CN104135925A - 用于预测呼吸功的方法及设备 - Google Patents

Abstract

一种使用适应性数学模型根据附接至患者的气道压力传感器和气道流量传感器来创建对生理性患者呼吸努力和强制性患者呼吸努力二者的非侵入性预测的方法。通常经由呼吸功、呼吸功率或者食道压力的压力时间乘积来测量患者努力，并且患者努力对于适当地调节用于使患者自发地呼吸的通气支持来说是重要的。计算该非侵入性预测的方法是基于使用从上述的传感器得到的多个参数的线性计算或非线性计算的。

Description

用于预测呼吸功的方法及设备

技术领域

本发明大体上涉及呼吸治疗和生理学领域，包括呼吸机和呼吸监测技术，并且，更特别地，涉及用于预测患者的生理性呼吸功和强制性呼吸功的方法和设备。

背景技术

机械通气支持已经被广泛接受为用于医治呼吸衰竭的患者的有效治疗形式和装置。通气是将氧气传送至肺中的肺泡并且从肺中的肺泡冲走二氧化碳的过程。当接收通气支持时，患者成为复杂的交互系统的一部分，该交互系统被期望提供充足的通气并且促进气体交换，以帮助患者的稳定和恢复。被通气的患者的临床治疗常常需要监测患者的呼吸，以检测呼吸模式中的中断或不规律，用于触发呼吸机以启动辅助呼吸，并且用于周期性地中断辅助呼吸以使患者免于对辅助呼吸方式的依赖，从而恢复患者独立呼吸的能力。

在患者由于呼吸衰竭、睡眠呼吸暂停、术后护理或其他情形而需要机械通气的实例中，可以使用多种机械呼吸机。大多数现代的呼吸机允许临床医生经由对呼吸机通用的呼吸机设置控件来独立地或结合地选择和使用若干吸入模式。一些呼吸机(例如为非侵入性通气(NIV)设计的呼吸机)主要利用罩接口并且可以使用非常少的设置的选择非常简单地进行操作，通常是在吸入期间具有或不具有更高水平的压力支持的一些基线压力水平。

呼吸机中可用的呼吸模式可以定义为三大类：自发的、辅助的或受控的。在没有其他通气模式的自发通气期间，患者以其自身的节奏进行呼吸，但是系统内的以上环境的其他干涉会影响包括呼吸量和基线压力的其他通气参数。在辅助通气中，患者通过以不同的程度降低基线压力来启动吸入，并且然后呼吸机通过应用正压力完成呼吸来“辅助”患者。在受控通气期间，患者不能自发地呼吸或者启动呼吸，并且因此依靠呼吸机进行每次呼吸。在自发通气或辅助通气期间，患者需要通过使用呼吸肌来“做功”(到不同程度)，以进行呼吸。

由被插管或者被附接至呼吸机时进行吸气的患者进行的总呼吸功(启动并维持呼吸的功)可以被分成两大部分：生理性呼吸功(患者的呼吸功，“WOBp”)以及呼吸设备(例如，气管内的管或者其他形式的患者接口及呼吸机)的强制阻性呼吸功或者强制性呼吸功(“WOBi”)。总呼吸功(“WOB”)可以被测量并且可以以焦耳/升的通气的方式被定量。在过去，已经提出了下述技术：对患者提供通气治疗，以用于通过减小维持呼吸的总呼吸功来提高患者的呼吸努力。还已经研发了其他技术，其有助于减少触发呼吸机系统“启动”以辅助患者呼吸所需要的患者的吸气功。可以期望的是减少患者在这些阶段中的每个阶段中耗费的努力，这是因为高的总呼吸功负荷会对虚弱的患者造成进一步伤害或者会超过幼小患者或伤残患者的承受力或能力。

此外，由于在确定何时从患者拔去管子或者移除通气支持时，患者的强制性呼吸功(WOBi)是非常关键的，所以可以期望的是对患者的强制性呼吸功进行定量。较高的功负荷倾向于创建快速且浅的呼吸模式(高频率和低呼吸量)。快速且浅的呼吸通常是拔管成功的相反标志。然而，如果此较高的功负荷主要由大的强制性呼吸功引起，以使得大多数过量功由呼吸设备引起，则拔管成功率更高("Elevated imposed work of breathingmasquerading as ventilator weaning intolerance.(伪装为呼吸机免依赖的不耐性的升高的强制性呼吸功)"Chest.1995 Oct.；108(4):10215)。

上世纪60年代中期之前的早期的机械呼吸机被设计成支持肺泡通气并且对由于神经肌肉损伤而不能呼吸的患者提供补充的氧气。从那时起，机械呼吸机已经响应于对肺部病理生理学的不断理解而变得越来越精密和复杂。在努力提升患者对机械通气的耐受性中，研发了辅助通气模式或患者触发的通气模式。在上世纪70年代间歇强制通气(IMV)变得可用时，机械支持补充自发通气的局部正压通气(PPV)支持对于手术室外的成年人来说成为可能。不断研发了满足严重受伤患者的需求的各种“可替选的”通气模式。类似地，已经研发出便于使用的小型呼吸机，以支持需要较少的支持的患者。这些呼吸机通常利用非侵入性机制(罩、鼻插管、全头袋等)来与患者进行联接。

