在辅助机械通气模式下，由于神经（患者）和呼吸机吸气和呼气相不匹配，可能会发生人机不同步。机械通气患者在高达40%的呼吸周期中存在某些类型的不同步。一般来说，它们的特点是发生在过度呼吸辅助和/或低呼吸驱动的情况下，以及发生在呼吸辅助不足和/或呼吸驱动增加的情况下。异步性的发生与较长的机械通气时间和更高的死亡率有关，特别是当它们发生在大功率和长时间的群集时，双触发或无效的努力。通过改变呼吸机设置或其他措施（如镇静）来解决这些不同步取决于对不同步类型的正确识别。误诊可导致通气参数调整不充分，导致镇静、机械通气控制和膈功能障碍的恶性循环。
通常，医疗保健专业人员在床边通过目视检查呼吸机波形来检测异步。然而，即使由该领域的专家进行，这种视觉分析的灵敏度也很低，相当于不到1/3的非同步呼吸周期。为了提高这种灵敏度，已经提出显示膈肌（Eadi）或食管或跨膈压力信号的电活动作为一种增强异步检测的方法。然而，这些技术需要插入食管导管，这是侵入性的，并且在技术上具有挑战性。
最近提出了一种获得吸气肌压力（Pmus）估计的替代方法（Magnamed®，s o Paulo， Brazil）。通过人工智能，专有算法接收压力、流量和体积作为输入，并在呼吸机屏幕上返回估计的Pmus波形（详细信息请参见在线补充）。Pmus的显示可以帮助医疗保健提供者评估机械呼吸的开始和结束是否与患者在Pmus波形中可视化的努力同步。
在本研究中，我们的目的是验证一个假设，即Pmus和其他呼吸机波形在呼吸机显示器上的可视化可以提高医护人员识别异步的能力。
这是一项由Sírio Libanês医院（s o Paulo， Brazil）的研究与教育研究所（IEP）进行的前瞻性单中心随机平行分配研究。
在巴西圣保罗医院（Sírio Libanês）的8个混合内科/外科重症监护室之一工作的医生和呼吸治疗师通过电子邮件被邀请参加这项研究。所有参与者都经历了通过目视检查呼吸机波形的床边检测异步。
同意参与的个人按1:1的比例随机分配到对照组或干预组（Pmus组），按经验时间和职业分层。随机化使用计算机生成的随机列表进行。直到会议开始，参与者才知道他们被分配到哪一组。
在随机化之前，参与者使用Zoom®平台（Zoom Video Communications， California， USA）观看了基于先前发布的标准的30分钟在线刷新课程。本课程所呈现的波形均来自文献。演讲结束后，参与者可以在问答环节与导师互动。
在这个磨合阶段之后，参与者被随机分配到对照组或Pmus组。所有参与者之前都没有使用用于模拟的呼吸机或使用人工智能估计的Pmus波形显示的经验。
两组使用ASL-5000主动呼吸模拟器（Ingmar Medical， pittsburgh， PA）连接呼吸机FlexiMag Max 700，暴露于包含异步或同步循环的模拟场景的相同记录。
共阐述了49种场景，包括同步循环和以下几种异步：无效触发、自动触发、双触发、反向触发、双循环反向触发、早循环、晚循环。根据文献中发表的标准异步定义，使用呼吸系统力学和患者努力的不同条件创建场景（表1）。使用肺模拟器asl5000中编程的患者努力对异步进行分类，asl5000被认为是金标准Pmus。通过嵌入在呼吸机FlexiMag Max 700中的机器学习算法，并基于专有软件（Magnamed， s o Paulo， Brazil）估计呼吸机上显示的Pmus波形。该算法使用一种称为长短期记忆（LSTM）的循环神经网络从气道压力、流量和体积中估计Pmus，并已通过模拟数据进行验证。
下图展示：训练长短期记忆算法从数万小时通气期间气道压力、流量和容积的波形中学习肌肉压力曲线（Pmus）。将训练好的算法用于49种不同的同步和异步循环场景下的Pmus估计。
每个场景都包含一个30秒的录音，然后是30秒的呼吸机屏幕。在这1 min的时间里，参与者被指示使用投票工具Mentimeter（瑞典的Mentimeter）选择他们是否识别异步，以及哪个异步存在。
对于对照组，记录显示常规的压力和流量波形随时间的变化（附加文件1:eTable1）。对于Pmus组，使用相同的模拟场景，以相同的顺序，除了显示压力和流量波形外，还显示了估计Pmus随时间的波形（图1）。
示踪显示气道压力、流量和估计的吸气肌压力（Pmus）。注意，第二个呼吸周期是受控的，在呼吸机吸气阶段开始用力，模拟一个反向触发事件。带有指示工作开始的垂直线的Pmus波形仅对Pmus组可用
平均非同步检出率（敏感性）是主要终点，特异性是次要终点。灵敏度是指正确识别异步的概率，特异性定义为正确识别不存在异步的概率。这两个概率都是根据考虑答案键的异步类型为每个参与者计算的。
根据先前的一项研究，其中参与者对检测异步的平均灵敏度为28%，我们估计纳入98名参与者将有90%的能力检测组间平均灵敏度的10个百分点差异，假设标准差为15个百分点，双尾显著性水平为0.05。
确定的参与者的回答被存储起来，随后与答案键进行比较。对于每个参与者，综合考虑所有异步，然后根据异步类型重新计算灵敏度和特异性。在对照组和Pmus组之间比较这些变量的平均值。
