围术期管理离不开多模态数据生成、监测以及数据驱动临床诊疗^[1,2]。这些海量的多源性数据是麻醉信息学研究的基础，其中麻醉信息管理系统(anesthesia information management systems, AIMS)是自动采集和存储数据、记录诊疗活动的载体，承载着围术期全程且有价值的临床大数据^[3,4]。2021年我国住院患者手术量高达8 103.1万例次，与之相应，AIMS需要管理海量的围术期数据^[5]。基于AIMS的实时性或回顾性数据分析越来越受到临床医师的重视，包括质量控制、临床决策支持系统和机器学习研究等^[6]。然而，目前AIMS的建设和数据分析能力有限，满足不了数智化转型和大数据、人工智能研究的需求，尤其是缺乏组织架构和激活围术期信息价值。为了紧跟学术发展前沿和帮助临床医师正确使用AIMS开展临床工作和研究，广东省麻醉医学临床医学研究中心特组织我国麻醉学科及相关领域专家组成工作组，制订本共识以期规范和推广AIMS建设与应用，提高基于AIMS的临床研究质量，并促进麻醉学科数据库的构建。

本共识由广东省麻醉医学临床医学研究中心发起和负责制订。共识制订小组由麻醉学科及相关领域专家共38人组成，主要成员来自中华医学会麻醉学分会麻醉围术期大数据学组和青年学组。基于共识相关问题在PubMed、Embase、Web of Science、万方数据库和中国知网检索相关文献，纳入来自指南与共识、系统评价、荟萃分析、随机对照试验、队列研究等证据。英文检索词以anesthesia information management systems/AIMS、health information management、informatics和operating room为主；中文检索词以麻醉信息管理系统、手术麻醉管理系统、临床信息学和手术室管理为主。检索时间为建库至2024年5月。工作组成员主要职责是筛选相关文献并凝练推荐意见，初拟解读与证据。然后，秘书组成员组织问卷调查，内容是针对每个推荐意见进行李克特量表(Likert scale)评分，并可自由填写的修改意见和建议。李克特量表评分：7分＝非常同意，6分＝同意，5分＝一般同意，4分＝不确定，3分＝不太同意，2分＝不同意，1分＝完全不同意。当推荐意见评分≥6分的专家超过70%，则为该条推荐意见达成共识。本共识共凝练出16条拟推荐意见。专家推荐程度以"共识度"标注，共识度＝评分≥6分的专家÷总参评专家人数×100%。

推荐意见1：AIMS是围术期的工作平台和数据载体，是信息化驱动临床麻醉工作模式转变的推手。(共识度97%)

推荐意见2：AIMS可作为围术期疾病诊疗辅助、科室管理以及临床科研数据采集和应用的重要工具。(共识度100%)

解读与证据：在二十世纪八十年代，美国杜克大学医学中心麻醉系率先研发了自动监测设备系统，用于临床自动采集并记录患者生命体征。这是术中记录的重要部分，也是AIMS的雏形。随着计算机科学发展，AIMS在40余年的临床应用中已实现从监护仪器、麻醉机和床旁检测设备等自动捕获生理和麻醉参数并且以图形或数值形式描记，从而促使麻醉记录从手写纸质版发展到电子无纸化^[3,7]。研究表明，在2018年至2020年期间，约有84%的美国大学附属医院完成AIMS的部署，但是大部分美国非大学附属医院和欧洲医院依然尚未部署AIMS(约50%)，主要原因是资金不足和缺乏对AIMS深入了解及认识^[8,9]。二十一世纪初，我国才开始部署AIMS，也称为手术麻醉信息管理系统。根据《国家卫生健康委办公厅关于印发麻醉科医疗服务能力建设指南(2019年版)的通知》要求，二级及以上医院麻醉科应建立符合国家卫生健康委医院信息化相关要求的麻醉电子信息系统，并以此作为质量控制的技术平台。《国家卫生健康委关于印发〈三级医院评审标准(2022年版)〉及其实施细则的通知》中医疗服务能力与质量安全指标、运行数据等均要求麻醉科完善信息化建设和具备临床数据读取和分析能力。根据《2021－2022年度中国医院信息化状况调查报告》，国内66.1%的医院(二级和三级)已经部署独立AIMS或将其嵌合在医院信息管理系统(hospital information system, HIS)中作为一个子系统。

