周益民 寧澤惺 羅旭穎 何 璇 楊燕琳 陳光強(qiáng) 李瑞瑞 周建新,3*

(1.首都醫(yī)科大學(xué)附屬北京天壇醫(yī)院重癥醫(yī)學(xué)科，北京 100070; 2.北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院，北京 100029; 3.神經(jīng)疾病數(shù)字診療北京市工程研究中心,北京 100070)

人機(jī)不同步現(xiàn)象(patient-ventilator asynchrony, PVA)是機(jī)械通氣的常見并發(fā)癥，并且是引起呼吸機(jī)相關(guān)肺損傷(ventilator induced lung injury, VILI)的重要機(jī)制之一，可導(dǎo)致拔管失敗，機(jī)械通氣時間延長，住重癥加強(qiáng)護(hù)理病房(intensive care unit, ICU)時間延長，住院時間延長及病死率增加[1-6]。壓力支持通氣(pressure support ventilation，PSV)模式是人機(jī)同步性較好的模式之一[7-8]，然而，由于缺乏持續(xù)的PVA識別與監(jiān)測工具，使得即使在PSV模式下，PVA的發(fā)生率也可能被低估。

食道壓或膈肌電位監(jiān)測是輔助診斷PVA的有效監(jiān)測手段[9-10]，考慮到操作的有創(chuàng)性和復(fù)雜性，上述方法不可能適用于所有機(jī)械通氣患者，因此，基于呼吸機(jī)波形診斷PVA成為目前臨床較為常用的監(jiān)測PVA的替代方法[11-12]。然而，PVA的診斷仍高度依賴于臨床醫(yī)生的經(jīng)驗(yàn)，在床邊進(jìn)行PVA的篩查和診斷仍然是一項(xiàng)強(qiáng)度大、難度高的工作。

人工智能(artificial intelligence, AI)在疾病診斷、輔助治療決策、異常檢測、疾病預(yù)測等領(lǐng)域的應(yīng)用越來越廣泛[13-17]。在機(jī)械通氣領(lǐng)域，AI可以用于輔助優(yōu)化機(jī)械通氣的治療效果、避免機(jī)械通氣導(dǎo)致的VILI，其中一個較有應(yīng)用前景的方向便是PVA的識別及其嚴(yán)重程度的評估[18-26]。根據(jù)發(fā)生時相的不同，PVA可以分為觸發(fā)異常、吸氣相異常、切換異常和呼氣相異常，AI多被用于診斷某種類型的PVA。例如，Mulqueeny等[18]聚焦于觸發(fā)異常，介紹了一種用于識別雙重觸發(fā)和無效觸發(fā)的AI算法。亦有研究者[21]關(guān)注于切換異常的識別，Rehm等[26]則根據(jù)PVA危害的大小進(jìn)行分類，識別了兩種危害較大的PVA(雙重觸發(fā)和呼吸堆疊)。本研究通過Transformer時間序列預(yù)測模型和半監(jiān)督卷積神經(jīng)網(wǎng)絡(luò)(semi-supervised convolutional neural networks, semi-CNN)異常檢測模型，識別PSV模式下的PVA呼吸。

1 對象與方法

1.1 研究對象

本研究是一個單中心、前瞻性觀察性研究[8]二次分析結(jié)果。原始研究納入了首都醫(yī)科大學(xué)附屬北京天壇醫(yī)院綜合ICU收治的100例接受機(jī)械通氣的急性顱腦損傷(定義為腦外傷、腦卒中和腦腫瘤開顱術(shù)后)患者，采集患者呼吸機(jī)波形及食道壓波形，觀察PVA的發(fā)生情況。本研究選取原始研究中接受PSV輔助通氣的85例患者的呼吸機(jī)波形數(shù)據(jù)進(jìn)行二次分析，研究方案由首都醫(yī)科大學(xué)附屬北京天壇醫(yī)院倫理委員會批準(zhǔn)(審批號KY-2017-08-02)并免除知情同意。本研究旨在識別正常呼吸，篩選PVA。正常呼吸定義為：①吸氣開始，壓力時間波形出現(xiàn)負(fù)向波形；②吸氣相，流速-時間波形上可見流速上升；③當(dāng)流速下降到峰流速的預(yù)設(shè)比例時，開始由吸氣相向呼氣相切換；④呼氣相氣體被動地向肺外流動[11]。專家投票決定某一特定呼吸是否正常，當(dāng)超過3位專家認(rèn)為正常時，該呼吸被標(biāo)記為正常；發(fā)生PVA的單口呼吸，其所屬的PVA類型由專家討論確定。食管壓力監(jiān)測用于輔助專家判斷是否存在PVA。

