综述：让我们同步起来：基于人工智能的患者 - 呼吸机不同步检测的现状与未来

《Intensive Care Medicine Experimental》：Let’s get in sync: current standing and future of AI-based detection of patient-ventilator asynchrony

这篇综述聚焦患者 - 呼吸机不同步（PVA）的 AI 检测，探讨其进展、挑战与前景。

　　# 综述：基于人工智能的患者 - 呼吸机不同步检测的科研进展

一、引言

在机械通气的世界里，患者与呼吸机之间的默契配合至关重要。然而，患者 - 呼吸机不同步（Patient-Ventilator Asynchrony，PVA）这一现象却时常打破这种和谐。PVA 指的是患者的呼吸驱动或努力与呼吸机送气之间的不协调 ，在机械通气患者中频繁出现，尤其在辅助通气模式下更为常见。它就像隐藏在暗处的 “小怪兽”，与诸多不良事件紧密相连，如肺损伤、膈肌功能障碍、睡眠紊乱、通气时间延长，甚至会增加患者的死亡率 。

传统上，医生主要通过观察呼吸机波形来识别 PVA，但这一过程如同大海捞针，既耗时又充满挑战。不同医生之间对于波形的解读也常常存在分歧，导致 PVA 的实际发生率可能被严重低估。而且，监测患者呼吸努力的食管压力（Pes）或膈肌电活动（EAdi）虽然有助于检测 PVA，但并未得到广泛应用。因此，寻找一种自动化、实时的 PVA 检测方法迫在眉睫。

随着科技的飞速发展，人工智能（Artificial Intelligence，AI）在医疗领域展现出巨大潜力，为 PVA 检测带来了新的希望。在过去的 15 年里，AI 技术在 PVA 检测方面取得了不少进展，这也正是本文要深入探讨的内容。

二、基于人工智能的 PVA 检测算法

2.1 基于规则的算法

基于规则的算法是 AI 领域的 “元老” 之一，它依据专家知识和共识制定手动规则与阈值。这类算法因其透明、易理解的特性，在临床监测软件中广泛应用。

以 Baedorf-Kassis 等人的研究为例，他们利用压力 - 容积环（PV loops）专注于反向触发的检测。通过与手动波形和 Pes 注释对比，该算法在检测反向触发时，灵敏度为 0.75，特异性为 0.97，F1 评分达到 0.78。Rodriguez 等人则使用流量和气道压力曲线对反向触发和双重触发进行分类，但由于双重触发在研究队列中发生率较低，未能有效验证其检测效果。当纳入 Pes 作为参考时，检测反向触发的灵敏度≥0.86，特异性≥0.98，总体准确率为 0.92；而在没有 Pes 的数据集上，准确率虽提高到 0.96，但灵敏度和特异性却分别降至≥0.74 和 0.80。这表明基于规则的算法虽能检测多种类型的 PVA，但目前其开发和测试仍局限于少数 PVA 类型。

2.2 机器学习算法

机器学习（Machine Learning，ML）作为 AI 的重要分支，具有从输入数据中学习的强大能力。它基于更为复杂的统计计算，虽然架构不如基于规则的算法透明，但在处理复杂数据时往往表现更出色。

Gholami 等人运用随机森林模型，根据压力、流量及衍生的 delta 波形中的特征，检测过早和延迟循环。他们以手动注释的流量、压力和容积记录为基准，虽未进行 Pes 测量，但在检测过早循环时，灵敏度和特异性分别达到 0.89 和 0.99；检测延迟循环时，灵敏度为 0.94，特异性为 0.98。

Chen 等人则尝试用分段回归模型结合基于规则的阈值，检测 7 种不同的 PVA，仅使用机械通气不同模式下的 PV 环数据。与临床医生对波形的评估相比，该方法在检测单个 PVA 时，准确率≥0.99，灵敏度≥0.90，特异性≥0.99，平均指标分别为 0.99、0.94 和 1.0 。这充分展示了 ML 从呼吸机数据中检测多种 PVA 的能力。

2.3 深度学习算法

深度学习（Deep Learning，DL）是 ML 的一个子领域，它通过模仿生物神经网络的结构和功能，利用神经网络自动从原始数据中选择特征。DL 常被视为一个 “黑箱” 系统，尽管决策过程不透明，但它能发现数据中隐藏的抽象关联，在 PVA 的复杂分类中发挥重要作用。