近年来，除了硬件和网络升级之外，AIMS重要发展是实现了与HIS、电子病历(electronic medical record, EMR)、实验室信息管理系统(laboratory information management system, LIS)、影像归档和通信系统(picture archiving and communication system, PACS)等互联互通，确保系统间的互操作性和集成^[6,10]。AIMS可根据需求在不同层面和节点添加功能模块，例如临床决策支持系统、术前评估、麻醉复苏室(post-anesthsia care unit, PACU)管理、术后随访、计费管理、质量控制和统计分析等^[10,11]。目前，医院也在稳步推进手术室外部署AIMS，例如在分娩和产房记录产科麻醉，床边手术记录和重症监护室中的急性疼痛服务和麻醉实施情况。基于此，AIMS已演变成为电子健康档案的重要组成部分，发挥提高医护人员和管理者的工作效率、提高手术安全性、增强质量控制等重要作用。这主要体现在：(1)提升医疗质量与安全；(2)提升麻醉记录的完整性及可靠性；(3)改善麻醉和手术流程，提升运行效率；(4)促进临床研究；(5)指引和约束住培麻醉医师医疗行为等；见表1。然而，围术期数据来源众多，具有多源、异构性特征，并且数据间缺乏统一标准约束，数据量大但质量良莠不齐。因此，如何更有效、实时地将AIMS大量的数据进行整合和处理、构建围术期大数据库、实现数智化转型、为不良事件预警及临床诊疗提供辅助证据支持等是AIMS建设和应用的重点内容。

推荐意见3：建议搭建麻醉信息学组织架构，成立专项工作小组负责AIMS建设与临床应用。工作小组负责了解系统架构，完善和拓展AIMS功能和特性，旨在提供贴近临床并能服务临床的系统支撑；统筹协调，分解任务，责任到人，确保各项工作落到实处。(共识度100%)

推荐意见4：现阶段AIMS建设重点在于完善术前、术中、术后全周期各阶段信息管理内容，才能更好地为临床医师提供诊疗辅助和支持，为患者提供良好的就医体验，同时为围术期专科(专病)数据库的构建提供良好的数据基础。(共识度97%)

解读与证据：AIMS收集了围术期大量的静态和动态数据，通过结构化或非结构化模式进行管理，临床医师或管理者可以根据不同目的进行二次数据分析和挖掘^[13]。这就衍生出了一门亚专业——麻醉信息学，即麻醉医学和信息科学的融合，其是基于信息学理论和方法有效地利用围术期数据提升医疗安全与质量，进而提供个体化、精准化诊疗支撑服务^[6,14]。早在2007年美国医学信息学会就制定了临床信息学的核心内容和培训要求，并且负责信息学医师认证。目的是培训具备一定信息科学基础的专业医师，以应对日益复杂的临床信息学应用。AIMS作为围术期工作平台和数据载体，也是麻醉信息学实践、培训和拓展的系统支撑^[15]。专家组建议有必要开展麻醉信息学理论和实践培训，促进临床医师了解围术期相关系统的硬件和软件，熟悉一套临床信息学的知识、方法和理论，再着重于使用AIMS来优化工作流程、开发和拓展系统功能以及支持开展临床研究。

AIMS具有三大优势，分别是准确的麻醉文书记录、数据驱动的质量改进和临床研究^[10,16]。然而，目前AIMS建设和发展水平参差不齐，许多系统功能和特性尚未被开发、改造或应用^[17,18]，主要原因可能为：(1)系统安装和维护成本大，功能开发周期长，定制化需求无法得到满足；(2)缺乏麻醉信息学专员和信息技术(IT)人员协助；(3)未受到管理者和临床医师重视；(4)临床工作量大导致无暇兼顾；(5)IT架构陈旧，未能及时引入现代云计算、大数据、人工智能等新兴技术等。因此，AIMS的建设和发展道路依然任重道远，需要麻醉学科重视和加大资源投入。专家组建议麻醉科设立麻醉信息学组织架构并组成工作小组，负责AIMS建设与临床应用，制定管理制度和流程；基于AIMS功能和特性完善医、教、研、管共七大部分的工作内容，见图1。

AIMS功能和特性可以归纳为基础、平台和拓展三大部分，见表2。这三个部分相辅相成，既能满足患者、医护人员和管理者的需求，又能与现代IT相结合进而升级改造。工作小组前期跟IT人员了解AIMS的架构、功能与特性，交流临床工作流程和需求。参照团体标准《手术室麻醉信息系统基本功能规范》(T/CHIA 51-2024)，首先完善AIMS术前、术中、术后信息管理内容^[20]。这部分内容繁杂，工作小组可依照"流程引导式、内容模块化"的方法来建设。术前管理应包括手术申请接收、术前排班、术前访视、急诊或绿色通道等内容；术中管理应包括手术安全核查、术中记录、用药管理、数据采集、临床决策支持等内容；术后管理应包括PACU管理、术后访视、查询和统计等内容。然后，工作小组着力解决系统间互联互通、数据交互、统计分析以及管理功能。当深入探索"拓展部分"时建议聘请数据科学、统计学等领域专家指导专科(专病)数据库构建、临床决策支持系统、大数据与人工智能研究。