1.2 數(shù)據(jù)采集、整理及標(biāo)識

所有患者均使用AVEA呼吸機(jī)(美國CareFusion公司)進(jìn)行機(jī)械通氣，并同時進(jìn)行食道壓監(jiān)測(SmartCath-G導(dǎo)管：批號 7003300，美國CareFusion公司)。將食道壓監(jiān)測導(dǎo)管與呼吸機(jī)相連，采用Baydur試驗(yàn)驗(yàn)證食道壓導(dǎo)管位置[27]，呼吸機(jī)波形與食道壓監(jiān)測數(shù)據(jù)由專用采集系統(tǒng)(VOXP Research data Collector 3.2，德國Applied Biosignals公司)收集，采樣頻率為100 Hz，每段記錄時長為15 min。為了避免斷開呼吸機(jī)吸痰、翻身等對呼吸機(jī)波形及食道壓監(jiān)測的影響，記錄開始前進(jìn)行充分吸痰，在記錄過程中避免不必要的翻身、吸痰等護(hù)理操作。所有數(shù)據(jù)采樣定制軟件進(jìn)行離線分析。

研究者對每段記錄進(jìn)行預(yù)覽，選取PVA高發(fā)時段數(shù)據(jù)(每段5 min)進(jìn)行半監(jiān)督學(xué)習(xí)。

1.3 模型的建立與評價

本文采用Transformer的時間序列預(yù)測模型對呼吸波形進(jìn)行轉(zhuǎn)化，將轉(zhuǎn)化后的數(shù)據(jù)輸入semi-CNN模型以檢測PVA的發(fā)生[28]。首先使用標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練，獲得分類器，再使用該分類器對未標(biāo)記數(shù)據(jù)進(jìn)行識別，將預(yù)測結(jié)果添加至訓(xùn)練模型中，重復(fù)上述過程直至模型收斂，再驗(yàn)證集中驗(yàn)證收斂后模型的效能(圖1)?？紤]到模型的通用性，沒有將食道壓力波形作為參數(shù)輸入到模型中，其中Transformer預(yù)測模型由編碼器和解碼器組成,編碼器由輸入層、位置編碼層和4個相同編碼器層堆疊而成；解碼器由輸入層、4個相同的解碼器層和一個輸出層組成。semi-CNN模型包含6個卷積層、2個最大池化層、1個輸出層，將流速及氣道壓數(shù)據(jù)進(jìn)行重采樣后，轉(zhuǎn)換成(20,20,2)的多通道數(shù)據(jù)作為semi-CNN模型的輸入，輸出為正常呼吸和PVA的概率值[28]。

圖1 流程圖

1.4 統(tǒng)計(jì)學(xué)方法

2 結(jié)果

2.1 研究對象的基本特征

來自85例腦損傷患者的呼吸機(jī)波形數(shù)據(jù)被用作模型的訓(xùn)練和驗(yàn)證，專家確定了總共655次單口呼吸(其中562次正常，93次PVA)和234個連續(xù)記錄的數(shù)據(jù)集?；颊吲R床資料詳見表1。

表1 患者臨床特征

2.2 訓(xùn)練集測試結(jié)果

訓(xùn)練集中有正常呼吸513次，異常呼吸69次，訓(xùn)練獲得初始分類器后，對來自234段呼吸記錄的單口呼吸進(jìn)行識別，將分類預(yù)測結(jié)果概率值大于95%的數(shù)據(jù)按正?！卯惓?∶1的方式增加至訓(xùn)練集中，經(jīng)過500次迭代后模型收斂，訓(xùn)練集損失值及測試集準(zhǔn)確率迭代結(jié)果詳見圖2，損失值在訓(xùn)練開始時下降明顯，在訓(xùn)練后期損失值下降不顯著，損失曲線趨于平穩(wěn)，模型預(yù)測效果穩(wěn)定；訓(xùn)練初期，測試集準(zhǔn)確率波動較大，但整體呈上升趨勢，訓(xùn)練后期準(zhǔn)確率不再增加，穩(wěn)定于90%上下，繼續(xù)訓(xùn)練模型性能提高不顯著。

