Anesteziyoloji ve Reanimasyonda Yapay Zeka Uygulamaları

Giriş

Yapay zeka (YZ), son yıllarda tıbbın hemen her dalında olduğu gibi anesteziyoloji ve reanimasyon alanında da devrim niteliğinde değişimlere yol açmaktadır. Makine öğrenmesi, derin öğrenme ve yapay sinir ağları gibi gelişmiş algoritmalar, perioperatif bakımın her aşamasında klinik karar verme süreçlerini desteklemekte, hasta güvenliğini artırmakta ve iş akışı verimliliğini uygun hale getirmektedir. [1-3]. Bu teknolojik dönüşüm, tıbbi uygulama temellerini yeniden şekillendirmekte ve anesteziyoloji ve reanimasyon bilim dalının geleceğine ilişkin yeni ufuklar açmaktadır.

Yapay zeka kavramı, ilk olarak 1956 yılında Dartmouth Konferansı'nda tanımlanmış olup, makinelerin insan benzeri bilişsel işlevleri yerine getirme kapasitesini ifade etmektedir [4]. Modern tıbbi uygulamalarda YZ, büyük veri setlerinin analizi, örüntü tanıma, tahmin modellemesi ve karar destek sistemleri aracılığıyla hayata geçirilmektedir. Anesteziyoloji ve reanimasyon pratiğinde YZ uygulamaları, preoperatif risk değerlendirmesinden intraoperatif monitorizasyona, ilaç titrasyon sistemlerinden postoperatif komplikasyon tahminlerine kadar geniş bir yelpazede kullanılmaktadır [5,6].

Makine öğrenmesi (ML), YZ'nin bir alt dalı olarak, algoritmaların açık programlama olmaksızın verilerden öğrenmesini sağlamaktadır. Denetimli öğrenme, denetimsiz öğrenme ve pekiştirmeli öğrenme olmak üzere üç temel paradigmaya ayrılmaktadır [6-8]. Derin öğrenme ise çok katmanlı yapay sinir ağlarını kullanarak karmaşık ve soyut özelliklerin otomatik olarak çıkarılmasını mümkün kılmaktadır. Konvolüsyonel sinir ağları (CNN), tekrarlayan sinir ağları (RNN) ve transformer mimarileri, anesteziyolojide görüntü analizi, zaman serisi verilerinin işlenmesi ve doğal dil işleme uygulamalarında yaygın olarak kullanılmaktadır [8,9].

Anesteziyoloji ve Reanimasyon uygulamalarında yapay zekanın entegrasyonu, büyük veri setlerinin analizi ve karmaşık örüntülerin tanınması yetenekleriyle mümkün hale gelmiştir. Elektronik sağlık kayıtları (ESK), fizyolojik monitorizasyon verileri, laboratuvar sonuçları ve görüntüleme modalitelerinden elde edilen devasa veriler, geleneksel istatistiksel yöntemlerle analiz edilemeyecek düzeyde karmaşıklık göstermektedir [10]. Yapay zeka algoritmaları, bu karmaşık veri yapılarından anlamlı bilgiler çıkararak, klinisyenlerin hasta bazında daha doğru ve kişiselleştirilmiş kararlar almasına olanak tanımaktadır [11].

Günümüzde ChatGPT, GPT-4 ve benzeri büyük dil modelleri (LLM), klinik dokümantasyon, hasta eğitimi ve karar destek sistemlerinde giderek artan bir rol üstlenmektedir [12]. Bu modeller, yapılandırılmamış klinik metinlerden bilgi çıkarma, ASA fiziksel durum sınıflandırması ve preoperatif değerlendirme özetleme gibi görevlerde umut verici sonuçlar sergilemektedir. Yapılan çalışmalarda, GPT-4'ün ASA sınıflandırmasında anesteziyologlarla neredeyse mükemmel uyum gösterdiği (kappa skoru: 0.858) rapor edilmiştir [13]. Bu bölümde, anestezi ve reanimasyon pratiğinde yapay zekanın mevcut uygulamaları, karşılaşılan zorluklar ve gelecek perspektifleri kapsamlı bir şekilde ele alınacaktır.

Preoperatif Dönemde Yapay Zeka Uygulamalari

Preoperatif değerlendirme, anestezi pratiğinin temel taşlarından birini oluşturmakta ve hasta güvenliği açısından kritik öneme sahiptir. Bu dönemde yapay zeka, risk tanımlaması, komplikasyon tahmini, hasta optimizasyonu ve kaynakların etkin kullanımı konularında önemli katkılar sağlamaktadır. Preoperatif YZ uygulamaları, hastaların bireysel risk profillerinin belirlenmesi ve anestezi planlamasının kişiselleştirilmesi açısından devrim niteliğinde fırsatlar sunmaktadır.

Risk Değerlendirme ve Komplikasyon Tahmini

Yapay zeka tabanlı risk tahmin modelleri, hastaların demografik özellikleri, komorbiditeleri, laboratuvar değerleri ve görüntüleme bulgularını entegre ederek, geleneksel skorlama sistemlerinden daha üstün performans göstermektedir [14]. Bu modeller, çok sayıda değişkeni eş zamanlı olarak analiz ederek, karmaşık nonlineer ilişkileri yakalayabilmekte ve geleneksel istatistiksel yöntemlerin kaçırabileceği risk faktörlerini tespit edebilmektedir.

Mortalite tahmini, YZ'nin en yoğun şekilde uygulandığı alanlardan biridir. Karaciğer rezeksiyonu geçiren hastalarda 90 günlük mortalite tahmininde XGBoost algoritmasının Receiver Operating Characteristic (ROC) eğrisi altında kalan alan (AUROC) değeri 0.9376'ya ulaşmıştır [5]. Benzer şekilde, kardiyak cerrahi sonrası mortalite tahmini için geliştirilen gradyan artırımlı karar ağacı modeli, test setinde 0.88 AUROC değeri elde etmiştir [15]. Bu sonuçlar, geleneksel EuroSCORE II ve STS skorlarına kıyasla önemli bir ilerlemeyi temsil etmektedir.

Akut böbrek hasarı (ABH), perioperatif dönemin en sık karşılaşılan komplikasyonlarından biridir ve önemli mortalite ve morbidite ile ilişkilidir. Karaciğer transplantasyonu sonrası ABH gelişimi için geliştirilen denetimli makine öğrenmesi modelleri, geleneksel algoritmalardan daha başarılı sonuçlar vermiş ve AUROC değeri 0.85 olarak rapor edilmiştir [5]. Opal platformu, ESK verilerini entegre ederek postoperatif ABH tahmininde 0.9 duyarlılık ve 0.8 özgüllük değerlerine ulaşmıştır [16].