推荐意见5：建议参照《电子病历基本架构与数据标准》《围术期标准数据集》和《围术期数据规范》，完善AIMS数据标化归一，为大数据应用和多中心研究提供基础。(共识度97%)

推荐意见6：建议重视AIMS术中数据自动采集功能的建设和开发，根据数据来源、类型且结合实际情况全采集文本和数值，适时采集波形和报警数据。(共识度94%)

解读与证据：围术期数据与重症、急诊大数据类似，数据从诸多系统、设备中提取和采集，具有多源、异构的特征^[21,22]。根据数据特性分为静态和动态数据，按时间节点分为术前、术中和术后数据，按存储方式分为结构化与非结构化数据。AIMS是围术期专科数据库的关键组成部分，也是实时临床预警、决策支持的应用载体。AIMS主要有独立部署或整合HIS系统两种形式且大多数医院都会定制开发不同的功能模块。其中数据集及数据元缺乏规范性和统一性使得数据质量层次不齐，严重制约数据管理及应用。专家组建议参考标准规范的《围术期标准数据集》《围术期数据规范》(T/CGSS 017-2021)进行AIMS数据集和数据元改造^[23,24]，分为患者人口学信息、既往史、体格检查、手术信息、八大系统数据元、并发症共六个部分，见表3。其中八大系统数据元对流程管理、时间节点、事件信息、药品和输液管理以及参数格式均有明确的名称、值域、单位和数据等级。这样会促进术前、术中和术后数据提取、清洗、转换更加准确和高效。完善AIMS数据标化归一不仅能提升数据质量，而且能促进专科数据库构建和多中心临床研究^[25]。

现阶段AIMS术中数据治理面临着巨大挑战。术中数据可分为"表型数据"和"生理数据"，前者指的是从HIS、EMR数据交换或人工输入的人口统计学、评估、麻醉和手术信息等，后者指的是从监护仪器和床旁监测设备采集的参数。据统计每例患者的生命体征数据集(每1 min记录1次)大约0.47 MB，未包含波形数据^[26]。术中AIMS丢失了不少有价值的生理与麻醉参数，且存在客观真实性问题^[25,26,27]，包括：(1)监护数据容易受到干扰或采集故障，导致数据失真，例如无创血压受到挤压而测量失败、脉搏血氧探头接触不良、体温探头受到环境干扰等；(2)波形数据缺失，心电图、脉搏血氧饱和度、有创动脉和呼吸末二氧化碳监测等波形数据有重要的诊疗价值；(3)移动设备监测数据多数由人工记录，数据欠实时和准确性，例如麻醉深度监测、血流动力学监测等；(4)用药信息误差，尤其是输注泵用药、吸入麻醉药物和血管活性药物有时间和剂量的记录误差。

生理与麻醉参数通常是通过设备的数据接口(通常采用调用服务接口的方式)实现数据采集汇聚，输注泵和移动设备数据可以尝试通过无线传输方式进行数据交互^[19,28]。此外，通过改变数据采集方式，例如无线采集生命体征或实时视频监控数据和纠错，确保术中采集数据的质量^[29,30]；尝试采用时序数据库或非结构化数据库处理连续波形数据。此外，术中麻醉和手术信息，例如麻醉诱导、有创操作、手术开始和结束时间以及输血、输液信息等多数由人工记录，也存在数据录入错误、录入不完整或不及时、不标准等问题。质控小组定期进行麻醉记录审查与反馈，将有助于提升表型数据的质量。

推荐意见7：建议AIMS建设遵循信息安全标准，在临床应用的重要节点设置网络、数据和管理安全的体系架构。(共识度100%)

解读与证据：AIMS建设过程中确保信息安全是至关重要的。这不仅涉及到保护患者的隐私和敏感信息，还包括确保系统的稳定性和可靠性。整个系统建设涉及网络安全、数据安全、管理安全方面的信息安全建设。在网络安全方面，AIMS可能面临恶意攻击、病毒入侵、权限滥用等安全威胁，系统应按照国家等级保护2.0的安全要求进行安全防护建设^[31]。建设内容应包括系统安全边界如基于角色的访问控制，确保只有授权人员才能访问敏感数据、防病毒、入侵防范技术；安全通信网络如流量分析、安全审计、可信验证、密码技术；安全计算环境如登录身份鉴别、安全审计、恶意代码防范、防病毒技术；安全管理中心通过第三方安全专家进行系统的定期审查，以识别和修复潜在的安全漏洞等。在数据安全方面，为保障AIMS数据安全，防止敏感数据泄露，应进行数据安全全生命周期建设^[32]，包括以下环节及技术要求：(1)数据采集：如访问控制、安全审计、身份认证、数据加密技术；(2)数据传输与存储：如数据加密、安全审计、访问控制、身份认证、漏洞扫描技术；(3)数据使用与共享：如静态脱敏、安全审计、身份认证、访问控制、匿名化、网络准入、国产密码技术；(4)数据销毁：如格式化法、覆写法或物理方法销毁数据等。在管理安全方面，应成立系统安全管理小组，明确系统安全负责人，确定小组各成员职责范畴；建立基于系统的安全管理制度；建立标准化系统更新流程和应急机制，确保安全管理及应急工作有序进行；定期开展应急演练，确保应急机制有效性；开展定期安全培训，对涉系统人员进行信息安全培训等。

