查看更多
密码过期或已经不安全,请修改密码
修改密码
壹生身份认证协议书
同意
拒绝
同意
拒绝
同意
不同意并跳过
机械通气是危重症救治的基石,但参数设置高度依赖个体化,决策又多又难。人工智能究竟能在这里帮上什么忙、如今走到了哪一步?中日友好医院夏金根教授结合最新的分型、预测与监测研究,梳理了AI在机械通气中的几类关键应用,也坦诚指出了它从“能预测”迈向“可执行”之间还要跨过的坎。
机械通气是危重症患者最重要的生命支持手段之一,但参数设置从来不是“照着指南执行”就能解决的事。
从群体证据看,标准是明确的:2000年发表于N Engl J Med的研究显示,采用6 mL/kg(理想体重)小潮气量通气,病死率显著低于12 mL/kg(31% 对 39.8%,P=0.007)。但群体层面的“平均有效”,并不等于对每个人都有效——2005年发表于Critical Care Medicine的分析提示“one size does not fit all”:肺顺应性低的患者降低潮气量获益更明显,而肺顺应性高的患者提高潮气量病死率反而更低(P=0.003)。
PEEP同样如此。2019年发表的LIVE研究按肺形态学将ARDS患者分为局灶型与弥漫型,分别给予匹配或不匹配的PEEP:“弥漫亚型+低PEEP”的错配组病死风险显著升高(HR 2.03,95%CI 1.58–2.63,P<0.001),“局灶亚型+高PEEP”同样预后更差。换句话说,参数调得不对,本身就是一种医源性损伤。
难就难在,参数决策要考虑的因素太多:氧疗、肺保护、膈肌保护、右心保护彼此牵制,还要叠加患者病理生理状态与心肺、肺脑交互;而决策又极其频繁——从早查房到晚查房呼吸机参数一成不变,往往说明有问题。正是这种“多因素、高频次、强个体化”的特征,让AI有了用武之地。
要把“平均有效”变成“对这个人有效”,临床分型研究是重要方法。它服务于两个目标:预后富集——识别出预后风险更高的患者;预测富集——识别出对特定治疗反应更明显的患者。
最经典的是炎症亚型。基于ARMA与ALVEOLI两项随机对照试验的潜类别分析,把ARDS分成高炎症与低炎症两类,高炎症亚型约占1/3,90天病死率明显更高。
表1 ARDS炎症亚型与临床结局(潜类别分析)
| 44% | 51% | |||
分型的价值不止于预后,更在于治疗反应。高炎症亚型对高PEEP反应更好,低炎症亚型反而在高PEEP下病死率更高,交互P=0.049。基于呼吸力学与影像的分型也得出类似结论:意大利团队对238例患者做潜类别分析,分出可复张(132例)与不可复张(106例)两类,可复张亚型的ICU生存更差(HR 2.9,95%CI 1.7–2.7,P<0.001),却恰是肺复张手法与高PEEP获益更明显的人群。
夏金根教授团队则在时间维度上做了分型:把ARDS患者入院后0~3天的氧合指数(PaO₂/FiO₂)轨迹纳入组群轨迹模型,划分出持续低氧合、逐渐升高、快速改善三类,并在CHARDS及FACTT、SAILS、ALVEOLI、MIMIC-IV四个队列中得到重复。
表2 纵向氧合亚型:预后区分力与治疗反应
| 有益 |
纵向氧合亚型对预后的区分能力明显强于柏林定义的静态氧合分层(异质性χ²=55.65 对 13.45,P=0.001)。对高、低PEEP的反应在三类亚型间几乎相反:持续低氧合亚型采用高PEEP有益(60.58% 对 74.83%),而逐渐升高、快速改善两类亚型采用高PEEP反而有害(57.5% 对 33.83%;87.5% 对 21.74%)。
分型解决的是“参数怎么调”,另一类高频难题落在时间轴上:插早了是过度干预,插晚了延误病情;而到了另一端,“能不能撤机、什么时候撤”同样是必答题。
