⚡ electrical engineering

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

本文提出了一种用于丙泊酚和瑞芬太尼自动化闭环麻醉深度调节的模型参考自适应控制（MRAC）策略，该策略无需针对特定患者进行调优，即可有效处理个体差异和时变延迟，并在异质性虚拟患者模拟中实现了将双频指数（BIS）稳定维持在 40–60 的临床可接受范围内。

原作者： Raha Rahimi, Marzieh Kamali, Fazaneh Shayegh, Zahra Baharlouei

发布于 2026-08-03

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Raha Rahimi, Marzieh Kamali, Fazaneh Shayegh, Zahra Baharlouei

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位指挥着一支极其细腻的管弦乐团的指挥，但你的乐器并非小提琴或长笛，而是人体自身的化学反应。你试图创作的音乐是一种被称为“全身麻醉”的深度、无痛的睡眠状态。这是一场高风险的演出，目标是让患者完全失去意识且远离疼痛，但又不能深到导致其心脏或呼吸减慢到危险程度。为了实现这一目标，医生会使用特殊的药物，这些药物就像是大脑的“音量旋钮”。然而，每个人的身体都是不同的乐器；有些反应剧烈且迅速，有些则沉静且缓慢。此外，药物并不会立即起效——它们需要一段时间通过血液循环到达大脑，这在给药与看到结果之间创造了一种令人困惑的“滞后”。如果医生在音乐进行时尝试手动调节旋钮，他们可能是在针对“昨天的音量”做出反应，而非“今天的音量”，从而导致一场混乱的演出。这就是医学控制系统领域的科学家们一直试图解决的棘手难题：如何实现这一过程的自动化，从而无论手术台上的人是谁，或者药物传递的速度有多快，都能让这种“音乐”始终保持完美。

本文介绍了一种解决这一难题的巧妙新方法，即使用一种“模型参考自适应控制”（MRAC）系统。你可以将这个系统想象成一个超级智能、具备自我调优功能的麻醉“自动驾驶仪”。它不需要在开始前了解特定患者身体的具体细节（例如体重、年龄或肝脏代谢速度），而是能够进行实时学习。它内置了一个“理想指挥家”（参考模型），这位指挥家非常清楚音乐“应该”听起来是什么样子。随着真实患者身体的反应，控制器会不断将实际的音乐与理想的音乐进行比较，并立即调整药物旋钮以实现匹配。研究人员通过使用包含 12 个“虚拟患者”的多元化计算机模拟实验对这一想法进行了测试，这些患者具有不同的体型和药物敏感度。他们还加入了一些“变数”，比如突发的术中疼痛（模拟为“扰动”）以及现实生活中存在的棘手的时间延迟。

模拟结果表明，这种新方法非常有效。该系统成功地引导了患者的大脑活动（通过名为“双谱指数”的 BIS 分数来衡量），使其进入了 40 到 60 的安全“甜点区”。在诱导阶段（即患者进入睡眠状态时），系统在大约 4 到 6 分钟内达到了目标值，且几乎没有出现过度反应（大脑没有过快地陷入过深睡眠）。即使当虚拟患者具有不同的体质或药物起效时间发生变化时，控制器也能保持 BIS 分数稳定，始终在 50 左右波动，偏差仅为 ±2。至关重要的是，该系统在无需针对每个人重新调优的情况下，处理了药物作用中的“滞后”问题。作者发现，通过使用一种特殊的数学技巧来逆向工程药物与大脑信号之间的复杂关系，他们可以保持系统的稳定与安全。虽然这些发现目前仅限于计算机模拟，尚未在真人身上进行测试，但研究表明，这种具有自适应能力且能补偿延迟的控制器，有望成为未来实现更安全、更个性化自动化麻醉的潜在解决方案。

技术摘要：基于 BIS 的模型参考自适应控制，用于应对患者变异性与时变延迟下的麻醉深度调节

问题陈述
全身麻醉的实施需要对催眠药物（丙泊酚）和镇痛药物（瑞芬太尼诺）进行精确调节，以维持意识丧失和镇痛状态。自动化闭环控制的一个主要挑战在于患者个体间药代动力学/药效学（PK/PD）参数的显著差异，以及药物分布中存在的生理性时变延迟。传统的控制策略，如固定增益 PID 或模型预测控制（MPC），通常依赖于离线的患者特定参数识别，或假设药物分布是瞬时的。这些局限性降低了它们在实际临床环境中的鲁棒性，因为在实际临床中，患者生理状况会发生变化（例如心输出量变化），且延迟也会波动。此外，受由包含药物相互作用项的 Hill 函数所控制的、药物浓度与双谱指数（BIS）输出之间的非线性关系影响，使得设计线性反馈控制器变得复杂。