推荐意见8：建议根据不同类型、特征的数据，采用针对性强、多模式自动采集、监控和反馈功能来提升围术期采集数据的完整性和准确性。(共识度95%)

解读与证据：麻醉文书是整个医疗文书的重要组成部分，不仅是医疗纠纷中的重要法律依据，而且其数据完整性和准确性可能会影响临床推断和研究结果^[33]。术前访视与麻醉计划单、知情同意书、术中记录单、术后访视单等反映了整个围术期的诊疗过程。术中监测和记录具有动态连续性，包括患者基本信息、麻醉事件、用药信息、自动采集生理和麻醉参数等，但保证数据的完整性和准确性面临着困难。2006年Vigoda等^[34]报道了1例因麻醉记录缺失93 min生命体征数据导致的医疗诉讼。一般情况下，AIMS从麻醉机和监护仪器等可以每隔15 s采集1次数据，但麻醉记录中通常每隔5 min记录1次，未显示的参数会以原始形式存储在AIMS数据库生命体征日志中。与人工记录相比较，电子化记录显著提升麻醉文书的完整性和准确性，但是也存在"手动编辑"现象和缺失麻醉事件，例如过敏史、气管内插管事件(置管深度、喉镜暴露分级)等^[35,36,37]。"手动编辑"现象主要表现为描记生理和麻醉参数轨迹变得"平滑"，降低数据的离散程度。Wax等^[38]分析了29 491个病例，发现19%病例至少有1个"手动编辑"的生理和麻醉参数。2018年Hoorweg等^[39]前瞻性观察136例儿童非心脏手术共10 236 min的麻醉记录数据，其中存在重要参数失真率分别为：心率0.5%、SpO₂ 1.3%、呼吸末二氧化碳7.5%、无创袖带血压5.0%和有创动脉血压7.3%。

因此，临床上有必要采取措施提高AIMS数据的完整性和准确性，包括：(1)设计结构化表单，患者基本信息、实验室检验和检查报告等直接与HIS、EMR进行数据交互；(2)实时检查和提醒数据缺失和错误或异常值；(3)人工输入数据如ASA分级、麻醉事件(例如气管内插管、硬膜外穿刺、动脉穿刺等)、用药和补液信息(例如单次或泵注药物名称、时间和剂量等)，可以采用强制性字段或事件驱动数据输入或上下文链接的必选数据/输入字段等方法^[40,41,42]。此外，2022年体温监测率、低体温发生率等已被纳入麻醉专业医疗质量控制核心指标^[43]，但是术中体温监测和记录的准确性受到诸多因素干扰，正确放置体温探头对于获得准确的体温数据至关重要。建议使用新型体温监测方法(如电子体温计和红外线体温计等)或开发和应用新算法来连续性监测体温的变化轨迹。

推荐意见9：建议基于AIMS构建围术期大数据库，实现文本、数值、波形数据等提取和储存，助力临床诊疗和研究。(共识度95%)

解读与证据：围术期大数据的特征是数据体量大，数据类型丰富，但数据整体质量较低且利用率不高^[25,44]。围术期大数据库尚处于初步探索阶段，中山大学附属第三医院基于AIMS纳入2015年至2024年超过24万例患者的大数据库，经过数据清洗后纳入约21万例有效的围术期数据集，但是数据全面性不够(如缺乏波形数据)。2022年Lee等^[45]报道了一个围术期开放的数据库，命名为VitalDB(生命体征数据库)。该数据库包含2016年至2017年6 388例非心脏手术患者的高分辨率多参数数据，包括整合EMR数据(如人口学、手术麻醉、术前和术后数据、麻醉前后90 d内的实验室检查结果)、术中12种波形数据和184种数值记录。2023年Samad等^[46]公开了一个医学信息学手术室生命体征和事件数据库(MOVER)，数据来自83 468例手术的58 799例患者，包括EMR和生命体征数值和波形数据(心电图、有创动脉、SpO₂)。以上两个单中心数据库的波形数据是通过直接与监护仪器进行数据交互，若大规模采集和匹对数据可能存在较大困难。因此，尝试开发采集器对生理与麻醉参数、波形数据等进行单独提取、储存和分析也是一种有效的医疗数据二次应用途径，为将来不同医院或区域间开展多中心研究提供可能^[47]。

