呼吸機參數的設置與調節,需要依靠大量臨床數據和豐富的經驗。本文針對由于臨床患者狀態時變性、突變性而導致呼吸機參數決策困難的問題進行了探討,依據模糊控制規則和神經網絡,提出一種基于專家知識的呼吸機參數設置與無級自適應調節策略。本文依據該方法和臨床患者實時生理狀態,生成了具有連續性與平滑性的機械通氣決策解集,自動地向醫護人員提供明確的參數調節建議。該方法解決了呼吸機有級調節控制精度低、動態品質差等問題,可以更合理地處理多輸入的控制決策問題,并提高了患者的通氣舒適性。
引用本文: 王永言, 馬嵩華, 胡天亮, 馬德東, 連憲輝, 王帥, 張繼國. 基于專家知識的呼吸機參數設置與無級自適應調節策略. 生物醫學工程學雜志, 2023, 40(5): 945-952. doi: 10.7507/1001-5515.202209015 復制
0 引言
針對患者因通氣、換氣功能障礙而引起的呼吸衰竭,利用呼吸機實現機械通氣是最廣泛使用的治療方法之一[1]。不適當的呼吸機參數設置會延長通氣時間,導致患者死亡率增加,因此呼吸機參數的選擇是影響治療效果的關鍵因素。由于呼吸機的設置與調節較為復雜,醫護人員需要具備相當豐富的專家知識[2]。臨床醫生需要根據患者當前的生理狀態,兼顧患者的通氣舒適性,及時做出控制決策以調整呼吸機參數。他們還需要清楚了解呼吸機的特性以及患者基礎疾病的進展情況和治療預期[3],而且當患者的生理狀況隨著病程發生變化時,醫護人員需要實時調整通氣策略[4]。因此,對于未經過長期培訓的醫護人員,呼吸機參數設置與調節是一項復雜而艱巨的任務。
近年來,為解決上述問題,呼吸機參數控制決策系統陸續被開發出來[5-9],最先是一些基于機械通氣規則的系統被提出并應用于臨床試驗[8-9]。2011年Mahmud等[10]提出了基于本體論的針對呼吸機撤機的決策系統;次年,Hatko等[11]應用圖形指南語言,以流程圖為導向表示機械通氣相關醫學知識;2017年,Hernández-Torruco等[12]應用三個基于規則的分類器來構建格林-巴利綜合征并發癥的診斷模型;2021年,Battaglini等[13]總結機械通氣治療經驗,抽取出針對急性呼吸窘迫綜合征患者個性化機械通氣的10條規則。這些基于規則的決策系統通常面向特定疾病[14-15],或僅支持某些特定的通氣模式[2, 16]。與此同時,一些基于生理模型的決策支持系統也被陸續提出[17],目的是通過模擬患者的真實生理狀態,指導醫護人員對呼吸機進行參數設置與調節[6-7]。如肺參數自動估算系統[18-20]和呼吸機設置決策系統[7, 21-23]等系統就是以雙肺氣體交換模型為基礎,通過監測患者的呼吸參數,結合患者的其他生理參數,實時分析患者肺部狀態和氣體交換情況,進而指導醫護人員調節呼吸機參數。然而,基于生理模型的決策支持系統需要借助眾多生理參數,其中許多參數不易獲取,導致實際決策結果存在偏差。
雖然目前已經提出了多種方法來輔助優化決策呼吸機參數的設置與調節,如基于臨床的機械通氣指南[24-26]和上述決策支持系統,但由于患者臨床狀態的時變性、突變性,使得呼吸機參數控制決策系統距離臨床應用還有很長的距離[27]。而且根據臨床經驗,像潮氣量等某些參數,其臨床設置值往往高于指南建議值[28-29],為決策知識基準的建立也帶來了難度。因此,呼吸機參數控制決策系統的建立,需要依靠大量臨床數據和豐富的經驗[21]。本文提出一種基于專家知識的呼吸機參數設置與無級自適應調節策略,根據患者實時變化的生理狀態,自動地向醫護人員提供明確的參數調節建議,提高患者機械通氣的安全性與舒適性,同時顯著減少操作培訓時間。
1 系統總體設計
呼吸機參數控制決策系統通過實時監測患者生理狀態數據和呼吸機運行參數,借助血氣分析結果和診斷專家知識,做出呼吸機參數調節指導性建議。如圖1所示,醫護人員可以通過人機交互界面查看、檢索呼吸機參數的推薦設置與調節值;同時,決策系統與呼吸機控制系統可以直接相連,直接控制呼吸機進行參數調節。在呼吸機參數控制決策系統中,呼吸機臨床應用指南和使用規則被整理成機械通氣規則專家知識庫;借助模糊控制規則和神經網絡解釋專家知識庫,即呼吸機操作知識被訓練成可滿足不同通氣場景的呼吸機參數調節關系曲線;再匯總關系曲線形成機械通氣決策解集,從而使專家知識轉化為計算機可理解、可處理的呼吸機參數推薦值。

