⚡ electrical engineering

BIS-Based Model Reference Adaptive Control of Anesthesia Depth under Patient Variability and Time-Varying Delays

Dit artikel stelt een Model Reference Adaptive Control (MRAC)-strategie voor voor automatische, gesloten-lus anesthesiediepte-regulatie met behulp van propofol en remifentanil die effectief omgaat met interpatiëntvariabiliteit en tijdvariërende vertragingen zonder dat patiëntspecifieke afstemming vereist is, waarbij een stabiele Bispectrale Index (BIS) binnen het klinisch aanvaardbare bereik van 40–60 wordt bereikt in heterogene virtuele patiëntsimulaties.

Oorspronkelijke auteurs: Raha Rahimi, Marzieh Kamali, Fazaneh Shayegh, Zahra Baharlouei

Gepubliceerd 2026-08-03

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Raha Rahimi, Marzieh Kamali, Fazaneh Shayegh, Zahra Baharlouei

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je de dirigent bent van een zeer delicaat orkest, maar in plaats van violen en fluiten zijn je instrumenten de eigen chemie van het lichaam. De muziek die je probeert te creëren is een staat van diepe, pijnloze slaap, genaamd algehele anesthesie. Het is een uitvoering met hoge inzet waarbij het doel is om de patiënt volledig bewusteloos en vrij van pijn te houden, maar niet zo diep dat het hart of de ademhaling gevaarlijk vertraagt. Om dit te bereiken, gebruiken artsen speciale medicijnen die werken als volumeknoppen voor de hersenen. Echter, elk menselijk lichaam is een ander instrument; sommigen zijn luid en reageren snel, anderen zijn stil en traag. Bovendien werken de medicijnen niet onmiddellijk — ze doen er een tijdje over om door de bloedbaan te reizen en de hersenen te bereiken, wat een verwarrende "vertraging" creëert tussen het toedienen van het medicijn en het zien van het resultaat. Als een arts probeert de knoppen handmatig aan te passen terwijl de muziek speelt, reageert hij misschien op het volume van gisteren in plaats van dat van vandaag, wat leidt tot een chaotische uitvoering. Dit is het lastige puzzelstuk waar wetenschappers in het vakgebied van medische controlesystemen al heel lang proberen op te lossen: hoe je dit proces kunt automatiseren zodat de "muziek" perfect blijft, ongeacht wie er op de operatietafel ligt of hoe snel de medicijnen reizen.

Dit artikel introduceert een slimme nieuwe manier om dat puzzelstuk op te lossen met behulp van een "Model Reference Adaptive Control" (MRAC)-systeem. Denk aan dit systeem als een superintelligente, zelfregulerende autopilot voor anesthesie. In plaats van dat er vooraf de exacte details van het lichaam van een specifieke patiënt bekend moeten zijn (zoals hun gewicht, leeftijd of hoe snel hun lever werkt), leert deze nieuwe controller dit on the fly. Het heeft een ingebouwde "ideale dirigent" (het referentiemodel) die precies weet hoe de muziek zou moeten klinken. Terwijl het lichaam van de echte patiënt reageert, vergelijkt de controller constant de werkelijke muziek met de ideale muziek en past de medicijnknoppen direct aan om erbij te passen. De onderzoekers hebben dit idee getest met computersimulaties met een diverse groep van 12 "virtuele patiënten", elk met verschillende lichaamsbouw en gevoeligheid voor medicijnen. Ze hebben er ook enkele onverwachte wendingen in gegooid, zoals plotselinge chirurgische pijn (gesimuleerd als een "verstoring") en de lastige tijdsvertragingen die in het echte leven voorkomen.

De resultaten van deze simulaties suggereren dat deze nieuwe aanpak zeer effectief is. Het systeem slaagde erin om de hersenactiviteit van de patiënten, gemeten via een score genaamd de Bispectrale Index (BIS), naar de veilige "sweet spot" van 40 tot 60 te leiden. Tijdens de inductiefase (wanneer de patiënt in slaap wordt gebracht), bereikte het systeem het doel in ongeveer 4 tot 6 minuten, met zeer weinig overshoot (de hersenen werden niet te snel te slaperig). Zelfs toen de virtuele patiënten een andere lichaamschemie hadden of wanneer de tijd die nodig was voor de medicijnen veranderde, hield de controller de BIS-score stabiel, schommelend rond de 50 met minimale afwijkingen van slechts ±2. Cruciaal is dat het systeem de "vertraging" van de medicijnen afhandelde zonder dat het voor elke persoon opnieuw afgesteld hoefde te worden. De auteurs ontdekten dat door een speciale wiskundige truc te gebruiken om de complexe relatie tussen de medicijnen en het hersensignaal terug te ontleden, zij het systeem stabiel en veilig konden houden. Hoewel deze bevindingen momenteel beperkt zijn tot computersimulaties en nog niet op echte mensen zijn getest, suggereert de studie dat deze adaptieve, vertragingscompenserende controller een veelbelovende oplossing kan zijn om automatische anesthesie in de toekomst veiliger en persoonlijker te maken.