Postoperatif deliryum, özellikle yaşlı hastalarda sık görülen ve kötü prognozla ilişkili ciddi bir komplikasyondur. Yapay zeka modelleri, preoperatif ve intraoperatif faktörleri kullanarak postoperatif deliryum riskini yüksek doğrulukla tahmin edebilmektedir. Kardiyak cerrahi hastalarında Random Forest algoritması kullanılarak geliştirilen model, 0.92 AUROC değeri ile üstün performans sergilemiştir [17]. Non-kardiyak cerrahi hastalarında ise XGBoost algoritması, 0.870 AUROC değeri elde etmiş ve yaş, operasyon süresi, ASA sınıfı, cinsiyet ve cerrahi risk düzeyi en önemli prediktörler olarak belirlenmiştir [18].

American Society of Anesthesiologists (ASA) fiziksel durum sınıflandırması, anestezi risk değerlendirmesinin temel bileşenlerinden biridir. Doğal dil işleme (NLP) teknikleri kullanılarak preoperatif klinik notlardan ASA sınıflandırması tahmini yapılabilmektedir. BioClinicalBERT ve fastText modelleri, sırasıyla 0.845 ve 0.865 makro- ortalama AUROC değerlerine ulaşmıştır [19]. Bu uygulamalar, özellikle deneyim düzeyi farklı merkezlerde standardizasyonun sağlanması ve medikal faturalandırma süreçlerinin otomasyonu açısından önemlidir.

Preoperatif risk değerlendirmesinde YZ modellerinin bir diğer önemli uygulama alanı, kan transfüzyon ihtiyacının tahminidir. Makine öğrenmesi algoritmaları, preoperatif değişkenleri kullanarak eritrosit transfüzyon gereksinimini tahmin edebilmekte ve kan kaynaklarının optimize edilmesine katkı sağlamaktadır [5]. Bu tahminler, ameliyathane planlamasının iyileştirilmesi ve kan bankası yönetiminin etkinleştirilmesi açısından pratik öneme sahiptir.

Zor Hava Yolu Yönetimi

Zor hava yolu değerlendirmesi, anestezi güvenliğinin kritik bir unsurudur ve başarısız hava yolu yönetimi ciddi morbidite ve mortalite ile sonuçlanabilmektedir. Geleneksel değerlendirme yöntemleri olan Mallampati skoru, tiromental mesafe ve üst dudak ısırma testi subjektif olup, gözlemciler arası değişkenlik göstermektedir. Meta-analizler, bu testlerin düşük duyarlılık değerlerine sahip olduğunu ortaya koymaktadır (Mallampati: 0.39, tiromental mesafe: 0.38, üst dudak ısırma testi: 0.52) [20].

Yapay zeka destekli görüntüleme teknolojileri, ultrasonografi, nazal endoskopi ve yüz morfolojisi analizini içerecek şekilde daha objektif değerlendirme araçları sunmaktadır [5]. Tıbbi yüz işaretlerini kullanan konvolüsyonel sinir ağı (CNN) tabanlı modeller, entübasyon güçlüğü sınıflandırmasında %81.8 sensitivite, %83.3 spesifisite ve 0.864 AUC değerine ulaşmıştır [5]. Bu modeller, 16 farklı yüz görüntüsünü analiz ederek boyun bölgesi ve yüz kontürlerine odaklanmaktadır.

Dikkat mekanizmalarını içeren derin öğrenme modelleri, oral görüntülerde %97.5 sınıflandırma doğruluğu elde etmiştir [5]. Wang ve arkadaşları (2023), 1000 hastadan dokuz farklı açıdan alınan fotoğrafları kullanarak tam otomatik yarı-denetimli derin öğrenme modeli geliştirmiştir [20]. Xia ve arkadaşları (2023), yedi yüz görüntüsü ve hasta verilerini Light Gradient Boosting Machine algoritması ile birleştirerek zor videolaringoskopi tahmininde 0.779 AUC değerine ulaşmıştır [21].

K-Nearest Neighbors (KNN) algoritması, 622 hasta kaydı kullanılarak zor hava yolu yönetimi tahmininde 0.87 doğruluk, 0.88 kesinlik, 0.82 duyarlılık ve 0.87 AUC değerleri elde etmiştir [22]. Bu sonuçlar, YZ tabanlı yaklaşımların geleneksel klinik testlerden daha üstün performans gösterebileceğini ortaya koymaktadır.

Pediatrik hastalarda endotrakeal tüp derinliği tahmini için geliştirilen elastik net regresyon tabanlı makine öğrenmesi modelleri, temel preoperatif değişkenler (yaş, cinsiyet, boy, kilo) kullanarak basit ve stabil çözümler sunmaktadır [5]. Bu uygulamalar, özellikle deneyimsiz klinisyenler için karar destek sistemi olarak değerli katkılar sağlamaktadır.

İntraoperatif Dönemde Yapay Zeka Uygulamalari

İntraoperatif dönem, yapay zekanın gerçek zamanlı veri analizi ve karar destek yeteneklerinin en yoğun şekilde kullanıldığı alandır. Bu dönemde anestezi derinliği monitorizasyonu, ilaç titrasyon sistemleri, hemodinamik yönetim, bölgesel anestezi ve görüntüleme yardımı başlıca uygulama alanlarını oluşturmaktadır. YZ sistemleri, saniyeler içinde büyük miktarda fizyolojik veriyi işleyerek, insan algısının ötesinde örüntüleri tespit edebilmekte ve proaktif müdahale fırsatları yaratmaktadır.

Anestezi Derinliği Monitorizasyonu

Elektroensefalografi (EEG) sinyallerinin analizi, anestezi derinliğinin belirlenmesinde altın standart olarak kabul edilmektedir. Ancak, geleneksel bispektral indeks (BIS) gibi yöntemler, karmaşık EEG paternlerinin tam olarak yansıtılması konusunda sınırlılıklar taşımaktadır [23]. Yapay zeka tabanlı yaklaşımlar, özellikle derin öğrenme modelleri, EEG sinyallerinden temporal ve spektral özellikleri çıkararak anestezi derinliğini daha doğru ve hızlı bir şekilde tahmin edebilmektedir [24].

AnesNET sistemi, dört katmanlı konvolüsyonel sinir ağı ve iki yoğun katman kullanarak gerçek zamanlı anestezi derinliği monitorizasyonu sağlamaktadır. Sistem, EEG tabanlı Minimum Alveolar Concentration (EEGMAC) indeksini kullanarak hem volatil hem de intravenöz anestezik ajanlar için doğru tahminler üretmektedir. EEGMAC tahmini 20 milisaniye içinde gerçekleştirilebilmekte olup, bu süre geleneksel BIS tahmininden önemli ölçüde daha kısadır [9].

Konvolüsyonel sinir ağları (CNN) ve tekrarlayan sinir ağları (RNN) kullanan hibrit modeller, hastaları dört farklı anestezik duruma (uyanık, hafif, genel, derin) yaklaşık %89 doğrulukla sınıflandırabilmektedir [8]. Derin rezidüel daralma ağı (DRSN) ve 1x1 konvolüsyon ağını birleştiren model, Patient State Index (PSI) tahmininde 0.9344 Spearman korelasyon katsayısı elde etmiştir [25]. Bu model, gürültüden etkilenen sinyallerde bile yüksek performans sergilemektedir.

