synchrony呼吸机怎么按【保护性辅助通气】基于半监督卷积神经网络进行人机不同步的识别
引用文本
周益民,宁泽惺,罗旭颖,等.基于半监督卷积神经网络进行人机不同步的识别[J].首都医科大学学报，2022,43（5）：734-739.
基于半监督卷积神经网络进行人机不同步的识别
周益民1 宁泽惺2 罗旭颖1 何璇1
杨燕琳1 陈光强1 李瑞瑞2 周建新1,3*
1.首都医科大学附属北京天坛医院重症医学科，北京 100070;
2.北京化工大学信息科学与技术学院，北京 100029;
3.神经疾病数字诊疗北京市工程研究中心,北京 100070
【摘要】目的 基于半监督卷积神经网络（semi-supervised convolutional neural network, semi-CNN）构建人机不同步现象（patient-ventilator asynchrony, PVA）识别模型，评价其在压力支持通气（pressure support ventilation，PSV）模式下的诊断效能。方法 分析85例接受PSV通气脑损伤患者的机械通气数据，结合食道压监测数据进行人工标识。使用Transformer时间序列预测模型对已标识的正常或发生PVA的呼吸进行转化，转化后的数据输入semi-CNN模型判断是否发生PVA。在测试集中验证模型的准确性、灵敏度、特异度以及与专家标识结果的一致性。结果 初始训练集包含正常呼吸513次，异常呼吸69次，经过500次迭代后模型收敛。测试集包含正常呼吸48次，异常呼吸24次。在测试集中，Transformer联合semi-CNN模型识别PVA的准确率为0.92（0.83~0.97），灵敏度为0.79（0.58~0.93），特异度为0.98（0.89~1.00）,Kappa值为0.80 (0.65~0.95)，测试结果与专家人工标识结果具有高度一致性。结论 本研究提供了一种基于semi-CNN算法的PVA识别模型，其识别PVA的准确率和特异度高，识别结果与专家人工标识结果的一致性好，可用于临床实时PVA监测。
【关键词】机械通气；人机不同步；深度学习；卷积神经网络；半监督学习
人机不同步现象（patient-ventilator asynchrony, PVA）是机械通气的常见并发症，并且是引起呼吸机相关肺损伤（ventilator induced lung injury, VILI）的重要机制之一，可导致拔管失败，机械通气时间延长，住重症加强护理病房（intensive care unit, ICU）时间延长，住院时间延长及病死率增加[1－6]。压力支持通气（pressure support ventilation，PSV）模式是人机同步性较好的模式之一[7－8]，然而，由于缺乏持续的PVA识别与监测工具，使得即使在PSV模式下，PVA的发生率也可能被低估。
食道压或膈肌电位监测是辅助诊断PVA的有效监测手段[9－10]，考虑到操作的有创性和复杂性，上述方法不可能适用于所有机械通气患者，因此，基于呼吸机波形诊断PVA成为目前临床较为常用的监测PVA的替代方法[11－12]。然而，PVA的诊断仍高度依赖于临床医生的经验，在床边进行PVA的筛查和诊断仍然是一项强度大、难度高的工作。
人工智能(artificial intelligence, AI)在疾病诊断、辅助治疗决策、异常检测、疾病预测等领域的应用越来越广泛[13－17]。在机械通气领域，AI可以用于辅助优化机械通气的治疗效果、避免机械通气导致的VILI，其中一个较有应用前景的方向便是PVA的识别及其严重程度的评估[18－26]。根据发生时相的不同，PVA可以分为触发异常、吸气相异常、切换异常和呼气相异常，AI多被用于诊断某种类型的PVA。例如，Mulqueeny等[18]聚焦于触发异常，介绍了一种用于识别双重触发和无效触发的AI算法。亦有研究者[21]关注于切换异常的识别，Rehm等[26]则根据PVA危害的大小进行分类，识别了两种危害较大的PVA（双重触发和呼吸堆叠）。本研究通过Transformer时间序列预测模型和半监督卷积神经网络（semi-supervised convolutional neural networks, semi-CNN）异常检测模型，识别PSV模式下的PVA呼吸。
1.1 研究对象