近年来，已经将微处理器引入到现代呼吸机中。微处理器呼吸机通常配备有监测每次呼吸的流量、压力、容积并且得出机械呼吸参数的传感器。传感器的“精确地”感测并转换的能力与计算机技术结合，使得临床医生、患者及呼吸机之间的交互相比之前更精细。现有技术的微处理器控制的呼吸机由于放置了转换数据信号所需要的传感器而承受减弱的精度。因此，研发了复杂的算法，以使呼吸机可以基于每次呼吸来“估计”患者的肺中实际上发生了什么。实际上，计算机控制的现有技术的呼吸机受限于试图模仿提供给患者的呼吸机支持中的因果关系的数学算法的精度、可靠性及性质。

辅助通气系统的整体性能由生理因素和机械因素二者确定。包括肺病的性质、患者的通气努力以及很多其他生理变量的生理决定因素随时间发生变化并且难以诊断。此外，医生向来对这些决定因素具有相对少的控制。另一方面，对系统的机械输入在很大程度上是受控的并且其合理的特征在于可以检查呼吸机流量、容积和/或压力的参数。优化的通气辅助需要既能将生理功负荷适当地减小到可承受水平，又能将强制性阻性功负荷降低至零。实现这二者应当确保对患者既不过度施压也不过度支持。不充足的通气支持产生对患者已经受损的呼吸系统的不必要的需求，从而引起或增加呼吸肌疲劳。过度的通气支持将患者置于肺气压损伤、呼吸肌功能失调以及机械通气的其他并发症的危险中。

除了总呼吸功(WOB)之外，还存在对患者努力的其他测量，包括呼吸功率(POB)、完成总呼吸功的速率以及压力时间乘积(PTP)，在呼吸期间由胸膜压力的减小量乘以时间的复合乘积。这些方法在测量患者努力的目标方面相似，但是以不同的方式进行计算并且提供对患者努力的不同的测量。

虽然已经将总呼吸功(及其替代物)认为是用于适当地设置呼吸机的重要的参数，但是由于难以获得总呼吸功的值，所以仍然保持不能大量的使用总呼吸功。使用患者呼吸的胸膜压力与容积曲线图来定义生理性呼吸功。胸膜是包围肺的两层膜并且包括在胸膜的内层和外层之间的润滑流体。在呼吸期间，呼吸肌通过对胸膜施加力来压缩肺或者扩张肺。因此胸膜空间中的压力表示呼吸努力。患者的生理性呼吸功是从右侧的胸腔壁顺应性线到左侧的胸膜压力与容积回路的区域(参见图1)。由于胸膜压力非常难以得到并且在胸膜空间中的不同位置处胸膜压力可以是不同的，所以胸模压力的典型替代物是食道压力。通常通过在心脏与胃之间的食道中放置气球来获得食道压力。

同样地，虽然已经将强制性呼吸功看作为用于适当地设置呼吸机的重要的参数，但是由于难以获得强制性呼吸功的值，所以仍然保持不能大量的使用强制性呼吸功。强制性呼吸功是在自发吸入期间限定在气管的压力呼吸容积回路内的基线压力之下的区域。通常，这是通过使用插入至气管中的或者插入到气管在其远端处开放的一侧中的管腔中的导管来实现。然后，将这些装置附接至压力转换器，以测量气管压力。使用这些装置的最大的难度是这些装置存在的恶劣的环境以及这些装置变的阻塞的倾向。因为这个原因及其他原因，难以可靠地测量气管压力并且因此不能正常地使用气管压力。

美国专利5,316,009描述了这样一种设备，其用于基于测量的肺的阻力和弹力来监测呼吸肌活动，并且然后根据运动的标准公式Paw＝Pmus+R*f1ow+V/C来计算称为Pmus的值。还公开了对Pmus的PTP(不是标准PTP)以及不必要是实际WOB的“功”W_mus的计算。由5,316,009专利教导的方法的问题是，难以对自发地呼吸的患者测量Pmus，这是因为对于Pmus为了与“功”相关联，必须非常精确地计算参数R和参数C。此外，非常难以准确地获得具有呼吸机支持的自发呼吸的患者的R和C。

已经提出了将在患者启动呼吸之后0.1秒时的阻塞压力(PO.1)作为呼吸功的指示。PO.1可以基于食道压力或气道压力。食道压力PO.1是侵入性的，但是与呼吸功非常好的关联。气道压力PO.1是非侵入性的，但是几乎不能与呼吸功关联得那么好。

针对呼吸系统存在包括美国专利第6,439,229号、第6,390,091号、第6,257,234号、第6,068,602号、第6,027,498号、第6,019,732号、第5,941,841号、第5,887,611号、第5,876,352号、第5,807,245号及第5,682,881号的许多其他专利，这些许多其他专利通过引用并入本文中。