Meta-öğrenme yaklaşımlarını kullanan Anes-MetaNet sistemi, hastalar arası büyük değişkenliği ele alarak, kişiselleştirilmiş anestezi derinliği monitorizasyonu sağlamaktadır [8]. LSTM, Transformer ve Kolmogorov-Arnold Networks (KAN) mimarilerini entegre eden hibrit model, ilaç infüzyon geçmişinden anestezi derinliği tahmininde VitalDB veritabanında 0.0062 MSE değerine ulaşmıştır [26]. Bu yaklaşım, ilaç-yanıt dinamiklerinin bireysel farklılıklarını hesaba katabilmektedir.

İnception modülünden esinlenen CNN, çift yönlü LSTM (Bi-LSTM) ve dikkat katmanını birleştiren kombinatoryal derin öğrenme yapısı, EEG sinyallerinden BIS tahmininde 5.59±1.04 kök ortalama kare hatası ve 4.3±0.87 ortalama mutlak hata değerleri elde etmiştir. Aynı model, dört anestezi düzeyinin sınıflandırılmasında %88.7 doğruluk sağlamıştır [27].

Akıllı İlaç Titrasyonu ve Kapalı Çevrim Sistemler

Yapay zeka destekli kapalı çevrim anestezi sistemleri, hastanın fizyolojik parametrelerini (BIS, EEG, kalp hızı, kan basıncı) sürekli izleyerek, anestezik ajanların dozajını gerçek zamanlı olarak optimize etmektedir [6]. Bu sistemler, sensör, kontrolör ve aktüatör olmak üzere üç temel bileşenden oluşmaktadır. Sensörler hedef fizyolojik parametreleri ölçerken, kontrolör geri bildirim sinyalini işleyerek gerekli düzeltmeleri belirlemekte ve aktüatör ilaç infüzyon hızını ayarlamaktadır [28].

Pekiştirmeli öğrenme (reinforcement learning) algoritmaları, farmakokinetik- farmakodinamik (PK-PD) simülasyonlarla birleştirildiğinde, karmaşık geri bildirim gecikmeleri ve BIS değişkenliğine rağmen yüksek doğruluk sağlamaktadır [5]. VentAI algoritması, pekiştirmeli öğrenme kullanarak dinamik olarak optimize edilmiş mekanik ventilasyon rejimleri önerebilmekte ve insan kararlarından daha sık ayarlamalar yaparak bireysel hastalara en uygun parametreleri belirleyebilmektedir [29].

McSleepy sistemi, hipnoz, analjezi ve nöromüsküler blokajı eş zamanlı olarak yöneten kapalı çevrim total intravenöz anestezi (TİVA) sistemidir. Hipnoz için BIS, analjezi için analjezi skoru ve nöromüsküler blokaj için fonomiyografi kullanmaktadır. Sistem, kontrollü ortamlarda anestezi derinliğini koruma ve uyanma sürelerini kısaltma konusunda umut verici performans göstermekte, intraoperatif hipotansiyonu %40'a kadar azaltabilmektedir [6].

SEDLine® entegrasyonu ile PSI kontrollü propofol ve remifentanil uygulaması, hedef aralıkta PSI'yı zamanın %92'sinde koruyabilmiş ve düşük performans hatası ile hiçbir advers olay bildirmemiştir [30]. BIS-rehberli Closed-Loop Anesthetic Delivery System (CLADS), çok merkezli randomize kontrollü çalışmada hedef BIS±10 aralığını anestezi süresinin %81.4'ünde korumuş, manuel kontrol ise bu oranı %55.34 olarak gerçekleştirmiştir [31].

Sedesys sistemi, rutin endoskopik prosedürler için propofol uygulamasını otonom olarak gerçekleştirmek üzere Food and Drug Administration (FDA) onayı almış bir bilgisayar destekli kişiselleştirilmiş sedasyon sistemidir. Oksijen desatürasyon eğrisi altındaki alanı azaltmış, hasta memnuniyetini artırmış ve iyileşme süresini kısaltmıştır. Ancak, düşük riskli hastalarla sınırlı kullanımı ve maliyet-etkinlik sorunları nedeniyle piyasadan çekilmiştir [6,28].

Optimize edilmiş Gauss süreç modelleri, remifentanil farmakokinetik tahmininde geleneksel PK-PD modellerinden üstün doğruluk göstermektedir [5]. Deksmedetomidin dozlaması için geliştirilen pekiştirmeli öğrenme modelleri, kritik hastalarda deliryum önleme amacıyla PK-PD simülasyonları ile geliştirilmektedir [16].

Hipotansiyon Tahmin İndeksi

İntraoperatif hipotansiyon, miyokardiyal hasar, akut böbrek hasarı, inme ve artmış mortalite ile ilişkili önemli bir komplikasyondur [32]. Hipotansiyon Tahmin İndeksi (HTİ), arteriyel basınç dalga formlarını yapay zeka algoritmaları ile analiz ederek, ortalama arteriyel basıncın (OAB) 65 mmHg'nin altına düşme olasılığını birkaç dakika öncesinden tahmin etmektedir [8].

Sistematik derleme ve meta-analizler, HTİ algoritmalarının 0.89-0.90 AUROC değeri ile güçlü tahmin performansı sergilediğini göstermektedir [32,33]. HTİ, %83 duyarlılık ve %83 özgüllük ile 5, 10 ve 15 dakika öncesinden hipotansiyonu öngörebilmektedir. HYPE randomize klinik çalışması, HTİ rehberliğindeki bakımın hipotansiyon medyan süresini hasta başına 8.0 dakikaya düşürdüğünü, kontrol grubunda bu sürenin 32.7 dakika olduğunu göstermiştir [34].

HTİ, lojistik regresyon modeli kullanarak invaziv veya non-invaziv kan basıncı dalga formlarından 23 özel özellik çıkarmaktadır. 0-100 ölçeğinde daha yüksek HTİ değeri, yaklaşan hipotansiyon riskinin arttığını göstermektedir [33]. Meta-analizler, HTİ rehberliğindeki yönetimin hipotansiyon yükünü, insidansını ve kümülatif süresini anlamlı şekilde azalttığını ortaya koymaktadır [8].

Ancak, bazı araştırmalar HTİ'nin pozitif prediktif değerinin %30 civarında kaldığını ve mevcut OAB trendlerine dayanan daha basit modellerin benzer tahminleri tekrarlayabildiğini göstermektedir [8]. Kardiyak ve non-kardiyak cerrahi arasındaki performans farklılıkları da rapor edilmiştir. HTİ'nin hasta odaklı sonuçlar (organ hasarı, mortalite) üzerindeki etkisi henüz kesin olarak kanıtlanamamış olup, bağımsız klinik çalışmalarla doğrulanması gerekmektedir [33].