Zhang 等人的研究表明，与 ML 和基于规则的算法相比，DL 在检测双重触发和无效努力方面具有明显优势。在不同数据上进行验证时，DL 的表现优于 ML，尤其是在检测无效努力时，准确率差异最小可达 0.21（DL 为 0.92，ML 为 0.71）。而且，DL 网络的外推能力也更强，F1 评分下降幅度更小（DL 从 0.98 降至 0.89，ML 从 0.90 降至 0.50） 。不过，该研究的参考数据集在注释时未使用 Pes 或 EAdi。

Bakkes 等人则利用修改后的 U-net 神经网络，结合临床和模拟数据集，包括 Pes 波形进行专家标记，研究延迟吸气、过早循环、延迟循环和无效努力的检测。他们发现，检测 PVA 的最小灵敏度和阳性预测值（PPV）均为 0.94，同时还证明人工生成的数据可准确模拟临床数据，有助于优化 AI 算法。

2.4 许可软件

许可软件是指已在商业产品中使用或因商业部署而未完全公开的软件。目前已有多种用于自动检测 PVA 的许可软件。

早期的 ?Better Care 软件由 Blanch 等人开发，它基于规则，通过流量曲线检测呼气期间的无效努力。当流量曲线与标准化曲线的偏差超过手动设定的阈值（>42%）时，系统将该呼吸识别为无效努力。在使用 EAdi 进行外部数据集验证时，其灵敏度为 0.65，特异性为 0.97 。但需要注意的是，该软件将无效努力定义为呼气期间 EAdi 峰值高于基础值 > 1 μV 且随后无呼吸机送气，这一阈值易受电气和机械伪影影响，可能导致假阳性结果。

Syncron-E?系统采用基于 delta 波形的随机森林分类器检测无效触发。Phan 等人对其进行验证时，得到的灵敏度为 0.83，特异性为 0.99 。该软件检测无效努力的灵敏度低于 Gholami 等人检测过早或延迟循环 PVA 的灵敏度，但特异性相似。

Chen 等人展示的 Remote-VentilateView 平台可检测 8 种类型的 PVA。尽管在研究时未获得许可且算法未完全公开，但据描述它是一种使用最近邻分类的 ML 算法。该平台在检测 PVA 时，灵敏度≥0.67，特异性≥0.90，平均指标分别为 0.82 和 0.98 。其在多个 ICU 中的实施可行性以及检测多种 PVA 的良好性能，使其颇具前景。

三、当前面临的挑战

3.1 PVA 类型和定义

目前研究的大多数算法只能检测少数几种 PVA，而实际上 PVA 存在多种形式。更麻烦的是，PVA 的定义尚未标准化，这使得研究结果的可重复性大打折扣，急需该领域专家达成共识。

3.2 模型比较

已报道的研究虽可分为四大类，但即使在同一类中，底层模型架构也可能差异巨大，而且数学方法也并非总是完整报告。这些因素都阻碍了模型之间的一致性分类和比较。

3.3 数据质量

高质量数据和长时间记录的缺乏是一大限制。临床医生手动标记呼吸周期既耗时又具有挑战性，即便使用 Pes 和 EAdi 作为参考可提高标记准确性，但仍存在不足。理想情况下，应由多位专家标记呼吸以减少偏差，同时在模型开发和验证前评估并报告观察者间的一致性，以确保标记质量。此外，ML 和 DL 方法高度依赖训练数据，数据质量直接影响模型性能，因此需要使用高质量数据进行外部验证，以避免模型偏差。

3.4 通用性

PVA 的发生可能与肺力学相关，现有的算法若仅在高度选择的患者群体上进行训练，其通用性会受到限制。在多种肺力学条件下进行训练和验证，有助于提高算法的通用性和在新数据上的性能。

3.5 努力参考

Pes 和 EAdi 主要反映吸气努力，而危重患者的呼气肌也常参与呼吸努力的产生，呼气肌努力同样可能导致 PVA。因此，仅使用 Pes 或 EAdi 作为患者努力的参考，可能会低估 PVA 的发生。而且，目前尚无关于在标记过程中使用 Pes 和 EAdi 对 PVA 检测算法性能影响的数据。使用 EAdi 作为参考时，还可能因小幅度的 EAdi 峰值受心脏伪影和信号滤波不足的影响，高估无效努力的发生率。

