利用机器学习使呼吸机支持对儿童来说更安全

需要呼吸机支持的危重儿童可能会遇到呼吸努力与呼吸机提供的节律不匹配的情况。这种不匹配称为患者与呼吸机异步 (PVA)，很难检测到，并且可能会恶化患者的治疗结果。PVA 通常会导致成人使用呼吸机的时间较长，并可能增加感染、肺损伤和脑损伤的风险。然而，人们对 PVA 在儿童中的情况知之甚少，在儿童中，它可能同样常见，甚至更常见。Robinder Khemani，医学博士，MsCI，洛杉矶儿童医院儿科重症监护主治医师，正在利用机器学习来改善使用呼吸机的儿童的治疗效果。

由 Khemani 博士领导的 CHLA 研究小组获得了国立卫生研究院 340 万美元的资助，用于研究危重儿童中常见类型 PVA 的频率和风险因素。研究人员将与加拿大和荷兰的医院合作，调查 PVA 是否与不良临床结果独立相关，并确定当呼吸与呼吸机提供的气流不匹配时对身体的影响。

当感染或创伤导致肺部肿胀、炎症和液体积聚时，儿童可能因多种原因需要呼吸机支持，包括严重肺炎或急性呼吸窘迫综合征 (ARDS)。身体对最初损伤的反应对肺部的伤害甚至超过感染或创伤本身。

“许多病重的患者可能会因为我们用来帮助​​他们的手术而出现意想不到的并发症，”Khemani 博士说。呼吸机引起的肺损伤可能导致心脏和肾脏损伤，或者可能增加未来患肺病、哮喘或睡眠呼吸障碍的风险。

“患者为帮助他们耐受呼吸机而接受的所有药物、麻醉剂和镇静剂也会损害大脑功能，”Khemani 博士说。“我们权衡风险和收益，以最大程度地减少潜在危害，并希望他们在准备好后立即摆脱呼吸机。”

测量患者与呼吸机不匹配

“PVA 有多种类型，但我们仍然不知道哪种 PVA 亚型危害最大或最常见，”Khemani 博士说。“我们需要制定一套通用的定义和测量方法，特别是对于儿科患者。”

患者呼吸与呼吸机提供的节律之间的不匹配可能会以不同的方式发生，因为儿童的呼吸会根据体重、体型和年龄而变化。在儿童入住儿科重症监护病房期间，呼吸模式也会发生变化。但现有研究对 PVA 亚型使用不同的定义，并且迄今为止还没有足够大的研究来评估不同类型的 PVA 与患者结果之间的关系，或者尚未关注最高风险的患者。

自动化呼吸机-患者呼吸

“需要训练有素的人才能识别 PVA，”Khemani 博士说。“但是计算机可以很好地做到这一点。我们在 CHLA虚拟儿科重症监护室 (vPICU)的同事已经与我们在这个项目上合作了几年，并开发了机器学习算法，可以识别使用呼吸机的儿童不同类型的呼吸异步。”

研究小组将收集 200 名儿童的测量数据，并将这些数据与其他研究中对 350 名儿童的分析相结合，其中包括测试新型呼吸机策略的临床试验。“到这个项目结束时，我们希望开发出这些算法，并使用来自许多不同儿童的数据验证它们在三个不同的医院是否有效，”Khemani 博士说。“同时，我们将构建一个工具，通过机器学习算法分析呼吸机数据来自动检测 PVA。我们将测试该工具如何帮助提供者识别患者每分钟的变化，并可能提醒床边团队可能需要调整呼吸机。”

为了最大限度地降低呼吸机支持的风险，医疗团队希望尽可能让患者参与自己的呼吸。“这就是这项研究真正发挥作用的地方，通过不断跟踪孩子和呼吸机之间的互动，询问呼吸机是否在需要时提供适量的帮助，”Khemani 博士说。