本研究是一个单中心、前瞻性观察性研究[8]二次分析结果。原始研究纳入了首都医科大学附属北京天坛医院综合ICU收治的100例接受机械通气的急性颅脑损伤（定义为脑外伤、脑卒中和脑肿瘤开颅术后）患者，采集患者呼吸机波形及食道压波形，观察PVA的发生情况。本研究选取原始研究中接受PSV辅助通气的85例患者的呼吸机波形数据进行二次分析，研究方案由首都医科大学附属北京天坛医院伦理委员会批准（审批号KY-2017-08-02）并免除知情同意。本研究旨在识别正常呼吸，筛选PVA。正常呼吸定义为：①吸气开始，压力时间波形出现负向波形；②吸气相，流速-时间波形上可见流速上升；③当流速下降到峰流速的预设比例时，开始由吸气相向呼气相切换；④呼气相气体被动地向肺外流动[11]。专家投票决定某一特定呼吸是否正常，当超过3位专家认为正常时，该呼吸被标记为正常；发生PVA的单口呼吸，其所属的PVA类型由专家讨论确定。食管压力监测用于辅助专家判断是否存在PVA。
1.2 数据采集、整理及标识
所有患者均使用AVEA呼吸机（美国CareFusion公司）进行机械通气，并同时进行食道压监测（SmartCath-G导管：批号 7003300，美国CareFusion公司）。将食道压监测导管与呼吸机相连，采用Baydur试验验证食道压导管位置[27]，呼吸机波形与食道压监测数据由专用采集系统（VOXP Research data Collector 3.2，德国Applied Biosignals公司）收集，采样频率为100 Hz，每段记录时长为15 min。为了避免断开呼吸机吸痰、翻身等对呼吸机波形及食道压监测的影响，记录开始前进行充分吸痰，在记录过程中避免不必要的翻身、吸痰等护理操作。所有数据采样定制软件进行离线分析。
研究者对每段记录进行预览，选取PVA高发时段数据（每段5 min）进行半监督学习。
1.3 模型的建立与评价
本文采用Transformer的时间序列预测模型对呼吸波形进行转化，将转化后的数据输入semi-CNN模型以检测PVA的发生[28]。首先使用标记数据进行训练，获得分类器，再使用该分类器对未标记数据进行识别，将预测结果添加至训练模型中，重复上述过程直至模型收敛，再验证集中验证收敛后模型的效能（图1）。
1.4 统计学方法
正态分布的计量资料采用均数±标准差表示，非正态分布的计量资料以M（P25，P75）表示，计数资料计算百分比。采用R语言4.2.0计算准确率、灵敏度、特异度 ，采用Kappa系数评价一致性，以P<0.05为差异有统计学意义。
2.1 研究对象的基本特征
来自85例脑损伤患者的呼吸机波形数据被用作模型的训练和验证，专家确定了总共655次单口呼吸（其中562次正常，93次PVA）和234个连续记录的数据集。患者临床资料详见表1。
2.2 训练集测试结果
训练集中有正常呼吸513次，异常呼吸69次，训练获得初始分类器后，对来自234段呼吸记录的单口呼吸进行识别，将分类预测结果概率值大于95%的数据按正常:异常为1:1的方式增加至训练集中，经过500次迭代后模型收敛，训练集损失值及测试集准确率迭代结果详见图2，损失值在训练开始时下降明显，在训练后期损失值下降不显著，损失曲线趋于平稳，模型预测效果稳定；训练初期，测试集准确率波动较大，但整体呈上升趋势，训练后期准确率不再增加，稳定于90%上下，继续训练模型性能提高不显著。
2.3 测试集模型效果评价
测试集包含正常呼吸48次，异常呼吸24次。在测试集中，Transformer联合semi-CNN模型识别PVA的准确率为0.92(0.83~0.97)，灵敏度0.79(0.58~0.93)，特异度0.98(0.89~1.00)，Kappa系数0.80 (0.65~0.95)，测试结果与专家人工标识结果具有高度一致性，具有临床应用价值。结果详见表2。
本研究中，笔者提出了一种基于Transformer联合semi-CNN的深度学习模型识别PSV模式下的PVA，与采用一维或二维卷积神经网络（convolutional neural networks，CNN）或长短期记忆网络（long short term memory，LSTM）等深度学习方法进行PVA的识别的研究类似[23－24]，本研究采用的模型进行PVA识别同样具有较高的准确率、特异度和阳性预测率（超过0.90），也进一步验证了在PVA识别领域，深度学习模型与传统的基于规则的专家系统相比，具有更好的检测效能。