在“该不该插”一侧,2021年发表于CHEST的VentNet(深度神经网络)基于动态电子健康档案数据,用40项常规临床变量,每1小时更新一次,提前24小时提示气管插管需求,输出0~1的概率分数、阈值0.03。
表3 VentNet预测气管插管的模型性能
夏金根教授团队走的是另一条路——生物标志物联合临床指标。初步数据显示,蛋白-临床整合模型预测性能最优;有创通气组4种核心蛋白表达持续高于无创支持组(数据尚未发表)。
撤机阶段占整个机械通气时间的40%~50%。临床上需先评估患者的“准备程度”,再通过自主呼吸试验(SBT)判断能否拔管(Eur Respir J,2007)。越早识别出“可以撤机”的患者,越能及早干预、改善结局。
2021年发表于Artificial Intelligence in Medicine的研究用卷积神经网络(CNN)基于MIMIC-III的2299例患者、每小时25个特征,输出“继续通气”或“未来1小时可考虑撤机”。AUC 0.94、准确度96%,还能通过特征重要性解释“为什么这样推荐”。
人机不同步(PVA)是机械通气中“高频、高危害、又特别难判断”的问题,发生率10%~85%,从无效触发(占50%)、提前切换到双触发、自动触发,类型繁多,各自带来呼吸功耗增加、膈肌损伤、机械通气时间延长等不同危害。
这正是AI证据最扎实的方向。2025年的两篇综述给出共同结论:一篇系统评价纳入14项研究,机器学习模型的F1分数达0.731~0.988;另一篇叙述性综述分析超过580万次呼吸,其中13个模型中有10个的敏感度与特异度均>0.9。
2026年发表于Critical Care Medicine的研究用深度循环神经网络实时监测吸气肌努力:把气道压力、容量、流量输入模型,借助食管压波动推算呼吸肌产生的压力,输出“AI呼吸肌压力”。识别呼吸肌努力过低或过高的AUROC均在0.88~0.94,对误触发、无效触发、反向触发等类型的识别也达到可接受水平。
表4 AI识别人机不同步的诊断性能
| 99.5% | ||||
但夏金根教授提醒两点局限:只看波形很容易判错——两段看似“双触发”“双吸气”的波形,实际可能一个是胸腔术后引流管漏气、一个是心脏震动引起的误触发,不了解病情很难准确判断;识别也不等于处理——只提示“存在不同步”而不给出干预路径,临床获益有限。
AI在机械通气领域的文献量正快速上升,但2022年BJA的一项系统评价检索1342篇文献、最终纳入95篇后,给这股热潮浇了盆冷水。
表5 95篇AI机械通气研究的系统评价结果
| 89%(85/95)存在高偏倚风险,以分析偏倚最突出 |
问题归结为三点:其一,证据尚不硬——多为单中心、回顾性,缺乏外部验证,偏倚风险高;其二,落地有顾虑——依AI决策是否真能改善预后仍不确定,还涉及患者生命安全与信息安全;其三,黑箱难监管——模型可解释性不足,如何监管仍在探索。而最关键的一点是:现有模型大多只会“预测”,不会“行动”——告诉你“要出事”,却不给干预方案。
夏金根教授把未来方向概括为一句话:从“预测型AI”走向“可执行/因果推断型AI”。具体而言,是多模态数据深度融合、多学科合作与规范的方法学研究、多中心前瞻性验证,以及让算法在给出预测之后,进一步给出不同的干预方案及其可能结果——因为最终目的是改善临床决策,而不是仅仅提醒。
他最后说:“算法是冰冷的,它并不能取代我们的医务人员。”在AI时代,医务人员更需要主动学习AI知识,把算法转化为患者的个体化诊疗——这才是医学温度的体现。
中国医学论坛报社今日呼吸整理
查看更多