人工智能促进机械通气管理

陶程中日友好医院呼吸与危重症医学科发布于2024-11-28 浏览 1450 收藏

作者：陶程

单位：中日友好医院呼吸与危重症医学科

一、人工智能

人工智能（artificial Intelligence, AI）是通过计算机程序或机器来模拟、实现人类智能的技术和方法，其在语音识别、图像识别、自然语言处理、智能交互、自动驾驶、医疗健康等领域有着广泛的应用，已成为推动社会进步和经济发展的重要力量。AI技术的核心在于机器学习（machine learning, ML）和深度学习（deep Learning, DL）等算法。ML是AI的一个子集，核心在于不需要人类做显式编程，而是让计算机通过算法自行学习和改进，去识别模式、做出预测和决策。DL是ML的一种方法，核心在于使用人工神经网络模仿人脑处理信息的方式，通过层次化的方法提取和表示数据的特征。

人工智能、机器学习和深度学习的关系

机器学习分为三种类型，分别是监督学习（supervised learning, SL）、无监督学习（unsupervised learning, UL）和强化学习（reinforcement learning, RL）。SL指的是使用标记数据集来训练算法，以便训练后的算法可以对数据进行分类或准确预测结果；UL是指用算法来分析并聚类未标记的数据集，以便发现数据中隐藏的模式和规律，而不需要人工干预；RL则是基于反馈的学习方法，对算法执行的正确和不正确行为分别进行奖励和惩罚的制度，目的是使算法获得最大的累积奖励，从而学会在特定环境下做出最佳决策。

机器学习的类型

监督学习

无监督学习

强化学习

一方面，ICU每天不断生成大量的临床、生理和实验室数据，但目前大部分数据都未得到充分利用，这些数据将在24～48 h内失去价值；另一方面，ICU中患者病情重，变化快，需要“实时”数据来驱动AI算法，并且学习方法需要适应临床管理的快速变化。所以ICU与AI可谓是“天生一对”。ICU对AI有很大的需求，而AI在ICU中也拥有巨大的发展空间，例如：协助疾病识别、预测疾病进展、分析疾病表型、识别复杂数据中的独特模式并指导临床决策。

二、机械通气与人工智能

自从1952年脊髓灰质炎大流行使正压通气重回大众视野以来，70多年里机械通气技术已经取得巨大进步。与以前相比，现在的机械通气设备更加轻巧便携，更易操作，监测系统更加先进，设计更加智能化。在未来，AI有望根据患者生理特征和正在接受治疗的特定情况，为个体患者量身定制呼吸机设置，即实现“个体化通气”。例如，我们希望AI可以用来实时监测患者，预测患者何时可能经历呼吸窘迫，这样可以使医疗专业人员能够在危机发生之前进行干预，改善患者的预后，减少紧急干预的需要。事实上，我们期待的这种“未来”也正在到来。

查阅文献发现，在过去10年间关于机械通气与AI的论文发表数量逐年增加，尤其是2016年以后，论文发表数量呈指数增加趋势。这些论文比较集中的主题是预测机械通气需求、预测机械通气撤机成功、预测通气患者的并发症、检测人机不同步、临床决策支持。

1. 预测机械通气需求

对于一些病情较重的患者，或许不可避免地要进行气管插管通气治疗。如果能客观、早期识别需要机械通气的住院患者，可能有助于及时治疗，并最终改善患者预后。有研究设计了一款深度学习模型，用于提前24 h预测住院患者对机械通气的需求。研究建立了一个观察性多中心队列（在2家医院的ICU中进行，首先用一家ICU的数据进行了模型的开发，然后用另一家ICU的数据进行了模型的验证）。下图A、B显示该模型提前24 h预测插管的能力显著高于ROX评分，曲线下面积（AUC）＞0.8。研究者又将该模型在另一个前瞻性时间验证队列（COVID-19患者）中进行了验证，发现该模型的预测能力依然很好（AUC＞0.9）（下图C、D）。

图源：Chest, 2021, 159(6):2264-2273.

