Zastosowanie sztucznej inteligencji w hospitalizacji pacjenta anestezjologicznego. Wspomaganie monitorowania i leczenia pacjenta przy użyciu AI
Keywords:
sztuczna inteligencja, AISynopsis
Sztuczna inteligencja (AI) jest coraz powszechniej wykorzystywana. Jej zdolności wykonywania wielu obliczeń w krótkim czasie, pracy z licznymi bazami danych oraz stosowania rozmaitych algorytmów nadają jej charakter pracy zbliżony do ludzkiego mózgu. Wiele dziedzin medycyny coraz częściej korzysta z jej możliwości i włącza ją do codziennej praktyki klinicznej. Istnieją również jej przeciwnicy, którzy nie akceptują ingerencji sztucznej inteligencji w obszary medyczne. Specjalizacja anestezjologiczna skoncentrowana jest na ciągłym monitorowaniu chorego i stabilizacji jego stanu klinicznego zarówno na oddziałach intensywnej terapii, jak i blokach operacyjnych. Rozwój AI w tej specjalności może przyczynić się do poprawy stanu klinicznego pacjenta. Dzięki analizie licznych baz danych, technice uczenia maszynowego oraz systemie sieci neuronowych AI może identyfikować określone wzorce, które pomogą monitorować stan chorego. Umożliwia również generowanie przewidywanego toku leczenia i wystąpienia niebezpiecznych powikłań, prognozy czasu terapii oraz potrzeby modyfikacji farmakoterapii do aktualnych potrzeb. Pomimo iż badania nad zastosowaniem sztucznej inteligencji w anestezjologii trwają, pierwsze dane wskazują na jej pozytywny wpływ na hospitalizację chorego. Potrafi ona w krótkim czasie generować prognozy licznych sytuacji zagrażających życiu tj.: migotanie komór czy nagły spadek ciśnienia tętniczego oraz na podstawie algorytmu i wytycznych przeanalizować odpowiednie rozwiązania lecznicze. Ponadto badania wskazują na możliwość wstępnej predykcji powyższych zdarzeń jeszcze przed ich wystąpieniem na podstawie analizy czynników predykcyjnych, trendu i danych pacjenta. Innym zastosowaniem AI jest kontrola leczenia sedatywnego oraz przeciwbólowego. W oparciu o stan kliniczny oraz dane pacjenta możliwa jest ciągła modyfikacja dawek leczniczych do aktualnych potrzeb. Wstępne wyniki badań opisujące dawkowanie leczenia znieczulającego oraz kontrolę bólu są zadowalające. AI wykorzystuje liczne bazy danych, by zwiększyć skuteczność terapii. Pomimo tego nadal istnieje ryzyko wystąpienia sytuacji niekontrolowanych i błędnych interpretacji. Dostarczenie większej liczby baz danych umożliwi wykorzystać uczenie maszynowe, by doskonalić działania sztucznej inteligencji. Potencjał jej wykorzystania w anestezjologii jest obiecujący, jednakże wymaga dalszych badań i rozwoju, zarówno w zakresie doskonalenia algorytmów, jak i standaryzacji protokołów umożliwiających wdrożenie AI w medycynie, z uwzględnieniem aspektów moralno-etycznych oraz prawnych.