2 關鍵技術與方法
2.1 專家知識庫構造
專家知識庫是參數控制決策的基礎,是呼吸機操作規則的集合。如圖2所示,專家知識庫分為機械通氣設置、目標和規則三部分。機械通氣設置知識定義了呼吸機通氣模式和初始參數,負責根據患者病情為患者選擇合理的呼吸機通氣模式和初始參數。機械通氣目標知識定義了通氣各項目標,能夠根據患者的生理狀態判斷機械通氣治療的有效性,即依據氧合、通氣、酸堿平衡這三類參數是否處于正常閾值,判斷患者的生理狀態是否正常。機械通氣規則知識定義了參數調節規則,用于指導呼吸機參數調節,規則會根據患者生理狀態的變化而變化,對呼吸機參數的調節順序和數值給出指導建議。專家知識庫的參數應包含所有與患者治療相關的呼吸機參數以及與患者呼吸功能相關的生理狀態參數,受限于當前技術水平以及專家知識經驗儲備量,應根據專家知識的增加而擴充。

2.2 專家知識模糊化
模糊系統訓練專家知識庫,運用模糊邏輯將專家知識轉化為計算機可理解、可操作的呼吸機控制參數和數值。本文的模糊控制規則基于呼吸機壓力支持和容量支持兩類通氣模式,設定了10個輸入參數和7個輸出參數。10個輸入參數分別是血氧飽和度(oxygen saturation,SaO2)、吸入氧濃度(fraction of inspiration oxygen,FiO2)、呼氣終末正壓(positive end expiration pressure,PEEP)、動脈血二氧化碳分壓(partial pressure of carbon dioxide in artery,PaCO2)、動脈酸堿值(potential of hydrogen,pH)、吸氣峰壓(peak inspiratory pressure,PIP)、潮氣量(tidal volume,VT)、呼吸頻率(respiratory rate,RR)、吸呼比(inspiratory to expiratory ratio,I∶E)和呼氣末二氧化碳分壓(partial pressure of carbon dioxide in endexpiratory gas,PetCO2)的測量值,7個輸出參數分別是分鐘通氣量(minute ventilation,MV)、吸入氣體壓力(inspiratory pressure,Pinsp)以及FiO2、PEEP、VT、RR、I∶E的調節值FiO2’、PEEP’、VT’、RR’、I∶E’,如表1所示。每一個輸出參數都由相應的幾個輸入參數來控制,均對應決策支持系統中的一個子系統,且每一個子系統都有單獨的控制規則。

模糊規則用于描述專家知識并引入參數變量和值的概念,參數變量分為輸入、輸出變量。參數變量具有多個值,每個值對應一個隸屬函數。模糊分割的個數即值的個數,模糊分割的個數決定了模糊規則的個數。如圖3、圖4所示,本文采用三角形隸屬函數(triangle membership function,trimf)和梯形隸屬函數(trapezoidal membership function,trapmf)兩種隸屬度函數,將輸入、輸出劃分為區間結構,每個區間都有相對應的模糊參數值。本文采用一種傳統的模糊參數值表示方式,區間包括負大二級(negative big level 2,NB2)、負大一級(negative big level 1,NB1)、負大(negative big,NB)、負中(negative medium,NM)、負小(negative small,NS)、零(zero,ZE)、正小(positive small,PS)、正中(positive medium,PM)、正大(positive big,PB)、正大一級(positive big level 1,PB1)、正大二級(positive big level 2,PB2)、最大(maximum,MAX),如圖4所示。trimf為形狀由參數a、b、c確定的三角形曲線,如式(1)所示:


