Potilashengityslaitteen asynkronisuuden automaattinen tunnistus Pes-signaalin avulla

1. JOHDANTO JA PERUSTELUT Mekaanisen ilmanvaihdon tulee kuormittaa hengityslihaksia, tarjota riittävä kaasunvaihto ja olla turvallista, eli koneellisen ilmanvaihdon aiheuttamat haitat tulee minimoida. Tämän saavuttamiseksi hengityslaitteen ja potilaan välinen vuorovaikutus on ensisijaisesti synkronista. Hengityslaitteen asetuksia, joita ei synkronoida potilaan hengitystoiminnan tai toiminnan kanssa, kutsutaan potilas-hengityslaitteen asynkroniksi (PVA). PVA voi aiheuttaa useita haitallisia vaikutuksia.1 Tutkimukset ovat osoittaneet asynkronioiden liittyvän potilaan epämukavuuteen, lisääntyneeseen hengitystyöhön, pitkittyneeseen vieroittamiseen ja yhdessä tutkimuksessa jopa lisääntyneeseen kuolleisuuteen.

   PVA:n seuranta on kuitenkin vaikeaa. Kliiniset joutuvat usein luottamaan potilaan fyysiseen tutkimukseen sekä paineen, virtauksen ja tilavuuden aaltomuotojen visuaaliseen tarkastukseen asynkronian tunnistamiseksi. Hengitys-hengitysaaltomuotojen analysoinnin herkkyys ja positiivinen ennustearvo ovat erittäin alhaiset (22 % ja 32 %).1 Artefaktit, kuten sydämen värähtely, voivat jäljitellä asynkronioita, ja joskus lääkärit eivät pysty sängyn vieressä seisomaan. erottaa epäsynkronioita ja esineitä varmasti.6 Lisäksi PVA:n havaitseminen riippuu potilastutkimuksesta. Tämä haaste johtaa haluun kehittää tehokkaita automatisoituja PVA-tunnistusalgoritmeja.7 On kehitetty erilaisia ​​automatisoituja algoritmeja, joiden suorituskyky kuitenkin vaihtelee.1 Asynkronioiden oikeaan analysointiin tarvitaan ruokatorven ilmapallokatetria, joka mittaa ruokatorven painetta (Pes), tai katetria, joka mittaa pallean sähköistä aktiivisuutta.1 Pes-katetrien käytön jälkeen on mahdollista kuvata muita PVA:n muotoja, kuten käänteinen laukaisu, joka on asynkronia, jossa hengityslaite laukaisee potilaan.8 Viime aikoihin asti ruokatorven katetria ei kuitenkaan ole käytetty rutiininomaisesti päivittäisessä käytännössä, vaan enemmänkin tutkimusvälineenä. Henkilökohtaisen lääketieteen käyttöönoton jälkeen kliinikot ovat kiinnostuneet ruokatorven manometriasta titratakseen hoidon paremmin potilaan ainutlaatuisen fysiologian mukaan. Nykyisessä kirjallisuudessa ei ole raportteja PAV-tunnistusalgoritmeista, jotka käyttävät Pes-signaalia havaitsemiseen.

   LUMC:ssä tutkijat käyttävät ruokatorven katetria kaikilla potilailla, joilla on akuutti hengitysvajaus, ja potilailla, joita on ventiloitu yli 48 tuntia protokollaa kohden. Ruokatorven signaali antaa mahdollisuuden havaita asynkronioita helpommin kuin ilman. Siksi tutkijat olettavat, että ruokatorven signaaliin perustuva algoritmi toimii paremmin kuin algoritmi, joka käyttää vain muita hengityslaitteen aaltomuotoja.

2. TAVOITTEET 2.1 Ensisijainen tavoite Tämän tutkimuksen ensisijaisena tavoitteena on kehittää asynkronian havaitsemisalgoritmi, joka perustuu potilastietojen paine-, virtaus- ja Pes-signaaleihin ML:n avulla.

