发明内容
本发明提供了一种用于在不需要以任何方式中断或修改呼吸的情况下、非侵入地准确地实时地计算Pplt、CRS和RRS的方法和设备。这些呼吸参数的准确计算提供了准确地确定在处理被通气的病人时有价值的其它信息的能力。在一个实施例中,通过处理系统实时地估计Pplt、CRS和RRS的准确且有用的值。
本发明的特别有利之处在于它可利用通常测得的呼吸参数(即,在机械通气的吸气阶段期间随着时间的气道压力和流速)来产生对肺力学的准确实时估计,包括但不限于Pplt、CRS和RRS。在实时监视病人对机械通气模式改变的反应、各种介入(即,药物)对肺力学和生理学的影响、肺过度扩张的风险以及肺保护策略的适合性时,所得到的肺力学估计特别有用。在通常用于撤机以辅助自主呼吸的压力调节通气期间,对Pplt、CRS和RRS的准确且实时的估计也是有用的。
在本发明的一个方面,该方法包括通过使用非侵入地收集的预定参数(比如利用标准呼吸监视器收集的参数)来创建呼吸系统的病人呼气时间常数(τE)的数学模型。这样的参数包括但不限于呼气体积、气流速率和压力。
呼吸监视器和通气机典型地包含用于测量进出肺的气流的气道压力和气道流量传感器,并且它们常常还包含二氧化碳传感器和脉搏血氧仪。从这些时间波形选择性地导出用于表征病人的呼吸和/或病人与通气机的交互的各种参数。这些参数包含被提取用来准确地估计病人的吸气和呼气气流以及压力波形数据的信息。利用病人的吸气波形数据和τE,实现病人吸气Pplt还有病人CRS、RRS以及导出的肺力学的估计的准确且持续的实时计算。所有这些估计都可用于确定适当的治疗,包括通气机设定。
在一个实施例中,在所有呼吸模式期间使用来自肺的被动放气的τE准确且持续地估计实时Pplt以及病人CRS和RRS以及导出的肺力学。更优选地,在压力调节呼吸期间使用来自肺的被动放气的τE准确且持续地估计实时Pplt以及病人CRS和RRS以及导出的肺力学。
本文中描述的方法可以使用参数的线性组合或者参数的非线性组合,包括但不限于神经网络、模糊逻辑、专家混合或多项式模型。此外,可以使用多个不同的模型来估计不同子组的病人的肺力学。可通过各种手段来确定这些子组,这些手段包括但不限于病人状况(病理生理学)、病人生理参数(即,吸气流速、气道阻力、换气体积等)、或其它参数,比如通气机参数(即,正的呼气末尾压力或PEEP、病人气道充气压力等)。
在本发明的一个优选方面,用于计算肺力学的方法涉及与用于计算呼气时间常数的方程相组合的、基于吸气和呼气期间的标准病人气道方程唯一地导出的一组方程的应用。该方法的基本方面是计算来自波形(例如,压力、流量、体积等)的呼气部分的时间常数,然后使用来自吸气时间波形中的一个或多个时间实例的数据(例如,所规定的时间t处的气道压力、流量和体积)以及该呼气时间常数来计算Pplt、RRS和CRS。在一个优选实施例中,来自吸气时间波形的单个时间实例是典型地在该吸气波形的早的或迟的部分中找到的低病人努力的时间。由于病人努力是未知的并且典型地是未建模的,寻找最低病人努力的点将增大参数估计的准确度。
在本发明的另一方面,用于计算病人的肺力学的方法包括使用神经网络,其中,该神经网络基于输入数据提供用于病人的肺力学信息,其中,该输入数据包括以下参数中的至少一个:通常由呼吸监视器收集的气道压力、流量、气道体积、呼气二氧化碳流量波形以及脉搏血氧仪体积描记图波形(pulseoximeterplethysmogramwaveform),包括但不限于换气体积、呼吸频率(f)、PIP、吸气时间、P0.1、吸气触发时间、触发深度,其中,τE、Pplt、CRS和RRS被提供为输出变量。
在上述方法中,通过临床测试病人的测试群体以获得教导数据来训练该神经网络,该教导数据包括上述输入信息。该教导数据被提供给该神经网络,从而该神经网络被训练以提供与CRS和RRS对应的输出变量。