因此，本领域中需要这样的系统和方法，其非侵入性地且精确地预测患者的生理性呼吸功和强制性呼吸功。本发明被设计以满足此需求。

发明内容

广义地说，本发明提供了用于非侵入性地预测(估计)生理性呼吸功(由患者进行呼吸所耗费的努力量)和强制性呼吸功(由被呼吸设备强制的患者耗费的努力量)的方法和设备。通常被非侵入地计算为(强制性和/或生理性)呼吸功(WOB)、呼吸功率(POB)或压力时间乘积(PTP)的该努力在确定用于支持患者的呼吸的呼吸机的最合适的设置时是有用的。测量患者努力允许避免呼吸肌疲劳和呼吸肌功能失调的合适的通气支持。测量强制性患者努力通过允许要被驱动至零的强制性努力来允许更合适的通气支持，以模拟更自然的呼吸并且还作为重要的拔管准则。

在本发明的一个方面，该方法包括使用非侵入地采集的预定参数，例如使用标准呼吸监测器采集的那些参数，来创建患者的吸气努力的数学模型。呼吸监测器通常包括测量流入患者和流出患者的流量的气道压力传感器和气道流量传感器，并且常常还有二氧化碳传感器和脉搏血氧计。根据这些时间波形，可以选择性地得到用于表征患者的呼吸和/或患者与呼吸机的交互的不同的方面的各种参数。这些参数包括被提取以准确地估计患者努力的信息。

更具体地，本发明的方法包括使用从监测患者和/或呼吸机的传感器得到的多个参数的组合来估计实际的患者努力参数的方法。患者努力参数可以是表示由患者进行呼吸所做出的努力的任何参数，包括但不限于呼吸功、呼吸功率或压力时间乘积。

在此方法中，优选地根据由呼吸监测器正常地采集的气道压力、气道流量及气道容积以及二氧化碳和脉搏血氧计波形来得到参数，包括但不限于呼吸量、呼吸频率、呼吸峰压(PIP)、吸气时间、PO.1、触发时间、触发深度、呼吸系统阻力、呼吸顺应性、呼吸末二氧化碳、脉搏血氧计体积描记图中的变化以及压力波形的凹/凸。

该方法包括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、专家混合模型或多项式模型。此外，多个不同的模型可以用于估计不同子组的患者的患者努力。这些子组可以以各种方式确定，包括但不限于患者调节(病理生理学)、患者生理参数(肺阻力或肺顺应性)或其他参数。

在本发明的优选方面中，用于估计患者的呼吸功的方法包括使用神经网络，其中，神经网络基于输入数据来提供患者的呼吸功信息，其中，输入数据包括以下参数中至少之一：由呼吸监测器正常地采集的气道压力、气道流量、气道容积、二氧化碳流量及脉搏血氧计体积描记图波形，包括但不限于呼吸量、呼吸频率、吸气峰压(PIP)、吸气时间、POI(参见参考)、触发时间、触发深度、呼吸系统阻力、呼吸顺应性、呼吸末二氧化碳、脉搏血氧计体积描记图中的变化以及压力波形的凹/凸，其中，呼吸功信息被设置为输出变量。

在上述方法中，通过对试验患者群体的临床试验来训练神经网络，以获得教导数据，教导数据包括上述输入信息。将教导数据提供至神经网络，由此训练神经网络来提供与呼吸功对应的输出变量。教导数据还包括食道压力和/或气管压力。

作为用于估计患者的(生理性和/或强制性)呼吸功的系统，该系统包括神经网络，神经网络首先接收通过对试验患者群体的临床试验获得的作为输入的主要教导数据，由此神经网络学习教导数据并且被训练，以提供针对呼吸功的输出变量，以使得在神经网络接收从患者获得的以上述参数的形式的患者输入数据时，神经网络提供用于估计针对该患者的呼吸功的输出变量。

可以以多种方式实现本发明，包括作为系统(包括计算机处理系统或数据库系统)、方法(包括采集并处理输入数据的计算机化方法以及用于估计这些数据，以提供一个或更多个输出的方法)、设备、计算机可读介质、计算机程序产品或者确切地固定在计算机可读存储器中的数据结构。下面讨论本发明的若干实施方式。

作为系统，本发明的实施方式包括具有输入装置和输出装置的处理器单元。处理器单元运行以接收输入参数、处理输入并且提供与呼吸功对应的输出。然后此输出可以用于控制外部装置，例如呼吸机。可以由各种方式例如神经网络、并联分布式处理系统、神经系统等来实现对数据的处理。

作为预测(生理性和/或强制性)呼吸功的方法，该方法包括优选地通过使用神经网络来处理预定输入变量(参数)。

作为包括程序指令的计算机可读介质，本发明的实施方式包括：用于接收输入变量的计算机可读代码装置、用于处理输入的计算机可读代码装置以及用于提供呼吸功的输出指示的计算机可读代码装置。在优选实施方式中，处理包括利用神经网络。该方法还可以包括响应于获得的输出来控制呼吸机。