![]() |
其中,a和c確定三角形的底邊兩端點位置,對應圖3、圖4中輸入和輸出參數取值范圍的兩端點數值,參數b確定三角形的頂點位置,對應當圖3、圖4中輸入和輸出參數的隸屬度函數數值為1時參數的取值。trapmf為形狀由參數a、b、c、d確定的梯形曲線,如式(2)所示:
![]() |
其中,a和d確定梯形下底邊兩端點位置,對應圖3、圖4中輸入和輸出參數取值范圍的兩端點數值,而b和c確定梯形上底邊兩端點位置,對應圖3、圖4中輸入和輸出參數的隸屬度函數數值為1時參數的取值。
通常模糊規則的形式是“IF前件THEN后件”。以輸入參數FiO2、SaO2對應輸出參數FiO2’為例,具體的模糊規則如表2所示。表2中偏高、正常等詞代表了圖3輸入參數各個模糊集合對應的模糊參數值,圖4中ZE、NS等詞代表了輸出參數各個模糊集合對應的模糊參數值。以表2排序第一的組合為例,模糊規則的具體描述可以表示為:如果SaO2為偏高,FiO2為偏低,則FiO2’為零。

在建立好模糊參數變量及其隸屬度值并構造完成模糊規則之后,可執行模糊推理計算。本文采用Mamdani模糊推理算法,通過模糊推理得到模糊輸出值,隨后采用加權平均法將模糊輸出集合去模糊化,轉化為精確量化的呼吸機參數調節值。本文模糊邏輯規則的制定基于MATLAB中的模糊推理規則編輯器完成,規則制定完成后可生成系統的輸入與輸出參數關系曲面圖,如圖5所示。

2.3 參數調節關系曲線擬合
由圖5可以看出,機械通氣規則模糊化后并不會得到平滑的輸入輸出關系曲線。為滿足呼吸機參數無級調節的需求,需要借助神經網絡訓練模糊控制規則,使控制規則得到進一步的優化。如圖6所示,首先基于上述模糊控制規則搭建模糊控制決策系統,依據模擬的不同患者生理狀態,生成大量生理狀態參數,輸入控制決策系統中,系統接收到參數后計算出呼吸機對應的參數調節值。將系統的輸入、輸出參數對應組合存儲到仿真通氣數據庫,上述模糊規則以數據的形式體現。隨后將數據庫作為樣本數據集輸入至搭建好的神經網絡進行訓練,訓練后的神經網絡用于擬合獲得參數調節關系曲線,所有曲線組合為機械通氣決策解集。利用參數調節關系曲線,可以通過輸入生理監測參數,獲得呼吸機控制參數調節值。

以輸出參數Pinsp為例,Pinsp輸出值由三個輸入參數VT、RR、PetCO2控制。先將其中兩個輸入參數按照其不同值組合成為解集點,參照圖3將RR范圍定義為0~26 次/min,VT范圍為7~16 mL/kg,獲得270個解集點,參數VT和RR組合的解集點如圖7a所示。再擬合PetCO2與Pinsp的參數調節關系曲線,如圖7b所示為RR=15次/min、VT=12 mL/kg時PetCO2與Pinsp參數調節關系曲線。向訓練好的神經網絡依次輸入270組數據,每組都包含PetCO2與Pinsp的參數調節關系曲線。這樣可以面向三個獨立參數進行控制,有效避免了患者生理狀況較為復雜時的控制決策困難,做到即使患者出現細微生理狀態差異,也存在對應的不同的呼吸機參數調節結果。