本发明可以以多种方式实施,包括作为系统(包括计算机处理系统或数据库系统)、方法(包括收集和处理输入数据的计算机化方法以及用于评估这样的数据以提供输出的方法)、设备、计算机可读介质、计算机程序产品或者有形地固定在计算机可读存储器中的数据结构。下面讨论本发明的几个实施例。
作为系统,本发明的一个实施例包括具有输入和输出装置的处理器单元。该处理器单元工作以接收输入的参数、处理该输入并且提供与肺力学信息对应的输出。该输出随后可被用于控制外部装置,如通气机。可通过诸如微控制器、神经网络、并行分布式处理系统、神经形态系统等各种手段来实现数据的处理。
作为准确地实时地计算病人的Pplt、CRS、RRS和τE的方法,本发明包括使用本文中描述的公式、优选地通过使用包含程序指令的计算机可读介质程序、处理系统或神经网络来处理预定的输入变量(参数)。
作为包含程序指令的计算机可读介质,本发明的一个实施例包括:用于接收输入的变量、处理该输入并且提供指示了CRS和RRS的输出的计算机可读代码装置。在一个优选实施例中,该处理包括利用神经网络。该方法可以进一步包括响应于所获得的输出而控制通气机。
本发明的方法可以被实施为计算机程序产品,该计算机程序产品具有带有代码的计算机可读介质。该程序产品包括程序和承载该程序的信号承载介质。
作为设备,本发明可以包括至少一个处理器、耦合到该处理器的存储器和驻留在该存储器中的用于实施本发明的方法的程序。
从结合仅作为例子图示了本发明的原理的附图所作的以下详细描述中,将容易明白本发明的其它方面和优点。
在不与本说明书的明确教导不一致的情况下,在本文中提及或引用的或者要求其优先权的所有专利、专利申请、临时申请和出版物的全部内容通过引用包含在本申请中。
附图说明
图1是根据本发明估计其肺力学的病人的视图。
图2是示出了例子1中所描述的组中的Pplt测量结果的相对频率的直方图。
图3是例子1的每个受检者的测得的Pplt范围的图形说明。
图4A-4C是具有三个不同吸气流量(0.5、0.75和1L/S)的三个随机受检者(A、B和C)的τE(蓝色菱形)、相比于通过吸气末尾停顿获得的τEPplt(红色正方形)以及τEPplt与τE之差(绿色三角形)依赖于PIF与PEF之间的间隙(X轴)的图形说明。根据本发明,峰值吸气流量(PIF)-峰值呼气流量(PEF)于是成为τE的校正因子,其中τEPplt=CRS*RRS。
图5是流量差(PIF–PEF)对吸气和呼气RRS的影响(RRSPplt-RRSτE)的图形说明,其中使用方程y=5.2487x–0.8393作为流量差RRS的校正因子,其中y是RRSτE的校正因子,且x是PIF–PEF。
图6A是计算出的Pplt(τE)与测得的Pplt之间的关系的回归分析,注意r2=0.99(p<0.001)。
图6B是示出了计算出的Pplt(τE)与测得的Pplt之差的Bland-Altman图,偏置基本上为零,并且测量的精度优良。
图6C是计算出的Pplt(τE)与测得的Pplt之间的线性拟合图,注意r2=0.99。
图7A是来自τE的CRS相比于来自Pplt的CRS的回归分析,注意r2=0.97(p<0.001)。
图7B是示出了CRSPplt与CRSτE之差的Bland-Altman图,偏置基本上为零,并且测量的精度优良。
图7C是CRSτE与CRSPplt之间的线性拟合图。
图8A是来自τE的RRS相比于来自Pplt的RRS的回归分析,注意r2=0.92(p<0.001)。
图8B是示出了RRSPplt与RRSτE之差的Bland-Altman图,偏置基本上为零,并且测量的精度优良。
图8C是RRSPplt与RRSτE之间的线性拟合图。
图9描绘了示出隐藏层的神经网络。
图10描绘了具有背向传播的自适应系统的输入和输出。
图11是PSVPplt与IMVPplt之间的线性拟合图。
