CN108135536A - 经由参数优化的对呼吸动力学和患者努力的同时估计 - Google Patents

经由参数优化的对呼吸动力学和患者努力的同时估计 Download PDF

Info

Publication number
CN108135536A
CN108135536A CN201680056919.XA CN201680056919A CN108135536A CN 108135536 A CN108135536 A CN 108135536A CN 201680056919 A CN201680056919 A CN 201680056919A CN 108135536 A CN108135536 A CN 108135536A
Authority
CN
China
Prior art keywords
respiratory
pressure
time
parameter
parametrization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201680056919.XA
Other languages
English (en)
Other versions
CN108135536B (zh
Inventor
F·比卡里奥
A·阿尔巴内塞
王东
N·卡拉莫列赫科斯
N·W·什巴特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips Electronics NV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Koninklijke Philips Electronics NV filed Critical Koninklijke Philips Electronics NV
Publication of CN108135536A publication Critical patent/CN108135536A/zh
Application granted granted Critical
Publication of CN108135536B publication Critical patent/CN108135536B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/03—Detecting, measuring or recording fluid pressure within the body other than blood pressure, e.g. cerebral pressure; Measuring pressure in body tissues or organs
    • A61B5/036—Detecting, measuring or recording fluid pressure within the body other than blood pressure, e.g. cerebral pressure; Measuring pressure in body tissues or organs by means introduced into body tracts
    • A61B5/038—Measuring oral pressure
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/085—Measuring impedance of respiratory organs or lung elasticity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/087—Measuring breath flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/091—Measuring volume of inspired or expired gases, e.g. to determine lung capacity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7242—Details of waveform analysis using integration