本发明的方法可以实现为具有其上有代码的计算机可读介质的计算机程序产品。该程序产品包括程序以及携带程序的信号携带介质。

作为设备，本发明可以包括至少一个处理器、耦接至处理器的存储器以及存在于存储器中的实现本发明的方法的程序。

根据下面结合附图的详细描述，借助于示例示出了本发明的原理，本发明的其他方面和优点将变得明显。

本文中所提及的或列举的，或者已经根据其做出要求优先权的权益的所有的专利、专利申请、临时申请及公开通过引用将其与本说明书的明确的教导不一致的全部内容并入本文中。

附图说明

为了获得其中本发明的上述优点及其他优点和目标的方式，将参考附图中示出的本发明的具体实施方式来阐述上面简要描述的本发明的更具体的描述。要理解的是，这些附图仅描绘了本发明的典型实施方式而并不由此此认为限制本发明的范围，将通过使用附图使用另外的特征和细节来描述和阐述本发明，在附图中：

图1是示出了弹性功、胸腔壁存储的能量及阻性功的胸膜压力的图示；

图2描绘了针对呼吸机上的患者的本发明的一个方面的方法；

图3描绘了呼吸功率的非线性预测的图表；

图4描绘了示出隐藏层的神经网络；以及

图5描绘了具有反向传播的适应性系统的输入和输出。

具体实施方式

现在参考附图，将描述本发明的优选实施方式。

在图2中描绘的实施方式中，需要呼吸支持并且连接至呼吸机12的患者10将具有气道流量和压力传感器14，并且可以具有附接在患者接口11处的二氧化碳检测器。取决于呼吸机，可以存在呼气分支和/或吸气分支16。患者接口11可以是侵入性的或非侵入性的。例如，患者接口可以是用于对患者提供通气的管、鼻罩或鼻插管、鼻导管/鼻枕、面罩或其他装置。

这些传感器例如14测量流入患者或者从患者流出的气体中的流量、压力及二氧化碳的部分压力。在信号处理器20中使用模拟信号处理或数字信号处理预处理这些原始信号18，以净化信号、除去传感器偏差和偏置等。然后，在参数提取模块22中处理这些信号，以根据流量数据、压力数据及CO2数据来计算各种其他参数。例如，通过在吸气循环将流量结合到患者中来计算呼吸量；通过在呼吸期间确定最大压力来计算吸气峰压；通过在呼吸的第一个十分之一秒期间测量气道压力的变化来计算PO.1；可以通过将模型(例如线性模型)适应性地适配于气道压力信号、气道流量信号及气道容积信号来计算呼吸系统阻力和顺应性；等等。在本发明的一个方面，神经网络24可以被设置成对参数进行建模，以使得可以通过控制器26来控制呼吸机。

为了创建模型(训练阶段)，可以从一个或更多个患者采集患者信息。获得试验数据(输入数据及期望的输出数据二者均用于创建将预测患者努力的模型)的方法如下：

将可充气的气球放置在患者的食道中并且将导管放置在患者的气管中。对气球部分地充气并且创建将食道压力传输至连接至导管的末端的压力传感器的闭合回路，该导管连接至气球。压力传感器读取作为胸膜压力(图1)的替代的气管压力和食道压力。将正常呼吸期间的食道压力下降绘制到压力容积曲线图上，并且创建回路并将回路与胸腔壁顺应性线结合，以计算呼吸功。可以使用从食道压力减去经缩放和移位的版本的ECG或体积描记图的适应性噪声消除技术来首先清除心脏干扰的食道压力。可以通过麻痹患者并且测量随着正压力呼吸而在回路中的食道压力升高来计算胸腔壁顺应性。很多研究发现，0.1升/厘米的H2O是合适的平均值。该曲线图被称为坎贝尔(Campbell)图并且是用于根据所测量的食道压力来计算患者吸气呼吸功或生理性呼吸功的方法。针对插管的患者，可以通过将气管压力下降和与总呼吸功相似的容积波形(除了胸腔壁顺应性之外)相结合来计算强制性呼吸功。针对总努力与强制性努力二者，将呼吸功率计算为呼吸功的每分钟平均值。除了使用压力-时间轴结合代替压力-容积之外，正如WOB那样测量压力时间乘积(PTP)。可以将呼吸功(生理性呼吸功和强制性呼吸功二者)、呼吸功率和压力时间乘积用作为系统的输出变量。这些是优选系统的三个主要的“期望的输出”。随着患者使用非侵入性通气系统，不必将强制性呼吸功用于计算呼吸功、呼吸功率和/或压力时间乘积。

输入中的一些输入是以非常直接的方式计算的标准参数，例如自发呼吸频率(患者每分钟进行的呼吸的次数)、呼吸量(每次呼吸吸入的空气的体积)等。其他输入参数更复杂，例如呼吸系统阻力、顺应性和气道压力波形特征。例如，通常使用下述公式使用压力波形、容积波形和流量波形(使用压力传感器和流量传感器由标准呼吸监测器来获得)的最小二乘化模型来计算阻力和顺应性：