图12是PSVCRS与IMVCRS之间的线性拟合图。
图13是在压力支持通气期间的可变的病人努力的图形说明。
图14提供了图13中所示的同一呼吸的流量和体积曲线的图形说明。
图15是在每个吸气点处计算出的Pplt曲线。
图16是气道压力曲线,其中指示了顺应性估计的有效点。
图17是CRS曲线,其中指示了可被用于准确估计肺参数的点。
图18是来自图16中所示的呼吸的吸气部分的RRS(阻力)曲线。
图19A是气道压力(Paw;暗线曲线)和Pes(食道压力;亮线曲线)的图形说明。
图19B是示出了流量(暗线曲线)和体积(亮线曲线)的图。
具体实施方式
Pplt、CRS和RRS的当前标准估计是在病人中在正压力充气期间、并且通过在EIP(即,至少0.5秒的停顿)期间测量肺充气压力而获得的。遗憾的是,执行EIP存在几个缺点,包括病人不舒服、需要临床医生输入和仔细的检测、由病人干扰导致的不精确测量、病人-通气机不同步、不能持续应用、以及不能以某些形式的通气来执行EIP。为了克服这些缺陷,本发明提供了使用来自被动肺放气的τE的经修改的估计而不需要EIP来准确地计算估计出的Pplt、CRS和RRS值的系统和方法。该结果是可监视呼吸至呼吸肺功能和治疗介入的效果的肺力学的持续的、实时的估计。
吸气Pplt是计算机械通气期间病人的CRS和RRS的重要参数。监视Pplt也是避免肺泡的过度扩张、从而避免尤其是具有限制性肺病的病人的气压创伤和/或体积创伤所必需的(ARDS网络协议(2008年7月);http://www.ardsnet.org/node/77791)。
根据本发明,用于准确且实时地估计接受机械通气或者与病人肺系统对接的任何装置的病人的肺力学的方法涉及以下步骤:(a)接收病人的呼吸参数;(b)利用处理器、根据该呼吸参数计算修改后的τE;(c)将修改后的τE输入到数学模型中;以及(d)从该数学模型提供与Pplt、CRS和/或RRS或者其它肺力学对应的至少一个输出变量。
在一个实施例中,该数学模型是被训练以提供估计出的肺力学的神经网络。该神经网络可被训练以包括使用所监视的通气机压力和流量作为输入到该神经网络的临床数据来对受检者群体进行临床测试。
被动肺呼气的τE是完成呼气所需的时间基于指数衰减的参数化,并且包含与呼吸系统的力学特性有关的信息(Guttmann,J.等,"Timeconstant/volumerelationshipofpassiveexpirationinmechanicallyventilatedARDSpatients,"EurRespirJ.,8:114-120(1995);和Lourens,MS等,"ExpiratorytimeconstantsinmechanicallyventilatedpatientswithandwithoutCOPD,"IntensiveCareMed,26(11):1612-1618(2000))。τE被定义为CRS与RRS的乘积(Brunner,JX等,"Simplemethodtomeasuretotalexpiratorytimeconstantbasedonthepassiveexpiratoryflowvolumecurve,"CritCareMed,23:1117-1122(1995))。可以通过简单地将呼气体积(V(t))除以呼气流量来实时地估计τE,即 (Brunner,JX等,"Simplemethodtomeasuretotalexpiratorytimeconstantbasedonthepassiveexpiratoryflowvolumecurve,"CritCareMed,23:1117-1122(1995);以及Guttmann,J.等,"Timeconstant/volumerelationshipofpassiveexpirationinmechanicallyventilatedARDSpatients,"EurRespirJ.,8:114-120(1995))。该方法给出呼气期间每个点的τE的估计。