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2505/00—Evaluating, monitoring or diagnosing in the context of a particular type of medical care
    • A61B2505/03—Intensive care
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6814—Head
    • A61B5/682—Mouth, e.g., oral cavity; tongue; Lips; Teeth
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture

Abstract

根据由气道压力和流量传感器(20、22)采集的气道压力数据和流量数据在每呼吸的基础上估计呼吸变量。呼吸检测器(28)检测呼吸间隔。每个呼吸的呼吸变量估计器(30)将所述呼吸间隔内的气道压力数据和流量数据拟合到将气道压力、气道流量和单次呼吸的参数化的呼吸肌压力曲线(40、42)相关的肺运动的公式，以生成针对所述单次呼吸的参数化的呼吸肌压力曲线的经优化的参数值。所述呼吸肌压力在所述检测的呼吸间隔内作为时间的函数而被估计为具有所述经优化的参数值的所述单次呼吸的参数化的呼吸肌压力曲线，并且可以例如在显示设备(26、36)上被显示为趋势线或被积分(32)以生成用于在调节通气机(10)的设置中使用的呼吸功(WoB)。

Description

经由参数优化的对呼吸动力学和患者努力的同时估计
技术领域
以下总体涉及呼吸领域、呼吸监测领域以及诸如机械通气领域的相关领域。
背景技术
呼吸系统的临床评价可以通过估计某些呼吸值(例如呼吸肌压力、呼吸系统阻力和呼吸系统顺应性或弹性)在定量的基础上执行。
通常表示为Pmus(t)的呼吸肌压力是由患者在呼吸期间施加的(负)压力。更具体地，在吸气期间，横膈膜工作以扩大肺的体积，因此降低针对给定空气体积的压力(如在堵塞的气道的情况下)或将空气吸入肺内(在正常吸气的情况下)。呼吸肌压力一般是用于呼吸监测的有用度量，因为它是患者的自主呼吸努力的度量。估计Pmus(t)结合机械通气支持模式(例如患者和机械通气机共用对呼吸系统执行的机械功的压力支持通气(PSV))具有特别的价值。通常，目标是提供足以实现有效的呼吸而不使患者疲劳的最小机械通气。Pmus(t)的定量评价因此能够用来选择由通气机递送的适当水平的通气支持以便防止患者呼吸肌的萎缩和疲劳。
通常用来评价由患者作出的努力的临床参数被称为呼吸功率(PoB)或呼吸功(WoB)。PoB能够根据对Pmus(t)的估计通过积分来计算，即：
其中，T是优选的包含若干个呼吸的某个选定的时间间隔。PoB以功率或能量每单位时间(例如焦耳/分钟)为单位来进行测量。呼吸功是类似的，除了公式(1)中的积分时间间隔T针对WoB被定义为单次呼吸(或呼吸的吸气时段，因为对于呼气可以假设Pmus(t)＝0)。WoB因此以能量/呼吸(例如焦耳/呼吸)为单位。WoB的一个难题是呼吸持续时间一般会从呼吸到呼吸地改变。
呼吸肌压力Pmus(t)可以例如通过经由将球囊导管插入在患者的食道中来测量食道压力(Pes)而被侵入式地测量。在该方法中，测量的Pes(t)被假设为胸膜腔压力(Ppl)的良好代表，并且能够结合对胸壁顺应性Crs(或弹性Ers＝1/Crs)的估计被使用经由所谓的坎贝尔图来计算WoB或等价地经由对Pmus(t)的显式计算并且然后经由公式(1)(其中，时间间隔T为一个呼吸或吸气时段)来计算WoB。Pmus(t)的侵入式测量可能是有问题的，因为涉及气道堵塞的技术能够使患者(其通常由于某种呼吸窘迫而已经处于虚弱状态)承受压力。此外，Pmus(t)的侵入式估计一般基于在实践中可能不现实的假设，或在(例如气道被堵塞的)异常呼吸状态下被执行，使得估计的Pmus(t)可以不同于由患者在正常呼吸期间施加的Pmus(t)。