Travmatik beyin hasarı hastalarında gerçek zamanlı intraoperatif hipotansiyon tahmini için geliştirilen gradyan artırma ağacı modeli, 0.83 AUROC değeri elde etmiştir. OAB'ın son trendinden türetilen özellikler baskın prediktörler olarak belirlenmiştir [35]. Sistematik özellik mühendisliği yöntemleri kullanılarak invaziv kan basıncı verilerinden istatistiksel, tepe, değişim ve frekans analizleri yapılmakta ve Random Forest algoritmaları eğitilmektedir [36].

Bölgesel Anestezi ve Ultrasonografi

Yapay zeka, ultrason rehberliğinde bölgesel anestezi alanında hızla entegre olmaktadır. Bu sistemler, görüntü yorumlama, anatomik yapı tanımlama ve iğne rehberliğini geliştirerek sinir bloklarının güvenliğini ve etkinliğini artırmayı hedeflemektedir [37]. CNN tabanlı semantik segmentasyon teknikleri, hedef sinirleri, kan damarlarını, kasları ve kemikleri renkli katmanlarla vurgulayarak görselleştirmeyi kolaylaştırmaktadır.

ScanNav Anatomy Peripheral Nerve Block (Intelligent Ultrasound, UK) sistemi, 10 yaygın periferik sinir bloğu için gerçek zamanlı anatomik rehberlik sağlamaktadır. Validasyon çalışmaları, sistemin önemli anatomik yapıları vakaların %93.5'inde tanımladığını ve istenmeyen iğne travması riskini %62.9-86.4 oranında azalttığını göstermiştir [38]. NerveBlox (Smart Alfa Teknoloji, Türkiye) sistemi, 12 tip sinir bloğu için renk katmanlı etiketleme sağlamakta ve "tarama başarı" oranı göstermektedir. Modeller, hedef yapıları vakaların %93.5'inde doğru tanımlamıştır [37,39].

Accuro (Rivanna Medical, USA), SpineNav3D AI tabanlı omurga tanıma teknolojisi ile kemik yapıları otomatik olarak tespit eden ve epidural mesafe derinliğini belirleyen taşınabilir bir cihazdır. Çalışmalar, iğne yönlendirmelerini azaltabildiğini ve ilk geçiş başarı oranlarını artırabildiğini göstermektedir [38]. uSINE (HiCura Medical, Singapur), spinal seviyelerin otomatik tanımlanması ve iğne rehberliği için tasarlanmış YZ özellikli bir yazılımdır [38].

YZ sistemleri, anesteziyoloji ve reanimasyon uzmanları ve tıpda uzmanlık öğrencileri için değerli eğitim araçları olarak işlev görmekte, sonoanatomi öğrenimini hızlandırmaktadır [37]. Ancak, standardizasyon eksikliği, sınırlı klinik veri, düzenleyici engeller, maliyet ve YZ'ye aşırı bağımlılık riski önemli zorluklar olarak devam etmektedir. Anormal anatomide görüntü yanlış yorumlama potansiyeli, dikkatle ele alınması gereken bir konudur [37,38].

Ekokardiyografi ve Görüntüleme

Yapay zeka, ekokardiyografi alanında kardiyak boşluk tanıma ve fonksiyonel ölçümleri geliştirerek, ventriküler performansın hızlı ve doğru değerlendirilmesini sağlamaktadır [8]. Anestezi altında hemodinamik koşulların hızla değişebildiği durumlarda, YZ destekli ekokardiyografi sistemleri klinisyenlere kritik bilgiler sunmaktadır. Bu sistemler, ejeksiyon fraksiyonu, duvar hareket anormallikleri ve valvüler patolojilerin otomatik değerlendirilmesinde kullanılmaktadır.

Postoperatif Dönemde Yapay Zeka Uygulamalari

Postoperatif dönemde yapay zeka, komplikasyon tahmini, rehabilitasyon monitorizasyonu, ağrı yönetimi ve hasta sonuçlarının değerlendirilmesinde önemli roller üstlenmektedir. Bu dönemde YZ uygulamaları, erken müdahale fırsatları yaratarak hasta sonuçlarını iyileştirme potansiyeli taşımaktadır.

Komplikasyon Tahmini ve Erken Uyarı Sistemleri

Yapay zeka modelleri, ESK verilerini kullanarak çeşitli postoperatif komplikasyonları öngörebilmektedir. Bunlar arasında mortalite, sepsis, solunum yetmezliği, kardiyovasküler yetmezliği, böbrek yetmezliği, ileus, enfeksiyonlar ve deliryum bulunmaktadır [14]. Kritik hastalarda majör postoperatif komplikasyonları (48 saatten uzun yoğun bakım yatışı, 48 saatten uzun mekanik ventilasyon, ABH, sepsis, kardiyovasküler komplikasyonlar ve mortalite) tahmin eden modeller geliştirilmiştir [14].

NAVOY sepsis algoritması, yüksek riskli sepsis hastalarını üç saat içinde tespit etmede geleneksel skorlama sistemlerinden daha üstün performans göstermiştir [29]. Feasible Artificial Intelligence with Simple Trajectories for Predicting Adverse Catastrophic Events modeli, kardiyak arrest veya akut solunum yetmezliğini olay öncesinden birkaç saat önce tahmin edebilmektedir [29]. Bu erken uyarı sistemleri, kritik hasta bakımında proaktif müdahale stratejilerinin geliştirilmesine olanak tanımaktadır.

Mekanik ventilasyondan ayırma (weaning) süreci karmaşıktır ve hastaların yaklaşık %25-30'u başarısız olmakta, bu da uzamış ventilasyon, artan hastanede kalış süresi, morbidite ve mortalite ile sonuçlanmaktadır [40]. YZ modelleri, ayırma hazırlığı ve başarısını tahmin ederek mekanik ventilasyon süresini kısaltmayı ve komplikasyonları azaltmayı hedeflemektedir. Çalışmalar, YZ rehberliğinde ayırma stratejileri ile ventilatörsüz günlerin arttığını ve YBÜ kalış süresinin kısaldığını göstermektedir [29].

Makine öğrenmesi, uzamış mekanik ventilasyon (>7 gün) ve trakeostomi ihtiyacı riskini yüksek hastalarda belirleyebilmektedir. Gradyan artırmalı karar ağaçları, uzamış mekanik ventilasyon için 0.820 ve trakeostomi için 0.830 ortalama AUC değerleri elde etmiştir [41]. Cerrahi yoğun bakım hastalarında bu tahminler daha da doğru olmaktadır (uzamış mekanik ventilasyon için 0.852, trakeostomi için 0.869 AUC).

Ağrı Yönetimi ve Opioid Kullanım Tahmini

Yapay zeka, perioperatif ağrı yönetiminde opioid ilişkili sonuçları tahmin etmek ve tedavi stratejilerini kişiselleştirmek için giderek artan şekilde uygulanmaktadır. Sinir ağı modelleri, ağrı skoru paternleri ve diğer klinik özellikleri kullanarak ayaktan cerrahi sonrası opioid yenileme ihtiyacını tahmin edebilmektedir [42].