遗憾的是,用于估计τE的当前方法颇为不准确,尤其是对于连接到机械通气机的病人,因为通气机的呼气阀在最初打开期间可能产生干扰。此外,τE的当前估计包括呼气末尾的一部分,其(1)可造成τE的房室动力学行为迟后(慢),其可归因于因肺内肺泡倒空不均衡(摆动呼吸影响)而不准确的呼吸系统的粘弹性特性(Guerin,C.等,"EffectofPEEPonworkofbreathinginmechanicallyventilatedCOPDpatients,"IntensiveCareMed.,26(9):1207-1214(2000));并且(2)由于在呼气末尾减小的流量和除以接近零的数字,产生的较不稳定的值。另外,因为通气机的呼气阀的阻力在呼气末尾时变得更显著,所以这也可影响使用当前方法是否能确定出τE的准确估计。
因此,在本发明的一个实施例中,通过使用仅在呼气的中间且更可靠的部分期间的呼气波形来实现τE的更准确的修改后的估计。例如,将呼气开始之后0.1至0.5秒之间的呼气波形斜率取平均(例如,均值函数)是一种用于获得τE的更可靠估计的方法。排除呼气的第一部分(0至0.1秒之间)以减小通气机的呼气阀在最初打开期间以及残余的病人努力的可能干扰。排除呼气末尾(超过0.5秒)以解决如上所述可归因于呼气末尾的问题。
图13和图14是用于计算Pplt、CRS和RRS的各种呼吸参数的图形说明。图13示出了在压力支持通气(PSV)模式期间来自可变的病人努力的呼吸。标记示出了气道压力曲线(Paw)上吸气的最后点,其代表最低的病人努力并且被用于估计Pplt、RRS和CRS。
图14示出了图13中同一呼吸的流量和体积曲线。标出的点是计算与肺力学(Pplt、RRS和CRS)相关的值的点。这些点对应于Paw曲线上吸气的最后点。如图14中所示,基于估计出的τE计算Pplt、RRS和CRS通常被限制于高于0.1L/sec的流量。用于更准确地估计τE的另一方法涉及中值函数。例如,通过取得呼气期间的多个τE估计的平均值或中值可以导出τE的更准确的估计。有利地,限制进行这些时间常数估计的位置提供更好的时间常数值。呼气的高流量和低流量区域更可能产生错误的估计,并且因此被排除。
图15示出了Pplt曲线,其中Pplt是根据吸气(和呼气,其应该被排除)的每个点处的τE估计计算出的。Pplt曲线上的标记是吸气的最后有效部分,其对应于图14中所示的吸气末尾。
在一些实施例中,利用其中流量小于峰值吸气流量的80%但大于0.1LPS的呼气部分得到的τE估计的中值提供了τE的更准确估计。在另一个实施例中,可将多个呼吸的时间常数的几个估计取平均或者中值滤波以提供呼吸区域的τE的更好估计。
在可替选实施例中,呼气部分可由呼气体积的百分比定义。在一些实施例中,来自体积和/或峰值呼气流量的百分比的不同组合的τE估计的中值提供τE的更准确估计。在一个实施例中,来自峰值呼气流量的百分比处于峰值呼气流量的95%与20%之间。在另一个实施例中,来自峰值呼气流量的百分比处于峰值呼气流量的95%与70%之间。在另一个实施例中,利用呼气体积的80%与呼气体积的20%之间的呼气部分。
因为阻力是流量的函数,并且τE是阻力的函数,所以τE值可以随流速改变。在另一个实施例中,通过选择多个呼气区域以基于吸气流速估计τE可实现更好的τE估计。例如,在吸气流速是恒定的那些通气模式比如IMV、VC+(体积控制+)或辅助控制中,可实现更好的τE估计。
在呼气期间,在被机械通气的病人中计算出的τE的阻力部分是三个串联阻力之和,即,作为生理气道阻力(Raw)、气管内管的被施加的阻力(RETT)和通气机呼气阀阻力(Rvent)之和的总阻力(RTOT)。
RTOT=Raw+RETT+Rvent