呼吸系统阻力(Rrs)和顺应性(Crs)或弹性(Ers)提供关于患者的呼吸系统的机械性质的定量信息。这些呼吸系统值能够用来诊断呼吸疾病和/或告知适当的机械通气模态和/或治疗路径的选择。呼吸系统阻力和顺应性(或弹性)的估计能够通过应用流量中断技术(也被称为吸气未暂停，EIP)来执行。然而，这是侵入式技术，其干扰为患者提供维持生命的呼吸的治疗机械通气模式。
以下公开了解决上述问题以及其他问题的新的且改善的系统和方法。
发明内容
在一个公开的方面中，公开了一种呼吸监测器设备。气道压力传感器被配置为采集作为时间的函数的气道压力数据，并且气道流量传感器被配置为采集作为时间的函数的气道流量数据。呼吸检测器包括被编程为在所述气道压力数据和所述气道流量数据中的至少一个中检测呼吸间隔的电子处理器。每呼吸的呼吸变量估计器包括被编程为通过包括以下的操作来估计检测到的呼吸间隔内的作为时间的函数的呼吸肌压力的电子处理器：将所述呼吸间隔内的所述气道压力数据和所述气道流量数据拟合到将气道压力、气道流量和单次呼吸的参数化的呼吸肌压力曲线相关的肺运动的公式，以生成针对所述单次呼吸的参数化的呼吸肌压力曲线的优化的参数值；并且将检测到的呼吸间隔内的作为时间的函数的所述呼吸肌压力估计为具有所述优化的参数值的所述单次呼吸的参数化的呼吸肌压力曲线。在一些实施例中，所述每呼吸的呼吸变量估计器被编程为通过执行对线性问题的最小二乘优化来将所述呼吸间隔内的所述气道压力数据和所述气道流量数据拟合到肺运动的所述公式，其中，是所述呼吸间隔内的所述气道压力数据的向量，是包括通过所述拟合进行优化的所述参数的参数向量，并且M是连接矩阵。所述参数向量可以还包括至少一个呼吸阻力参数和至少一个呼吸顺应性或弹性参数，并且在一些实施例中，还包括呼吸惯性参数。
在另一个公开的方面中，一种非瞬态存储介质存储能够由电子处理器运行以执行对气道压力数据和气道流量数据进行操作的每呼吸的呼吸变量估计方法的指令。所述方法包括：检测所述气道压力数据和所述气道流量数据中的至少一个中的呼吸间隔的步骤，将所述呼吸间隔内的所述气道压力数据和所述气道流量数据拟合到将气道压力、气道流量和单次呼吸的参数化的呼吸肌压力曲线(40、42)相关的肺运动的公式以生成针对所述单次呼吸的参数化的呼吸肌压力曲线的优化的参数值的步骤，以及将检测到的呼吸间隔内作为时间的函数的所述呼吸肌压力估计为具有所述优化的参数值的所述单次呼吸的参数化的呼吸肌压力曲线的步骤。在一些实施例中，所述单次呼吸的参数化的呼吸肌压力曲线具有与从在所述呼吸间隔的开始处的初始压力延伸至在第一时间Tp处的最大幅度的负压力的向下部分、从所述第一时间Tp延伸至第二时间Te的向上部分以及从所述第二时间Te延伸至所述呼吸间隔的结束的平坦部分。在这样的实施例中，所述拟合可以采用线性矩阵方程来针对所述单次呼吸的参数化的呼吸肌压力曲线的参数生成优化的参数值，所述优化的参数值包括在所述呼吸间隔的所述开始处的所述初始压力、在所述第一时间Tp处的最大幅度的所述负压力和在所述第二时间Te处的压力Pe。为了便于评估为线性问题，在一些实施例中，采用所述线性矩阵方程的所述拟合不对所述呼吸肌压力曲线的任何时间参数进行拟合。
一个优点在于提供了在每个呼吸的基础上的呼吸努力的估计。
另一优点在于提供了对吸气期间的高频率噪声影响鲁棒的呼吸努力的估计。
另一优点在于提供了用于在设置机械通气支持的适当水平中使用的具有改善的准确性的对于自主呼吸的患者的呼吸功(WoB)或呼吸功率(PoB)估计。
给出的实施例可以不提供前述实施例中的优点，提供前述实施例中的一个、两个、更多个或全部的优点，和/或可以提供对于本领域技术人员来说在阅读并理解了本公开后将显而易见的其他优点。
附图说明
本发明可以采取各种部件和部件的布置，以及各种步骤和步骤的安排的形式。附图仅出于图示优选实施例的目的，并且不应被解释为对本发明的限制。
图1图解性地图示了包括患者监测器和机械通气机的呼吸变量估计系统以及其说明性应用。