3.6 实时分析

目前，对呼吸机数据的（近）实时分析往往缺失。尽管部分自动化方法可实现实时分类，但大多数已报道的模型仅进行离线或回顾性分析，且未在前瞻性临床研究中进行测试。虽然计算处理单元和网络速度已大幅提升，但要捕捉波形数据并在大量数据上实时应用 ML 和 DL 结构仍面临挑战。

四、迈向床边实施

4.1 数据收集与架构

高质量和实时的输入数据收集是 AI 在医疗领域实施的关键。ICU 环境中虽有大量数据监测，但数据常未得到充分利用，还容易出现测量误差，如异常值和缺失数据。因此，数据集成是开发有效 PVA 分析工具的主要挑战。确保数据质量至关重要，数据质量的准确性、完整性、一致性、可靠性和及时性等维度，会受到医院信息技术基础设施、ICU 临床医生数据收集以及设备互操作性的影响，所以需要统一数据采集并与电子健康记录中的上下文数据相连接。

在保证前端数据质量后，还需构建数据架构，明确数据处理、分析和存储的路径。理想情况下，ICU 数据应存储和处理于中央位置（如本地或基于云的解决方案），以提高算法的通用性和实施的流畅性。

4.2 算法验证与泛化

在将 PVA 检测算法应用于临床之前，需要对现有算法进行验证和泛化。由于可能存在过拟合现象，在外部新数据上进行验证是可靠实施的基础。不同 ICU 的患者群体、设备和数据收集频率等因素都可能影响算法性能，因此，充分的外部验证可确保算法的通用性，这对于算法的广泛应用至关重要。然而，由于数据集的局限性，如临床医生标记数据集的一致性差异以及多数数据集缺乏 Pes 或 EAdi 追踪，影响了标记准确性，使得外部验证面临挑战。此外，算法应能检测大多数 PVA 类型，无论是在单个模型中还是多个并发模型中，都需具备快速处理能力，以实现（近）实时监测。

4.3 模型测试与集成

模型应在实时 ICU 环境中对机械通气患者进行前瞻性测试和集成，以便最终进行临床评估。在日常实践中，测量缺失、临床干预和伪影（如短暂断开、心脏振荡、泄漏）等情况较为常见，但这些在训练、测试和验证数据中可能未充分体现，会影响算法性能。因此，需要进行实时评估。若需对模型进行微调，可在伪影和不稳定信号上训练模型，使算法能够区分伪影和 PVA，提高实时检测的准确性；或者确定信号的稳定性并提供分类的置信水平，让临床医生了解模型输出的可靠性。

五、未来展望

当上述问题得到妥善解决，自动化 PVA 检测有望成为一种便捷的监测工具，为机械通气患者提供准确、连续的监测，推动个性化通气管理的发展。这将突破当前 PVA 研究的局限，如监测时间短和发生率低估等问题，有助于 ICU 医护人员深入研究 PVA 在整个机械通气过程中的病理生理影响及其对临床结局的因果关系。

基于此，未来可能会开发出临床决策支持系统（Clinical Decision Support System，CDSS），为临床医生提供治疗建议，如调整呼吸机设置或调节呼吸驱动，以实现最佳治疗效果。AI 辅助的 PVA 检测和解决方案还可能减轻临床人员的工作负担。在未来，甚至可能出现能够自动调整呼吸机设置以解决 PVA 的智能呼吸机。

不过，在实施之前，还需充分讨论医疗领域中可操作的、无监督 AI 所涉及的伦理和法律问题，确保技术的应用安全、可靠，真正造福患者。

六、结论

PVA 在机械通气患者中较为常见，与不良事件密切相关。目前通过视觉检查呼吸机波形识别 PVA 的方法既耗时又易出错。基于 AI 的自动化检测方法，无论是基于规则的算法、ML 还是 DL，虽已取得一定成果，但大多仍处于开发或验证阶段。要实现广泛应用，还需考虑诸多关键步骤，如外部验证和（近）实时应用等。一旦成功实施，这些方法将有助于准确检测和缓解 PVA，减轻临床医生的工作负担，优化个性化机械通气，最终改善患者的临床结局。