a. VT和RR組合解集點;b. PetCO2與Pinsp參數調節關系曲線
Figure7. Parametric modulation curves between VT, RR, PetCO2 and Pinspa. solution points of VT and RR combinations; b. parametric modulation curves between PetCO2 and Pinsp
3 結果與討論
通過對比圖5與圖7b可以看出,圖5曲面圖實質為離散點的集合,而經過神經網絡訓練后的模糊控制規則可以擬合出如圖7b所示的平滑連續曲線,呼吸機依據該參數調節關系曲線可實現無級控制調節。為了更好地討論平滑參數調節關系曲線的作用,以輸入FiO2、SaO2控制輸出FiO2’為例,將模糊控制規則和參數調節關系曲線結合臨床數據進行驗證。為此,本文選取了課題合作醫院ICU中進行機械通氣治療的42位患者數據,該42位患者分別患有慢性阻塞性肺病、睡眠呼吸暫停綜合征、支氣管哮喘等各種呼吸系統疾病,符合本文為不同患者提供呼吸機參數設置與調節策略的宗旨。該42位患者在ICU中接受了超過48 h的機械通氣治療并脫離危險期,并在治療過程中多次接受FiO2、SaO2采集。該實驗結果中得到的FiO2’建議值如圖8所示,經呼吸科醫生判定后認為符合臨床治療規范。本文采用SPSS24.0軟件分析數據,對該配對樣本模糊建議值和曲線建議值的差值進行正態性檢驗,P<0.05,因此采用非參數檢驗進行驗證。Wilcoxon Signed Ranks Test的結果Z值為–2.469,漸進法計算的P值為0.014,二者差值有統計學意義,即曲線建議值和模糊建議值不同。通過兩者的對比,發現參數調節關系曲線相比于單純應用模糊控制規則,對于FiO2’的單次調節幅度更小,更接近于無級調節。特別是對于編號為21號的患者,42例受試者中唯一一例模糊建議值與曲線建議值調整方向相反的情況,當時患者血氧飽和度為94.2%,模糊建議值為降低吸入氧濃度,曲線建議值為增加吸入氧濃度,實際對患者采取增加吸入氧濃度的方式使其血氧飽和度提高至正常值98%,在調節幅度很小的情況下,曲線建議值對于正向調節還是負向調節的把控更為精準,給出了更為合理的建議。

4 結論
本文介紹了一種基于專家知識的呼吸機參數設置與無級自適應調節策略,旨在通過模糊系統對專家知識庫中的呼吸機參數設置與調節規則進行提取和數值化,獲得可以應用于不同通氣場景的機械通氣決策解集。該解集可以不斷根據患者的生理狀態變化,自動為呼吸機參數設置與調節提供建議。為進一步提高患者的通氣舒適性,借助神經網絡對模糊控制規則進行了訓練與細化,通過神經網絡訓練建立呼吸機參數調節關系曲線,可以有效支持呼吸機無級調節,解決呼吸機有級調節控制精度低、動態品質差、通氣舒適性不高等問題。經過驗證,融合模糊規則與神經網絡的呼吸機參數調節關系曲線,能夠把控細節,更合理地處理多輸入的控制決策問題。目前,本文提出的僅是一種臨床治療策略,患者的主觀治療感受與真實生理狀態變化是衡量該策略有效性與實用性的重要標準。因此,日后將結合臨床試驗,對該策略進行進一步的驗證與改善。
重要聲明
利益沖突說明:本文全體作者均聲明不存在利益沖突。
作者貢獻聲明:王永言為論文主要撰寫人,完成論文的構思和稿件的寫作;連憲輝、王帥、張繼國參與數據收集、圖表繪制和論文修改;馬嵩華、胡天亮參與論文的設計、核改與指導;馬德東參與論文的指導與審校。
0 引言
針對患者因通氣、換氣功能障礙而引起的呼吸衰竭,利用呼吸機實現機械通氣是最廣泛使用的治療方法之一[1]。不適當的呼吸機參數設置會延長通氣時間,導致患者死亡率增加,因此呼吸機參數的選擇是影響治療效果的關鍵因素。由于呼吸機的設置與調節較為復雜,醫護人員需要具備相當豐富的專家知識[2]。臨床醫生需要根據患者當前的生理狀態,兼顧患者的通氣舒適性,及時做出控制決策以調整呼吸機參數。他們還需要清楚了解呼吸機的特性以及患者基礎疾病的進展情況和治療預期[3],而且當患者的生理狀況隨著病程發生變化時,醫護人員需要實時調整通氣策略[4]。因此,對于未經過長期培訓的醫護人員,呼吸機參數設置與調節是一項復雜而艱巨的任務。
近年來,為解決上述問題,呼吸機參數控制決策系統陸續被開發出來[5-9],最先是一些基于機械通氣規則的系統被提出并應用于臨床試驗[8-9]。2011年Mahmud等[10]提出了基于本體論的針對呼吸機撤機的決策系統;次年,Hatko等[11]應用圖形指南語言,以流程圖為導向表示機械通氣相關醫學知識;2017年,Hernández-Torruco等[12]應用三個基于規則的分類器來構建格林-巴利綜合征并發癥的診斷模型;2021年,Battaglini等[13]總結機械通氣治療經驗,抽取出針對急性呼吸窘迫綜合征患者個性化機械通氣的10條規則。這些基于規則的決策系統通常面向特定疾病[14-15],或僅支持某些特定的通氣模式[2, 16]。與此同時,一些基于生理模型的決策支持系統也被陸續提出[17],目的是通過模擬患者的真實生理狀態,指導醫護人員對呼吸機進行參數設置與調節[6-7]。如肺參數自動估算系統[18-20]和呼吸機設置決策系統[7, 21-23]等系統就是以雙肺氣體交換模型為基礎,通過監測患者的呼吸參數,結合患者的其他生理參數,實時分析患者肺部狀態和氣體交換情況,進而指導醫護人員調節呼吸機參數。然而,基于生理模型的決策支持系統需要借助眾多生理參數,其中許多參數不易獲取,導致實際決策結果存在偏差。
雖然目前已經提出了多種方法來輔助優化決策呼吸機參數的設置與調節,如基于臨床的機械通氣指南[24-26]和上述決策支持系統,但由于患者臨床狀態的時變性、突變性,使得呼吸機參數控制決策系統距離臨床應用還有很長的距離[27]。而且根據臨床經驗,像潮氣量等某些參數,其臨床設置值往往高于指南建議值[28-29],為決策知識基準的建立也帶來了難度。因此,呼吸機參數控制決策系統的建立,需要依靠大量臨床數據和豐富的經驗[21]。本文提出一種基于專家知識的呼吸機參數設置與無級自適應調節策略,根據患者實時變化的生理狀態,自動地向醫護人員提供明確的參數調節建議,提高患者機械通氣的安全性與舒適性,同時顯著減少操作培訓時間。
1 系統總體設計
呼吸機參數控制決策系統通過實時監測患者生理狀態數據和呼吸機運行參數,借助血氣分析結果和診斷專家知識,做出呼吸機參數調節指導性建議。如圖1所示,醫護人員可以通過人機交互界面查看、檢索呼吸機參數的推薦設置與調節值;同時,決策系統與呼吸機控制系統可以直接相連,直接控制呼吸機進行參數調節。在呼吸機參數控制決策系統中,呼吸機臨床應用指南和使用規則被整理成機械通氣規則專家知識庫;借助模糊控制規則和神經網絡解釋專家知識庫,即呼吸機操作知識被訓練成可滿足不同通氣場景的呼吸機參數調節關系曲線;再匯總關系曲線形成機械通氣決策解集,從而使專家知識轉化為計算機可理解、可處理的呼吸機參數推薦值。

