难气道检测系统，用算法分析患者面部图像形态特征，预测模型AUC达到0.779。Hayasaka等更进一步，用卷积神经网络分析16种姿势下的面部图像，仰卧闭口位的模型AUC达到0.864。
临床意义很直接：术前访视用手机拍一张患者的面部照片，系统就能给出插管难度的风险评估。无创、低成本、即时可得。麻醉方式的选择上，一项研究将72名骨科手术患者的术前资料输入ChatGPT、Copilot、Gemini三种AI模型，结果显示麻醉方式选择的总体一致率达68.5%，有服药史的患者中更高达85.7%。
AI不会疲劳、不受情绪影响，能在短时间内完成大量数据的整合分析，在术前访视与风险评估方面，可以大大减轻麻醉医生的工作量。
二、术中：低血压还没发生，系统已经报警了
术中低血压是术后心肌损伤、急性肾损伤的独立危险因素。问题是常规监测有滞后性——血压已经掉了才处理。
加州大学Hatib团队2018年发表的研究，将机器学习应用到动脉压力波形分析中，创建了低血压预测模型（HPI），能在低血压发生前15分钟做出预测。
模型提取动脉压力波形中的23个特征——心率变异性、动脉压波形、收缩性参数、后负荷参数——给出0-100的风险评分。评分大于85时，结合决策树数据（前负荷、心脏收缩力、后负荷），直接指导是该补液还是该用升压药。术中管理正在从“发生了再救”转向“发生前就预警”。
闭环麻醉系统也在往前发展。Tu等利用BIS、心率、呼吸频率、MAP等参数开发了多目标丙泊酚自动输注系统。Joosten等整合麻醉深度、心脏血流和保护性肺通气三个独立控制因素，证明了多闭环系统的自动麻醉管理优于手动控制。
目前已有基于AI驱动的闭环全凭静脉麻醉泵注系统进入前瞻性多中心临床试验阶段。当然，AI在麻醉控制策略的稳健性、跨人群泛化能力、极端情景下的可靠性方面仍不充分，尤其在强干扰、强非线性的围术期场景中，离不开麻醉医生的监管与最终裁决。
三、术后：并发症预测，助力及时干预
术后肺部并发症（PPC）在常规手术人群中发生率2.0%-5.6%，术后1周内死亡病例中近25%与PPC相关。Chen等利用10484名全麻机械通气患者的术中呼吸动力学参数训练6种机器学习模型，XGBoost模型的AUC达0.881，显著优于经典风险评分（AUC 0.592）。
术后谵妄预测方面，Dodsworth等开发的PIPRA模型，内部验证AUC为0.80，外部验证AUC为0.74。
肝移植术后心血管事件预测方面，Abdelhameed等使用18304名肝移植患者的电子病历数据，开发了深度学习模型，预测术后30天、1年、3年、5年的主要不良心血管事件，术后30天预测AUC达0.841。
AI正在把术后管理从“被动应对”推向“主动干预”。
四、AI超声在神经阻滞方面的应用
这是AI在麻醉领域最具变革性的应用之一。
传统超声引导神经阻滞的学习需要麻醉医生长期的训练。基于U-Net架构的深度学习模型ScanNav，能够在超声图像上产生彩色叠加，突出显示局部阻滞的主要解剖结构。Bowness等证实，ScanNav能够在93.5%患者的超声图像中准确识别局部阻滞的重要解剖结构。
具体场景：
星状神经节阻滞时，AI实时识别颈长肌、前斜角肌、椎动脉、颈总动脉等关键结构；
胸椎旁阻滞时，AI自动识别横突、肋间神经、胸膜等解剖标志，引导穿刺针避开胸膜。
AI超声将麻醉医师的超声引导技术成长期从数年缩短至数月，让更多基层医生能够安全实施以往需要长期专科培训才能掌握的神经阻滞技术。
五、目前已经落地的产品
“南方智麻” ——2025年7月，南方医院发布了我国首个围手术期麻醉管理大模型。以DeepSeek为基础，融合麻醉学权威教材、国内外临床指南、专家共识及百万例中国手术患者的高质量麻醉病历，构建术语-知识-病例三层次麻醉专业知识图谱。
三大功能端口：医院端（术前风险评估、术中实时预警、辅助决策）、患者端（科普宣教）、基层医师端（即时查询与辅助支持）。
“睿麻助手” ——2026年1月，中山三院发布了国内首个投入临床使用的麻醉多智能体协作平台。系统由21个专业智能体组成，包括集成、评估、监测、预警、决策、药物、质控、随访等智能体，形成协同工作的智能生态系统。缩短术前评估时间40%以上，可快速推广至百余家基层医院。
六、AI边界在哪？——AI做不了的事
AI麻醉落地创新的原则是“人机结合、人网结合、以人为主”。
缪长虹教授在2026年麻醉学科高质量发展研讨会上提出了AI无法替代麻醉医师的三大核心能力：
第一，复杂情境的综合决策与应急处置。 突发困难气道、过敏性休克、恶性高热——这些意料之外的危机，需要麻醉医生在几十秒内快速判断并执行操作。AI可以给出概率，但无法真正理解“此时此刻”的综合情境。
第二，人文关怀与信任构建。 麻醉对于患者是未知恐惧。机器无法替代术前共情倾听和情绪安抚。
第三，伦理判断与责任担当。 AI可能存在数据偏差，临床医师必须作为最终责任人，审核AI建议的合理性，在医疗效果与患者意愿间做出权衡。
写在最后：
AI不会取代麻醉医生，但会改变我们的工作方式。术前评估更精准——手机拍张照就能预测插管难度；术中管理更从容——低血压还没发生，系统已经提前预警；术后随访更系统——并发症风险提前预判、提前干预。
麻醉医生最大的价值从来不是“推药”，而是判断和决策。AI帮我们过滤掉重复性劳动、提供数据支持，让我们把精力放在更复杂的临床决策上。
未来，不懂AI的麻醉医生，可能会被懂AI的同行拉开差距。AI不仅不会“抢饭碗”，很可能还会帮我们“长本事”。
参考文献：YANG Liming,WEN Shihong.Advances in the Application of Artificial Intelligence in Clinical Anesthesia[J].Journal of Sun Yat-sen University(Medical Sciences),2026,47(01):77-83. DOI：10.11714/jsysu.med.YX20250087.（声明：*本文仅提供信息参考，图片来源于网络）
关注米勒之声
关注麻醉及围术期领域新动态
米勒之声，总有一天，会有您的心声
米勒之声粉丝需求搜集二维码
（扫码填写您的需求）