根据本发明,可以从上面导出的τE的估计中排除由通气机呼气阀施加的阻力,用于τE的改进的准确的修改后的估计。
因此,可以由下式计算Rvent:
其中Paw是气道压力,PEEP是正的呼气末尾压力(如果施加的话,否则为零),是呼气的气道流速。
为了计算本发明的更准确的修改后的τE估计,首先如上所述那样计算τEtotal(t)。然后,以下方程导出排除了通气机阻力的病人的τE的方程:
其中Cest是来自τEtotal的估计出的顺应性,于是
τEtotal(t)=(RRS(t)+Rvent(t))*Cest
τEtotal(t)=(RRS(t)*Cest)+(Rvent(t)*Cest)
利用Cest作为CRS的估计产生了以下时间常数的更准确的估计:
τE(t)=τEtotal(t)–(Rvent(t)*Cest)
当如上所述那样估计出并校正了τE后,使用吸气波形数据来估计Pplt、RRS、CRS和其它肺力学。
可根据本发明、如下面那样准确地估计CRS和RRS以及因此Pplt:
如下面那样计算CRS:
气道方程
两边同乘以CRS以导出CRS的以下方程:
其中Paw是气道充气压力,PEEP是正的呼气末尾压力,VT是换气体积,是吸气流速。
计算RRS涉及以下方程:
气道方程
将VT/CRS乘以RRS
简化右边以导出RRS的以下方程:
计算Pplt涉及以下方程:
Pplt=(VT/CRS)+PEEP
或者,可替选地
作为上述方法的进一步精细化,应当注意,由于阻力随流量变化很大,所以τE也随流量而变化。因此,可以随(峰值吸气流量(PIF)–峰值呼气流量(PEF))的变化而预测τE估计的误差。为了校正该误差,对τE的RRS分量应用校正因子。该校正因子很可能依赖于通气的模式、病人努力的量、PIF和PEF。然而,发现图5中所述的病人的合理校正因子为y=5.2487*(PIF–PEF)–0.8393。根据本发明,峰值吸气流量(PIF)–峰值呼气流量(PEF)于是成为τE的校正因子。
在上述方程中,实现所利用的流量、压力和体积值不是波形而是简单的测量结果是重要的。在该优选实施例中,这些测量同时发生,从而该体积、流量和压力值与吸气期间的单个时间点相关联。由于气道方程不包括由病人的吸气肌肉产生的吸气努力的项,所以测量这些值的理想位置是当吸气努力最小时(以避免气道方程中的吸气努力所造成的误差)。因此,进行这些测量的优选点是以最小努力吸气期间的点。然而,定位最小病人努力的点可能是困难的,因为瞬时的病人努力只能通过侵入式方法比如食道压导管来准确地计算。然而,在典型的呼吸中,低的病人努力经常发生在吸气末尾(或者有时候在开始)附近。
利用呼气时间常数,可在吸气波形的每个点处估计平台压力、阻力、顺应性和相关呼吸参数的各个估计。估计整个吸气的这些参数提供有用的信息,包括整个呼吸的顺应性、平台压力和其它参数的变化的估计和依赖于流量的阻力估计。来自整个估计的这些估计的数据可能对于更好地估计其它导出的参数有价值,这些导出的参数包括但不限于病人努力、更准确的平均阻力和顺应性以及准确的触发信息。
在一个实施例中,通过计算整个吸气的Pplt曲线并且使用Pplt处于其最大值的点来确定用于准确估计参数的最小努力点。在另一个实施例中,通过寻找吸气期间顺应性处于其极小值的位置来定位低病人努力点。这两个实施例依赖于病人努力倾向于增大顺应性估计并且减小平台压力这一事实。
例如,图16中的点A、B和C提供了可被用于在计算τE、Pplt、RRS和CRS时识别体积、流量和压力值的顺应性点的例子。图17示出了可被用于准确估计肺参数的两个最小点(如所标记的x=82和x=186)以及在呼吸期间计算出的顺应性。图18示出了该呼吸的吸气部分的阻力曲线。阻力依赖于流量,所以随着流量下降,阻力也下降。
