基于频域气道压分析的呼吸机-患者不同步检测模型

《Biomedical Signal Processing and Control》：Asynchrony detection model based on frequency-domain analysis of airway pressure

　　

背景：患者-呼吸机不同步(Patient–Ventilator Asynchrony, PVA)在机械通气患者中常见，可对预后产生负面影响。尽管文献中提出了多种检测方法，但大多数依赖有创测量（如食管压Pes或膈肌肌电图EAdi）或复杂判读，限制了其在ICU日常实践中的应用。目的：本研究旨在开发并验证一种基于频域滤波和弹性模量建模的非侵入性PVA检测方法，通过受试者工作特征(Receiver Operating Characteristic, ROC)分析定义非同步指数(Asynchrony Index, AI%)。方法：将气道压信号解释为同步基线分量与异步分量的叠加。应用截止频率0.8 Hz的低通滤波器分离基线信号，并基于原始信号与滤波后信号分别计算时变弹性模量(Time-varying Elastance)。二者偏差得到非同步事件百分比(Asynchrony Event Percentage, AE%)，量化患者努力与呼吸机支持的失匹配。使用两个训练数据集进行ROC分析以确定AE%的最优容忍带及AI%判定阈值，第三个数据集用于验证。结果：ROC分析确定±4%为AE%最优容忍带，AI% > 72%为分类阈值。该点处模型灵敏度83%、特异度100%(AUC = 0.92)。AI%能有效区分同步与异步通气，尤其对流量不匹配(Flow Asynchrony, FA)和过早切换(Premature Cycling, PC)效果较好，但对孤立性无效触发(Ineffective Effort, IE)和双触发(Double Triggering, DT)敏感性较低。结论：AI%提供了一种有前景的、利用常规可用呼吸机信号进行PVA检测的非侵入性工具。需在更大、更具异质性的群体中进行进一步研究以提高敏感性并确认临床适用性。

基于频域气道压分析与弹性模量建模的患者-呼吸机不同步（PVA）检测研究解读

一、研究背景与立题依据

患者-呼吸机不同步（Patient–Ventilator Asynchrony, PVA）是指患者呼吸需求与呼吸机支持之间的不匹配，常见于机械通气（Mechanical Ventilation, MV）特别是压力支持通气（Pressure Support Ventilation, PSV）模式下。PVA会增加呼吸功（Work of Breathing, WOB）、延长撤机时间及ICU住院日，并增加呼吸机所致肺损伤（Ventilator-Induced Lung Injury, VILI）风险。目前临床上金标准检测手段需监测食管压（P_es）或膈肌电活动（EAdi），属有创操作且设备昂贵，难以在普通ICU常规开展；而单纯依靠临床医师目视检查呼吸机波形识别PVA的准确率不足30%。现有基于单室模型（Single Compartment Model, SCM）的生理建模在存在自主呼吸时失效，纯数据驱动的人工智能方法又缺乏生理可解释性且计算复杂。因此，亟需一种仅利用呼吸机常规输出信号（气道压P_aw、流速Q(t)、潮气量V(t)）、具备生理意义且能自动量化PVA的非侵入性方法。本文由Ivan Ruiz等人发表于《Biomedical Signal Processing and Control》，提出一种融合频域分解与RDEA+Slice时变弹性模量模型的混合框架，用于PVA的检测与量化。

二、主要关键技术方法概述

研究人员采集自哥伦比亚Hospital San José de Buga共12例患者的气道压P(t)、流速Q(t)及容量V(t)信号（通过呼吸机VGA输出视频经WebPlotDigitizer数字化，重采样至100 Hz）。将患者分为三个队列：Dataset 1（n=4，深度镇静同步通气，校准用）、Dataset 2（n=4，存在临床确诊PVA，校准用）、Dataset 3（n=8，含4例同步及4例异步，独立验证用）。关键技术步骤包括：(1)对原始气道压信号做快速傅里叶变换（Fast Fourier Transform, FFT），采用四阶Butterworth零相位（filtfilt）低通无限脉冲响应（Infinite Impulse Response, IIR）滤波器（截止频率0.8 Hz）得到同步基线重构压P_filtered(t)，差值视为异步分量P_noise(t)；(2)应用RDEA+Slice模型（Recruitment Distention Elastance Analysis with Slice），将呼吸周期按P(t)与参考压P₀交点切片，通过多元线性回归最小二乘法拟合招募弹性模量E₁、扩张弹性模量E₂、Rohrer阻力线性分量R₁与非线性分量R₂，重点提取时变扩张弹性模量E_2k(t)分别来自原始与滤波后压力信号；(3)对E_2k(t)求时间积分得Ψ(t)，计算逐点非同步事件百分比AE%(t)=[(Ψ_Original(t)?Ψ_Filtered(t))/Ψ_Filtered(t)]×100%；(4)设定AE%围绕其均值±4%为容忍带，统计超出容忍带时间点占比得出非同步指数AI%=N_out/N_total×100%，经ROC分析确定AI% > 72%为PVA判定阈值。