2 關鍵技術與方法
2.1 專家知識庫構造
專家知識庫是參數控制決策的基礎,是呼吸機操作規則的集合。如圖2所示,專家知識庫分為機械通氣設置、目標和規則三部分。機械通氣設置知識定義了呼吸機通氣模式和初始參數,負責根據患者病情為患者選擇合理的呼吸機通氣模式和初始參數。機械通氣目標知識定義了通氣各項目標,能夠根據患者的生理狀態判斷機械通氣治療的有效性,即依據氧合、通氣、酸堿平衡這三類參數是否處于正常閾值,判斷患者的生理狀態是否正常。機械通氣規則知識定義了參數調節規則,用于指導呼吸機參數調節,規則會根據患者生理狀態的變化而變化,對呼吸機參數的調節順序和數值給出指導建議。專家知識庫的參數應包含所有與患者治療相關的呼吸機參數以及與患者呼吸功能相關的生理狀態參數,受限于當前技術水平以及專家知識經驗儲備量,應根據專家知識的增加而擴充。

2.2 專家知識模糊化
模糊系統訓練專家知識庫,運用模糊邏輯將專家知識轉化為計算機可理解、可操作的呼吸機控制參數和數值。本文的模糊控制規則基于呼吸機壓力支持和容量支持兩類通氣模式,設定了10個輸入參數和7個輸出參數。10個輸入參數分別是血氧飽和度(oxygen saturation,SaO2)、吸入氧濃度(fraction of inspiration oxygen,FiO2)、呼氣終末正壓(positive end expiration pressure,PEEP)、動脈血二氧化碳分壓(partial pressure of carbon dioxide in artery,PaCO2)、動脈酸堿值(potential of hydrogen,pH)、吸氣峰壓(peak inspiratory pressure,PIP)、潮氣量(tidal volume,VT)、呼吸頻率(respiratory rate,RR)、吸呼比(inspiratory to expiratory ratio,I∶E)和呼氣末二氧化碳分壓(partial pressure of carbon dioxide in endexpiratory gas,PetCO2)的測量值,7個輸出參數分別是分鐘通氣量(minute ventilation,MV)、吸入氣體壓力(inspiratory pressure,Pinsp)以及FiO2、PEEP、VT、RR、I∶E的調節值FiO2’、PEEP’、VT’、RR’、I∶E’,如表1所示。每一個輸出參數都由相應的幾個輸入參數來控制,均對應決策支持系統中的一個子系統,且每一個子系統都有單獨的控制規則。