图19A和图19B示出了因低IMV率而扩增的PSV期间具有高吸气努力的病人数据。第一呼吸(左边)是具有PSV呼吸的相同换气体积的控制呼吸(IMV)。图19A是示出了气道压力(Paw;暗线曲线)和Pes(食道压力;亮线曲线)的图。图19B是示出了流量(暗线曲线)和体积(亮线曲线)的图。
在实时环境中,一些呼吸被咳嗽、病人对抗通气机、通气机进行的不良触发、传感器噪声或误差以及其它问题污染。因此,丢弃被污染并且导致估计在正常范围之外的呼吸是有利的。对一组未被污染的呼吸结果的中值进行取平均或利用提供了呼吸参数的更好的总体估计。在一个实施例中,具有在正常范围之外的顺应性值的呼吸被排除。另外,常见的呼吸参数被计算出并且与正常值相比较。所述呼吸参数包括峰值吸气压力、换气体积、吸气时间、呼气时间、均值气道压力等。
根据本文描述的方法确定的估计出的Pplt、CRS和RRS值对于与病人肺系统对接的任何装置都特别有用。所考虑到的装置包括但不限于通气机、呼吸监视器、肺功能机、睡眠呼吸暂停系统、高气压装置等。熟练的临床医生应理解,这样的装置包括用于提供与诸如气道压力、流量、气道体积、换气体积、f、PIP、吸气时间、P0.1、吸气触发时间、触发深度、呼气时段以及气道、气管内管和通气机呼气阀阻力的病人呼吸参数有关的数据的各种传感器和/或处理系统。所考虑到的通气机包括实现以下通气模式中的一个或多个的那些通气机:体积循环通气;辅助控制通气(A/C);同步化间歇性强制通气(SIMV);压力循环通气;压力支持通气(PSV);压力控制通气(PCV);非侵入式正压力通气(NIPPV);以及持续正气道压力(CPAP)或者双层正气道压力(BIPAP)。
在本发明的一个实施例中,确定Pplt、CRS和RRS的持续的实时估计,以便诊断肺状况或疾病(包括呼吸暂停检测和障碍性睡眠呼吸暂停的治疗以及COPD和ARDS检测)并且/或者评估介入功效。例如,对病人CRS和RRS的持续的准确认识在为病人建立更准确的通气机设定中以及在药物应用(如支气管扩张剂)中特别有用。对药物应用期间病人肺力学的持续且准确的认识在评估治疗功效中以及在确定适当的剂量中特别有用。另外,来自本发明的实时数据可被用于确定影响病人的通气的阻塞或障碍。例如,本发明可被用于确定呼吸管何时需要抽吸以去除粘液或其它阻塞,或者可以确定该呼吸管何时可被扭绞。
在另一个实施例中,Pplt、CRS和RRS的实时估计被用于通过应用气道方程(例如,计算Pmus作为预期气道压力与实际气道压力之差)来估计或改进病人努力的估计。这还对于通过允许准确测量病人努力的接通设定和关断设定来确定和优化病人同步性有用。可人工或自动地实施通气机接通触发和关断触发的优化。
在另一个实施例中,实时估计被用于跟踪病人健康和对治疗的响应。PEEP的改变期间的顺应性跟踪指示肺何时被最佳地通气。阻力的改变指示松弛病人气道的药物正如预期地起作用。使用所述生理参数允许通过通气机和药物这二者滴定和优化治疗。
在一个实施例中,利用临床数据预先训练诸如神经网络的模型,并且可利用标准呼吸监视器非侵入地收集输入参数。该神经网络被训练以使用上述非侵入地获取的参数预测生理的且被施加的肺力学(尽管如果期望,也可以将侵入式参数添加到该系统)。在具有期望的可预测性程度的模型被实现并验证后,诸如实际肺力学变量的网络输出可以被用作病人肺力学的准确预测器。
神经网络的描述
人工神经网络对诸如人脑的生物神经网络的功能不严格地建模。因此,神经网络被典型地实施为互连的神经元的系统的计算机模拟。具体而言,神经网络是互连的处理元素(PE)的分层集合。这些元素被典型地按层布置,其中输入层接收输入数据,隐藏层变换该数据,并且输出层产生期望的输出。也可以使用神经网络的其它实施例。
该神经网络中的每个处理元素接收多个输入信号或数据值,这些输入信号或数据值被处理以计算出单个输出。该输入从前一层中的PE的输出或者从输入的数据接收。使用指定输入数据值之间关系的在本领域中称为激活函数或传递函数的数学方程来计算PE的输出值。如本领域中已知的,激活函数可以包括阈值或偏置元素。较低网络层的元件的输出被提供为至较高层的元素的输入。最高层的一个或多个元素产生最终的一个或多个系统输出。