Technische Samenvatting: BIS-gebaseerde Model Reference Adaptive Control van Anesthesiediepte onder Patiëntvariabiliteit en Tijdvariërende Vertragingen

Probleemstelling
De toediening van algehele anesthesie vereist de nauwkeurige regulatie van hypnotische (propofol) en analgesische (remifentanil) middelen om bewusteloosheid en analgesie te handhaven. Een primaire uitdaging in automatische closed-loop controle is de significante inter-patiënt variabiliteit in farmacokinetische/farmacodynamische (PK/PD) parameters en de aanwezigheid van fysiologische tijdvariërende vertragingen in de medicijnverdeling. Conventionele controlestrategieën, zoals PID met vaste gain of Model Predictive Control (MPC), vertrouwen vaak op offline patiëntspecifieke parameteridentificatie of gaan uit van een onmiddellijke medicijnverdeling. Deze beperkingen verminderen hun robuustheid in echte klinische omgevingen waar de patiëntfysiologie verandert (bijv. variaties in de cardiale output) en vertragingen fluctueren. Bovendien compliceert de nietlineaire relatie tussen medicijnconcentraties en de Bispectrale Index (BIS) output, die wordt beheerst door een Hill-functie met interactietermen tussen medicijnen, het ontwerp van lineaire feedbackcontrollers.

Methodologie
De auteurs stellen een Model Reference Adaptive Control (MRAC) raamwerk voor, ontworpen voor de regulatie van de anesthesiediepte met een dual-drug infusie van propofol en remifentanil. De methodologie integreert de volgende componenten:

Plant Modellering: De patiënt wordt gemodelleerd met behulp van standaard drie-compartiment PK-modellen (Schnider) voor beide medicijnen, uitgebreid met tijdvariërende vertragingen ( $\tau(t)$ ) in de intercompartimentale transfer. Het farmacodynamische (PD) component koppelt de effect-site concentraties aan de BIS-output via een nietlineaire Hill-functie die de synergetische interactie tussen propofol en remifentanil rekening houdt.
Inverse Hill Reconstructie: Om de nietlineariteit van de Hill-functie en de ambiguïteit van multi-input controle aan te pakken, introduceren de auteurs een vereenvoudigde inverse reconstructiestrategie. Door aan te nemen dat het genormaliseerde remifentanil-effect proportioneel is aan het genormaliseerde propofol-effect ( $Y_r \approx \mu Y_p$ ), wordt de complexe multi-drug interactie gereduceerd tot een enkelvoudige variabele nietlineaire relatie. Een inverse Hill-functie ( $H^{-1}_\mu$ ) wordt vervolgens toegepast op het gemeten BIS-signaal om de gelinieariseerde propofol effect-site concentratie ( $\hat{Y}_p$ ) te schatten, die dient als de feedbackvariabele.
Adaptieve Control Law: De kern van de controller is een MRAC-schema dat is afgestemd op systemen met een relatieve graad twee en onbekende tijdvariërende vertragingen.
- Referentiemodel: Een tweede-orde referentiemodel ( $W_m(s)$ ) definieert de gewenste transiënte en stationaire respons (doel-BIS van 50).
- Control Structuur: De control input wordt gegenereerd met behulp van gefilterde regressoren afgeleid van de input en de geschatte output. Om de relatieve graad te behandelen en stabiliteit te garanderen, wordt een eerste-orde stabiel filter $Z(s) = s + p_0$ geïntroduceerd om de error dynamics strictly positive real (SPR) te maken.
- Adaptatie en Robuustheid: De controllerparameters worden online bijgewerkt via een Lyapunov-Krasovskii functionaal. Een specifieke robuustheidsterm, die de teken van de tracking error en een integraalterm omvat, is opgenomen om onbekende tijdvariërende vertragingen en externe verstoringen (bijv. chirurgische stimuli) te compenseren.
Stabiliteitsanalyse: Theoretische stabiliteit wordt bewezen met behulp van een Lyapunov-Krasovskii functionaal, waarbij wordt aangetoond dat alle closed-loop signalen begrensd blijven en de tracking error asymptotisch naar nul convergeert, mits de veranderingssnelheid van de vertraging kleiner is dan één.