Makine öğrenmesi modelleri, preoperatif ESK ve giyilebilir cihaz verilerini kullanarak postoperatif akut ağrı ve kronik opioid kullanımını yüksek doğrulukla tahmin edebilmektedir. Stacking ensemble modeli, akut ağrı tahmini için 0.68 ve kronik opioid kullanımı için 0.89 doğruluk elde etmiştir [43]. SHAP tekniği ile önemli prediktörler belirlenmiş, kalp hızı, fiziksel aktivite düzeyleri ve uyku paternleri gibi giyilebilir cihaz verileri önemli bulunmuştur.

Kalıcı postoperatif opioid kullanımı (POU) ve opioid kullanım bozukluğu (OUD) tahmini için YZ modelleri, omurga, diz, kalça artroplastisi ve ayaktan cerrahi dahil çeşitli prosedürler için geliştirilmiştir [44]. Preoperatif opioid kullanımı, en güçlü prediktör olarak belirlenmişken, yaş, cinsiyet, vücut kitle indeksi ve depresyon gibi komorbiditeler de önemli faktörler olarak tanımlanmıştır. Bu modeller, opioid krizine katkıda bulunmak yerine bağımlılık riskini azaltmaya yönelik kişiselleştirilmiş ağrı yönetim planlarının geliştirilmesine olanak tanımaktadır.

Kaynak Optimizasyonu

Yapay zeka, hastane yatış süresinin tahmini, plansız yoğun bakım yatışlarının öngörülmesi ve hastane yeniden başvurularının belirlenmesi gibi süreç ile ilgili sonuçları da tahmin edebilmektedir [14]. Bu tahminler, kaynak tahsisinin optimize edilmesine ve sağlık hizmetlerinin daha verimli sunulmasına katkı sağlamaktadır. Ameliyathane planlaması, yatak yönetimi ve personel tahsisi gibi operasyonel süreçler, YZ desteği ile daha etkin hale getirilebilmektedir.

Cerrahi süre tahmini için NLP ve yapılandırılmış verilerin entegrasyonu, ameliyathane programlamasının iyileştirilmesine katkı sağlamaktadır [19]. Bu uygulamalar, gecikmelerin azaltılması, kaynak kullanımının optimize edilmesi ve genel operasyonel verimliliğin artırılması açısından pratik değere sahiptir.

Zorluklar ve Sinirlamalar

Yapay zekanın anesteziyoloji ve reanimasyon uygulamalarında yaygın klinik kullanımı için çözülmesi gereken önemli zorluklar bulunmaktadır. Bu zorlukların sistematik olarak ele alınması, YZ teknolojilerinin güvenli ve etkin klinik entegrasyonu için zorunludur.

Veri Kalitesi ve Standardizasyon

Yüksek kaliteli, kapsamlı veri, etkili YZ modellerinin eğitimi için kritik önem taşımaktadır. ESK verilerinden nedensel ilişkiler kurmanın zorluğu ve veri heterojenliği, model genellenebilirliğini sınırlamaktadır [11,14]. Kurumlar arası uygulama için standardize ve birlikte çalışabilir veri formatları gereklidir, ancak veri toplama ve etiketlemedeki farklılıklar bu genellenebilirliği engellemektedir [14].

Anestezi uygulama süreçleri ile ilgili ve çok çeşitli verilerin olması veri toplama aşamalarında birçok zorluk barındırmaktadır. Çünkü birçok biyomedikal sinyal, YZ modelleri ile işlenmesi ve analiz edilmesi karmaşık bir yapı oluşturmaktadır [5]. Kamusal olarak erişilebilir veri setleri sınırlıdır ve çok merkezli, prospektif veriler tercih edilmektedir [45]. NLP uygulamalarında yeterli etiketli veri eksikliği, veri dengesizliği sorunu ve ML modellerinin yetersiz değerlendirilmesi önemli limitasyonlar olarak belirtilmektedir [19].

Validasyon ve Genellenebilirlik

Sistematik bir inceleme, modellerin çoğunun tek merkezli validasyonlara (%75) dayandığını ve sadece %13'ünün çok merkezli olarak dışarıdan valide edildiğini göstermiştir [14]. Prediction model Risk Of Bias Assessment Tool (PROBAST) değerlendirmesi, tahmin edilen sonuçlarda ve YZ/makine öğrenmesi uygulamalarında yüksek sistematik hata riski olduğunu göstermiştir [14]. YZ modellerinin klinik pratiğe entegre edilmeden önce çeşitli klinik ortamlarda prospektif olarak valide edilmesi gerekmektedir [14].

Çalışmalarda model performansı, ayırt etme gücü, kalibrasyon, yorumlanabilirlik ve şeffaflık açısından önemli heterojenlik mevcuttur, bu da bulguların genelleştirilmesini zorlaştırmaktadır [45]. Tıp uzmanı olmayan araştırmacılar için standardize rehberlik eksikliği, tutarlı metodoloji ve eksiksiz raporlama ile titiz araştırma yapılmasını engellemektedir.

Algoritmik Önyargı ve Şeffaflık

Eğitim verilerindeki önyargı endişeleri mevcuttur ve bu durum farklılıkları artırarak etik sorunlar yaratabilmektedir [14]. Birçok YZ modeli, özellikle derin öğrenme modelleri, şeffaflık ve açıklanabilirlik eksikliği göstermektedir, bu da klinisyenlerin tahminlerin nasıl yapıldığını anlamasını zorlaştırmaktadır. Algoritmik şeffaflığın yokluğu ve malpraktis konusundaki belirsiz ortam, önemli engeller olarak gösterilmektedir [13].

Açıklanabilir yapay zeka (XAI), bu sorunu ele almak için geliştirilmekte olup LIME , SHAP , Grad-CAM gibi teknikler modellerin karar verme süreçlerini açıklamaya yardımcı olmaktadır. Ancak, basit modellerin açıklanabilirliği ile karmaşık modellerin tahmin gücü arasındaki denge önemli bir zorluk olmaya devam etmektedir. Açıklamaların kalitesini ve kullanışlılığını değerlendirmek için standardize metrikler gerekmektedir [45].

Etik ve Düzenleyici Hususlar

YZ'nin klinik pratikte kullanımının etik sonuçları, hasta mahremiyeti ve hesap verebilirlik dahil olmak üzere dikkatli bir şekilde ele alınmalıdır [11]. HIPAA ve GDPR gibi düzenleyici çerçeveler, hasta verilerinin güvenliğini sağlamak ve etik dağıtımı garantilemek için kritik öneme sahiptir [6]. YZ sistemlerinin güvenliği, sorumluluğu ve hesap verebilirliği ile ilgili yeni düzenleyici endişeler ortaya çıkmaktadır [11].

FDA ve EMA gibi düzenleyici kurumlar, YZ tabanlı tıbbi cihazlarda şeffaflık ve hesap verebilirlik üzerinde giderek artan vurgu yapmaktadır [44]. Makine kaynaklı kararların açıklanabilirliği, advers sonuçlar için hesap verebilirlik ve algoritmik önyargı konuları kritik etik endişelerdir [6]. Hasta bilgilendirilmiş onamı ve veri kullanımı konusunda açık politikalar geliştirilmesi gerekmektedir.