在本发明的背景下,神经网络是被用于产生前文描述的量化的病人努力的非侵入式估计的计算机模拟。本发明的神经网络可以通过指定组成该网络的处理元素的数目、配置和连接来构造。神经网络的一个简单实施例由处理元素的完全连接的网络组成。如图9中所示,该神经网络的处理元素被分组为以下层:输入层30,在该层中从气道压力和流量传感器收集和/或导出的参数被输入到该网络;处理元素的一个或多个隐藏层32;以及输出层34,在该层中产生病人努力的最终预测36。每层30、32、34中的元素数目决定了连接的数目并因此决定了连接权重的数目。
用于神经网络的最常见的训练方法基于通过将期望的输出与网络输出之间的均方差(均方误差,MSE)最小化来迭代地改进系统参数(通常称为权重)。将输入应用于神经网络,神经网络使数据通过其分层结构,并且产生输出。将该网络输出与对应于该输入的期望输出相比较,并计算误差。然后,将该误差用于调节系统的权重,使得下一次将具体的输入应用于该系统时,网络输出将更接近于期望的输出。有许多用于调节权重的被称为训练算法的可能方法。如图10中所示,最常见的方法被称为背向传播,其涉及计算每个权重对误差的响应能力,并且根据该误差计算局部梯度,以针对每个权重使用梯度下降学习规则。
基于以上说明,可以使用包括计算机软件、固件、硬件或者它们的任何组合或子组的计算机编程或工程技术来实现本发明。可以将如此得到的具有计算机可读代码部的程序体现或提供在一个或多个计算机可读介质中,从而得到根据本发明的计算机程序产品,即,制造的商品。该计算机可读介质可以例如是固定的(硬)驱动、磁盘、光盘、磁带、诸如只读存储器(ROM)等半导体存储器或者诸如因特网或其它通信网络或链接的发送/接收介质。可以通过从一个介质直接执行该代码,通过将该代码从一个介质复制到另一个介质,或者通过在网络上发送该代码而得到和/或使用包含该计算机代码的制造的商品。
计算机科学领域的技术人员能够容易地将按照所描述产生的软件与适当的通用或专用的计算机硬件相结合,以产生体现本发明的方法的计算机系统或计算机子系统。用于得到、使用或销售本发明的设备可以是一个或多个处理系统,包括但不限于中央处理单元(CPU)、存储器、存储装置、通信链路和装置、服务器、I/O装置或者包括体现本发明的软件、固件、硬件或它们的任何组合或子组的一个或多个处理系统的任何子构件。可从键盘、鼠标、笔、语音、触摸屏或者人类可以用来将数据输入到计算机中的包括通过诸如应用程序等其它程序的任何其它手段接收用户输入。
例子1
使用需要机械通气的三十(30)个呼吸衰竭的成年病人(即,接受正压力通气的病人)的异源群体验证了基于所监视的通气参数准确地实时估计肺力学的本发明系统和方法。
对于每个病人,利用吸气流量波形和0.5秒的吸气末尾停顿、在间歇性强制通气(IMV)模式下记录Pplt。所记录的吸气流速的范围在0.5至1.0L/s之间。
如图1中所示,来自位于病人气管内管10与通气机呼吸回路的Y形件15之间的组合压力/流量传感器5(NICO,Respironics)的数据被引导至膝上型计算机20,该膝上型计算机20具有执行用于测量和记录压力、流量和体积数据的本文所述的方法的软件(ConvergentEngineering)。如下面的表1和图2、图3中所示,在所研究的病人群体中,Pplt数据的范围在10至44cmH2O之间。