该模型是通过哪些指标来预测患者对机械通气的需求的呢？研究列出了最具预测性的变量，包括：呼吸频率、心率、体温、氯离子、氧饱和度、血小板计数、pH和吸入氧浓度(FiO2)等。研究将每一项指标进行赋分, 阈值为0.03, 只要这些指标评分总和超过0.03, 就提示患者在未来24 h内很可能会插管。如下图红色曲线所示: 一位诊断COVID-19的中年女性因低氧血症入院, 在45 h左右(以蓝色箭头突出显示)跨越了预测阈值, 在第50小时左右需氧量和呼吸功增加、氧饱和度显著下降, 在第65小时患者出现快速进展的呼吸衰竭并进行了插管, 接受机械通气。对于该患者, 影响其插管的原因主要是心率、平均动脉压、FiO2、呼吸频率和氧饱和度等。该模型使用常见的临床数据预测住院患者未来对机械通气的需求, 可以部署在电子病历系统中实现实时实施, 从而增强临床医生的决策能力。

图源：Chest, 2021, 159(6):2264-2273.

2. 优化参数设置

针对危重患者的个体化通气策略仍然是一个重大挑战。如果参数设置不当将导致诸多并发症，例如呼吸机相关性肺损伤（VILI）、血流动力学不稳定和氧毒性等。而且关于机械通气的参数设置并没有统一的路径，个体化设置需考虑多种因素，包括原发病、潮气量（V_T）、驱动压、平台压、跨肺压、机械功、肺泡复张、气体交换、影像学指标、表型、生理获益等，临床中很难同时兼顾这些指标，并且呼吸机参数需要反复评估和动态调整，并不是一成不变的。此时，AI可以用于优化参数设置，支持最佳机械通气方案的选择。

有研究开发了使用强化学习模型的VentAI算法，这种算法是基于44个临床特征的“数据指纹”，包括三个维度：VT、PEEP和FiO2，目标是减少VILI，同时保证足够的氧合和通气。该算法使用基于90 d病死率的奖励/惩罚系统，对患者轨迹进行建模。如果患者幸存，训练模型将获得+100分的奖励；如果患者死亡，则将受到-100分的惩罚。结果显示：VentAI算法的估计表现回报显著高于医生的标准临床照护。以一例82岁男性患者为例，其因胸腔积液入住ICU，接受机械通气。下图蓝色为临床医生设置的参数，在整个725 h观察期内通气方案几乎没有变化。但VentAI能够动态探索各种呼吸机参数的设置，调整呼吸机设置的频率明显高于临床医生（25次 vs 5次），最终获得+98的奖励。该研究中VentAI的策略是：①更多使用低VT（5～7.5 ml/kg），较少使用高VT（10～12.5 ml/kg），无V_T＞15 ml/kg情况；②较少使用低于5 cmH2O的PEEP，较多使用高PEEP（5～7 cmH2O和7～9 cmH2O）；③较少使用高FiO2（>55%），较多使用50%～55%的FiO2；④设置动作变化频次更多。因此，VentAI通过动态选择优化的个性化通气策略，可能有助于支持临床医生做出决策，从而在ICU环境中实现个性化医疗，可能使危重患者获益。

图源：NPJ Digit Med, 2021, 4(1):32.

3. 预测撤机成功

在传统的机械通气撤机策略中，考虑撤机的患者通常会进行自主呼吸试验（SBT），该方法是目前最可靠的判断性测试。然而临床中有25%～40%的患者第一次SBT失败，10%～25%的患者拔管失败，需要重新插管。另一方面，一些成功撤机的患者也并非满足SBT的所有标准。例如，对于一些肥胖患者，PEEP稍高，也可以拔管；对于一些慢性Ⅰ型呼吸衰竭患者，氧浓度稍高，或者呼吸频率稍快，也可以拔管。所以，SBT通过不等于撤机成功，SBT不通过也不代表不能撤机，临床需要更加个体化、更具针对性的撤机筛查工具。

有研究使用卷积神经网络（CNN）建立了一种决策支持模型，用于预测机械通气脱机。该模型使用MIMIC-Ⅲ临床数据库开发，纳入2299例患者，包含人口统计学、生命体征和实验室指标等25个患者特征，具有3个主要功能。首先，CNN根据给定的患者状态预测下1 h内最合适的治疗行动（包括启动SBT或拔管），预测准确率达到86%，AUC为0.94。其次，进行特征重要性分析，列出CNN模型正在使用的具有临床意义的预测特征。特征重要性得分为正，支持继续机械通气；特征重要性得分为负，支持拔管；特征重要性得分接近0说明对预测结果影响不大。下图展示了一例患者的分析结果，可以看到正值特征的总和远远大于负值特征的总和，因此对该患者在接下来的1 h内的预测是将继续插管。再次，进行反事实解释，帮助医生理解如何通过改变特定特征来提高患者脱机成功的概率。例如，改变通气模式、呼吸频率和FiO2等特征可以显著改变模型的预测结果。通过特征重要性和反事实解释，模型的可解释性得到了增强，有助于医生理解和信任模型的预测结果。

图源：Artif Intell Med. 2021 Jul;117:102087.

