熵用于麻醉深度监测的研究进展.docVIP

熵用于麻醉深度监测的研究进展 安徽医科大学附属省立医院麻醉科(230001) 章蔚1 方才1 [摘要] 自非线性动力学方法被应用于脑电图非平稳信号的处理以来，将熵的概念引入了麻醉深度监测领域。与麻醉深度监测有关的熵包括Shannon熵、Kolmogorov 熵）Rudolf-Clausius于1868年首次提出的，最初是物理学的概念。上世纪40年代末，由于信息理论的需要出现了Shannon熵，50年代末以解决便历理论经典问题而崭露头角的Kolmogorov 熵topological entropy)，都相继诞生；1984年Johnson 和Shore等人进一步将熵引用于信号的功率谱[1]。简言之，熵是性的度量Kolmogorov 熵） Kolmogorov熵Kolmogorov entropy，KoEn） KoEn定义为信息的平均损失率。若系统表现确定性混沌，则KEN是大于零的常数。KoEn值越大，信息的损失率就越大，系统的混沌程度也就越大，或者说系统越复杂。有人将KoEn使用于大鼠EEG麻醉深度监测中[5]，计算并分析了大鼠在戊巴比妥钠腹腔注射麻醉过程中EEG信号的KEN动态变化曲线。结果表明，在一定麻醉深度时KoEn动态变化曲线与原始脑电信号所反映的各脑区抑制与兴奋状态的变化趋势有很好的一致性。并因此认为KoEn是一种新的麻醉深度监测方法，推荐用于临床。尽管目前有关KoEn实际用于临床的报道很少，但由其引申出的近似熵却有了很大的发展。 4.近似熵(approximate entropy，ApEn) ApEn是Pincus在1991年提出的，系为一种度量序列的复杂性和统计量化的规则，是从KoEn演变而来。ApEn主要特点[7，8]：①根据比较短的数据就能得出比较稳定的统计值，大致在100～5000点范围内，一般在1000 点左右；②具有较好的抗干扰和抗噪的能力 ；③对于随机或是确定信号都可使用，也可用于分析由随机成分和确定性成分混合的信号；④较适合用来分析生物信号。 4.1 ApEn的计算 ApEn需要脱机计算，即是将处理过的由脑电参数构成的一系列结果文件，输入计算机，再计算出ApEn，所以同步性较差，计算过程也显得繁琐。目前已有可使用的计算程序软件，如利用Vbasic程序和Fortran程序可计算出ApEn[9]。通过计算，ApEn约等于0.00189，ApEn值越小说明时间序列的可描述程度越高[7]。动物研究表明，大鼠ApEn的变化范围在0.1～1.0之间[2]。 4.2.ApEn、BIS和频谱边缘频率95（SEF95） ApEn量化了数据时间系列的规律性。BIS是多参数指数，要求Fourier转化和三阶统计，对成分波之间的相位耦联程度进行合并，最后合并几个不同的脑电参数形成一个单变量。SEF95是直接从EEG功率谱获的，功率谱已经过Fourier转换，将EEG信号重组成自己成分的正弦波。比起BIS，得到ApEn的运行步骤简单、直接[9]。 4.3麻醉药物影响 麻醉状态至少包括两部分：催眠和镇痛，EEG变化精密与催眠或镇痛药物的不同效应浓度相关，尤其是具有催眠效应的麻醉药。如随着地氟醚、异氟醚、异丙酚等药物浓度增加，EEG的规律性增强，即在一定范围内由EEG所计算出的ApEn持续减少[8，10，11]，而阿片类药物的对ApEn的影响不明显[9]。对单一麻醉药物效应的评定相对简单，但临床麻醉往往是多种药物联合使用，由于各种药物的分布、代谢、效应不同，临床麻醉期间所使用的催眠和镇痛药物的比例不恒定，这对监测仪的预测能力和敏感性要求很高。对联合使用异丙酚和瑞芬太尼的患者进行研究发现[9]，虽然结果提示ApEn的预测能力和敏感性要胜于BIS、SEF95，但临床实际意义并不明显。通过ApEn预测到需要及时处理气道，比起预测适当麻醉深度，准确性和敏感性要低的多。 4.4爆发抑制监测 增加麻醉药的剂量或浓度，EEG上就会显示间断爆发的高频率波，随后出现脑电静止期，这即为爆发抑制模式。地氟醚、异氟醚、异丙酚等均可以引起爆发抑制[10，11]。 有研究证实，当增加异氟醚浓度发生爆发抑制时实施麻醉监测，发现ApEn和有爆发补偿的SEF95可以正确区分脑电爆发抑制发生时的状态，而中间频率（MF）、SEF95则做不到。MF和SEF95脑电参数的剂量反应曲线呈现双阶段形态，会错误区分脑电爆发抑制发生时的状态，不能正确显示麻醉深度，由此可能会误导麻醉医师用药。因为ApEn对所量化了的EEG一系列振幅值的预测性，是以之前振幅值为基础的，且相对静止的间歇期为抑制期，ApEn运行法则呈现高规律性，故可以正确的对脑电爆发抑制发生时的状态进行区分[10]。对异丙酚诱导爆发抑制的发作的研究也证明了这一点 [11] ，