AI驱动的实时监测：让机械通气中的呼吸努力与人机同步性可视化

亮点

• 开发了一种人工智能（Artificial Intelligence, AI）算法，可在压力支持通气期间连续、无创地估测吸气肌压力（Pmus）。
• AI估测的Pmus（Pmus,AI）与金标准食管测压（Pmus,es）高度一致，且其准确性可与传统阻断操作相媲美。
• 该AI算法能够以较高的敏感度和特异度有效识别患者-呼吸机不同步，包括无效触发、自触发和反向触发。
• 该方法可在无需侵入性器械置入或中断通气的情况下，实现对患者呼吸努力及呼吸机同步性的实时监测。

研究背景

机械通气仍是呼吸衰竭危重患者生命支持的基石。优化通气管理需要评估患者的吸气肌努力（以Pmus量化），以平衡呼吸机支持并预防膈肌损伤或肌肉过度使用。当前用于测量Pmus的方法，如食管测压，具有侵入性且技术要求较高；其他方法则依赖于阻断操作，不仅会中断通气，而且仅能提供间断性数据。

患者-呼吸机不同步是常见且常被低估的并发症，可通过增加呼吸功、延长机械通气时间并引起不适而加重临床结局。因而，持续监测以识别不同步并量化呼吸肌负荷，仍是尚未满足的临床需求。

本研究旨在利用基于AI的算法，建立一种实时、无创且准确的方法，在机械通气过程中估测Pmus并自动识别不同步事件。

研究设计

这项前瞻性诊断准确性研究在巴西圣保罗大学附属的两所重症监护病房（intensive care units, ICUs）开展。研究对象为48例因呼吸衰竭接受压力支持通气的成年患者。

研究未实施任何超出标准治疗的干预。主要比较为AI算法估测的Pmus（Pmus,AI）与通过食管测压获得的金标准侵入性测量值（Pmus,es）。此外，还将Pmus,AI与由阻断操作推导的数值进行比较，包括压力肌指数和阻断压力（Pocc）。

该AI算法还可自动检测特定的患者-呼吸机不同步事件——无效努力、自触发和反向触发——并与专家判读结果这一参考标准进行比较。

研究终点包括准确性指标（偏倚、一致性限）、用于检测Pmus极值和动态驱动压的受试者工作特征（receiver operating characteristic, ROC）曲线分析，以及不同步检测的敏感度/特异度。

主要发现

共分析了48例患者的4918个呼吸周期。Pmus,es范围为1.0至28.4 cm H2O，覆盖了具有临床意义的吸气努力谱。

AI算法估测Pmus的平均偏倚为0.9 cm H2O，95%一致性限为-5.1至6.9 cm H2O，表明其与侵入性食管测压具有良好一致性。该算法成功识别了Pmus的高、低极值以及动态驱动压的变化，受试者工作特征曲线下面积（area under the ROC curve, AUC）均大于0.8，提示其具有较强的判别能力。

与基于间歇性阻断的方法相比，该算法准确性相当，凸显了AI替代或补充传统技术的潜力。

在患者-呼吸机不同步检测方面，与专家评定者相比，AI系统识别无效努力、自触发和反向触发事件的敏感度为86.5%，特异度为77.4%。

上述结果提示，该AI算法可在机械通气期间连续、无创地监测呼吸肌努力，并自动识别具有临床意义的不同步事件，而无需侵入性传感器或会中断通气的操作。

专家评述

本研究利用AI克服了现有方法的局限性，代表了危重症呼吸监测领域的重要进展。食管测压虽为金标准，但具有侵入性，且临床上并非常规实施；间歇性阻断操作会干扰通气，并且仅能提供“快照”式数据。本文所述AI方法可实现对患者努力和呼吸机协调性的连续实时追踪，从而支持及时的临床干预。

报道的性能指标令人鼓舞，但一致性限周围仍存在一定变异，提示后续仍有优化空间。重要的是，该算法能够检测多种类型不同步，有助于临床医生个体化调整呼吸机设置，以改善患者舒适度和临床结局。

其局限性包括单中心设计以及研究对象仅限于压力支持通气患者，这可能影响其在更广泛通气模式或患者人群中的推广性。未来开展多中心验证，并与临床决策支持系统整合，或可进一步加速其临床应用。

该AI方法与当前推动机械通气个体化的趋势高度一致，即基于连续患者监测动态调整支持，而非依赖间歇性评估。

结论

这一新型AI算法为机械通气期间吸气肌压力估测及患者-呼吸机不同步检测提供了一种有前景的无创、连续且准确的方法。其表现可与侵入性食管测压及间歇性阻断操作相媲美，具有重塑危重患者呼吸监测模式的潜力。若能推广应用，或可优化呼吸机管理，减少不同步相关并发症，并促进肺保护与膈肌保护策略的实施。

仍需进一步研究，以在不同临床场景中验证这些发现，并评估其对患者中心结局的影响，如机械通气时长、ICU住院时间及生存率。

资助与ClinicalTrials.gov

本研究获得圣保罗大学机构资助支持。未报告具体临床试验注册号。

参考文献

1. Plens GM, Morais CCA, Gregol T, et al. Artificial Intelligence Algorithm to Monitor Inspiratory Muscle Effort and Patient-Ventilator Dyssynchrony During Mechanical Ventilation. Crit Care Med. 2026;54(7):1585-1596. doi:10.1097/CCM.0000000000005974

2. Goligher EC, Jonkman AH, Dianti J, et al. The Lung and Diaphragm-Protective Ventilation. Ann Am Thorac Soc. 2021;18(3):525-533. doi:10.1513/AnnalsATS.202006-707CME

3. Yoshida T, Roldan R, Lima CAS, et al. High Respiratory Drive and Excessive Inspiratory Efforts Predict Risk of Patient Self-Inflicted Lung Injury. Am J Respir Crit Care Med. 2022;205(3):292-301. doi:10.1164/rccm.202012-4359OC

4. Blanch L, Villagra A, Sales B, Montanya J, Lucangelo U, Luján M, Cugat E, Benito S, Izquierdo J. Asynchronies during assisted mechanical ventilation are associated with mortality. Intensive Care Med. 2015;41(4):633-641. doi:10.1007/s00134-015-3705-7

5. Thille AW, Rodriguez P, Cabello B, Lellouche F, Brochard L. Patient-ventilator asynchrony during assisted mechanical ventilation. Intensive Care Med. 2006;32(10):1515-1522. doi:10.1007/s00134-006-0314-0