通过Shapiro-Wilk检验验证数据的正态性。正态分布的变量用均数和标准差描述，采用Student’s t检验进行比较;非正态分布的变量用中位数和四分位间距描述，采用Mann-Whitney检验进行比较。P<0.05为差异有统计学意义。使用R（3.5.2版）进行统计分析。
共有98名参与者，每组49人。大多数参与者有5年以上的经验（对照组65.3%，Pmus组67.4%）。各组在职业方面也很平衡（对照组为医生25.45%，Pmus组为23.07%，对照组为呼吸治疗师74.55%，Pmus组为76.93%）。
与对照组相比，Pmus组的平均敏感性更高（65.8±16.2 vs 52.94±8.42%，P<0.001）（图2）。当我们按类型考虑异步时，也观察到这种效应。另一方面，两组在同步曲线的识别上没有差异。每个参与者的平均特异性在独立于异步类型的组之间相似。
显示：与对照组相比，吸气肌压力（Pmus）组的非同步检出率（灵敏度）。误差条表示平均值的标准误差，点表示每个参与者的个体敏感性。
显示：与对照组相比，吸气肌压力（Pmus）组的非同步检出率（灵敏度）按非同步类型分层。误差条表示均值的标准误差。
图4
显示：与对照组相比，吸气肌压力（Pmus）组的非同步检测特异性根据非同步类型分层。误差条表示均值的标准误差。
我们发现，在压力和流量波形中增加估计Pmus增加了呼吸治疗师和医生识别各种类型的异步的敏感性，而不影响其特异性。
对照组的同步检出率略高于50%，Pmus组的同步检出率提高了约20%。
尽管机械通气技术取得了各种进步，但患者呼吸机不同步仍然很常见，其检测仍然是一个挑战。毫无疑问，医疗保健专业人员的知识差距阻碍了对异步的正确识别。然而，即使是该领域的专家也很难检测到异步周期，据报道灵敏度值低至28%。
监测食管压力或膈肌电活动可以提高对异步的检测，但是这些监测技术是侵入性的、昂贵的，并且需要特定的设备。基于呼吸机波形分析的异步自动检测也被提出，如Better Care®，但尚未纳入临床实践。最近，一项试点研究提出使用机器学习（ML）算法来复制人类在基于波形分析检测患者-呼吸机循环异步方面的专业知识，结果非常一致。虽然有价值，但这些复制人类专业知识的努力具有固有的局限性，即人类仅用传统的呼吸机波形检测异步性的性能较低。Ge等在一项回顾性研究中利用大数据应用ML识别患者呼吸机不同步。研究结果证实了在临床实践中识别异步并为此目的使用ML的重要性。
在目前的研究中，我们采用了基于人工智能的无创估计Pmus波形的方法，并将该信息与常规呼吸机波形一起使用。在概念层面上，这种方法相当于从食管压力监测中获得Pmus，但没有食管球囊放置的侵入性和技术挑战。我们证实了我们的假设，即这种额外波形的显示促进了异步检测。
我们发现异步的检出率增加了20%，对应于13个百分点的绝对增长。相反，对照组的特异性较高，不受干预的影响，可能是因为卫生专业人员很少过度诊断异步。我们认为，这种异步检测率的适度增加至少部分与参与者之前没有接受过Pmus可视化培训有关，因此没有将波形与压力和流量联系起来的经验。如果是这样的话，有可能诊断性能随着实践而提高，这表明未来的研究应该包括一个由训练课程组成的磨合阶段。例如，干预组的自动触发检出率仍低于60%，而训练过的眼睛本应很容易识别出该周期不伴有肌肉用力（附加文件1:图9）。此外，除了简单地结合Pmus波形外，在呼吸机显示器中加入视觉线索来指示患者在呼吸周期中用力的阶段，可以促进对异步的检测。
我们的研究有一些优势和局限性。在磨合期间，所有参与者都有机会参加讲座，目的是根据当前文献统一他们对各种异步的定义。
虽然这个讲座不是强制性的，但90%以上的参与者都参加了。我们的随机设计对于平衡两组参与者很重要。考虑到专业知识会影响通过呼吸机波形识别患者-呼吸机异步的敏感性，我们采取了额外的预防措施，按经验和专业分层随机分组。两个研究组都暴露在完全相同的波形中，这有助于隔离Pmus曲线显示对异步检测率的影响。在这项研究的局限性中，有一些是突出的。第一，所有场景均使用ASL-5000主动呼吸模拟器获得，而不是从患者记录的真实呼吸机追踪。与有时在现实世界中看到的混乱的努力模式相比，模拟的努力是刻板的，更容易解释。为了最大限度地减少这一限制，我们设计了同时包含多种异步的场景，以更好地反映临床环境中的多样性。第二，49个场景不能表示不同异步的所有变体。第三，参与者没有机会熟悉Pmus曲线的使用。第四，估计的Pmus曲线仍缺乏临床验证。因此，结果只能证明，如果Pmus估计在临床场景中被证明是可接受的，则异步检测具有改进的潜力。最后，这是一个概念验证，单中心研究，需要验证，因为关于异步的知识和实践可能因中心而异。
通过模拟场景，我们证明了估计Pmus波形的显示提高了医疗保健专业人员通过目视检查呼吸机追踪来识别患者-呼吸机异步的能力。需要进一步的研究来验证我们的发现在临床环境中的有效性。
Pmus： 吸气肌压力 Inspiratory muscle pressure
Eadi： 膈肌电活动 Electrical activity of the diaphragm
Ccw ：胸壁顺应性 Compliance of the chest wall
作者：李凌锋 广西医科大学第一附属医院
审核：RTS
授权转载、投稿等请联络梅斯医学管理员
克里@梅斯医学（微信号：medsci-）
点击下方“阅读原文” ！