模糊規則用于描述專家知識并引入參數變量和值的概念,參數變量分為輸入、輸出變量。參數變量具有多個值,每個值對應一個隸屬函數。模糊分割的個數即值的個數,模糊分割的個數決定了模糊規則的個數。如圖3、圖4所示,本文采用三角形隸屬函數(triangle membership function,trimf)和梯形隸屬函數(trapezoidal membership function,trapmf)兩種隸屬度函數,將輸入、輸出劃分為區間結構,每個區間都有相對應的模糊參數值。本文采用一種傳統的模糊參數值表示方式,區間包括負大二級(negative big level 2,NB2)、負大一級(negative big level 1,NB1)、負大(negative big,NB)、負中(negative medium,NM)、負小(negative small,NS)、零(zero,ZE)、正小(positive small,PS)、正中(positive medium,PM)、正大(positive big,PB)、正大一級(positive big level 1,PB1)、正大二級(positive big level 2,PB2)、最大(maximum,MAX),如圖4所示。trimf為形狀由參數a、b、c確定的三角形曲線,如式(1)所示:


![]() |
其中,a和c確定三角形的底邊兩端點位置,對應圖3、圖4中輸入和輸出參數取值范圍的兩端點數值,參數b確定三角形的頂點位置,對應當圖3、圖4中輸入和輸出參數的隸屬度函數數值為1時參數的取值。trapmf為形狀由參數a、b、c、d確定的梯形曲線,如式(2)所示:
![]() |
其中,a和d確定梯形下底邊兩端點位置,對應圖3、圖4中輸入和輸出參數取值范圍的兩端點數值,而b和c確定梯形上底邊兩端點位置,對應圖3、圖4中輸入和輸出參數的隸屬度函數數值為1時參數的取值。
通常模糊規則的形式是“IF前件THEN后件”。以輸入參數FiO2、SaO2對應輸出參數FiO2’為例,具體的模糊規則如表2所示。表2中偏高、正常等詞代表了圖3輸入參數各個模糊集合對應的模糊參數值,圖4中ZE、NS等詞代表了輸出參數各個模糊集合對應的模糊參數值。以表2排序第一的組合為例,模糊規則的具體描述可以表示為:如果SaO2為偏高,FiO2為偏低,則FiO2’為零。

在建立好模糊參數變量及其隸屬度值并構造完成模糊規則之后,可執行模糊推理計算。本文采用Mamdani模糊推理算法,通過模糊推理得到模糊輸出值,隨后采用加權平均法將模糊輸出集合去模糊化,轉化為精確量化的呼吸機參數調節值。本文模糊邏輯規則的制定基于MATLAB中的模糊推理規則編輯器完成,規則制定完成后可生成系統的輸入與輸出參數關系曲面圖,如圖5所示。

2.3 參數調節關系曲線擬合
由圖5可以看出,機械通氣規則模糊化后并不會得到平滑的輸入輸出關系曲線。為滿足呼吸機參數無級調節的需求,需要借助神經網絡訓練模糊控制規則,使控制規則得到進一步的優化。如圖6所示,首先基于上述模糊控制規則搭建模糊控制決策系統,依據模擬的不同患者生理狀態,生成大量生理狀態參數,輸入控制決策系統中,系統接收到參數后計算出呼吸機對應的參數調節值。將系統的輸入、輸出參數對應組合存儲到仿真通氣數據庫,上述模糊規則以數據的形式體現。隨后將數據庫作為樣本數據集輸入至搭建好的神經網絡進行訓練,訓練后的神經網絡用于擬合獲得參數調節關系曲線,所有曲線組合為機械通氣決策解集。利用參數調節關系曲線,可以通過輸入生理監測參數,獲得呼吸機控制參數調節值。