圖2 訓(xùn)練集損失值及測試集準(zhǔn)確率

2.3 測試集模型效果評價

測試集包含正常呼吸48次，異常呼吸24次。在測試集中，Transformer聯(lián)合semi-CNN模型識別PVA的準(zhǔn)確率為0.92(0.83～0.97)，靈敏度0.79(0.58～0.93)，特異度0.98(0.89～1.00)，Kappa系數(shù)0.80 (0.65～0.95)，測試結(jié)果與專家人工標(biāo)識結(jié)果具有高度一致性，具有臨床應(yīng)用價值。結(jié)果詳見表2。

表2 測試集模型效果評價

3 討論

本研究中，筆者提出了一種基于Transformer聯(lián)合semi-CNN的深度學(xué)習(xí)模型識別PSV模式下的PVA，與采用一維或二維卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)或長短期記憶網(wǎng)絡(luò)(long short term memory，LSTM)等深度學(xué)習(xí)方法進(jìn)行PVA的識別的研究類似[23-24]，本研究采用的模型進(jìn)行PVA識別同樣具有較高的準(zhǔn)確率、特異度和陽性預(yù)測率(超過0.90)，也進(jìn)一步驗(yàn)證了在PVA識別領(lǐng)域，深度學(xué)習(xí)模型與傳統(tǒng)的基于規(guī)則的專家系統(tǒng)相比，具有更好的檢測效能。

PSV較容量控制通氣具有更好的舒適性和人機(jī)同步性[29-30]，但由于缺乏持續(xù)監(jiān)測的工具，PSV模式下PVA的發(fā)生率仍可能被低估。在PSV模式下，由于自主呼吸的存在，僅通過呼吸機(jī)波形進(jìn)行PVA的識別存在一定的困難，特別是在切換異常的識別中，因此在本研究中，筆者采用食道壓監(jiān)測數(shù)據(jù)輔助進(jìn)行PVA的人工識別。然而考慮到臨床上，并非所有機(jī)械通氣患者均進(jìn)行食道壓監(jiān)測，為了兼顧模型的實(shí)用性，并沒有將食道壓數(shù)據(jù)作為輸入?yún)?shù)參與模型的構(gòu)建。即使是在缺乏食道壓數(shù)據(jù)的基礎(chǔ)上，深度學(xué)習(xí)模型的表現(xiàn)與專家判讀結(jié)果具有良好的一致性(Kappa系數(shù)0.80)。通過Transformer對流速及氣道壓力數(shù)據(jù)進(jìn)行轉(zhuǎn)換，模型可以發(fā)現(xiàn)呼吸機(jī)波形間細(xì)微的差異，可以在沒有食道壓監(jiān)測輔助的情況下較為準(zhǔn)確地進(jìn)行PVA的人工識別。

