想象一下，你正试图教一个机器人开车，但它行驶的不是公路，而是在进行医疗手术时的患者体内。为了安全驾驶，机器人需要精确地知道患者在每一秒钟处于多么“清醒”或“昏睡”的状态。这就是**程序性镇静（procedural sedation）**这个复杂的世界。当医生进行内窥镜检查（如观察胃部或肺部内部）等精细的体内检查时，他们会给患者使用药物，使其处于放松且无痛的状态。但这里存在一条微妙的界限：药量太少，患者会感到疼痛或移动；药量过多，则可能导致呼吸停止或心率危险下降。
长期以来，医生一直依赖自己的眼睛和耳朵来猜测这种睡眠程度，例如通过检查患者是否能按要求握手来判断。这有点像通过把手指伸进汤里来判断汤的温度——有时有效，但并不总是精准。科学家们一直试图利用**生物信号（biosignals）**为大脑制造更好的“温度计”。这些信号是来自身体的电学低语：ECG（心脏的电律）、EEG（大脑的电信号波动）以及 PLETH（来自手指的光学脉搏检测）。这个领域的核心问题是：我们能否从真实的患者身上收集到足够的这些电学低语，从而教会人工智能精确预测镇静的深度，让这些手术过程对每个人都更加安全？
这篇论文介绍了一个用于实现该目标的庞大全新工具箱，名为 DOSE-I 数据集。你可以把它想象成一个巨大的、高清晰度的“嗜睡患者”录音库。研究人员从德国一家医院的真实内窥镜手术中收集了 171 段独立的录像，总时长达 78.5 小时。在这个图书馆里，他们不仅仅是倾倒原始视频；他们还仔细地为每一刻标注了患者实际的行为和感受。他们追踪了 1,129 次在清醒与无意识之间的转换，并记录了超过 7,300 次使用标准量表（称为 MOAA/S）进行的镇静程度特定检查。
这个数据集之所以特别，是因为它是一个“多模态”的宝库。它不仅拥有一种类型的信号，而是同时拥有心脏律动、大脑波形、手指脉搏，甚至还有血压，所有这些都在同一时间发生。为了使其更有用，作者并没有止步于原始数据。他们还提供了一个经过“处理”后的脑电信号版本（称为 pEEG），将杂乱的电波转化为描述大脑状态的 40 个不同数值，例如“慢波”或“快波”活动的强度。他们甚至包含了一张关于数据可能出现混乱或噪声（伪影）的“地图”，以便研究人员知道哪些部分值得信任，哪些部分应该忽略。
这篇论文本身是一本关于该数据集的技术手册。它详细解释了数据是如何采集的、电极是如何贴在患者头上的，以及医生是如何记录每次给予镇静药物**丙泊酚（Propofol）**剂量的。它详细说明了涉及的患者类型（年龄从 21 到 83 岁不等）以及他们接受的不同类型的程序。作者并不是在声称他们已经解决了镇静监测的问题；相反，他们在说：“这是我们目前构建的最详尽、最精细的真实世界数据集。我们希望其他科学家能利用它来训练他们自己的 AI 模型，从而让这些手术过程变得更安全。”他们提供了原材料——电学低语、药物剂量和临床记录——以便下一代研究人员能够构建出那个守护患者睡眠安全的“自动驾驶仪”。
技术摘要：用于内窥镜程序性镇静的 DOSE-I 数据集
问题陈述
在内窥镜干预过程中的程序性镇静需要对镇静深度进行精确监测，以确保患者安全和手术效能。虽然现代机器学习（ML）方法为自动估计和连续监测镇静深度提供了潜力，但其开发往往受到高质量、多模态、真实世界数据集缺乏的阻碍。现有的数据通常缺乏训练鲁棒模型所需的粒度、同步性或临床标注，而这些模型需要具备在不同患者群体和不同复杂程度的手术中广泛泛化的能力。本技术报告所述工作的首要目标是通过提供一个源自常规临床护理的、具有全面经验基础的数据集来填补这一空白。
方法论
DOSE-I（内窥镜镇静数据库）数据集生成自 2019 年 5 月至 2021 年 7 月期间在德国哈雷（萨勒）大学医院开展的一项前瞻性单中心观察性研究（研究协议 DRKS00016605）。该研究重点关注在护士管理丙泊酚镇静（NAPS）下接受择期内窥镜手术（如胃镜、结肠镜、支气管镜）的患者。
数据采集与队列
- 队列： 该数据集包含来自 281 次内窥镜手术的 171 条记录，涉及 171 名唯一患者（58% 为男性，42% 为女性；年龄范围 21–83 岁）。该队列代表了一个临床异质性群体，包括具有不同 ASA 体格状态和既往病史（如睡眠呼吸暂停、心力衰竭）的患者。
- 硬件： 生理信号通过配备 MIB/RS232 接口的 Philips IntelliVue MP40 监护仪进行采集，并通过 ixTrend Express 软件进行连续数据导出。