图2绘制了可以被图1的每呼吸的呼吸变量估计器使用的说明性单次呼吸的分段线性参数化呼吸肌压力对时间呼吸曲线。
图3绘制了可以被图1的每呼吸的呼吸变量估计器使用的说明性单次呼吸的分段抛物线参数化呼吸肌压力对时间呼吸曲线。
图4示出了由图1的系统的每呼吸的呼吸变量估计器合适地执行的说明性过程的方框图。
具体实施方式
在本文中公开的方法中，呼吸肌压力Pmus(t)、呼吸系统阻力Rrs和呼吸系统顺应性Crs或弹性Ers＝1/Crs通过评估肺运动的公式而在每个呼吸的基础上被同时估计：
其中，Paw(t)是测量的气道压力，是测量的气道流量，V(t)是呼吸的空气体积，即并且P基线是常数。在执行该同时估计中，气道压力Paw(t)和气道流量被采样。评估N个样本需要对N+2个未知量(包括N个Pmus(t)的值和Rrs和Crs的值)进行求解。这是欠定问题，因为数据点(N)的数量小于未知量(N+2)的数量。
除了问题是欠定的之外，本文中认识到又一难题是测量的气道压力Paw(t)和气道流量可能是有噪声的，尤其是在吸气期间，其为快速变化的瞬变阶段。正是该有噪声的瞬变吸气阶段为在估计呼吸肌压力Pmus(t)中最感兴趣的，因为正是吸气期间为预期呼吸肌压力在自主呼吸患者中为非零的。
本文中公开的方法有利地利用对肺运动的已知生理约束。首先，在自主呼吸的患者中，预期运动跟随呼吸循环。当患者在诸如压力支持通气(PSV)的支持模式下的机械通气上时，这保持为真，在所述压力支持通气中，通气机压力由患者的吸气的开始触发。其次，预期呼吸肌压力Pmus(t)具有特定曲线，具体地在吸气开始的时候在基线值处开始并且减小(即变得更负)直至到达一定的(负)峰值，紧接着在呼吸进气结束的时候快速返回到基线值。在呼吸进气完成之后，预期Pmus(t)在呼吸的其余部分内(例如在呼气阶段期间)保持接近基线压力。虽然如果患者具有不均匀的或要不然不稳定的呼吸则距该一般曲线的一些实际偏差会存在于具体的呼吸循环中，但是距该一般曲线的高频偏差(即，在比呼吸速率更高的频率处的偏差)更可能是由于应当是随机的并且在呼吸内平均起来接近零的测量噪声。
本文中公开的方法通过使用呼吸肌压力Pmus(t)的单次呼吸的参数化的曲线表示拟合单次呼吸内的测量的样本来利用这些约束。通过该曲线的参数的合适的选择，得到的问题是能够通过诸如梯度下降、Marquardt-Levenberg、或类似的最小二乘优化的技术来求解的线性问题。将会将非线性引入优化问题的参数也能够被包含到该曲线内，但是这些参数使用网格搜索来优化。实际上，将会引入非线性的这些参数是时间参数(例如在呼吸进气和呼吸进气末时间中到达峰值负值的时间)。
此外，单次呼吸的参数化的呼吸肌压力曲线能够吸收肺运动的公式(公式(2))的基线压力P基线。为了适应呼吸内的P基线的逐渐漂移的可能性，本文中公开的说明性单次呼吸的参数化的呼吸肌压力曲线包括分别在呼吸进气的开始和结束的时候的不同的有效基线值P0和Pe。得到的经修改的肺运动的公式能够被表示为：
其中，Pmus，曲线(t，P0，Pp，Pe)是单次呼吸的参数化的呼吸肌压力曲线。最小二乘优化对压力参数P0，Pp，Pe进行优化。这些压力参数是在呼吸进气开始处的基线压力P0、在呼吸进气期间到达的最大负压力Pp以及在呼吸进气结束处的基线压力Pe。通常，预期但是这些值之间的一定的差可以通过最小二乘拟合来获得，其考虑公式(2)的基线压力P基线随着时间的任何逐渐漂移。记法表示公式(3)利用针对时间参数Tp和Te的固定值来进行评估。时间参数Tp是曲线到达峰值负压力Pp的时间，并且时间参数Te是曲线返回到基线压力Pe的时间。将时间参数Tp和Te包含到最小二乘拟合内将会导致计算上更难以求解的非线性问题。因此，在本文中的说明性范例中，时间参数Tp和Te使用网格搜索来进行拟合，即，公式(3)针对若干可能的(Tp，Te)对进行优化，并且选择产生到拟合的呼吸内的测量的样本的最佳拟合的优化。