References
Weidener L, Fischer M. Teaching AI Ethics in Medical Education: A Scoping Review of Current Literature and Practices. Perspect Med Educ. 2023;12(1):399-410. doi:10.5334/pme.954
Mintz Y, Brodie R. Introduction to artificial intelligence in medicine. Minim Invasive Ther Allied Technol. 2019;28(2):73-81. doi:10.1080/13645706.2019.1575882
Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017;69:S36-S40. doi:10.1016/j.metabol.2017.01.011
Kambale M, Jadhav S. Applications of artificial intelligence in anesthesia: A systematic review. Saudi J Anaesth. 2024;18(2):249-256. doi:10.4103/sja.sja_955_23
Connor CW. Artificial Intelligence and Machine Learning in Anesthesiology. Anesthesiology. 2019;131(6):1346-1359. doi:10.1097/ALN.0000000000002694
Connor CW. Understanding New Machine Learning Architectures: Practical Generative Artificial Intelligence for Anesthesiologists. Anesthesiology. 2024;140(3):599-609. doi:10.1097/ALN.0000000000004841
Jabaudon M, Zhai R, Blondonnet R, Bonda WLM. Inhaled sedation in the intensive care unit. Anaesth Crit Care Pain Med. 2022;41(5):101133. doi:10.1016/j.accpm.2022.101133
Muzammil MA, Javid S, Afridi AK, et al. Artificial intelligence-enhanced electrocardiography for accurate diagnosis and management of cardiovascular diseases. J Electrocardiol. 2024;83:30-40. doi:10.1016/j.jelectrocard.2024.01.006
Harry Mc G, Colin F, Liaoyuan Z, Yiming L. Anaesthesia Monitoring using Artificial Intelligence Techniques. Int J Anesth Anesthesiol. 2019;6(4). doi:10.23937/2377-4630/1410098
Michard F, Mulder MP, Gonzalez F, Sanfilippo F. AI for the hemodynamic assessment of critically ill and surgical patients: focus on clinical applications. Ann Intensive Care. 2025;15(1):26. doi:10.1186/s13613-025-01448-w
Singhal M, Gupta L, Hirani K. A Comprehensive Analysis and Review of Artificial Intelligence in Anaesthesia. Cureus. Published online September 11, 2023. doi:10.7759/cureus.45038
Mohammadi I, Firouzabadi SR, Hosseinpour M, et al. Predictive ability of hypotension prediction index and machine learning methods in intraoperative hypotension: a systematic review and meta-analysis. J Transl Med. 2024;22(1):725. doi:10.1186/s12967-024-05481-4
Pilakouta Depaskouale MA, Archonta SA, Katsaros DM, Paidakakos NA, Dimakopoulou AN, Matsota PK. Beyond the debut: unpacking six years of Hypotension Prediction Index software in intraoperative hypotension prevention - a systematic review and meta-analysis. J Clin Monit Comput. 2024;38(6):1367-1377. doi:10.1007/s10877-024-01202-w
Gallifant J, Zhang J, Del Pilar Arias Lopez M, et al. Artificial intelligence for mechanical ventilation: systematic review of design, reporting standards, and bias. Br J Anaesth. 2022;128(2):343-351. doi:10.1016/j.bja.2021.09.025
Misseri G, Piattoli M, Cuttone G, Gregoretti C, Bignami EG. Artificial Intelligence for Mechanical Ventilation: A Transformative Shift in Critical Care. Ther Adv Pulm Crit Care Med. 2024;19:29768675241298918. doi:10.1177/29768675241298918
Liu CF, Hung CM, Ko SC, et al. An artificial intelligence system to predict the optimal timing for mechanical ventilation weaning for intensive care unit patients: A two-stage prediction approach. Front Med. 2022;9:935366. doi:10.3389/fmed.2022.935366
Viderman D, Ayazbay A, Kalzhan B, Bayakhmetova S, Tungushpayev M, Abdildin Y. Artificial Intelligence in the Management of Patients with Respiratory Failure Requiring Mechanical Ventilation: A Scoping Review. J Clin Med. 2024;13(24):7535. doi:10.3390/jcm13247535
Marshall DC, Komorowski M. Is artificial intelligence ready to solve mechanical ventilation? Computer says blow. Br J Anaesth. 2022;128(2):231-233. doi:10.1016/j.bja.2021.10.050
Stivi T, Padawer D, Dirini N, Nachshon A, Batzofin BM, Ledot S. Using Artificial Intelligence to Predict Mechanical Ventilation Weaning Success in Patients with Respiratory Failure, Including Those with Acute Respiratory Distress Syndrome. J Clin Med. 2024;13(5):1505. doi:10.3390/jcm13051505
Rubulotta F, Blanch Torra L, Naidoo KD, et al. Mechanical Ventilation, Past, Present, and Future. Anesth Analg. 2024;138(2):308-325. doi:10.1213/ANE.0000000000006701