方法论
作者提出了一种旨在利用丙泊酚和瑞芬太尼进行双药输注来调节麻醉深度的模型参考自适应控制（MRAC）框架。该方法集成了以下组成部分：

植物模型建模： 患者模型采用标准的针对两种药物的三室 PK 模型（Schnider 模型），并扩展了用于处理两室间转移的随时间变化的延迟（ $\tau(t)$ ）。药效学（PD）组件通过一个考虑了丙泊酚与瑞芬太尼协同作用的非线性 Hill 函数，将效应部位浓度与 BIS 输出联系起来。
逆 Hill 重构： 为了解决 Hill 函数的非线性以及多输入控制的歧义性，作者引入了一种简化的逆向重构策略。通过假设归一化的瑞芬太尼效应与归一化的丙泊酚效应成比例（ $Y_r \approx \mu Y_p$ ），复杂的多种药物相互作用被简化为单变量非线性关系。随后应用逆 Hill 函数（ $H^{-1}_\mu$ ）作用于测得的 BIS 信号，以估计线性化的丙泊酚效应部位浓度（ $\hat{Y}_p$ ），该值作为反馈变量。
自适应控制律： 核心控制器是一个专为具有二阶相对度且存在未知时变延迟的系统设计的 MRAC 方案。
- 参考模型： 一个二阶参考模型（ $W_m(s)$ ）定义了理想的瞬态和稳态响应（目标 BIS 为 50）。
- 控制结构： 控制输入通过源自输入和估计输出的滤波回归器生成。为了处理相对度并确保稳定性，引入了一个一阶稳定滤波器 $Z(s) = s + p_0$ ，使误差动力学呈现严格正实（SPR）特性。
- 自适应与鲁棒性： 控制器参数通过基于 Lyapunov-Krasovskii 泛函的在线更新。控制器包含一个涉及跟踪误差符号和积分项的特定鲁棒项，用于补偿未知的时变延迟和外部扰动（如手术刺激）。
稳定性分析： 利用 Lyapunov-Krasovskii 泛函证明了理论上的稳定性，表明只要延迟变化率小于 1，所有闭环信号都保持有界，且跟踪误差渐近收敛至零。

核心贡献
论文概述了五项具体贡献：

参数无关性： 与传统的 PID 或事件驱动控制器不同，MRAC 方法不需要精确的患者特定 PK/PD 参数识别或预先调优。
显式延迟处理： 不同于现有的自适应框架（如分数阶 MRAC），该方法通过在控制设计和稳定性分析中显式地纳入生理性时变延迟，而不仅仅依赖于分数阶记忆效应。
非线性补偿： 提出的简化逆 Hill 重构允许从非线性 BIS 信号中估计出线性输出，从而在复杂的多种药物相互作用下实现自适应输出反馈控制。
鲁棒性： 自适应律持续在线更新参数，确保在无需重新校准控制器的前提下，能够应对患者间的变异性和术中扰动。
临床安全性： 控制器将输注速率调节在临床接受的标准范围内，防止了过量给药或麻醉不足。

结果
所提方法通过对 12 例具有不同生物特征（年龄、体重、身高、性别）及随机生成的 PK/PD 参数的虚拟异质性患者群体进行的模拟得到了验证。

诱导阶段： 控制器成功将所有患者的 BIS 从基线驱动至目标值 50。达到目标的时间（TT）范围为 104 至 193 秒（平均约 145 秒），稳定时间（ST10）范围为 141 至 360 秒（平均约 263 秒）。BIS 最低值（BIS-NADIG）在所有案例中均保持在 40 以上，避免了过度深度。
维持阶段： 在模拟手术扰动（双阶跃输入）下，控制器能够迅速将 BIS 恢复至目标范围。从正向和负向扰动中恢复的时间较短（平均约 0.6 分钟），且 BIS 保持在 40–60 范围内，超调量极小（<5%）且偏差较小（±2）。
药物管理： 丙泊酚和瑞芬太尼的输注曲线在诱导和维持阶段均保持在典型的临床限值内。
对比： 所提出的 MRAC 通过在不需要患者特定模型参数或离线调优的情况下实现竞争性的跟踪性能，表现优于或等同于现有策略（分数阶 MRAC、优化 PID、非线性 MPC）。

意义与主张
作者声称，本研究为鲁棒且个体化的闭环麻醉管理提供了一种极具前景的解决方案。其主要意义在于，该控制器能够在无需事先进行患者特定参数识别的情况下有效运行，从而解决了自动化麻醉系统临床部署的主要障碍。通过显式建模并补偿时变延迟和非线性药物相互作用，所提出的 MRAC 框架提供了一个具有理论依据且可扩展的方法，能够在多样化的生理条件下保持患者的安全性和稳定性。该工作表明，与手动或自动化程度较低的方法相比，此类系统可以提高患者安全性、减少药物消耗并缩短恢复时间。

类似论文