4. 监测人机不同步

人机不同步是临床中非常常见的现象，其通常通过视觉检查呼吸机波形来检测，但是临床工作人员不能每时每刻都在床旁看护，而且即便是由该领域的专家进行检测，其敏感性也较低，因此有很多人机不同步并没有及时被发现和解决。我们也可以借助AI解决这一问题。有研究建立了长短时记忆模型（LSTM）[是循环神经网络（RNN）的一个子类]，通过气道压力、流量和容量的输入数据来估计肌肉压力（Pmus，近似于食道压），并将其与传统的呼吸机波形一起显示，以提高医护人员识别不同步的能力。

如下图所示，通过下方的模拟Pmus曲线可以判断左图为反向触发, 右图为双触发。但如果没有这一模拟Pmus曲线, 我们很难进行甄别。

图源：Crit Care. 2023 Mar 30;27(1):128

同理，借助模拟Pmus曲线可以判断下图左为误触发，右为触发延迟。

图源：Crit Care. 2023 Mar 30;27(1):128

该研究将98名ICU医师和呼吸治疗师随机分配到对照组和Pmus组，识别49种场景中的正常波形、无效努力、自动触发、双触发、反向触发、双切换反向触发、过早切换和过晚切换，结果显示Pmus组识别率显著高于对照组（65.8% vs 52.94%，P<0.001）。

流量饥渴是一种人机不同步类型, 发生在气流不足和/或高吸气努力而导致气体输送不能完全满足患者通气需求的情况下。这种现象通常通过目视检查气道压力波形来识别, 但临床诊断繁琐且易漏诊, 因此AI有潜力在此领域发挥作用。

有研究尝试开发一种监督AI算法，用于识别患者触发的方波辅助通气期间的气道压力变形。研究在2家医院的ICU进行，共分析了28例患者的6428次呼吸，其中42%为正常-轻度变形，23%为中度变形，34%为重度变形（波形表现如下图所示）。使用CNN和RNN模型进行训练和评估，并使用重复保留交叉验证方法进行数据验证。结果发现：CNN算法准确分类了92%的正常轻度、74.4%的中度和89.6%的重度气道压力变形；RNN算法准确地分类了92%的正常-轻度、80.6%的中度和90.5%的重度气道压力变形。因此，AI可以显著提高患者-呼吸机不同步现象的检测精度，降低漏诊率。

图源：Crit Care. 2024 Mar 14;28(1):75.

三、挑战与问题

目前临床中应用的AI也存在诸多问题。

其一，模型的可解释性问题。许多机器学习和深度学习模型, 特别是深度神经网络, 常被视为"黑箱", 即其内在的决策过程难以解释。这在医疗领域尤为敏感, 因为医生需要理解模型的依据, 以便与自身的医学判断对比。由于模型的复杂性和不可解释性, 临床医生可能会对AI的输出结果持怀疑态度。模型的缺乏透明性可能导致医生在关键决策中不愿依赖AI, 甚至排斥使用。

其二，数据质量与样本量问题。成功的机器学习应用不是拥有最好的算法，而是拥有多的和质量好的数据。机械通气数据通常来源于不同医院和地区，数据收集方法和标准差异大，导致模型训练数据可能存在偏差。尽管重症监护数据量庞大，但真实可用的高质量标签数据有限，小数据集会影响模型的训练效果，使模型泛化能力不足，难以推广到广泛的患者群体。

其三，模型的可靠性与安全性。AI系统需要在动态变化的ICU环境中处理各种突发情况，但其可靠性可能无法达到临床要求。例如，患者的生命体征可能在短时间内大幅波动，这些变化可能超出模型的应对范围，从而影响模型的可靠性。一旦AI模型的输出信息错误，可能导致机械通气参数设置不当，进而威胁患者安全。这些错误可能来自于数据异常、模型过拟合等问题，因此如何确保模型输出的安全性尤为重要。