   2.2 Toissijaiset tavoitteet Toissijaisina tavoitteina on validoida tunnistusalgoritmi vertaamalla sen suorituskykyä asiantuntijapaneelin arvioon ja verrata sen suorituskykyä toisen algoritmin suorituskykyyn, joka perustuu vain paine- ja virtaussignaaleihin.

3. TUTKIMUKSEN SUUNNITTELU Tämä tutkimus suoritetaan LUMC:n teho-osastolla. Ensin kerätään hengityslaitteesta aikuisten teho-osastolla olevien potilaiden sisäiset tiedot mekaanisesta ventilaatiosta akuutin hengitysvajauksen vuoksi tai vähintään 24 tunnin ventilaation keston aikana ja jotka on varustettu ruokatorven pallokatetrilla. Kiinnostavia tietoja ovat ilmanvaihdon paine-, virtaus- ja Pes-signaalit. On tarpeen kerätä mahdollisimman paljon dataa, koska se on tarpeen algoritmin kehittämiseksi. Mukaan otetaan vähintään 50 potilasta, joista jokaisesta tehdään 4-8 tunnin ventilaatiotallenteet, mikä vastaa 200-400 tuntia koneellista ventilaatiotallennetta.

Tiedoille määritetään seuraavat tunnisteet:

• Liipaisun asynkronisuus (varhainen (käänteinen), epätosi, epäonnistunut)
• Kierto (aikaisin, myöhään)
• Kaksoisliipaisu (laukaisimen ja syklin ongelman yhdistelmä)

Tiedot tarkistetaan kiinnostavien alueiden varalta. Kiinnostavat alueet ovat alueita, joilla voidaan havaita visuaalisesti paljon asynkronioita. Kolme riippumatonta asiantuntijaa, joilla on paljon kokemusta alalta, merkitsee nämä kiinnostavat alueet ja merkitsee ne. Jos kaksi kolmesta asiantuntijasta sopivat asynkronisuusmerkinnästä, hengityssykli otetaan mukaan mallin rakentamiseen. Vastaava määrä normaaleja hengityksiä käytetään myös algoritmin harjoittamiseen.

Tiedot jaetaan kahteen tietojoukkoon. Ensimmäinen sarja sisältää ensimmäisen puolet potilaista, eli potilaat, joilla on pariton tutkimusluku. Toinen sarja sisältää toisen puolen potilaista (potilaat, joilla on parillinen tutkimusnumero). Tutkimusnumerot jaetaan peräkkäin potilaille suostumuksen jälkeen.

Käytetty koneoppimistekniikka (ML) on konvoluutiohermoverkko, joka kehitetään yhteistyössä Delftin teknillisen yliopiston (Technical Medicine ja Dr. D.M.J. Tax) kanssa. Algoritmi kehitetään näiden harjoitustietojen pohjalta ja tarkoituksena on, että algoritmi oppii yleistämään harjoitusjoukosta.

Algoritmi validoidaan testitietojen perusteella PAV:n havaitsemiseksi. Asiantuntijapaneeli merkitsee myös testitiedot. Algoritmin tunnistussuorituskykyä verrataan asiantuntijapaneelin merkintöihin samoilla tiedoilla.

Yhdessä kolmeen signaaliin (virtaus, paine ja ruokatorven paine (Pes)) perustuvan pääalgoritmin kehittämisen kanssa kehitetään toinen kahteen signaaliin (virtaus ja paine) perustuva algoritmi samalla AI-tekniikalla. Tällä toisella algoritmilla on eniten yhteistä nykyisessä kirjallisuudessa aiemmin kuvattujen algoritmien kanssa. Ensimmäisen algoritmin suorituskykyä verrataan toiseen algoritmiin käyttämällä testidataa (datan toinen osa) sen tutkimiseksi, onko Pes-signaalin lisäys parempi asynkronioiden havaitsemisessa.