有利地，到拟合的呼吸内的测量的的公式(3)的最小二乘拟合需要仅拟合五个参数：Rrs、Crs、P0、Pp和Pe。如果采样速率是每10毫秒一个样本，并且呼吸具有持续时间3秒，数据集包括N＝300个样本，使得问题现在是高度超定的。快速收敛也通过采用采用针对参数的物理真实开始值来促进–例如一些合适的开始参数可以是P0＝Pe＝0或P0＝Pe＝Pavg，其中，Pavg是呼气阶段期间的平均压力。用于其余参数的合适的开始值可以被选择为针对正在被监测的患者的类型的典型文献值。还预期针对初始化参数值的其他选择选择。因为该五参数拟合是快速的，因而在单次呼吸(通常对于具有在每分钟12-20次呼吸范围内的呼吸率的健康的成年人来说每次呼吸3-5秒)的时间帧中的重复针对若干可能的(Tp，Te)对的优化并且选择具有最低拟合误差的优化是可行的。因此，在一些实施例中，输出延迟为大约单次呼吸或更少，即5秒或更少。这种低延迟足以近似地实现感兴趣参数的实时趋势，包括：被估计为最佳拟合的曲线的Pmus(t)以及呼吸系统参数Rrs和Crs(或Ers)。这种低延迟还通过公式(1)的估计提供了几乎实时的呼吸功(WoB)或呼吸功率(PoB)。对于在单次呼吸内计算的WoB，预期解析地计算通过参数(P0，Pp，Pe，Tp，Te)参数化的的闭式积分，使得对公式(1)的积分的估计简化为估计形式WoB(P0，Pp，Pe，Tp，Te)的代数公式。
现在参考图1，结合说明性患者监测器和其机械通气机设置应用描述了采用以上原理的呼吸参数估计系统。机械通气机10正在支持模式下提供对患者12的机械通气，诸如压力支持通气(PSV)，其中，患者12正在自主呼吸。机械通气机10经由进口空气软管14向患者递送加压的空气，并且经由出口空气软管16将呼出的空气返回到通气机10。空气到和从患者的耦合是经由合适患者附件18的，例如全脸面罩或气管导管。
如在图1中图解性地指示的，气流回路包括测量(即采样)气道压力Paw(t)的气道压力传感器20和测量气道流量的气道流量传感器22。在空气泄露有时存在的非侵入式通气的情况下，气道流量可以可选地使用泄露估计算法针对空气泄露进行修正。积分器24计算空气体积此外，由于本文中公开的呼吸变量估计方法在每个呼吸的基础上进行操作，因而呼吸检测器28被配置为将采集的样本流分成均对应于单次呼吸的时间段。在图1的说明性实施例中，呼吸检测器28分析气道压力样本Paw(t)，并且可以以图示的方式将吸气的开始检测为指示呼吸的进气的开始的Paw(t)的特性突然降低。每个相继的呼吸然后被定义为从一个吸气阶段的开始到下一个吸气阶段的开始的间隔。替代地，呼吸检测器能够分析气道流量信号以检测相继的呼吸，或能够分析气道压力和气道流量两者以检测呼吸间隔。由呼吸分析器识别的每个呼吸此处被表示为时间间隔[0，Ttot]，其中，时间0对应于在吸气阶段开始的时候的第一样本，并且时间Ttot对应于呼吸的结束，即，上一个样本刚好在由呼吸检测器28检测到的下一个呼吸的开始之前。
每呼吸的呼吸变量估计器30针对由呼吸检测器28划分的每个呼吸间隔[0，Ttot]来评价公式(3)或肺运动的另一合适的公式，以便确定呼吸间隔内的呼吸肌压力Pmus(t)以及呼吸系统阻力Rrs和顺应性Crs或弹性Ers。为了图示，在图1中图解性地示出了公式(3)的等效呼吸回路34。计算的呼吸肌压力、阻力和顺应性或弹性值可以被以各种方式使用，例如被显示在患者或护士站监测器26上，和/或由WoB计算器32(或替代地PoB计算器)根据公式(1)进行处理等等。计算的PoB或WoB可以在机械通气机10的显示部件36上例如被显示为趋势线和/或被显示为当前数值，用于由医师在评价并且任选地调节(一个或多个)通气机设置中进行参考。还预期基于计算的PoB或WoB(并且可能其他输入)的这些设置的自动闭环控制。
数据采集和处理部件20、22、24、28、30、32可以在特定实施方式中以各种方式被布置。例如，气道压力传感器20可以被构建到患者附件18内，而气道流量传感器22可以被构建到患者附件18内或被安装在空气软管14、16中的一个上或被容纳在机械通气机10内。数据分析部件24、28、30、32可以由任何电子数据处理设备来实施，诸如机械通气机10的微控制器或微处理器或其他电子处理器、和/或患者或护士站监测器26的微控制器或微处理器或其他电子处理器等等。数据处理可以被实现为存储指令的非瞬态存储介质，所述指令可由电子处理器读取和执行以执行公开的数据处理和其他功能(例如数据采集、显示设备控制等等)。非瞬态存储介质可以例如包括硬盘驱动器或其他磁性存储介质、和/或光盘或其他光学存储介质、和/或闪烁存储器或其他电子存储介质等等。为了实现采集的Paw(t)和的电子数据处理，这些信号被采样并且被数字化。采样和模数(A/D)转换电路可以被构建到相应的传感器20、22内，或可以由机械通气机10或患者或护士站监测器26等等的传感器输入端口相关联的采样和A/D转换器执行–这些数据采集和预处理或数据格式化细节未在图解性图1中进行图示。