以輸出參數Pinsp為例,Pinsp輸出值由三個輸入參數VT、RR、PetCO2控制。先將其中兩個輸入參數按照其不同值組合成為解集點,參照圖3將RR范圍定義為0~26 次/min,VT范圍為7~16 mL/kg,獲得270個解集點,參數VT和RR組合的解集點如圖7a所示。再擬合PetCO2與Pinsp的參數調節關系曲線,如圖7b所示為RR=15次/min、VT=12 mL/kg時PetCO2與Pinsp參數調節關系曲線。向訓練好的神經網絡依次輸入270組數據,每組都包含PetCO2與Pinsp的參數調節關系曲線。這樣可以面向三個獨立參數進行控制,有效避免了患者生理狀況較為復雜時的控制決策困難,做到即使患者出現細微生理狀態差異,也存在對應的不同的呼吸機參數調節結果。

a. VT和RR組合解集點;b. PetCO2與Pinsp參數調節關系曲線
Figure7. Parametric modulation curves between VT, RR, PetCO2 and Pinspa. solution points of VT and RR combinations; b. parametric modulation curves between PetCO2 and Pinsp
3 結果與討論
通過對比圖5與圖7b可以看出,圖5曲面圖實質為離散點的集合,而經過神經網絡訓練后的模糊控制規則可以擬合出如圖7b所示的平滑連續曲線,呼吸機依據該參數調節關系曲線可實現無級控制調節。為了更好地討論平滑參數調節關系曲線的作用,以輸入FiO2、SaO2控制輸出FiO2’為例,將模糊控制規則和參數調節關系曲線結合臨床數據進行驗證。為此,本文選取了課題合作醫院ICU中進行機械通氣治療的42位患者數據,該42位患者分別患有慢性阻塞性肺病、睡眠呼吸暫停綜合征、支氣管哮喘等各種呼吸系統疾病,符合本文為不同患者提供呼吸機參數設置與調節策略的宗旨。該42位患者在ICU中接受了超過48 h的機械通氣治療并脫離危險期,并在治療過程中多次接受FiO2、SaO2采集。該實驗結果中得到的FiO2’建議值如圖8所示,經呼吸科醫生判定后認為符合臨床治療規范。本文采用SPSS24.0軟件分析數據,對該配對樣本模糊建議值和曲線建議值的差值進行正態性檢驗,P<0.05,因此采用非參數檢驗進行驗證。Wilcoxon Signed Ranks Test的結果Z值為–2.469,漸進法計算的P值為0.014,二者差值有統計學意義,即曲線建議值和模糊建議值不同。通過兩者的對比,發現參數調節關系曲線相比于單純應用模糊控制規則,對于FiO2’的單次調節幅度更小,更接近于無級調節。特別是對于編號為21號的患者,42例受試者中唯一一例模糊建議值與曲線建議值調整方向相反的情況,當時患者血氧飽和度為94.2%,模糊建議值為降低吸入氧濃度,曲線建議值為增加吸入氧濃度,實際對患者采取增加吸入氧濃度的方式使其血氧飽和度提高至正常值98%,在調節幅度很小的情況下,曲線建議值對于正向調節還是負向調節的把控更為精準,給出了更為合理的建議。

4 結論
本文介紹了一種基于專家知識的呼吸機參數設置與無級自適應調節策略,旨在通過模糊系統對專家知識庫中的呼吸機參數設置與調節規則進行提取和數值化,獲得可以應用于不同通氣場景的機械通氣決策解集。該解集可以不斷根據患者的生理狀態變化,自動為呼吸機參數設置與調節提供建議。為進一步提高患者的通氣舒適性,借助神經網絡對模糊控制規則進行了訓練與細化,通過神經網絡訓練建立呼吸機參數調節關系曲線,可以有效支持呼吸機無級調節,解決呼吸機有級調節控制精度低、動態品質差、通氣舒適性不高等問題。經過驗證,融合模糊規則與神經網絡的呼吸機參數調節關系曲線,能夠把控細節,更合理地處理多輸入的控制決策問題。目前,本文提出的僅是一種臨床治療策略,患者的主觀治療感受與真實生理狀態變化是衡量該策略有效性與實用性的重要標準。因此,日后將結合臨床試驗,對該策略進行進一步的驗證與改善。
重要聲明
利益沖突說明:本文全體作者均聲明不存在利益沖突。
作者貢獻聲明:王永言為論文主要撰寫人,完成論文的構思和稿件的寫作;連憲輝、王帥、張繼國參與數據收集、圖表繪制和論文修改;馬嵩華、胡天亮參與論文的設計、核改與指導;馬德東參與論文的指導與審校。