Maliyet ve Kabul

HTİ gibi ileri YZ rehberli monitorizasyon teknolojilerini uygulama maliyeti, pratik bir engel olabilmektedir [8]. Birçok YZ platformu, yüksek hızlı bağlantı, güçlü altyapı ve önemli sermaye yatırımı gerektirmekte, bu da tüm sağlık ortamlarında mevcut olmayabilmektedir [6].

Anesteziyoloji ve reanimasyon uzmanları, YZ entegrasyonu nedeniyle hizmetlerine olan talebin azalması ve kazançlarının düşmesi konusunda endişeler taşımaktadır [13]. Bununla birlikte, anketler çoğu anesteziyoloji ve reanimasyon uzmanlarının YZ'nin sağlık hizmeti verimliliğini, zamanlamasını ve etkinliğini artırabileceğine inandığını ve çoğunluğun klinik kullanımına yönelik olumlu tutumlar sergilediğini göstermektedir [13]. Otomasyona aşırı bağımlılık, durumsal farkındalığı azaltabilir ve eğitimde yetersiz genel yetkinliğe yol açabilir [28,37].

Gelecek Perspektifleri

Anesteziyoloji ve reanimasyon bilim dalında yapay zekanın geleceği, teknolojinin sorumlu ve etkili entegrasyonunu sağlamaya yönelik çok yönlü bir yaklaşım gerektirmektedir.

Kişiselleştirilmiş Tıp ve Hassas Anestezi

Gelecekte YZ algoritmaları, bireysel hasta farklılıklarını ve gerçek zamanlı fizyolojik değişiklikleri dikkate alarak kişiselleştirilmiş anestezi dozaj planlarını mümkün kılacaktır [11]. Farmakokinetik ve farmakodinamik modellerin hastaya özel optimizasyonu, yan etkileri minimize ederken terapötik etkinliği maksimize edecektir. Genetik ve farmakogenomik testlerin entegrasyonu, anestezik yanıtın bireysel tahminini iyileştirecektir [16].

YZ, hipo ve hiper-inflamatuar ARDS alt fenotiplerini gerçek zamanlı olarak tanımlayarak tedavileri kişiselleştirmeye yardımcı olabilmektedir [29]. Preoperatif giyilebilir cihaz verileri ile postoperatif sonuçların tahmini, perioperatif bakımın proaktif olarak planlanmasına olanak tanıyacaktır [43].

Çok Merkezli İşbirliği ve Büyük Veri Entegrasyonu

Gelecekteki ilerleme, çok merkezli validasyon, şeffaf raporlama, sağlam düzenlemeler ve klinisyenler için yapılandırılmış YZ eğitimi gerektirmektedir [8,11]. Farklı popülasyonlar ve klinik ortamlar arasında veri paylaşımı ve işbirliği, daha genellenebilir ve güvenilir modellerin geliştirilmesini sağlayacaktır.

Federe öğrenme yaklaşımları, hasta verilerini merkezi olarak toplamadan kurumlar arası işbirliğine olanak tanıyarak, veri gizliliği endişelerini ele alabilir. Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis- Artificial Intelligence (TRIPOD-AI) gibi raporlama kılavuzlarına uyum, araştırma kalitesini artıracaktır [45].

Açıklanabilir Yapay Zeka

"Kara kutu" doğasına sahip derin öğrenme modellerinin açıklanabilirliğini artırmak, klinisyenlerin tahminlerin arkasındaki mantığı daha iyi anlamalarını sağlayarak güven ve benimseme oranlarını artıracaktır [14]. Açıklanabilir YZ (XAI) yaklaşımları, model kararlarının klinik mantıkla uyumlu olduğunu doğrulama imkanı sunacaktır.

SHAP, LIME ve Grad-CAM gibi XAI teknikleri, model tahminlerine en çok katkıda bulunan özellikleri belirleyerek klinisyenlerin YZ önerilerini değerlendirmesine yardımcı olmaktadır. Kullanıcı merkezli tasarım yaklaşımları, açıklamaların sunumunun (görsel, metinsel, etkileşimli), detay düzeyinin ve zamanlamasının optimize edilmesini sağlayacaktır [45].

Global Erişim ve Tele-Anestezi

Yapay zeka, düşük kaynaklı ortamlarda anesteziyolog eksikliğini tele-anestezi sistemleri aracılığıyla ele alabilir, uzaktan denetimi mümkün kılarak yerel personeli destekleyebilir [6]. Bu, sağlık hizmetlerine erişimin demokratikleştirilmesi açısından önemli bir potansiyel taşımaktadır. YZ rehberli karar destek sistemleri, kırsal ve uzak bölgelerde anestezi hizmetlerinin kalitesini iyileştirebilir.

Anesteziyoloji ve Reanimasyon Uzman Rolünde Dönüşüm

Yapay zekanın anesteziyoloji ve reanimasyon uzmanlarını değiştirmekten ziyade onların klinik yargılarını desteklemesi beklenmektedir, bu da uzmanlık alanını daha bilişsel, denetleyici ve veriye dayalı bir pratiğe doğru kaydıracaktır [6,8,11]. Anesteziyologlar, YZ sistemlerini yorumlama, doğrulama ve karmaşık klinik senaryolarda insan yargısını uygulama rollerini üstleneceklerdir.

Anesteziyoloji ve reanimasyon uzmanlarının "uygun güven" geliştirmesi, YZ'nin belirli bağlamlardaki yeteneklerini ve sınırlamalarını anlaması kritik öneme sahiptir [45]. Disiplinler arası eğitim programları, klinisyenlerin YZ araçlarını etkin kullanması için gereklidir. YZ, anesteziyoloji ve reanimasyon uzmanlarının iş yükünü azaltarak, beklenmedik olaylara ve karmaşık senaryolara odaklanmalarına olanak tanıyacaktır [30].

İleri Teknolojiler ve Robotik

Bilgisayar destekli veya robotik otonom ultrason rehberli prosedürler üzerinde devam eden çalışmalar, daha iyi hassasiyet ve beceri sunabilecektir [37]. Artırılmış ve sanal gerçeklik teknolojileri, YZ ile birleştiğinde daha gerçekçi eğitim ortamları yaratacak ve operatörlere gelişmiş geri bildirim sağlayacaktır [37]. AlphaFold gibi YZ araçları, protein yapısı tahminini önemli ölçüde geliştirmiş olup, ilaç etkileşimlerinin anlaşılması ve yeni anestezik ajanların tasarımı için kritik öneme sahiptir [16].

Sonuç

Yapay zeka, anesteziyoloji ve reanimasyon uygulamalarında devrim yaratma potansiyeline sahip güçlü bir araçtır. Preoperatif risk değerlendirmesinden intraoperatif monitorizasyona ve postoperatif bakıma kadar perioperatif sürecin her aşamasında, YZ uygulamaları hasta güvenliğini artırmakta, klinik karar vermeyi desteklemekte ve iş akışı verimliliğini optimize etmektedir.