围术期大数据与重症大数据相类似。国外已建立多个重症大数据库为临床研究提供良好的大数据集，例如第四代重症医学监护信息数据库、eICU协作研究数据库等。基于数据库系列研究进行了数据挖掘和分析，提高了疾病诊疗的水平并加深了对疾病的认识^[21]。因此，建议通过汲取国内外已建数据库经验，总结现有数据库的不足。2023年Lamer等^[48]提出了8项解决基于AIMS构建围术期大数据库的障碍和挑战，这是涉及医院、科室、团队(临床和技术)合作的系统工程。Epstein等^[26]回顾性分析了47篇基于AIMS数据发表的论文，发现AIMS需要与HIS和EMR整合，保持数据完整性、一致性方能更好地应用在数据挖掘和分析。此外，AIMS供应商达10余家，各自系统架构、功能和特性等存在一定差异，可能会妨碍多中心数据库构建和临床研究^[19]。因此，专家组建议可以先基于AIMS采集术前、术中和术后数据，关键是优化术中生理与麻醉参数自动采集与整合能力，形成标化归一、颗粒度高的数据集，并具泛化、迁移能力的数据库构建方案。

推荐意见10：建议探索采用机器学习、深度学习方法对围术期不良事件(如低氧血症、低血压)和重要事件建立早期预警模型，进而实施临床验证。(共识度92%)

解读与证据：与其他临床场景相比，手术麻醉是一个关键的、动态的环境，患者的情况经常发生快速变化，临床医师必须快速处理来自多个监护来源的信息，并实施必要的干预措施，以保障患者的生理状态稳定。早期识别、预测患者病情变化趋势，以及有针对性实施干预措施对于围术期安全具有很好的临床指导意义^[49,50]。值得注意的是，建模的数据集一般来源自建数据库，包含EMR、麻醉机、监护仪器、输注泵和移动设备等静态和动态数据。换言之，围术期专科数据库是预测模型的基础，AIMS采集的生理与麻醉参数、波形数据、用药信息等是重要的组成部分。临床研究已报道基于AIMS使用机器学习方法预测围术期事件^[50,51,52]，例如预测ASA分级、输血风险和预计输血量、肌松恢复情况、术后恶心呕吐、急性肾损伤和脓毒血症等。

基于AIMS实时采集的多模态数据，对围术期不良事件做出早期预警也是临床研发和应用重点。早在2018年，Lundberg等^[53]基于集成模型的机器学习方法(命名为Prescience)可以实时预测全身麻醉期间低氧血症的风险。该解释型模型纳入了20余个静态特征和45个动态特征并且整合赋予不同优势比。在预知模型的辅助下，初始风险预测性能的受试者工作特征曲线下面积(area under the curve, AUC)从0.60提高到0.76，术中实时低氧血症预测(未来5 min)的AUC从0.66提高到0.78。Fang等^[54]的研究纳入了1 160例患者术前信息(主要是基本信息和气道评估参数)和术中信息(如监护和用药信息)使用机器学习方法建立模型预测胃肠镜检查时低氧血症发生，结果显示模型预测性能显著优于传统STOP-BANG评分。另外，2018年Hatib等^[55]研究表明，基于数千个高保真的有创动脉波形特征的机器学习算法可以提前15 min预测术中低血压事件[平均动脉压<65 mmHg(1 mmHg＝0.133 kPa)]，灵敏度为88%，特异度为87%。随后该模型衍生的早期预警系统在临床上得到验证，可以降低术中低血压的发生率，但有待更高级别的循证依据来佐证^[56]。2022年Palla等^[57]利用88 446例手术患者的术前和术中数据(来源于AIMS)开发了一个梯度增强机器学习模型预测PACU期间的低血压，预测模型的AUC为0.82，平均精确度为0.40，并且可以辅助麻醉医师预知低血压的发生。因此，基于机器学习、深度学习方法，可以单独或联合使用AIMS数据对围术期不良或危急事件做出早期预警并进行临床验证，辅助临床医师更有效地管理高危患者，改善患者预后。

推荐意见11：基于指南和临床路径，设计和部署嵌入或平行的临床决策支持系统(clinical decision support system, CDSS)，有助于提高临床医师执行麻醉方案和重要干预措施的依从性。(共识度100%)