Belangrijkste Bijdragen
Het artikel schetst vijf specifieke bijdragen:

Parameteronafhankelijkheid: De MRAC-benadering vereist geen exacte patiëntspecifieke PK/PD parameteridentificatie of voorafgaande afstemming, in tegen tegenstelling tot conventionele PID of event-driven controllers.
Expliciete Vertragingsafhandeling: In tegenstelling tot bestaande adaptieve frameworks (bijv. Fractional-Order MRAC), incorporeert deze methode expliciet fysiologische tijdvariërende vertragingen in het controlontwerp en de stabiliteitsanalyse, in plaats van uitsluitend te vertrouwen op fractional-order geheugeneffecten.
Nietlineaire Compensatie: De voorgestelde vereenvoudigde inverse Hill-reconstructie maakt het mogelijk om een lineaire output uit het nietlineaire BIS-signaal te schatten, wat adaptieve output-feedback controle faciliteert ondanks complexe multi-drug interacties.
Robuustheid: De adaptieve wet werkt de parameters continu online bij, wat stabiliteit garandeert tegen inter-patiënt variabiliteit en intraoperatieve verstoringen zonder de noodzaak voor herkalibratie van de controller.
Klinische Veiligheid: De controller reguleert de infusiesnelheden binnen klinisch aanvaardbare standaardbereiken, waardoor zowel overdosing als onvoldoende anesthesie wordt voorkomen.

Resultaten
De voorgestelde methode is gevalideerd via simulaties op een heterogene populatie van 1s virtuele patiënten met variërende biometrische kenmerken (leeftijd, gewicht, lengte, geslacht) en willekeurig gegenereerde PK/PD parameters.

Inductiefase: De controller slaagde erin de BIS van de baseline naar de doelwaarde van 50 te drijven voor alle patiënten. De Tijd tot Doel (TT) varieerde van 104 tot 193 seconden (gemiddeld ~145s), en de Settling Time (ST10) varieerde van 141 tot 360 seconden (gemiddeld ~263s). De BIS-NADIR (minimale BIS) bleef in alle gevallen boven de 40, waardoor excessieve diepte werd vermeden.
Onderhoudsfase: Onder gesimuleerde chirurgische verstoringen (double-step inputs), herstelde de controller de BIS snel naar het doelbereik. Hersteltijden van positieve en negatieve verstoringen waren kort (gemiddeld ~0.6 min), en de BIS bleef binnen de 40–60 range met minimale overshoot (<5%) en kleine afwijkingen (±2).
Medicijnadministratie: De infusieprofielen voor propofol en remifentanil bleven binnen typische klinische limieten voor zowel de inductie- als de onderhoudsfase.
Vergelijking: De voorgestelde MRAC presteerde beter dan of gelijk aan bestaande strategieën (Fractional-Order MRAC, Optimized PID, Nonlinear MPC) door competitieve tracking te bereiken zonder de noodzaak voor patiëntspecifieke modelparameters of offline afstemming.

Betekenis en Claims
De auteurs beweren dat deze studie een veelbelovende oplossing biedt voor robuust en geïndividualiseerd closed-loop anesthesiebeheer. De primaire betekenis ligt in het vermogen van de controller om effectief te opereren zonder voorafgaande patiëntspecifieke parameteridentificatie, waarmee een belangrijke barrière voor de klinische implementatie van geautomatiseerde anesthesiesystemen wordt weggenomen. Door tijdvariërende vertragingen en nietlineaire medicijninteracties expliciet te modelleren en te compenseren, biedt het voorgestelde MRAC-raamwerk een theoretisch gefundeerde, schaalbare aanpak die de patiëntveiligheid en stabiliteit handhaaft onder diverse fysiologische condities. Het werk suggereert dat een dergelijk systeem de patiëntveiligheid kan verhogen, het medicijnverbruik kan verminderen en het herstel kan verbeteren vergeleken met handmatige of minder adaptieve geautomatiseerde methoden.

Meer zoals dit