其四，数据隐私与伦理问题。ICU等重症监护环境下的患者数据高度敏感，包含个人健康信息。数据在人工智能模型训练和测试中需要大量应用，然而保护患者隐私和遵守法律法规是医疗领域的核心要求。患者数据的匿名化和去标识化处理仍然存在技术难点。AI系统的决策往往直接影响患者的生命安全，因此在使用过程中必须考虑伦理问题。如何确保模型的决策公正、透明且不对某些患者群体产生偏见，仍然是一个亟待解决的伦理难题。

其五，临床应用中的部署与整合困难。在ICU等高强度环境中，如何将AI模型与现有的呼吸机和电子病历（EMR）系统无缝集成是一个重要挑战。这包括软硬件兼容性、数据标准化以及与现有流程的整合。AI应用需要医护人员具备基本的人工智能和数据分析知识，但大多数医护人员并未接受过相关培训。这可能导致使用AI辅助决策系统时出错，甚至不信任AI系统。

其六，法规和监管障碍。由于AI在医疗应用中的发展较快，现有的法规和监管框架难以跟上技术的进步。例如，如何监管AI模型的安全性、适应性和有效性仍在探索中。监管部门还需建立专门针对AI医疗应用的认证和评估流程。在AI系统发生错误时，责任如何划分尚无明确规定。比如，若AI辅助系统建议的通气参数导致患者受伤或死亡，究竟是AI的开发者、医院还是使用系统的医生承担责任，仍需在法规中明确。

其七，模型的实时更新与适应性。患者数据动态变化，模型在初始训练后可能会逐渐失去对新病例的适应性。因此，如何实现模型的实时更新和持续优化，以确保其在ICU等高动态环境中保持有效性，是当前的技术难题。AI系统往往在短期效果上表现良好，但其长期效果尚待评估。特别是在患者群体不断变化、疾病表现多样的背景下，模型需要不断适应新的临床实践和数据。

这些挑战与问题共同表明，尽管AI在机械通气领域应用前景广阔，但为了确保其在临床上的广泛应用和有效性，未来研究需要着重关注数据质量、模型的可解释性、系统集成和法规监管等方面。

参考文献

上下滑动阅览

[1] Rubulotta F, Blanch Torra L, Naidoo KD, et al. Mechanical Ventilation, Past, Present, and Future[J]. Anesth Analg, 2024, 138(2):308-325.

[2] Shashikumar SP, Wardi G, Paul P, et al. Development and Prospective Validation of a Deep Learning Algorithm for Predicting Need for Mechanical Ventilation[J]. Chest, 2021, 159(6):2264-2273.

[3] Pelosi P, Ball L, Barbas CSV, et al. Personalized mechanical ventilation in acute respiratory distress syndrome[J]. Crit Care, 2021, 25(1):250.

[4] Peine A, Hallawa A, Bickenbach J, et al. Development and validation of a reinforcement learning algorithm to dynamically optimize mechanical ventilation in critical care[J]. NPJ Digit Med, 2021, 4(1):32.

[5] McConville JF, Kress JP. Weaning patients from the ventilator[J]. N Engl J Med, 2012, 367(23):2233-2239.

[6] Stivi T, Padawer D, Dirini N, et al. Using Artificial Intelligence to Predict Mechanical Ventilation Weaning Success in Patients with Respiratory Failure, Including Those with Acute Respiratory Distress Syndrome[J]. J Clin Med, 2024, 13(5):1505.

[7] Jia Y, Kaul C, Lawton T, et al. Prediction of weaning from mechanical ventilation using Convolutional Neural Networks[J]. Artif Intell Med, 2021, 117:102087.

[8] Silva DO, de Souza PN, de Araujo Sousa ML, et al. Impact on the ability of healthcare professionals to correctly identify patient-ventilator asynchronies of the simultaneous visualization of estimated muscle pressure curves on the ventilator display: a randomized study (Pmus study)[J]. Crit Care, 2023, 27(1):128.

[9] ventilation: avoiding insufficient and excessive effort[J]. Intensive Care Med, 2020, 46(12):2314-2326.

[10] de Haro C, Santos-Pulpón V, Telías I, et al. Flow starvation during square-flow assisted ventilation detected by supervised deep learning techniques[J]. Crit Care, 2024, 28(1):75.

作者介绍

陶程

中日友好医院呼吸与危重症医学科呼吸治疗师，毕业于四川大学呼吸治疗专业，从事呼吸治疗工作6年。主要研究方向：危重症呼吸支持与气道管理，参与编写专著3部，发表论文2篇，获实用新型专利1项。

后可发表评论

全部评论 0