解读与证据：AIMS的日益普及和数据治理能力提升为开发和部署CDSS提供基础。CDSS是一种为临床医护人员提供临床决策帮助的计算机系统，常见类型主要是被动型(passive)、事后主动型(post hoc active)和实时型(real-time active)^[58]。每个类型CDSS各有优缺点，既可以与AIMS整合，也可以独立部署(平行关系)。为了规范医疗机构CDSS应用管理，2023年7月国家卫生健康委办公厅颁布了《医疗机构临床决策支持系统应用管理规范(试行)》。CDSS在围术期扮演着"助手"的角色，可协助医护人员进行复杂的流程管理和诊疗活动。参考脓毒血症CDSS的研发和应用，目前多种CDSS能实时采集和分析临床数据并嵌合在HIS中发挥着"早期识别"的作用，灵敏度和特异度均表现良好^[59]。但是究竟如何设计与部署CDSS存在相当大的考验，需要重点考虑数据接口、数据转换和延时、决策规则、报警疲劳、伦理和安全问题等^[58,60]。另外，CDSS可尝试结合现有大型语言模型技术，实现术中AI助手，通过会话模式进行交互，提供更贴近患者的专有麻醉建议。

目前，针对某单一或相关事件的CDSS已开始应用到临床辅助决策，包括：(1)通过宣教、反馈、定期总结报告、实时提醒等多模式CDSS可以显著提高手术切皮前(0.5～1.0 h)预防性使用抗生素和术中再次使用抗生素的依从性^[61,62]；(2)实时监测与提醒调节新鲜气体流量，实现麻醉维持阶段的低流量麻醉(<1 L/min)，从而减少吸入麻醉气体的消耗量和废气量^[63]；(3)实时识别肺损伤风险因素，监测和提醒实施肺保护通气策略^[64]；(4)基于指南，术前计算每例患者术后恶心呕吐(postoperative nausea and vomiting, PONV)的风险，实时提醒执行防治恶心呕吐的用药方案，显著提高用药规范性^[65,66]。例如术前自动生成PONV风险程度并通知麻醉医师，并且每周向其发送前一周关于PONV的统计报告，两者结合明显降低高危患者PONV发生率；(5)实时提醒执行围术期血糖管理方案，规范定时测量血糖值和正确使用胰岛素剂量的行为，有利于维持围术期的血糖稳定，降低术后伤口感染的风险^[67]；(6)实时计费与反馈CDSS对准确、及时地完成麻醉收费有帮助^[68]；(7)自动捕捉麻醉不良事件，报告的时间节点设置应在交接班或转送PACU、病房前完成，有助于提升麻醉质量，但研究结论存在矛盾^[69,70]。然而，以大数据为基础的CDSS尚处于研发阶段，建议未来基于围术期大数据库研发主动型、预测型CDSS覆盖涉及医疗质量与安全的每个环节，以满足不同的临床场景。

推荐意见12：推荐AIMS作为通讯平台，实时远程查看监护信息、手术状态、手术和麻醉排班、远程预警、呼叫帮助等功能。(共识度97%)

解读与证据：基于AIMS开发的移动端远程查看功能主要包括实时查看生理与麻醉参数，包括数值、波形和趋势图；设置短信或微信小程序功能，包括手术麻醉进程(如患者入室、麻醉开始、手术开始、手术结束、麻醉复苏等)发送至家属，以及手术排班及位置发送至麻醉医师、外科医师和手术室护士^[71,72]。早在2005年，Xiao等^[73]的研究基于生命体征监测数据(如SpO₂、心电图和体温等)实时反映患者进入或离开手术室状态，结果显示患者入室和离室时间准确性分别控制在4.9 min(95%置信区间4.2～5.7 min)和2.8 min(95%置信区间2.3～3.5 min)，与人工记录的时间准确性之间差异无统计学意义。目前基于物联网、视频可以自动识别和记录手术室占用状态，可以考虑与AIMS结合优化工作流程，但仍需考虑伦理和数据安全等问题^[74,75]。手术和麻醉排班是AIMS作为日常管理的重要模块。基于手术量、手术间和人员信息实现电子信息化排班，管理者对人员安排(在岗、休假、外派等)和手术情况(例数、复杂程度)一目了然。相对既往手写纸质排班，电子化排班更加方便并具有灵活性，同时支持在移动端实现远程查看。