从具有三个不同吸气流量(0.5、0.75和1L/S)的三个随机病人(A、B和C)获得了τE,并且将τE与通过吸气末尾停顿(EIP)获得的τEPplt相比较。如图4A-4C中所示,依赖于PIF与PEF之间的间隙(X轴),τEPplt不同于τE。在图4A-4C中,用蓝色菱形代表τE,用红色正方形代表τEPplt,其中用绿色三角形代表τEPplt与τE之差。PIF–PEF于是成为τE的校正因子(Guerin,C.等,"EffectofPEEPonworkofbreathinginmechanicallyventilatedCOPDpatients,"IntensiveCareMed,26(9):1207-1214(2000))。
为了导出峰值吸气流速和峰值呼气流速的流量差(PIF–PEF)对吸气和呼气的影响,RRS(RRSPplt–RRSτE),使用方程y=5.2487*(PIF–PEF)–0.8393作为流量差RRS的校正因子。图5是流量差对吸气的影响,其中PIF=峰值吸气流速,PEF=峰值呼气流速,RRSPplt=来自Pplt的病人RRS,RRSτE=来自τE的病人RRS。
验证数据的分析:
图6A中的表格中示出了计算出的与实际的(呼吸末尾停顿)Pplt之间的回归分析,其包括上面计算出的校正。图6B中示出的是计算出的与实际的Pplt之差的Bland-Altman图,其中r2校正为0.99,偏置=0.00125,95%一致性界限=-1.347至1.376。图6C示出了线性拟合图,其显示比例值=1.006。
CRS计算的分析:
图7A是从τE计算出的CRS与从Pplt计算出的标准CRS之间的回归分析的图形说明,其中r2=0.97。图7B示出了CRSPplt与CRSτE之差的Bland-Altman图,其中偏置=0.0000199,95%一致性界限={-0.00634至0.00638}。图7C是CRSτE与CRSPplt之间的线性拟合图,其中比例=0.948。
RRS计算的分析:
图8A是从τE计算出的RRS与从Pplt计算出的标准RRS之间的回归分析的图形说明,其中r2=0.918。图8B示出了RRSPplt与RRSτE之差的Bland-Altman图,其中偏置=0.00000008,95%一致性界限={-2.15至2.15}。图8C是RRSPplt与RRSτE之间的线性拟合图,其中比例=0.923。
例子2
使用需要机械通气并接收PSV的二十四(24)个成年病人群体验证了在不需要具有EIP的IMV的情况下在PSV期间使用来自肺的被动放气的τE对Pplt和CRS的持续且准确的估计。
这24个成人由年龄范围为56.1±16.6岁并且体重范围为79.9±28.8公斤的10个男性和14个女性组成。他们具有不同的呼吸衰竭原因,并且利用PSV进行自主呼吸。PSV范围在5至20cmH2O之间。应用相同的换气体积,在相同的病人当中比较具有EIP的IMV与PSV。在PSV期间,通过对来自呼气体积和流量波形的τE积分而获得Pplt和CRS。在IMV和EIP期间,从查看EIP处的气道压力波形的平台压力获得Pplt。使用回归和Bland-Altman分析来分析数据;α被设定为0.05。
在PSV期间,来自τE方法的Pplt和CRS分别为19.65±6.6cmH2O和0.051±0.0124ml/cmH2O。在具有EIP的IMV期间,Pplt和CRS分别为20.84±7.17cmH2O和0.046±0.011ml/cmH2O(在所有测量结果中无显著不同)。比较这两种测量方法,Pplt与CRS之间的关系分别为r2=0.98(图11)和r2=0.92(图12)(p<0.05))。Pplt和CRS的Bland-Altman图示出了偏置分别为1.17和-0.0035,并且精度分别为±1和±0.0031。
应当理解,本文描述的例子和实施例仅用于说明的目的,并且本领域的技术人员根据该教导可以想到各种修改或变化,这些修改或变化包括在本申请的精神和范围内。
在不与本说明书的明确教导不一致的情况下,在本文中提到或引用的所有专利、专利申请、临时申请和出版物的包括所有图和表格的全部内容通过引用包含在本申请中。