基于机器学习处理电阻抗断层成像数据无创逐搏估算主动脉血压：开拓血流动力学监测新方向

《Journal of Clinical Monitoring and Computing》：Non-invasive estimation of beat-by-beat aortic blood pressures from electrical impedance tomography data processed by machine learning

在围手术期和重症监护中，低血压会引发多种并发症，连续血压监测至关重要却颇具挑战。研究人员开展利用机器学习（ML）从电阻抗断层成像（EIT）数据预测主动脉血压的研究。结果显示，ML 模型与侵入性血压测量有中度相关性，为无创血压监测带来希望。

　　在医疗场景中，血压监测就像医生的 “眼睛”，对患者的治疗和康复起着关键作用。特别是在手术室和重症监护室里，动脉血压是评估患者血流动力学状况、指导治疗的重要指标。然而，现有的血压监测方法却存在诸多难题。传统的有创动脉血压测量虽然精准，但会给患者带来痛苦和感染风险；而像电阻抗断层成像（Electrical Impedance Tomography，EIT）这样的无创技术，虽具有潜在优势，却在准确、稳定地估算血压方面困难重重，难以满足临床需求。因此，探寻一种更有效、更可靠的无创血压监测方法迫在眉睫。

为了解决这些问题，德国罗斯托克大学医学中心（University Medical Center Rostock）等机构的研究人员开展了一项创新研究。他们利用机器学习（Machine Learning，ML）技术，尝试从 EIT 电压测量数据中预测主动脉血压，相关成果发表在《Journal of Clinical Monitoring and Computing》上。该研究为无创血压监测领域带来了新的曙光，有望改变现有的血压监测格局。

研究人员采用了多种关键技术方法。实验选取 9 头德国长白猪作为动物模型，这些猪在实验前经过适应性饲养。实验过程中，为猪进行麻醉、机械通气，并插入多种监测导管用于获取生理数据。通过定制的 32 电极 EIT 腰带采集 EIT 数据，采样频率为 47.68Hz 。对采集到的 EIT 数据和生理数据进行预处理，包括去除直流分量、同步处理、重采样等操作，使数据符合机器学习模型的输入要求。之后，使用卷积神经网络（Convolutional Neural Network，CNN）构建 ML 模型，对模型进行训练、验证和测试，并通过超参数调优提升模型性能。

研究结果如下：

1. 数据准备：9 头猪共获得 75298 个心跳样本，涵盖了不同的血压范围。参考收缩压（Systolic Arterial Pressure，SAP）范围为 22 - 179mmHg，平均值为 104mmHg；平均动脉压（Mean Arterial Pressure，MAP）范围为 13 - 146mmHg，平均值为 90.2mmHg；舒张压（Diastolic Arterial Pressure，DAP）范围为 5 - 119mmHg，平均值为 74mmHg。
2. 模型性能评估：计算类内相关系数（Intraclass Correlation Coefficient，ICC）评估模型与侵入性血压测量的相关性，结果显示 SAP 的 ICC 为 0.530，MAP 为 0.563，DAP 为 0.521 ，表明模型与侵入性测量有中度相关性。通过误差网格分析对无创估算血压的潜在危害进行分类，发现 75.8% 的 SAP 和 64.2% 的 MAP 估算血压处于低风险区域（A 区和 B 区）。
3. 一致性分析：利用 Bland - Altman 图分析模型估算血压与侵入性测量血压的一致性，结果显示模型的平均偏差较低，SAP 为 2.56mmHg，MAP 为 3.31mmHg，DAP 为 3.69mmHg，但一致性界限较宽。模型在捕捉血压变化趋势方面表现良好，在一个完整实验中，能成功检测到血压的上升和下降阶段，4 - 象限图显示 SAP、MAP 和 DAP 的一致性率分别为 92%、92% 和 84% 。

研究结论和讨论部分指出，该研究首次证明了 ML 策略可从胸部 EIT 电压原始数据估算主动脉血压，这是无创血压监测领域的重要突破。研究方法避免了 EIT 图像重建过程中的信息损失，简化了流程，降低了计算负荷。尽管模型目前尚未达到临床应用的精度和可靠性标准，存在样本量小、数据分布不均等局限性，但研究结果仍显示出该方法在麻醉猪血压评估中的潜力。未来研究可扩大样本规模，涵盖不同年龄、性别和疾病状态的个体，进一步优化模型，探索其在更多临床场景中的应用。这一研究成果为无创血流动力学监测的发展提供了新的思路和方向，有望在未来改善患者的临床管理和治疗效果。