Hashimoto DA, Witkowski E, Gao L, Meireles O, Rosman G. Artificial Intelligence in Anesthesiology: Current Techniques, Clinical Applications, and Limitations. Anesthesiology. 2020;132(2):379-394. doi:10.1097/ALN.0000000000002960
Leivaditis V, Beltsios E, Papatriantafyllou A, et al. Artificial Intelligence in Cardiac Surgery: Transforming Outcomes and Shaping the Future. Clin Pract. 2025;15(1):17. doi:10.3390/clinpract15010017
Mathis M, Steffner KR, Subramanian H, et al. Overview and Clinical Applications of Artificial Intelligence and Machine Learning in Cardiac Anesthesiology. J Cardiothorac Vasc Anesth. 2024;38(5):1211-1220. doi:10.1053/j.jvca.2024.02.004
Chen X, Owen CA, Huang EC, et al. Artificial Intelligence in Echocardiography for Anesthesiologists. J Cardiothorac Vasc Anesth. 2021;35(1):251-261. doi:10.1053/j.jvca.2020.08.048
He X, Li T, Wang X. Research progress on the depth of anesthesia monitoring based on the electroencephalogram. Ibrain. 2025;11(1):32-43. doi:10.1002/ibra.12186
Lopes S, Rocha G, Guimarães-Pereira L. Artificial intelligence and its clinical application in Anesthesiology: a systematic review. J Clin Monit Comput. 2024;38(2):247-259. doi:10.1007/s10877-023-01088-0
Shukla A, Salma A, Patel D, et al. Harnessing Artificial Intelligence (AI) in Anaesthesiology: Enhancing Patient Outcomes and Clinical Efficiency. Cureus. Published online November 10, 2024. doi:10.7759/cureus.73383
Song B, Zhou M, Zhu J. Necessity and Importance of Developing AI in Anesthesia from the Perspective of Clinical Safety and Information Security. Med Sci Monit. 2023;29. doi:10.12659/MSM.938835
Huo J, Yu Y, Lin W, Hu A, Wu C. Application of AI in Multilevel Pain Assessment Using Facial Images: Systematic Review and Meta-Analysis. J Med Internet Res. 2024;26:e51250. doi:10.2196/51250
Nagata O, Matsuki Y, Matsuda S, et al. Anesthesia Management via an Automated Control System for Propofol, Remifentanil, and Rocuronium Compared to Management by Anesthesiologists: An Investigator-Initiated Study. J Clin Med. 2023;12(20):6611. doi:10.3390/jcm12206611
Robinson C, D’Souza R, Yazdi C, et al. Reviewing the Potential Role of Artificial Intelligence in Delivering Personalized and Interactive Pain Medicine Education for Chronic Pain Patients. J Pain Res. 2024;Volume 17:923-929. doi:10.2147/JPR.S439452
Das K, Sen J, Borode AS. Application of Echocardiography in Anaesthesia: From Preoperative Risk Assessment to Postoperative Care. Cureus. Published online September 16, 2024. doi:10.7759/cureus.69559
Zeng S, Qing Q, Xu W, et al. Personalized anesthesia and precision medicine: a comprehensive review of genetic factors, artificial intelligence, and patient-specific factors. Front Med. 2024;11:1365524. doi:10.3389/fmed.2024.1365524
Lundberg SM, Nair B, Vavilala MS, et al. Explainable machine-learning predictions for the prevention of hypoxaemia during surgery. Nat Biomed Eng. 2018;2(10):749-760. doi:10.1038/s41551-018-0304-0
Sippl P, Ganslandt T, Prokosch HU, Muenster T, Toddenroth D. Machine Learning Models of Post-Intubation Hypoxia During General Anesthesia. Stud Health Technol Inform. 2017;243:212-216.
Jeyaraman M, Balaji S, Jeyaraman N, Yadav S. Unraveling the Ethical Enigma: Artificial Intelligence in Healthcare. Cureus. Published online August 10, 2023. doi:10.7759/cureus.43262
Harfaoui W, Alilou M, El Adib AR, et al. Patient Safety in Anesthesiology: Progress, Challenges, and Prospects. Cureus. Published online September 16, 2024. doi:10.7759/cureus.69540
Marques M, Almeida A, Pereira H. The Medicine Revolution Through Artificial Intelligence: Ethical Challenges of Machine Learning Algorithms in Decision-Making. Cureus. Published online September 14, 2024. doi:10.7759/cureus.69405
Bellini V, Valente M, Gaddi AV, Pelosi P, Bignami E. Artificial intelligence and telemedicine in anesthesia: potential and problems. Minerva Anestesiol. 2022;88(9). doi:10.23736/S0375-9393.21.16241-8
Giordano C, Brennan M, Mohamed B, Rashidi P, Modave F, Tighe P. Accessing Artificial Intelligence for Clinical Decision-Making. Front Digit Health. 2021;3:645232. doi:10.3389/fdgth.2021.645232
Published
September 7, 2025
Copyright (c) 2025 Robert Kasza; Lidia Ziętek, Barbara Grochowska
License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