继续参考图1并且进一步参考图2，描述了每呼吸的呼吸变量估计器30的说明性实施例。该说明性实施例采用单次呼吸的分段线性参数化呼吸肌压力曲线40，所述分段线性参数化呼吸肌压力曲线40在图2中图示并且如下地给出：
在该说明性单次呼吸的参数化的呼吸肌压力曲线40中，时间参数Tp和Te被假设为是已知的，并且该曲线假设Pmus(t)在t＝0与t＝Tp之间线性地减小，在t＝Tp与t＝Te之间线性地增加，并且从t＝Te到t＝Ttot保持恒定。使用公式(4)(其中，Tp和Te再次被认为是固定值)的呼吸肌压力曲线Pmus，曲线(t，P0，Pp，Pe)将公式(3)的肺运动的公式应用于在单次呼吸内的一组测量样本得到以下矩阵公式：
其中，在公式(5)中，记法PY代替本文中其他地方使用的气道压力记法Paw(下标“Y”指示Y-件作为患者附件18的说明性使用)，并且呼吸系统阻力Rrs和弹性Ers分别由缩短形式R和E来表示。矩阵公式(5)使用最小二乘优化(例如梯度下降、Levenberg-Marquardt等)对参数向量[REP0PpPe]T进行求解，并且呼吸肌压力在呼吸间隔[0，Ttot]内使用公式(4)利用针对P0、Pp和Pe的优化的值和针对Tp和Te的假设的固定值来进行估计。
公式(5)有利地为能够以形式进行表示的线性问题，其中，是测量向量(更具体地，公式(5)中的气道压力数据向量 是参数向量(更具体地，公式(5)中的参数向量[REP0PpPe]T)，并且M是连接矩阵。原理上，Tp和Te也可以是最小二乘优化的参数。然而，得到的问题不是可以形式表示的线性问题。因此，在一些实施例中，呼吸肌压力曲线的时间参数不通过最小二乘拟合来进行拟合。
在本文中的说明性范例中，对Tp和Te的优化通过网格搜索来执行，其中，公式(5)针对Tp和Te的若干不同选择来进行求解，并且针对最佳优化的Tp和Te的值被选择。因为这些仅涉及两个参数Tp和Te，并且此外这些参数具有生理上合理的值的狭窄范围。在最小值处，0<Tp<Te<Ttot保持，并且通过考虑呼吸间隔[0，Ttot]内的吸气阶段的生理上合理的范围，这些约束能够被进一步变窄。
继续参考图1和2并且进一步参考图3，为了在每呼吸的呼吸变量估计中提供进一步的改善，最小二乘优化也能够针对两个或更多个不同的呼吸肌压力曲线形状进行重复，并且最佳的优化(即，具有最低拟合误差的优化)被选择。以非限制性图示的形式，图3图示了单次呼吸的分段抛物线参数化呼吸肌压力曲线42，其中，间隔[0，Tp)是在P0处开始并且在Pp处结束的下降抛物线函数，间隔[Tp，Te)是在Pp处开始并且在Pe处结束的上升抛物线函数，并且间隔[Te，Ttot]具有恒定值Pe。时间参数Tp和Te再次被假设为是已知的，并且能够使用网格搜索来优化。最小二乘优化也能够针对对于两个抛物线段[0，Tp)和[Tp，Te)具有不同弯曲参数的单次呼吸的抛物线参数化呼吸肌压力曲线42的不同实例进行重复。因为具有给定的曲线形状和一组时间参数Tp和Te的最小二乘解是形式的线性问题，能够在1-2秒内执行相对大量(例如十二个或更多个)的这样的优化，使得总体优化能够在单次呼吸的时间帧内完成。这在每呼吸的基础上重复，以生成具有小于一个呼吸间隔的时间延迟的连续波形Pmus(t)。
总的来说，分别使用图2和3的线性和抛物线曲线，每呼吸的呼吸变量估计能够被执行如下：(1)定义一组时间对(Tp，Te)；(2)对于每个对，构建具有分段线性和分段抛物线曲线的对应最小二乘优化问题(两个优化问题针对每个时间对进行构建，一个使用图2的分段线性曲线并且另一个使用图3的分段二次曲线)；(3)求解每个最小二乘优化问题并且计算对应的平方和；(4)找到所有最小二乘优化之中的最小平方和；并且(5)使用参数向量[REP0PpPe]T和适当的曲线用于对要计算的具有最小平方和的求解，以估计该呼吸的Pmus(t)以及呼吸系统阻力和弹性。针对每个相继的呼吸重复步骤(1)-(5)。