此外，基于AIMS开发呼叫和帮助功能或许能改变既往打电话求助的模式。当手术室内遇到紧急情况，麻醉医师可以一键呼叫相关人员到场抢救和帮助，不仅可以迅速、及时找到专责上级医师，而且提供求救的位置和患者的基本信息^[76]。AIMS还可以设置呼叫患者家属以及嵌入TTS语音功能。当遇到语言沟通障碍时(仅会方言或外语患者)，可以使用TTS自动生成的语音进行沟通。值得注意的是，建立通讯平台时不仅要求数据安全与隐私保护，而且要重点考量数据延时的问题。临床上应合理化设计数据交互形式和相应的权限，对重要信息进行脱敏处理并对系统网络和功能进行反复调试后方可应用。

推荐意见13：推荐AIMS作为药品和耗材管理的辅助工具，尤其是麻精药品和高值耗材的发放和审计。(共识度100%)

解读与证据：围术期涉及众多的药品和耗材，手术内通常设置二级库负责管理。由于种类繁多、使用量大，药品和耗材的审计存在较大挑战，尤其是麻醉药品和第一类精神药品管理(简称麻精药品)^[77,78]。现大多数三甲医院实施每例患者对应一个工具箱(kit-per-case)的管理模式，工具箱包含一定数量的药品和耗材可以满足完成大多数手术的需求，同时也可根据不同专科手术定制专用的工具箱。因此，工具箱绑定AIMS，即可实现麻精药品和高值耗材发放、使用剂量、处方开具、余液计算、核查和计费的全程闭环式管理。与自动分配药物系统(如电子药柜)相比较，基于AIMS管理麻精药品具有开发价格低、操作方便和贴近临床的优点，例如从麻醉记录中即可统计出阿片类药物的使用量和废弃量，进而自动开具红处方发送至麻醉医师工作平台或移动端进行审核和签署。手术结束后，二级库核查工具箱中药品和耗材的数量，继而完成计费审查和确认。这种领药-电子记录-核查模式可以增强麻精药品和耗材的闭环管理。值得注意的是，AIMS需要与药房、计费系统进行对接并定期更新药品目录和计费编码。

推荐意见14：推荐AIMS作为计费管理的辅助工具，并且可以对用药信息进行分析与反馈。(共识度97%)

解读与证据：AIMS麻醉记录中涵盖了几乎所有的计费项目，包括麻醉方式、监测项目、药品和耗材使用情况、输液和术后镇痛等。依据计费项目和规则，术毕即可自动生成收费清单^[79,80]。但收费管理员尚需核查再确认收费，因为可能存在漏收费或多收费情况，如用药数量与麻醉记录不符、神经阻滞麻醉方式记录缺乏、监测项目不符、高值耗材记录缺乏等。计费元素可视化分析(每周或每个月)可以呈现整个周期内监测、操作项目、药品与耗材等收费情况，有助于减少漏收费情况。2022年Kahn等^[81]通过EMR、AIMS提取手术和麻醉信息，将手术类型和数量、操作和监测项目等进行仪表板可视化，结果表明月度数据的可视化有助于合理安排药品和耗材供货，并且提高麻醉记录的依从性，例如中心静脉压记录依从性从92%提高到99%。基于AIMS，将麻醉例数、时长、用药费用汇总和反馈给个人并提供同类型麻醉费用的信息对比，可能会改变麻醉用药习惯，降低麻醉相关费用^[82,83]。

推荐意见15：推荐AIMS嵌合设备检查、手术安全核查、专科麻醉特点等事件或节点的核查清单，方便临床执行。(共识度100%)

解读与证据：核查清单嵌合在AIMS可能会影响系统操作流畅性，但在重要事件或节点执行清单核查是非常有必要的。麻醉前设备检查清单、手术核查清单(术前、术中、术毕)是必须执行的核查步骤，AIMS可将强制暂停(hard stop)与医护核查清单内容相关联。其他一些辅助性核查清单如气管插管、硬膜外穿刺、深静脉穿刺、肺保护通气策略等设置非强制暂停，可通过程序设置提醒操作者完善操作前准备。Wetmore等^[84]研究表明，嵌合在AIMS里的麻醉诱导前清单能显著提升住院医师执行麻醉前准备和评估项目的能力。2021年Ghaly等^[85]设计了神经外科病例的麻醉核查清单，包括术前准备、监护准备、气道准备、注意事项(麻醉诱导、术中和术后)等，有助于住院医师快速查阅和参考。虽然核查清单种类繁多，但是嵌合在AIMS可能会缩短操作时间，提高核查的依从性。

推荐意见16：推荐AIMS作为教学管理的辅助工具，合理安排教学人员和任务、评估和考核等内容。(共识度100%)