PSV较容量控制通气具有更好的舒适性和人机同步性[29－30]，但由于缺乏持续监测的工具，PSV模式下PVA的发生率仍可能被低估。在PSV模式下，由于自主呼吸的存在，仅通过呼吸机波形进行PVA的识别存在一定的困难，特别是在切换异常的识别中，因此在本研究中，笔者采用食道压监测数据辅助进行PVA的人工识别。然而考虑到临床上，并非所有机械通气患者均进行食道压监测，为了兼顾模型的实用性，并没有将食道压数据作为输入参数参与模型的构建。即使是在缺乏食道压数据的基础上，深度学习模型的表现与专家判读结果具有良好的一致性（Kappa系数0.80）。通过Transformer对流速及气道压力数据进行转换，模型可以发现呼吸机波形间细微的差异，可以在没有食道压监测辅助的情况下较为准确地进行PVA的人工识别。
早期自动识别PVA的算法主要基于规则，设计精妙的程序被用于识别某一种类型的PVA，如Mulqueeny等[18]及Blanch等[22]提出的识别无效触发和双重触发的算法，Nguyen等[20]提出的内源性呼吸末正压的识别。随着机器学习算法在医学领域应用成熟，2018年有学者[21]报道了基于机器学习的算法进行切换异常的识别，近年来有研究者[23－24]将LSTM,CNN等深度学习的方法用于双重触发、呼气相无效触发、提前切换、延迟切换等PVA。虽然本研究也采用了深度学习的方法判断单口呼吸是否发生PVA, 但与上述研究不同的是，本研究不具体区分异常呼吸的具体类型，待检测的呼吸经过Transformer转换后输入semi-CNN模型，与正常呼吸的特征进行比较，判断其存在PVA的概率，对于高PVA概率的呼吸进行预警。在临床中，患者不同类型的呼吸分布呈偏态，对于部分罕见的PVA类型如反向触发等，带标记的异常数据量较小。针对某一类或某几类PVA进行分类器的训练，模型的性能受标记数据量及数据分布的影响，因此本研究将所有PVA合并进行分析。Transformer可以同时处理整个序列数据，并使用自注意力机制来学习序列中的依赖关系，此外，针对本研究中标识的异常数据少，使用传统CNN模型训练易发生过拟合，影响准确率、灵敏度和特异度的情况，本研究通过半监督学习的办法，增加训练数据量，防止过拟合，提高模型性能。
本研究只在PSV模式下对模型进行训练和测试，该模型尚无法在其他机械通气模式下进行PVA识别。研究[29－31]表明，PVA的发生与呼吸机模式有关，不同的机械通气模式直接影响患者与呼吸机的相互作用。机械通气模式是可以从呼吸机设置中直接获取的参数，在进行PVA识别时，合理区分不同的呼吸机模式，对模型进行调整，可简化模型提高训练效率。本研究采用的模型在其他机械通气模式下是否具有相似的性能还需要进一步研究。本研究仅标识了无效触发、双重触发、提前切换和延迟切换四种PVA，临床还存在其他类型的PVA，如反向触发、自动触发、流速不足等，受限于数据采集和人工标识的工作量，本课题组没有足够多标识的异常数据，因此本研究通过半监督学习的方法增加了训练集中PVA的数据量，将待测呼吸与正常呼吸进行比较，判断其属于PVA的概率，从而减轻异常数据少对模型训练带来的影响。此外，本研究只关注于是否存在PVA，并不能判断具体PVA的类型，对于模型判断并进行预警的PVA仍需临床医生判断PVA的类型，进而采取相应的干预。随着异常PVA数据的积累，后续研究将进一步进行某一类别PVA筛查模型的训练。
本研究提供了一种基于semi-CNN算法的PVA识别模型，其识别PVA的准确率和特异度高，识别结果与专家人工标识结果的一致性好，提示Transformer联合semi-CNN算法可用于临床实时PVA监测，辅助临床医生进行PVA的识别与处理。
利益冲突 所有作者均声明不存在利益冲突。
作者贡献声明 周益民：提出研究设计，数据清洗，数据标识，统计分析，论文撰写；宁泽惺：统计分析；罗旭颖，何璇，杨燕琳，陈光强：数据采集，数据标识；李瑞瑞，周建新：总体把关，审定论文。
参考文献
[1]Wittenstein J, Huhle R, Leiderman M, et al. Effect of patient-ventilator asynchrony on lung and diaphragmatic injury in experimental acute respiratory distress syndrome in a porcine model[J]. Br J Anaesth,2021,S0007-0912(21)00717-0.