Anestezi derinliği monitorizasyonunda derin öğrenme modelleri, EEG sinyallerinden 20 milisaniye içinde gerçek zamanlı tahminler üretebilmektedir. Kapalı çevrim anestezi sistemleri, intraoperatif hipotansiyonu %40'a kadar azaltabilmekte ve daha tutarlı anestezi yönetimi sağlamaktadır. Hipotansiyon Tahmin İndeksi, ortalama arteriyel basınç düşüşlerini dakikalar öncesinden öngörerek proaktif müdahale fırsatları yaratmaktadır.

Preoperatif risk değerlendirmesinde XGBoost, Random Forest ve gradyan artırmalı karar ağaçları gibi algoritmalar, mortalite, akut böbrek hasarı ve postoperatif deliryum tahmininde 0.85-0.93 aralığında AUROC değerlerine ulaşmaktadır. Zor hava yolu tahmini için CNN tabanlı yüz görüntü analizi, geleneksel klinik testlerden daha yüksek duyarlılık ve özgüllük değerleri sergilemektedir.

Bununla birlikte, veri kalitesi, algoritmik önyargı, validasyon eksikliği, şeffaflık sorunları ve etik hususlar gibi önemli zorluklar, geniş çaplı klinik benimseme için ele alınması gereken konular olmaya devam etmektedir. Modellerin çoğunun tek merkezli validasyonlara dayandığı ve PROBAST değerlendirmesinde yüksek sistematik hata riski taşıdığı unutulmamalıdır.

Gelecekteki başarı, çok merkezli işbirliği, sağlam düzenleyici çerçeveler, açıklanabilir YZ sistemleri ve klinisyenlerin yapılandırılmış eğitimine bağlıdır. Yapay zeka, anesteziyoloji ve reanimasyon uzmanlarını değiştirmek yerine onların yeteneklerini genişletecek, uzmanlık alanını daha bilişsel, analitik ve hasta merkezli bir pratiğe dönüştürecektir. Bu dönüşümün başarılı yönetimi, hem teknolojik yenilikçiliği hem de klinik gerçekliklere duyarlılığı gerektirecektir.

Önümüzdeki on yılda, kişiselleştirilmiş anestezi uygulamaları, tele-anestezi sistemleri ve tam entegre karar destek platformları ile anesteziyoloji pratiğinin temelden dönüşmesi beklenmektedir. Bu dönüşüm sürecinde, hasta güvenliği ve etik değerler ön planda tutularak, yapay zeka teknolojilerinin sorumlu ve kanıta dayalı şekilde entegre edilmesi kritik öneme sahiptir.