气道压力＝流量×阻力+容积×顺应性+正端呼气压力

如上所述，使用从流量传感器和压力传感器获得的流量、容积和压力，未知的仅有顺应性和阻力并且可以使用例如最小二乘最优化的技术来适应性地计算顺应性和阻力。

这些方法的问题是，只有在患者不做出任何努力并且呼吸机负责所有呼吸功的情况下公式才是有效的。已经以实验的方式确定出，可以通过使用端部吸气暂停并且分析随着作为阻力的流量停止的压力下降(Δ气道压力/Δ流量)以及在针对顺应性停止流动之后的呼吸量/(气道压力-PEEP)来获得更好的结果。然而，该方法由于患者努力经常扰乱吸气停顿而也不精确。在本发明的一个方面，计算阻力和顺应性的方法可以基于在每次呼吸的最早的几个百分之一秒期间检查初始压力升高。此初始压力升高只涉及进入系统作为没有在肺中累积的容积的流量，并且因此只反映阻力。在对阻力准确地建模之后，可以使用上述的标准最小二乘化技术更精确地获得顺应性。

在某些实施方式中，特别是其中在回路泄漏显著的情况下经由非侵入性患者接口(如罩或导管)采集输入参数的那些实施方式中，完成对泄漏流量的补偿，以得到精确的流量、容积及CO2波形。在某些实施方式中，还必须对压力波形进行修正。当泄漏显著时，由于大部分空气是通过泄漏损失的，所以进入患者或者从患者出来的流量与由传感器测量的流量有很大的不同。泄漏补偿的目标是精确地估计移入患者和移出患者的波形的真实值。存在用于在流量波形中修正泄漏的许多方法，包括但不限于：(a)以相等的方式重新分配所测量的随着呼吸的损失容量并且从流量波形中减去偏差流量，(b)计算抛物线形电导并且使用抛物线形电导来修正所测量的流量波形，(c)计算吸气与呼气之间的损失体积并且贯穿呼吸分配此体积，以及(d)调节流量波形，以使平均流量最小化。泄漏修正通过基于根据输入波形所计算的参数(例如，抛物线形电导)以逐个样本为基础来修改流量波形、容积波形和CO2波形。这些参数可以以逐个样本为基础被连续地计算和调节，或者这些参数可以基于可包括窗口的交叠的加窗方法被周期地计算。

在针对训练数据的数据采集期间，调节呼吸机；例如，在改变呼吸机的同时可以调节压力支持水平并且连续地监测所测量的呼吸功及其他参数。保存稳定区域的数据并且在1分钟至2分钟对参数进行平均，以减少生物信号中的固有噪声和呼吸之间的变化。然后将这些平均的参数用于创建模型。

在一个实施方式中，使用临床数据对模型(例如神经网络)进行预训练，并且输入参数可以使用标准呼吸监测器被非侵入地采集。

训练神经网络以使用上面所描述的非侵入性地获取的参数(虽然可以根据需要将侵入性参数添加至系统)来预测生理性和强制性WOB、POB和PTP。当完成并验证了具有所期望程度的预测能力的模型时，不再需要食道压力数据(WOB、POB、PTP)，并且可以将网络输出(例如实际呼吸努力变量)用作为对患者努力的精确预测。

神经网络的描述

人工神经网络轻易地模仿生物神经网络(例如人类大脑)的功能。因此，神经网络通常被实现为互连的神经元的系统的计算机模拟。特别地，神经网络是互连的处理元件(PE)的分级采集。这些元件通常被布置在层中，其中，输入层接收输入数据，隐藏层转换数据，并且输出层生成期望的输出。也可以使用神经网络的其他实施方式。

神经网络中的每个处理元件接收被处理以计算单一输出的多个输入信号或数据值。从前一层中的PE的输出或者从输入数据来接收输入。使用本技术领域中公知的作为指定各输入数据值之间的关系的激活函数或传递函数的数学等式来计算PE的输出值。如在本技术领域中已知的那样，激活函数可以包括阈值或偏置元件。将较低网络级的元件的输出设置为较高级的元件的输入。最高级的一个或多个元件产生最终的系统的一个或多个输出。

在本发明的上下文中，神经网络是用于生成之前描述的对经量化的患者努力的非侵入性估计的计算机模拟。可以通过指定组成网络的处理元件的数目、布置和连接来构建本发明的神经网络。神经网络的简单实施方式包括处理元件的完全连接的网络。如图4中所示，神经网络的处理元件被分组成下述层：输入层30，其中，从气道压力传感器和气道流量传感器采集和/或得到的参数被输入至网络；处理元件的隐藏层或多个隐藏层32；以及输出层34，其中，产生了患者努力的结果预测36。由每个层(即层30、层32、层34)中的元件的数目限定了连接的数目以及由此的连接权重的数目。

针对神经网络的最通用的训练方法是基于通过使期望的输出与网络输出之间的均方差(均方误差，MSE)最小化来迭代地改善系统参数(通常称为权重)。将输入应用至神经网络，神经网络使数据通过其分级结构，并且生成了输出。将此网络输出和与输入对应的期望的输出进行比较并且计算出误差。然后将此误差用于调节系统的权重，以使得下次将特定输入应用至系统时，网络输出将更接近于期望的输出。存在调节权重的很多可能的方法，被称为训练算法。如图5所示，最常用的方法称为反向传播，反向传播涉及计算对误差负责的每个权重以及根据误差计算局部梯度，以针对每个权重使用梯度下降学习规则。