解读与证据：住院医师规范化培训(简称住培)是教学工作的重要组成部分。自2014年以来，广东省累计招收住院医师6.3万名，完成住培结业的住院医师3.4万名，现在培住院医师近3万名^[86]。临床教学任务重，按要求完成教学安排的内容、考核和反馈等相当费力劳心。AIMS可以作为教学信息化的一部分，辅助教学安排、考核和评价等教学过程，并自动生成培训登记考核手册和质控报告。根据专科轮转情况，教学秘书可以使用AIMS进行合理排班，定期汇总完成病例数、操作例数的情况，及时调整轮转计划。2018年Bhutiani等^[87]根据住院医师工作超过17：30的数据来调整第2天的接班顺序，结果显示该方法降低了住院医师连续2 d工作超过17：30的比率，有效地缓解住院医师的疲劳工作现状。2021年Wanderer等^[88]利用围术期综合数据的可视化优势提高了住院医师对麻醉病例的规划。住院医师通过检索某一特定类型手术即可获得手术体位的分布、气道管理类型、平均手术时间、平均估计失血量、有创监测、输液通路、用药信息等信息，可以帮助住院医师了解该手术麻醉的特点，提高术前麻醉计划的完整性和准确性。Beier等^[89]的一项回顾性多中心队列研究分析了378名住院医师对140 818例非心脏手术成年患者气管拔管后低氧血症发生率的影响，结果显示接受住院医师气管拔管的患者发生术后低氧血症的风险增加。这提示AIMS中数据可作为教学评估和反馈的真实临床场景，指引和约束住培医师医疗行为。基于AIMS还可以设定定期(每周)进行教学互评，主要包括对教学内容和方法、学生的临床思维和学习效果进行综合评价。同样，基于AIMS也可以针对实习医师和进修医师进行考勤、专科轮转、考核和评估等。

AIMS的建设与临床应用应根据医院、科室和学科发展不同需求进行综合考虑，遵循规范化、标准化原则，打造实用型和研究型并存的平台系统。基于AIMS和学科发展相结合的优势，致力于麻醉信息学研究，在围术期不同层面、不同节点进行系统功能和特性的建设，设置临床决策支持系统，助力麻醉记录、质量控制、计费管理等；在数据采集、输入和处理上进行实时监控和反馈，保证数据完整性和一致性。基于AIMS构建围术期数据库是未来学科发展的重要方向，也是临床研究、人工智能研究的基础。然而，AIMS的数据标化归一、数据质量保证、系统间数据交互等方面存在挑战性。另外，还缺乏实时智能预警、改善患者预后、促进质量管理的大规模、前瞻性临床应用和研究。本共识仅对围术期建设AIMS的意义和价值、应用问题加以总结与推荐，供临床参考。需要明确的是，本共识无法包含或解决AIMS相关的全部应用问题。随着人工智能、大数据技术的发展和大型语言模型的应用，基于AIMS的开发和应用研究更新将不断涌现，本共识也将不断补充和完善。

项目主持者：黑子清(中山大学附属第三医院)、俞卫锋(上海交通大学医学院附属仁济医院)、王天龙(首都医科大学宣武医院)

执笔者：姚伟锋(中山大学附属第三医院)、罗雀华[南方医科大学附属广东省人民医院(广东省医学科学院)]

工作组专家成员(按姓氏汉语拼音排序)：曹学照(中国医科大学附属第一医院)、陈婵(四川大学华西医院)、陈潮金(中山大学附属第三医院)、陈世彪(南昌大学第一附属医院)、陈万坤(复旦大学附属中山医院)、都义日(内蒙古医科大学第一附属医院)、高宇博(宁夏医科大学总院)、谷长平(山东省立医院)、赖忠盟(福建医科大学附属协和医院)、李偲(南方医科大学南方医院)、李海风[南方医科大学附属广东省人民医院(广东省医学科学院)]、李佩盈(上海交通大学医学院附属仁济医院)、李泉(中国医学科学院肿瘤医院深圳医院)、李燕(哈尔滨医科大学附属第四医院)、路志红(空军军医大学第一附属医院)、马玉龙(中国人民解放军总医院第一医学中心)、毛庆祥(陆军特色医学中心)、农丽丹[南方医科大学附属广东省人民医院(广东省医学科学院)]、欧阳杰(昆明医科大学附属二院)、舒海华[南方医科大学附属广东省人民医院(广东省医学科学院)]、宋宗斌(中南大学湘雅医院)、王昊(暨南大学附属第一医院)、邢娜(郑州大学第一附属医院)、许平波(浙江省肿瘤医院)、许涛(上海市第六人民医院)、杨丽芳(西安交通大学附属儿童医院)、姚国泉(北部战区总医院)、银琳(中山大学附属第三医院)、余高锋(广州医科大学附属妇女儿童医疗中心)、张益(遵义医科大学第二附属医院)、赵磊(首都医科大学宣武医院)、郑彬(广州市第一人民医院)、郑俊奕(广州中医药大学第一附属医院)