在一些实施例中，单次呼吸的分段抛物线参数化呼吸肌压力曲线具有如下的总体形状，所述形状包括从在呼吸间隔开始(时间t＝0)处初始压力(P0)延伸至在第一时间Tp处的最大幅度(Pp)的负压力的向下部分、从第一时间Tp延伸至第二时间Te的向上部分以及从第二时间Te延伸至呼吸间隔的结束的平坦部分。该总体形状包含图2和3的曲线40、42的形状、以及多个变量(例如，具有t＝0与t＝Tp之间抛物线形状的以及t＝Tp与t＝Te之间的线性形状)。
具体参考图1，在前述实施例中，所采用的肺运动的公式是公式(2)的一阶形式。这使用在图1中示出的等效呼吸回路34对呼吸系统进行建模，所述等效呼吸回路34是包括串联的阻力和顺应性的RC回路。在其他考虑的实施例中，呼吸系统由更复杂的等效呼吸回路来表示。例如，肺运动的以下二阶公式：
包括表示呼吸系统惯性的参数L，并且替代表征抛物线阻力的具有阻力参数R0和R1的单个阻力Rrc。公式(6)的肺运动的公式因此是等效LRC回路。
参考图4，在一个实施例中，在二通方法中应用的肺运动的相应公式(6)和(2)的二阶和一阶公式。在由方框50、52表示的第一通中，公式(6)的LRC回路使用图2的单次呼吸的分段线性参数化呼吸肌压力曲线40和针对时间参数对(Tp，Te)的若干不同值来拟合(方框50)，并且使用图3的单次呼吸的分段抛物线参数化呼吸肌压力曲线42和针对时间参数对(Tp，Te)的若干不同值来拟合(方框52)。方框54选择具有最小残差平方和(即最低拟合误差)的最小二乘(LS)解，并且将时间参数Te设置为具有最小残差平方和(即最低拟合误差)的该LS解的值。在由方框60、62表示的第二通中，公式(2)的RC回路使用图2的单次呼吸的分段线性参数化呼吸肌压力曲线40和针对时间参数Tp的若干不同值来拟合(方框60)，并且使用图3的单次呼吸的分段抛物线参数化呼吸肌压力曲线42和针对时间参数Tp的若干不同值来拟合(方框62)。在执行方框60、62的LS优化中，将时间参数Te保持在固定于在方框54中选择的值。此后，在方框64中，来自方框60、62的最低残差平方和的最小二乘(LS)解被选择，并且根据具有最小残差平方和的选定的LS解来生成包括Rrs、Crs(或Ers)和Pmus(t)～Pmus，曲线(t)的一组参数66。
已经参考优选实施例描述了本发明。他人在阅读和理解以上具体实施方式的情况下可能想到修改或替代。本文旨在将本发明解释为包括所有这种修改和替代，只要它们落入权利要求书及其等价方案的范围之内。

Claims (26)

1.一种呼吸监测器设备，包括：
气道压力传感器(20)，其被配置为采集作为时间的函数的气道压力数据，以及气道流量传感器(22)，其配置为采集作为时间的函数的气道流量数据；
呼吸检测器(28)，其包括被编程为检测所述气道压力数据和所述气道流量数据中的至少一个中的呼吸间隔的电子处理器；以及
每呼吸的呼吸变量估计器(30)，其包括被编程为通过包括以下项的操作来估计检测到的呼吸间隔内作为时间的函数的呼吸肌压力的电子处理器：
将所述呼吸间隔内的所述气道压力数据和所述气道流量数据拟合到将气道压力、气道流量和单次呼吸的参数化的呼吸肌压力曲线(40、42)相关的肺运动的公式，以生成针对所述单次呼吸的参数化的呼吸肌压力曲线的优化的参数值，并且
将在检测到的呼吸间隔内的作为时间的函数的所述呼吸肌压力估计为具有所述优化的参数值的所述单次呼吸的参数化的呼吸肌压力曲线。
2.根据权利要求1所述的呼吸监测器设备，其中，所述每呼吸的呼吸变量估计器(30)被编程为通过执行线性问题的最小二乘优化来将所述呼吸间隔内的所述气道压力数据和所述气道流量数据拟合到肺运动的所述公式，其中，是所述呼吸间隔内的所述气道压力数据的向量，是包括通过所述拟合进行优化的所述参数的参数向量，并且M是连接矩阵。