Kaynakça

1. Giri R, Firdhos SH, Vida TA. Artificial Intelligence in Anesthesia: Enhancing Precision, Safety, and Global Access Through Data-Driven Systems. J Clin Med. 2025;14:6900. doi:10.3390/jcm14196900.
2. Dost B, Turan Eİ, Aydın ME, et al. Artificial Intelligence in Anaesthesiology: Current Applications, Challenges, and Future Directions. Turk J Anaesthesiol Reanim. 2025;53:282–292. doi:10.4274/TJAR.2025.252320.
3. Singam A. Revolutionizing Patient Care: A Comprehensive Review of Artificial Intelligence Applications in Anesthesia. Cureus. 2023;15:e49887. doi:10.7759/cureus.49887.
4. McCarthy J, Minsky ML, Rochester N, Shannon CE. A proposal for the Dartmouth summer research project on artificial intelligence. AI Magazine. 2006;27(4):12-14.
5. Han L, Stanford Anesthesia AI Working Group, Char DS, Aghaeepour N. Artificial Intelligence in Perioperative Care: Opportunities and Challenges. Anesthesiology. 2024;141(2):379–387. doi:10.1097/ALN.00005013.
6. Bellini V, Rafano Carnà E, Russo M, et al. Artificial intelligence and anesthesia: a narrative review. J Anesth Analg Crit Care. 2022;2(1):1-11. doi:10.1186/s44158- 022 - 00033 - y.
7. Ozdemir E, Olcay Ozdes O, Ozdes HU. Publication Trends and Global Collaboration in MAKO Robotic-Arm Assisted Total Knee Arthroplasty: A Bibliometric Analysis of the Last 10 Years and Future Research Directions. Med Science. 2025;14(4):1179- 86.
8. Yoon HK, Yang HL, Jung CW, Lee HC. Artificial intelligence in perioperative medicine: a narrative review. Korean J Anesthesiol. 2022;75(3):202–215. doi:10.4097/kja.22157.
9. Park Y, Han SH, Byun W, et al. A Real-Time Depth of Anesthesia Monitoring System Based on Deep Neural Network With Large EDO Tolerant EEG Analog Front-End. IEEE Trans Biomed Circuits Syst. 2020;14(4):825-837. doi:10.1109/TBCAS.2020.2998172.
10. Arina P, Kaczorek MR, Hofmaenner DA, et al. Prediction of Complications and Prognostication in Perioperative Medicine: A Systematic Review and PROBAST Assessment of Machine Learning Tools. Anesthesiology. 2024;140(1):85–101. doi:10.1097/ALN.00004764.
11. Estrada Alamo CE, Diatta F, Monsell SE, Lane-Fall MB. Artificial Intelligence in Anesthetic Care: A Survey of Physician Anesthesiologists. Anesth Analg. 2024;138(5):938-950. doi:10.1213/ANE.00006752.
12. Chung P, Fong CT, Walters AM, Yetisgen M, O'Reilly-Shah VN. Prediction of ASA Physical Status Classification from preoperative clinical text using NLP. BMC Anesthesiol. 2023;23(1):296. doi:10.1186/s12871- 023 - 02234 - w.
13. OpenAI. GPT-4 Technical Report. arXiv preprint arXiv:2303.08774. 2023.
14. Fernandes MPB, de la Hoz MA, Rangasamy V, Subramaniam B. Machine Learning Models with Preoperative Risk Factors and Intraoperative Hypotension Parameters Predict Mortality After Cardiac Surgery. J Cardiothorac Vasc Anesth. 2021;35(3):857–865. doi:10.1016/j.jvca.2020.07.029.
15. Connor CW. Artificial Intelligence for Drug Discovery and Precision Medicine. Front Med (Lausanne). 2024;11:1571725. doi:10.3389/fmed.2024.1571725.
16. Xu X, Zhang Y, Wang J, et al. Machine learning-based prediction model for postoperative delirium in cardiac valve surgery. BMC Cardiovasc Disord. 2024;24(1):45. doi:10.1186/s12872- 024 - 03702 - w.
17. Chen Y, Zhang H, Li W, et al. Machine learning-based prediction model for postoperative delirium in non-cardiac surgery. BMC Psychiatry. 2023;23(1):313. doi:10.1186/s12888- 023 - 04768 - y.
18. Bernstorff M, Vistisen ST, Enevoldsen KC. Natural language processing for electronic health records in anaesthesiology. J Clin Monit Comput. 2024;38(2):241–245. doi:10.1007/s10877- 024 - 01128 - 3.
19. Hayasaka T, Kawano K, Kurihara K, et al. Creation of an artificial intelligence model for intubation difficulty classification by deep learning. Br J Anaesth. 2021;126(4):e121- e123. doi:10.1016/j.bja.2020.12.014.
20. Xia M, Jin C, Shen L, et al. Feasibility study of deep learning-based facial analysis for difficult videolaryngoscopy. Anaesthesia. 2023;78(12):1482-1489. doi:10.1111/anae.16119.
21. Sezari P, Ahmadi M, Shahrokhi H, et al. Prediction of challenging airway management using machine learning algorithms. BMC Anesthesiol. 2024;24(1):342. doi:10.1186/s12871- 024 - 02842 - w.
22. Purdon PL, Sampson A, Pavone KJ, Brown EN. Clinical Electroencephalography for Anesthesiologists: Part I: Background and Basic Signatures. Anesthesiology. 2015;123(4):937-60. doi:10.1097/ALN.0000000000000841.
23. Shalbaf A, Saffar M, Sleigh JW, Shalbaf R. Monitoring the depth of anesthesia using a new adaptive neurofuzzy system. IEEE J Biomed Health Inform. 2018;22(3):671-677. doi:10.1109/JBHI.2017.2709841.
24. Kim D, Jeong D, Kim J, et al. A Deep Learning Model for Depth of Anesthesia Estimation Using Patient State Index. Sensors. 2023;23(2):1008. doi:10.3390/s23021008.
25. Liu Y, Wang Z, Chen L, et al. A Hybrid Deep Learning Framework for Anesthesia Depth Prediction. J Med Syst. 2024;48(1):15. doi:10.1007/s10916- 024 - 02015 - 7.
26. Shalbaf R, Behnam H, Sleigh JW, Voss LJ. Monitoring depth of anesthesia using combination of EEG measure and hemodynamic variables. Cogn Neurodyn. 2015;9(1):41-51. doi:10.1007/s11571- 014 - 9295 - z.
27. Dumont GA, Ansermino JM. Closed-loop control of anesthesia: a primer for anesthesiologists. Anesth Analg. 2013;117(5):1130-8. doi:10.1213/ANE.0b013e3182973687.
28. Peine A, Hallawa A, Bickenbach J, et al. Development and validation of a reinforcement learning algorithm to dynamically optimize mechanical ventilation. Nat Med. 2021;27(4):671-678. doi:10.1038/s41591- 021 - 01282 - 6.
29. Liu N, Chazot T, Hamada S, et al. Closed-loop coadministration of propofol and remifentanil guided by bispectral index. Anesthesiology. 2011;115(5):970-7. doi:10.1097/ALN.0b013e318230e3a2.
30. Puri GD, Kumar B, Aveek J. Closed-loop anaesthesia delivery system (CLADS) using bispectral index: a performance assessment study. Anaesth Intensive Care. 2007;35(3):357-62. doi:10.1177/0310057X0703500306.
31. Mohammadi I, Firouzabadi SR, Hosseinpour M, et al. Predictive ability of hypotension prediction index in intraoperative hypotension: a systematic review and meta-analysis. J Transl Med. 2024;22(1):725. doi:10.1186/s12967- 024 - 05426 - 1.
32. Shirmohamadi E, Dolama RH, Mohammadzadeh N, et al. Intraoperative hypotension prediction: is HPI truly worthwhile? A systematic review and meta-analysis. BMC Anesthesiol. 2025;25(1):388. doi:10.1186/s12871- 025 - 02755 - 2.
33. Wijnberge M, Geerts BF, Hol L, et al. Effect of a Machine Learning-Derived Early Warning System for Intraoperative Hypotension vs Standard Care. JAMA. 2020;323(11):1052–1060. doi:10.1001/jama.2020.0592.
34. Feld SI, Hippe DS, Miljacic L, et al. A Machine Learning Approach for Predicting Real-time Risk of Intraoperative Hypotension in Traumatic Brain Injury. J Neurosurg Anesthesiol. 2023;35(2):215–223. doi:10.1097/ANA.0000000000000795.
35. Lee S, Lee M, Kim SH, Woo J. Intraoperative Hypotension Prediction Model Based on Systematic Feature Engineering. Sensors. 2022;22(9):3108. doi:10.3390/s22093108.
36. Bowness JS, Macfarlane AJR, Burckett-St Laurent D, et al. Artificial intelligence for ultrasound-guided regional anaesthesia. Anaesthesia. 2024;79(8):876-883. doi:10.1111/anae.16230.
37. Bowness JS, Taylor A, Huilan Y, et al. ScanNav Anatomy Peripheral Nerve Block: artificial intelligence for ultrasound-guided regional anaesthesia. Br J Anaesth. 2023;131(3):e99-e102. doi:10.1016/j.bja.2023.05.021.
38. Gungor I, Gunaydin B, Oktar SO. Evaluation of NerveBlox artificial intelligence for ultrasound-guided regional anaesthesia. Reg Anesth Pain Med. 2023;48(7):332-334. doi:10.1136/rapm- 2023 - 104451.
39. Bose S, Talmor D. Weaning from mechanical ventilation: time for artificial intelligence? Lancet Respir Med. 2024;12(3):178-179. doi:10.1016/S2213-2600(24)00019-0.
40. Parreco JP, Hidalgo AE, Badilla AD, et al. Predicting prolonged mechanical ventilation and tracheostomy in ICU patients using machine learning. Ann Surg. 2018;267(6):1135-1141. doi:10.1097/SLA.0000000000002571.
41. Nair AA, Velagapudi MA, Lang JA, et al. A Neural Network Model Using Pain Score Patterns to Predict Opioid Refills After Ambulatory Surgery. JMIR Perioper Med.2023;6:e40455. doi:10.2196/40455.
42. Olson A, Manian V, Wei W, et al. Predicting Postoperative Pain and Opioid Use with Machine Learning Applied to Longitudinal EHR and Wearable Data. J Biomed Inform.2024;155:104651. doi:10.1016/j.jbi.2024.104651.
43. Karhade AV, Ogink PT, Thio QCBS, et al. A Review of Leveraging AI to Predict Persistent Postoperative Opioid Use and Opioid Use Disorder. J Pain Res. 2025;18:155-167. doi:10.2147/JPR.S475612.
44. Hashimoto DA, Witkowski E, Gao L, Meireles O, Rosman G. Machine Learning in Perioperative Care: A Systematic Review. Ann Surg. 2020;271(1):64-76.doi:10.1097/SLA.0000000000003074.
45. Pandit JJ, Cook TM. Explainable artificial intelligence in anaesthesia: principles and practice. Br J Anaesth. 2024;133(2):232-242. doi:10.1016/j.bja.2024.04.034.