[2]Blanch L, Villagra A, Sales B, et al. Asynchronies during mechanical ventilation are associated with mortality[J]. Intensive Care Med, 2015, 41(4): 633-641.
[3]de Araújo Sousa M L, Magrans R, Hayashi F K, et al. Predictors of asynchronies during assisted ventilation and its impact on clinical outcomes: the EPISYNC cohort study[J]. J Crit Care, 2020, 57: 30-35.
[4]Beitler J R, Sands S A, Loring S H, et al. Quantifying unintended exposure to high tidal volumes from breath stacking dyssynchrony in ARDS: the BREATHE criteria[J]. Intensive Care Med, 2016, 42(9): 1427-1436.
[5]Gilstrap D, MacIntyre N. Patient-ventilator interactions. Implications for clinical management[J]. Am J Respir Crit Care Med, 2013, 188(9): 1058-1068.
[6]Kyo M, Shimatani T, Hosokawa K, et al. Patient-ventilator asynchrony, impact on clinical outcomes and effectiveness of interventions: a systematic review and meta-analysis[J]. J Intensive Care, 2021, 9(1): 50.
[7]Muhamad Sauki N S, Damanhuri N S, Othman N A, et al. Assessing the asynchrony event based on the ventilation mode for mechanically ventilated patients in ICU[J]. Bioengineering (Basel), 2021, 8(12): 222.
[8]Luo X Y, He X, Zhou Y M, et al. Patient-ventilator asynchrony in acute brain-injured patients: a prospective observational study[J]. Ann Intensive Care, 2020, 10(1): 144.
[9]Pham T, Telias I, Beitler J R. Esophageal manometry[J]. Respir Care, 2020, 65(6): 772-792.
[10]Dres M, Rittayamai N, Brochard L. Monitoring patient-ventilator asynchrony[J]. Curr Opin Crit Care, 2016, 22(3): 246-253.
[11]Nilsestuen J O, Hargett K D. Using ventilator graphics to identify patient-ventilator asynchrony[J]. Respir Care, 2005, 50(2): 202-234.
[12]Ramirez I I, Arellano D H, Adasme R S, et al. Ability of ICU health-care professionals to identify patient-ventilator asynchrony using waveform analysis[J]. Respir Care, 2017, 62(2): 144-149.
[13]刘士远, 萧毅. 基于深度学习的人工智能对医学影像学的挑战和机遇[J]. 中华放射学杂志, 2017, 51(12): 899-901.
[14]王智杰, 高杰, 孟茜茜, 等. 基于深度学习的人工智能技术在早期胃癌诊断中的应用[J]. 中华消化内镜杂志, 2018, 35(8): 551-556.
[15]Bhinder B, Gilvary C, Madhukar N S, et al. Artificial intelligence in cancer research and precision medicine[J]. Cancer Discov, 2021, 11(4): 900-915.
[16]Gutierrez G. Artificial intelligence in the intensive care unit[J]. Crit Care, 2020, 24(1): 101.
[17]Komorowski M, Celi L A, Badawi O, et al. The artificial intelligence clinician learns optimal treatment strategies for sepsis in intensive care[J]. Nat Med, 2018, 24(11): 1716-1720.
[18]Mulqueeny Q, Redmond S J, Tassaux D, et al. Automated detection of asynchrony in patient-ventilator interaction[J]. Annu Int Conf IEEE Eng Med Biol Soc, 2009, 2009: 5324-5327.
