壹生大学

壹生身份认证协议书

本项目是由壹生提供的专业性学术分享,仅面向医疗卫生专业人士。我们将收集您是否是医疗卫生专业人士的信息,仅用于资格认证,不会用于其他用途。壹生作为平台及平台数据的运营者和负责方,负责平台和本专区及用户相关信息搜集和使用的合规和保护。
本协议书仅为了向您说明个人相关信息处理目的,向您单独征求的同意,您已签署的壹生平台《壹生用户服务协议》和《壹生隐私政策》,详见链接:
壹生用户服务协议:
https://apps.medtrib.cn/html/serviceAgreement.html
壹生隐私政策:
https://apps.medtrib.cn/html/p.html
如果您是医疗卫生专业人士,且点击了“同意”,表明您作为壹生的注册用户已授权壹生平台收集您是否是医疗卫生专业人士的信息,可以使用本项服务。
如果您不是医疗卫生专业人士或不同意本说明,请勿点击“同意”,因为本项服务仅面向医疗卫生人士,以及专业性、合规性要求等因素,您将无法使用本项服务。

同意

拒绝

同意

拒绝

知情同意书

同意

不同意并跳过

工作人员正在审核中,
请您耐心等待
审核未通过
重新提交
完善信息
{{ item.question }}
确定
收集问题
{{ item.question }}
确定
您已通过HCP身份认证和信息审核
(
5
s)

夏金根教授:AI在机械通气中的应用——从“预测”走向“可执行”

2026-10-27 作者:论坛报小璐资讯
原创

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。


PART 01


“标准通气”,为什么不够用




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。


PART 02


分型——把“平均有效”变成“对个人有效”




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)

结局
ARMA 低炎症(n=218)
ARMA 高炎症(n=155)
ALVEOLI 低炎症(n=404)
ALVEOLI 高炎症(n=145)
90天病死率
23%
44%
(P=0.006)
29%
51%
(P<0.001)
无机械通气天数
12.8
7.7(P<0.001)
18.4
8.3(P<0.001)
无器官衰竭天数
14.5
8.0(P<0.001)
16.5
8.4(P<0.001)

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

亚型
90天病死率
对高PEEP的反应
快速改善
17.4%
有害
逐渐升高
35.8%
有害
持续低氧合
62.6%
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%)。


PART 03


时机——什么时候插管,什么时候能撤机



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

队列
类型
AUC
UCSF ICU
开发队列
0.895
MGH ICU
验证队列
0.882
UCSF COVID
前瞻性验证
0.944
MGH COVID
前瞻性验证
0.919

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”。



PART 04


识别——看懂人机不同步



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

指标
自动触发
无效触发
自动触发+反向触发
合计
发生率
5.3%
10.8%
2.9%
15.8%
敏感度
87.8%
80.2%
91.4%
86.5%
特异度
65.3%
99.5%
71.6%
77.4%
阳性似然比
2.56
26.2
3.27
10.6
阴性似然比
0.19
0.21
0.12
0.17

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。



PART 05


从“预测”到“可执行”,还差三道坎



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

维度
结果
研究设计
84篇为单中心、回顾性设计;仅1项随机对照试验
数据可获得性
85%的研究无法获得数据
代码可获得性
87%的研究无法获得代码
偏倚风险
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。

PART 06


落点——算法不会取代医生,但会改变通气决策




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



200 评论

查看更多