三、研究结果

3.1 Phase 1：算法开发与参数标定（Dataset 1与Dataset 2）

3.1.1 Model identification（模型辨识）

研究人员通过逆建模估算呼吸力学参数发现：同步患者线性阻力R₁恒为正值；异步患者部分出现R₁为负值（仅见于Dataset 2中S1–S4），反映患者主动吸气做功向系统注入能量抵消气道阻力。扩张弹性模量E₂在所有患者中均为负值（RDEA+Slice模型固有特性），但异步组E₁、E₂置信区间更宽，提示机械不稳定性。静态E₂绝对值无法区分同步/异步，需依赖时变偏差分析。

3.1.2 Frequency-domain analysis and signal filtering（频域分析与信号滤波）

频谱分析显示同步患者频谱峰值集中且清晰，异步患者高频成分（>0.8 Hz）增多、谱峰弥散。应用0.8 Hz低通滤波后，同步患者原始与滤波压波形几乎重合；异步患者（尤指FA、IE、PC者）原始波形中高频扰动被明显平滑，P_filtered近似无PVA时的理论基线。但双触发（DT）因含较多低于0.8 Hz的低频成分，滤波后波形与原始差异较小。

3.1.3 Defining thresholds and indices performance（阈值确定与指标性能）

遍历AE%容忍带做ROC分析，±4%容忍带对应最高AUC=0.92，判定阈值为AI% > 72%。此时校准组分类结果为：同步组（P1–P6）AI%均<72%（最高71.40%），异步组除S2（DT，60.48%）和边缘S6（DT，72.33%）外均>72%（最高92.95%）。方法整体达83%灵敏度、100%特异度。DT因频谱特征致滤波分离不足，AE%波动小，易低估AI%。

3.2 Phase 2：独立验证（Dataset 3）

3.2.1 Model identification and signal processing（模型辨识与信号处理）

验证队列参数趋势同校准队列——同步者R₁>0，异步者T5、T6出现负R₁。0.8 Hz低通滤波对T1–T4（同步）几无形态改变；对T5、T6（无效触发IE+流量不同步FA）明显平滑高频扰动；对T7、T8（延迟切换Delayed Cycling, DC——文中亦译作迟关——表现为吸气末压力过冲）仅部分衰减终末尖峰，因其为短暂局部现象。

3.2.2 Clinical classification and performance（临床分类与性能）

同步验证组（T1–T4）AI%分别为10.34%、0.28%、25.55%、51.81%，均低于72%，无非同步误判。异步组中T5（IE+FA，81.20%）、T6（IE+FA，90.54%）被正确检出；T7（DC，61.85%）、T8（DC，28.23%）未达阈值，为假阴性。证实本算法对持续/显著弹性模量偏离型PVA（FA、IE）判别良好，对短暂局部型（DC）及低频富集型（DT）因时间累积不足导致欠敏感。

四、讨论总结与结论翻译

讨论指出，本研究创新点在于将RDEA+Slice生理模型嵌入频域分解的混合框架，把P_aw(t)视为同步基线与患者扰动叠加，通过低通滤波重构基线并计算原始与滤波信号的时变E₂偏差（AE%）来量化机械失配，最终以时间累积指标AI%作全局判定（>72%，±4%容忍带，AUC=0.92）。该方法无需有创监测，可提示临床优化参数、降低WOB并可能缩短通气时间。局限性为DC（短暂终末过冲不累积超阈值）和DT（低频成分通过0.8 Hz滤波器致E₂偏差小）可出现假阴性；样本量小且通气模式覆盖有限。未来建议引入自适应截止频率、整合流量信号特征改进瞬态事件检测，并探索负R₁作为患者努力直接生物标志物的潜力，最终需前瞻性临床试验验证床旁实时应用价值。

结论部分原文翻译如下：

本研究验证了通过融频域信号分解与时变弹性模量建模检测PVA的非侵入性框架。所提出的AI%在±4%容忍带下以>72%为阈值，对持续性机械干扰作为全局指标高度有效。具体而言，校准确认诊断灵敏度为83%、特异度为100%（AUC=0.92），且无假阳性分类。尽管短暂或低频事件（如延迟切换DC和双触发DT）对该时间累积指标构成特定检测挑战并导致所见假阴性，本方法成功确立RDEA+Slice模型可作为频滤信号生理转化工具。此外，某些PVA类型（如自动触发Auto Triggering, AT及反向触发Reverse Triggering, RT）未纳入当前数据集，因此其诊断准则适用性尚待研究。参数估计中发现——Rohrer阻力线性分量R₁在表现活跃不同步的患者中常为负值，从数学上反映了患者主动呼吸功对系统的能量贡献。作为未来工作方向，探究自适应截止频率或直接整合流量信号特征可显著提升检测能力；另可将R₁负性作为患者努力直接生物标志物以补充当前基于弹性模量的指标。虽本研究采用5分钟评估窗证明了该框架作为ICU床旁"快照"快速筛查的潜力，但全面确认实时连续监测能力仍需扩大临床队列并开展长期随访验证。