[19]Piquilloud L, Jolliet P, Revelly J P. Automated detection of patient-ventilator asynchrony: new tool or new toy?[J]. Crit Care, 2013, 17(6): 1015.
[20]Nguyen Q T, Pastor D, Lellouche F, et al. Mechanical ventilation system monitoring: automatic detection of dynamic hyperinflation and asynchrony[J]. Annu Int Conf IEEE Eng Med Biol Soc, 2013, 2013: 5207-5210.
[21]Gholami B, Phan T S, Haddad W M, et al. Replicating human expertise of mechanical ventilation waveform analysis in detecting patient-ventilator cycling asynchrony using machine learning[J]. Comput Biol Med, 2018, 97: 137-144.
[22]Blanch L, Sales B, Montanya J, et al. Validation of the Better Carei system to detect ineffective efforts during expiration in mechanically ventilated patients: a pilot study[J]. Intensive Care Med, 2012, 38(5): 772-780.
[23]Zhang L W, Mao K D, Duan K L, et al. Detection of patient-ventilator asynchrony from mechanical ventilation waveforms using a two-layer long short-term memory neural network[J]. Comput Biol Med, 2020, 120: 103721.
[24]Pan Q, Zhang L W, Jia M Z, et al. An interpretable 1D convolutional neural network for detecting patient-ventilator asynchrony in mechanical ventilation[J]. Comput Methods Programs Biomed, 2021, 204: 106057.
[25]Sottile P D, Albers D, Higgins C, et al. The association between ventilator dyssynchrony, delivered tidal volume, and sedation using a novel automated ventilator dyssynchrony detection algorithm[J]. Crit Care Med, 2018, 46(2): e151-e157.
[26]Rehm G B, Han J, Kuhn B T, et al. Creation of a robust and generalizable machine learning classifier for patient ventilator asynchrony[J]. Methods Inf Med, 2018, 57(4): 208-219.
[27]孙秀梅, 周建新. 食道压和跨肺压监测[J]. 中华危重病急救医学, 2018, 30(3): 280-283.
[28]李瑞瑞, 吴桐桐, 宁泽惺, 等. 基于深度学习的机械通气患者人机不同步预警方法[C]//2021中国自动化大会论文集. 北京: 中国自动化学会, 2021: 700-705.
[29]Thille A W, Rodriguez P, Cabello B, et al. Patient-ventilator asynchrony during assisted mechanical ventilation[J]. Intensive Care Med, 2006, 32(10): 1515-1522.
[30]MacIntyre N R, McConnell R, Cheng K C, et al. Patient-ventilator flow dyssynchrony: flow-limited versus pressure-limited breaths[J]. Crit Care Med, 1997, 25(10): 1671-1677.
[31]Holanda M A, Vasconcelos R D S, Ferreira J C, et al. Patient-ventilator asynchrony[J]. J Bras Pneumol, 2018, 44(4): 321-333.
（收稿日期：2022-08-08）
编辑：孙超渊
周益民 医学硕士，住院医师，毕业于首都医科大学，现于首都医科大学附属北京天坛医院重症医学科工作。参与国自然课题1项，市局级课题2项，参与发表SCI文章9篇，中文核心文章6篇，参编专著4部。
本推送内容版权归《首都医科大学学报》编辑部和原创作者所有，未经允许不得转载，否则视为侵权；转载或引用本文内容请注明来源及作者；对于不遵守此声明或其他违法使用本文内容者，将依法保留追究权等。
· END ·
《首都医科大学学报》是由北京市教育委员会主管、首都医科大学主办的综合性医药卫生类学术期刊。创刊于1980年，曾名为《北京第二医学院学报》、《首都医学院学报》，1996年改为现名，双月刊。
本刊是中文核心期刊、中国科技论文统计源期刊、中国生物医学核心期刊及中国期刊方阵的"双效"期刊；并被国内外众多检索系统收录。
订阅：
全国各地邮局
邮发代号：
82-56
定价：
全年120元
网址
http://xuebao.ccmu.edu.cn
邮箱
fhuang@ccmu.edu.cn
xuebao@ccmu.edu.cn
xuebaoccmu@ccmu.edu.cn
ydxuebao@ccmu.edu.cn