基于前面的说明，本发明可以使用包括计算机软件、固件、硬件或其任意组合或其子组的计算机编程或工程技术而实现。具有计算机可读代码装置的任何这样所得的程序可以包括在或被设置在一个或更多个计算机可读介质中，从而生成根据本发明的计算机程序产品，即制成品。计算机可读介质可以例如是固定(硬)驱动、磁碟、光盘、磁带、半导体存储器(例如只读存储器(ROM))等或者任何传输/接收介质(例如因特网或其他通信网络或链路)。包含计算机代码的制成品可以通过直接从一个介质执行代码、或者通过将代码从一个介质复制到另一个介质、或者通过经由网络传输代码而被做出和/或使用。

计算机科学技术领域中的技术人员能够轻易地将如所描述的生成的软件与合适的通用计算机硬件或专用计算机硬件进行组合，以生成实现本发明的方法的计算机系统或者计算机子系统。用于做出、使用或出售本发明的设备可以是一个或更多个处理系统，包括但不限于实现本发明的中央处理单元(CPU)、存储器、存储装置、通信链路和装置、服务器、I/O装置或一个或更多个处理系统的任何子部件，处理系统包括软件、固件、硬件或其任何组合或子组。可以从人类可以借助其将数据输入至计算机中的键盘、鼠标、笔、语音、触摸屏或任何其他装置，包括通过其他程序(例如应用程序)来接收使用者输入。

本文中所参考或列举的所有专利、专利申请、临时申请和公开通过参考以其全部内容包括所有的附图和表并入本文中，他们在一定程度上与本说明书的明确教导不一致。

以下是示出用于实践本发明的过程的示例。不应当将这些示例理解为限制。除非另外说明，所有的百分比以重量计并且所有的溶液混合物的比例均为容积比。

示例1：呼吸功率的预测

使用一个特定子组的参数(呼吸系统阻力、顺应性、呼吸量和频率)，本发明用超过0.9的相关系数预测了呼吸功率。使用其他参数的组合得到类似的结果。图3示出了预测的呼吸功率与实际的呼吸功率或测量的呼吸功率的曲线图。由具有相同的x轴值和y轴值并且因此将在图3中所示出的对角黑线40上下降的所有值指示出准确的预测。从此线开始散布越广泛，则预测的呼吸功率与实际的呼吸功率之间的相关性越低。在此特定预测中，数据是从佛罗里达大学(the University of Florida)的Shands医院采集的150个患者获得的。对每个患者使用多个呼吸机设置来采集数据，并且因此在每个研究中给出大约500个数据点。

示例2：用于预测的数据(表1包括第一数据点)

在数据采集期间，连续进行呼吸测量并且采集呼吸测量。存储这些测量并且随后将这些测量馈送给神经网络用于训练。在成功地训练了神经网络模型之后，将未来的测量值输入至“经训练的”模型以生成实际呼吸功率的非侵入性预测。然后对呼吸功率的预测用于建议呼吸机的变化的下行模糊逻辑系统。

在本示例中，系统的输入/输出是：

每分钟通气量—以升为单位、每分钟传送至患者的总量(例如，大体上呼吸量乘以呼吸频率)。

触发梯度—以厘米H2O每秒为单位，由于触发呼吸的患者努力引起的气道压力下降的斜率(例如，在呼吸机开始向患者提供气流之前)。

压力上升时间—在PSV(压力支持通气)呼吸期间流量达最大值并且然后衰减到最大值的80％所花费的时间，作为总吸气时间的一部分(无单位)。

使用R尖峰信号的Pmus—从(如专利中所描述的)压力上升的起始时间使用阻力测量并且使用最小二乘顺应性的(如专利中所描述的)肌肉压力(厘米H2O*秒)。

实际POE—所测量的呼吸功率(每分钟的功)(焦耳/分钟)。

预测POB—由系统预测的呼吸功率(焦耳/分钟)。

使用数据采集软件连续记录这些数。如在领域中公知的那样，连续地修改(大约两分钟的时间常数)并且分析来自传感器的值。当未检测到误差、纰漏或瞬变时，以每分钟一组参数的方式将一组参数标记为“适于预测”。然后采集这些数并且将这些数用于训练神经网络。然后神经网络输出基于预测的呼吸功率以及其他相关的患者参数(例如，呼吸频率、呼吸量和呼吸末CO2)用于优化地设置呼吸机。

表1

应当理解的是，本文中所描述的示例和实施方式仅用于说明性目的，并且根据这些示例和实施方式的各种修改和变化将被建议给本领域中的技术人员并且各种修改和变化包括在本申请的精神和权限及本申请的范围内。

Claims (35)