- 生物信号：
- EEG（脑电图）： 双通道配置（Fp2–Fp1 和 Fz–F7），使用 AgAgCl 电极，采样频率为 125 Hz。
- ECG（心电图）： 单导联（II），采样频率为 500 Hz（用于分析时降采样至 250 Hz）。
- PLETH（脉搏波）： 通过手指传感器获取的光电容积脉搏波。
- 衍生信号： 心电衍生呼吸（RESP）、无创血压（NIBP）、心率、血氧饱和度（SpO2）和灌注指数。
- 持续时间： 总录制时间为 78.5 小时，单条记录时长从 6.7 分钟到 70.8 分钟不等。
标注与标记
方法论的一个关键组成部分是对临床状态和事件进行严格的标注：
- 意识状态： 使用**孤立前臂技术（IFT）**评估意识状态（SOC）。根据患者对言语挑战的反应，明确标注了意识丧失（LOC）和意识恢复（ROC）。
- 镇静深度： 使用**改良观察者镇静评分量表（MOAA/S）**每 30 秒评估一次镇静深度。评分根据临床可操作性进行分组（例如，将 0–1 合并为 1；将 5–6 合并为 5）。
- 事件： 实时标注了手术里程碑（内窥镜插入/移除）、药物给药（以 10 mg 为增量的丙泊酚追加给药）以及不良事件（如渗漏/外渗）。
- 后处理： 通过自动化筛选过程识别了不合理的事件序列（例如，标记不匹配），并在后处理过程中进行了修正。剩余错误在元数据中进行了标记。
数据处理
- 处理后的 EEG（pEEG）： 除了原始波形外，数据集还包括以 1 Hz 频率计算的 40 个衍生 pEEG 参数。这些参数包括八个频段内的谱功率（绝对和相对功率）、相位同步、中值频率（MF）、谱边缘频率（SEF95）、加权谱中值频率（WSMF）和排列熵（PE）。
- 伪影检测： 自动算法识别了 EEG 伪影（运动、噪声），这些伪影在提供的图表中进行了标注和可视化。
核心贡献
本文将 DOSE-I 数据集 作为公共资源（DOI: 10.5281/zenodo.18483292）发布，采用知识共享许可协议，并附带详尽的技术文档。其主要贡献包括：
- 多模态同步： 在真实临床环境下，实现了高分辨率生理信号（EEG、ECG、PLETH）与精确临床标注（LOC、ROC、MOAA/S、药物剂量）的独特对齐。
- 丰富的标注： 包含了 1,129 次意识转换和 7,328 次个体镇静深度评估，提供了镇静动态的细粒度视图。
- 全面的静态数据： 提供详细的患者人口统计学资料、既往病史（β-受体阻滞剂、阿片类药物等）和手术类型，允许研究人员控制混杂变量。
- 预处理特征： 直接提供 40 个基于文献的 pEEG 特征和伪影标注，减轻了研究人员的预处理负担。
- 数据质量透明度： 对信号完整性（如 ECG、EEG、PLETH）和特定伪影检测结果进行了详细报告，使研究人员能够根据质量指标过滤数据。
结果与数据特征
本报告并未呈现新的机器学习模型性能指标，而是对数据集本身进行了表征：
- 信号完整性： 数据集展示了较高的可用性，箱线图表明 ECG、EEG 和 PLETH 信号在各次记录中通常保持 >85% 的完整性，尽管存在一定的变异性。
- 镇静动态： MOAA/S 评分的分布在不同记录之间存在显著差异，反映了程序性镇静的动态特性。该数据集捕捉到了广泛的镇静深度谱，从躁动到无反应不等。
- 异质性： 队列涵盖了多种内窥镜类型（EGD、EUS、BSK、EBUS）和患者剖面，确保数据不会局限于单一手术或风险组。
重要性与主张
作者将 DOSE-I 数据集定位为程序性镇静领域数据驱动人工智能研究的基础资源。
- 经验基础： 该数据集旨在支持调查现代机器学习方法是否能够自动估计并连续监测镇静深度，从而超越理论模型实现经验验证。
- 鲁棒性与泛化性： 作者声称，数据集的临床异质性（多样化的年龄、合并症和手术类型）有利于训练机器学习模型，因为它使算法能够接触到广泛的生理模式和镇静反应。
- 可重复性： 通过提供原始信号、处理后的特征以及关于数据质量和标注协议的详细元数据，该数据集旨在促进可重复性研究以及稳健监测工具的开发。
论文明确指示读者引用相关的出版物（Garbe et al., 2027）作为该数据集的主要学术来源，强调其在提高内窥镜手术安全性与效能的更广泛背景下的作用。
每周获取最佳 electrical engineering 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。