早期自動識別PVA的算法主要基于規(guī)則，設(shè)計(jì)精妙的程序被用于識別某一種類型的PVA，如Mulqueeny等[18]及Blanch等[22]提出的識別無效觸發(fā)和雙重觸發(fā)的算法，Nguyen等[20]提出的內(nèi)源性呼吸末正壓的識別。隨著機(jī)器學(xué)習(xí)算法在醫(yī)學(xué)領(lǐng)域應(yīng)用成熟，2018年有學(xué)者[21]報(bào)道了基于機(jī)器學(xué)習(xí)的算法進(jìn)行切換異常的識別，近年來有研究者[23-24]將LSTM,CNN等深度學(xué)習(xí)的方法用于雙重觸發(fā)、呼氣相無效觸發(fā)、提前切換、延遲切換等PVA。雖然本研究也采用了深度學(xué)習(xí)的方法判斷單口呼吸是否發(fā)生PVA, 但與上述研究不同的是，本研究不具體區(qū)分異常呼吸的具體類型，待檢測的呼吸經(jīng)過Transformer轉(zhuǎn)換后輸入semi-CNN模型，與正常呼吸的特征進(jìn)行比較，判斷其存在PVA的概率，對于高PVA概率的呼吸進(jìn)行預(yù)警。在臨床中，患者不同類型的呼吸分布呈偏態(tài)，對于部分罕見的PVA類型如反向觸發(fā)等，帶標(biāo)記的異常數(shù)據(jù)量較小。針對某一類或某幾類PVA進(jìn)行分類器的訓(xùn)練，模型的性能受標(biāo)記數(shù)據(jù)量及數(shù)據(jù)分布的影響，因此本研究將所有PVA合并進(jìn)行分析。Transformer可以同時處理整個序列數(shù)據(jù)，并使用自注意力機(jī)制來學(xué)習(xí)序列中的依賴關(guān)系，此外，針對本研究中標(biāo)識的異常數(shù)據(jù)少，使用傳統(tǒng)CNN模型訓(xùn)練易發(fā)生過擬合，影響準(zhǔn)確率、靈敏度和特異度的情況，本研究通過半監(jiān)督學(xué)習(xí)的辦法，增加訓(xùn)練數(shù)據(jù)量，防止過擬合，提高模型性能。

本研究只在PSV模式下對模型進(jìn)行訓(xùn)練和測試，該模型尚無法在其他機(jī)械通氣模式下進(jìn)行PVA識別。研究[29-31]表明，PVA的發(fā)生與呼吸機(jī)模式有關(guān)，不同的機(jī)械通氣模式直接影響患者與呼吸機(jī)的相互作用。機(jī)械通氣模式是可以從呼吸機(jī)設(shè)置中直接獲取的參數(shù)，在進(jìn)行PVA識別時，合理區(qū)分不同的呼吸機(jī)模式，對模型進(jìn)行調(diào)整，可簡化模型提高訓(xùn)練效率。本研究采用的模型在其他機(jī)械通氣模式下是否具有相似的性能還需要進(jìn)一步研究。本研究僅標(biāo)識了無效觸發(fā)、雙重觸發(fā)、提前切換和延遲切換四種PVA，臨床還存在其他類型的PVA，如反向觸發(fā)、自動觸發(fā)、流速不足等，受限于數(shù)據(jù)采集和人工標(biāo)識的工作量，本課題組沒有足夠多標(biāo)識的異常數(shù)據(jù)，因此本研究通過半監(jiān)督學(xué)習(xí)的方法增加了訓(xùn)練集中PVA的數(shù)據(jù)量，將待測呼吸與正常呼吸進(jìn)行比較，判斷其屬于PVA的概率，從而減輕異常數(shù)據(jù)少對模型訓(xùn)練帶來的影響。此外，本研究只關(guān)注于是否存在PVA，并不能判斷具體PVA的類型，對于模型判斷并進(jìn)行預(yù)警的PVA仍需臨床醫(yī)生判斷PVA的類型，進(jìn)而采取相應(yīng)的干預(yù)。隨著異常PVA數(shù)據(jù)的積累，后續(xù)研究將進(jìn)一步進(jìn)行某一類別PVA篩查模型的訓(xùn)練。

本研究提供了一種基于semi-CNN算法的PVA識別模型，其識別PVA的準(zhǔn)確率和特異度高，識別結(jié)果與專家人工標(biāo)識結(jié)果的一致性好，提示Transformer聯(lián)合semi-CNN算法可用于臨床實(shí)時PVA監(jiān)測，輔助臨床醫(yī)生進(jìn)行PVA的識別與處理。

利益沖突所有作者均聲明不存在利益沖突。

作者貢獻(xiàn)聲明周益民：提出研究設(shè)計(jì)，數(shù)據(jù)清洗，數(shù)據(jù)標(biāo)識，統(tǒng)計(jì)分析，論文撰寫；寧澤惺：統(tǒng)計(jì)分析；羅旭穎，何璇，楊燕琳，陳光強(qiáng)：數(shù)據(jù)采集，數(shù)據(jù)標(biāo)識；李瑞瑞，周建新：總體把關(guān)，審定論文。