1.一种用于估计患者的呼吸努力的方法，包括：

采集接受机械通气的所述患者的非侵入性呼吸参数；

根据所述呼吸参数来计算呼吸数据；

将所述呼吸数据输入至使用临床数据创建的数学模型中；以及

从与呼吸努力对应的所述数学模型提供至少一个输出变量。

2.根据权利要求1所述的方法，其中，呼吸努力表示生理性呼吸功和强制性呼吸功。

3.根据权利要求1所述的方法，其中，所述呼吸参数包括下述参数中的一个或更多个参数：气道压力、气道流量、气道容积、二氧化碳流量、泄漏流量及脉搏血氧计体积描记图。

4.根据权利要求3所述的方法，其中，在计算所述呼吸数据之前进行对泄漏流量的补偿。

5.根据权利要求4所述的方法，其中，根据选自由下述的步骤构成的组中选出的步骤来计算对泄漏流量的所述补偿：(a)在呼吸中以相等的方式重新分配所测量的损失容量并且从所测量的流量波形中减去偏差流量，(b)计算抛物线形电导并且使用所述抛物线形电导来修正所测量的流量波形，(c)对抛物线形电导的计算进行加窗，以用于实时修正所测量的流量波形，以及(d)使用呼吸检测器来计算所述抛物线形电导，所述呼吸检测器用于检测每次呼吸的开始和结束，以生成施加至所测量的流量波形的所述抛物线形电导。

6.根据权利要求1所述的方法，其中，所述数学模型选自由以下所构成的组：神经网络模型、模糊逻辑模型、专家混合模型或多项式模型。

7.根据权利要求1所述的方法，其中，所述呼吸数据包括下述数据中的一个或更多个数据：呼吸量、呼吸频率、吸气峰压、吸气时间、在呼吸启动触发时间之后的0.1秒时的阻塞压力、触发深度、呼吸阻力、呼吸顺应性、呼吸末二氧化碳、脉搏血氧计体积描记图中的变化以及压力波形的凹/凸。

8.根据权利要求1所述的方法，其中，所述机械通气经由侵入性呼吸机或非侵入性呼吸机来传送。

9.根据权利要求8所述的方法，其中，所述非侵入性呼吸机包括选自以下各项构成的组的患者接口组件：管、鼻罩、鼻罩/口罩、全面罩、鼻插管和鼻导管/鼻枕。

10.根据权利要求1所述的方法，还包括将来自所述数学模型的所述至少一个输出变量提供至呼吸机，以调节呼吸机设置。

11.根据权利要求1所述的方法，还包括将来自与呼吸努力对应的所述数学模型的所述输出变量提供至显示器。

12.根据权利要求1所述的方法，其中，所述输出变量包括下述变量中的一个或更多个变量：生理性呼吸功变量、强制性呼吸功变量、呼吸功率变量及压力时间乘积变量，其中，每个输出变量表示由所述患者进行呼吸所做出的努力。

13.根据权利要求1所述的方法，其中，所述数学模型是被训练以提供所述至少一个输出变量的神经网络，其中，训练所述神经网络包括使用食道压力作为输入至所述神经网络的临床数据来对试验患者群体进行临床试验。

14.根据权利要求13所述的方法，其中，在压力容积图上绘制食道压力的下降，并且创建回路并将所述回路与胸腔壁顺应性线结合，来计算吸气呼吸功作为所述输出变量中的一个输出变量。

15.根据权利要求14所述的方法，其中，约为0.1升/厘米的H2O用于胸腔壁顺应性。

16.根据权利要求14所述的方法，还包括计算作为呼吸功的每分钟平均值的呼吸功率作为所述输出变量中的一个输出变量。

17.根据权利要求14所述的方法，还包括计算压力时间乘积(PTP)作为所述输出变量中的一个输出变量。

18.根据权利要求1所述的方法，还包括：

将所述患者进行分类；以及

基于所述患者的分类来选择数学模型。

19.根据权利要求18所述的方法，其中，根据病理生理学以及与所述患者相关的生理参数对所述患者进行分类。

20.根据权利要求19所述的方法，其中，所述生理参数包括肺阻力和肺顺应性。

21.一种用于估计患者的呼吸努力的设备，包括：

处理装置，所述处理装置用于计算呼吸数据，所述呼吸数据根据接受机械通气的患者的非侵入性呼吸参数得到，其中，所述非侵入性呼吸参数包括下述参数中的一个或更多个参数：气道压力、气道流量、气道容积、二氧化碳流量、泄漏流量及脉搏血氧计体积描记图，并且其中，所述呼吸数据包括下述数据中的一个或更多个数据：呼吸量、呼吸频率、吸气峰压、吸气时间、在呼吸启动触发时间之后的0.1秒时的阻塞压力、触发深度、呼吸阻力、呼吸顺应性、呼吸末二氧化碳、脉搏血氧计体积描记图中的变化以及压力波形的凹/凸；

数学建模装置，所述数学建模装置使用临床数据而被创建，以接收所述呼吸数据并且预测呼吸努力；以及

输出信号，所述输出信号提供来自与呼吸努力相对应的所述数学模型的至少一个输出变量。

22.根据权利要求21所述的设备，其中，所述数学建模装置是被训练以提供所述至少一个输出变量的神经网络，其中，训练所述神经网络包括对试验患者群体进行临床试验。

23.根据权利要求21所述的设备，其中，所述输出变量包括下述变量中的一个或更多个变量：生理性呼吸功变量、强制性呼吸功变量、呼吸功率变量及压力时间乘积变量，其中，每个输出变量均表示由所述患者进行呼吸所做出的努力。

24.根据权利要求21所述的设备，其中，所述机械通气经由包括患者接口组件的非侵入性呼吸机来传送，所述患者接口组件选自以下各项构成的组：管、鼻罩、鼻/口罩、全面罩、鼻插管和鼻导管/鼻枕。

25.一种用于估计患者的呼吸努力的系统，包括：

用于采集接受机械通气的所述患者的非侵入性呼吸参数的装置，其中，所述非侵入性呼吸参数包括下述参数中的一个或更多个参数：气道压力、气道流量、气道容积、二氧化碳流量、泄漏流量和脉搏血氧计体积描记图；

用于根据所述呼吸参数计算呼吸数据的装置，其中，所述呼吸数据包括下述数据中的一个或更多个数据：呼吸量、呼吸频率、吸气峰压、吸气时间、在呼吸启动触发时间之后的0.1秒时的阻塞压力、触发深度、呼吸阻力、呼吸顺应性、呼吸末二氧化碳、脉搏血氧计体积描记图中的变化以及压力波形的凹/凸；

用于使用数学模型来预测呼吸努力的装置，所述数学模型使用临床数据而被创建并且接收所述呼吸数据；以及

用于从与呼吸努力对应的所述数学模型提供至少一个输出变量的装置。

26.根据权利要求25所述的系统，其中，所述数学模型是被训练以提供所述至少一个输出变量的神经网络，其中，训练所述神经网络包括对试验患者群体进行临床试验。

27.根据权利要求25所述的系统，其中，所述输出变量包括下述变量中的一个或更多个变量：生理性呼吸功变量、强制性呼吸功变量、呼吸功率变量及压力时间乘积变量，其中，每个输出变量均表示由所述患者进行呼吸所做出的努力。

28.根据权利要求25所述的系统，其中，所述机械通气经由包括患者接口组件的非侵入性呼吸机来传送，所述患者接口组件选自由以下各项构成的组：鼻罩、鼻/口罩、全面罩、鼻插管和鼻导管/鼻枕。

29.一种用于估计患者的呼吸努力的计算机可读介质，包括：

用于对接受机械通气的所述患者的所测量的非侵入性呼吸参数进行接收的代码装置，其中，所述非侵入性呼吸参数包括下述参数中的一个或更多个参数：气道压力、气道流量、气道容积、二氧化碳流量、泄漏流量及脉搏血氧计体积描记图；

用于根据所述呼吸参数计算呼吸数据的代码装置，其中，所述呼吸数据包括下述数据中的一个或更多个数据：呼吸量、呼吸频率、吸气峰压、吸气时间、在呼吸启动触发时间之后的0.1秒时的阻塞压力、触发深度、呼吸阻力、呼吸顺应性、呼吸末二氧化碳、脉搏血氧计体积描记图中的变化以及压力波形的凹/凸；

用于使用数学模型来预测呼吸努力的代码装置，所述数学模型使用临床数据而被创建并且接收所述呼吸数据；以及

用于从与呼吸努力对应的所述数学模型提供至少一个输出变量的代码装置。

30.根据权利要求29所述的计算机可读介质，其中，所述数学模型是被训练以提供所述至少一个输出变量的神经网络，其中，训练所述神经网络包括对试验患者群体进行临床试验。

31.根据权利要求29所述的计算机可读介质，其中，所述输出变量包括下述变量中的一个或更多个变量：生理性呼吸功变量、强制性呼吸功变量、呼吸功率变量及压力时间乘积变量，其中，每个输出变量均表示由所述患者进行呼吸所做出的努力。

32.一种对呼吸机患者的呼吸功进行建模的方法，包括：

监测患者的多个非侵入性呼吸参数，所述患者连接至与多个样本患者在连接至各自的非侵入性呼吸机时的吸气努力相关的非侵入性呼吸机；

在期望的时间周期采集与所述参数相关的信息；

根据在所述期望的时间周期针对所述多个患者所采集的信息来创建患者吸气努力的数学模型；

将所述呼吸机患者的当前吸气努力的输入指示应用至所述数学模型；以及

基于输入来提供实际呼吸努力变量。

33.根据权利要求32所述的方法，其中，所述数学模型是神经网络。

34.根据权利要求33所述的方法，还包括：

向所述神经网络提供与所述参数相关的信息作为主要教导输入；以及

基于所述主要教导输入来训练所述神经网络，以提供实际呼吸努力变量。

35.根据权利要求32所述的方法，其中，所述非侵入性呼吸机包括选自由以下各项构成的组的患者接口组件：鼻罩、鼻/口罩、全面罩、鼻插管和鼻导管/鼻枕。