3.根据权利要求2所述的呼吸监测器设备，其中，所述参数向量还包括至少一个呼吸阻力参数和至少一个呼吸顺应性或弹性参数。
4.根据权利要求3所述的呼吸监测器设备，其中，所述参数向量还包括呼吸惯性参数。
5.根据权利要求2-4中的任一项所述的呼吸监测器设备，其中，所述单次呼吸的参数化的呼吸肌压力曲线是单次呼吸的分段线性参数化呼吸肌压力曲线(40)或单次呼吸的分段抛物线参数化呼吸肌压力曲线(42)。
6.根据权利要求1-5中的任一项所述的呼吸监测器设备，其中，所述每呼吸的呼吸变量估计器(30)被编程为：
将所述呼吸间隔内的所述气道压力数据和所述气道流量数据拟合到肺运动的多个不同公式，所述多个不同公式每个具有不同的单次呼吸的参数化的呼吸肌压力曲线(40、42)；并且
将在检测到的呼吸间隔内的作为时间的函数的所述呼吸肌压力估计为具有通过肺运动的最佳拟合的公式产生的所述优化的参数值的所述单次呼吸的参数化的呼吸肌压力曲线。
7.根据权利要求6所述的呼吸监测器设备，其中，所述不同的单次呼吸的参数化的呼吸肌压力曲线包括至少一条单次呼吸的分段线性参数化呼吸肌压力曲线和至少一条单次呼吸的分段抛物线参数化呼吸肌压力曲线。
8.根据权利要求6-7中的任一项所述的呼吸监测器设备，其中，所述不同的单次呼吸的参数化的呼吸肌压力曲线包括具有不同时间参数值的单次呼吸的参数化的呼吸肌压力曲线，其中，所述时间参数不是通过所述拟合来进行拟合的。
9.根据权利要求1-8中的任一项所述的呼吸监测器设备，还包括：
机械通气机(10)；以及
呼吸功或功率估计器(32)，其包括被编程为通过在检测到的呼吸间隔内对作为时间的函数的所估计的呼吸肌压力进行积分来估计呼吸功率(PoB)或呼吸功(WoB)的电子处理器。
10.根据权利要求1-9中的任一项所述的呼吸监测器设备，还包括：
患者或护士站监测器(26)，其被配置为绘制由所述每呼吸的呼吸变量估计器(30)估计的在由所述呼吸检测器(28)检测的相继的呼吸间隔内的作为时间的函数的所述呼吸肌压力的趋势线。
11.根据权利要求1-10中的任一项所述的呼吸监测器设备，其中，所述单次呼吸的参数化的呼吸肌压力曲线是Pmus，曲线(t，P0，Pp，Pe)，其中，P0是表示在所述呼吸间隔开始处的呼吸肌压力的拟合参数，Pp是表示所述呼吸间隔内的最大幅度的负呼吸肌压力的拟合参数，并且Pe是表示在所述呼吸间隔的结束处的呼吸肌压力的拟合参数。
12.根据权利要求11所述的呼吸监测器设备，其中，肺运动的所述公式是以下中的一个：
以及
其中，Paw(t)表示所述气道压力数据的样本，表示所述气道流量数据的样本，V(t)表示通过对气道压力数据进行积分计算的气流体积，Rrs是表示呼吸系统阻力的拟合参数，并且Crs是表示呼吸系统顺应性的拟合参数或者Ers是表示呼吸系统弹性的拟合参数。
13.一种存储有指令的非瞬态存储介质，所述指令能够由电子处理器运行以执行对气道压力数据和气道流量数据进行操作的每呼吸的呼吸变量估计方法，所述方法包括：
检测所述气道压力数据和所述气道流量数据中的至少一个中的呼吸间隔；
将所述呼吸间隔内的所述气道压力数据和所述气道流量数据拟合到将气道压力、气道流量和单次呼吸的参数化的呼吸肌压力曲线(40、42)相关的肺运动的公式，以生成针对所述单次呼吸的参数化的呼吸肌压力曲线的优化的参数值，以及
将检测到的呼吸间隔内的作为时间的函数的所述呼吸肌压力估计为具有所述优化的参数值的所述单次呼吸的参数化的呼吸肌压力曲线。
14.根据权利要求13所述的非瞬态存储介质，其中，所述单次呼吸的参数化的呼吸肌压力曲线(40、42)具有与从在所述呼吸间隔开始处的初始压力延伸至在第一时间Tp处的最大幅度的负压力的向下部分、从所述第一时间Tp延伸至第二时间Te的向上部分以及从所述第二时间Te延伸至所述呼吸间隔的结束的平坦部分。
15.根据权利要求14所述的非瞬态存储介质，其中，所述拟合采用线性矩阵方程来针对所述单次呼吸的参数化的呼吸肌压力曲线(40、42)的参数生成优化的参数值，包括在所述呼吸间隔开始处的所述初始压力P0、在第一时间Tp处的最大幅度的所述负压力Pp以及在所述第二时间Te处的压力Pe。
16.根据权利要求15所述的非瞬态存储介质，其中，采用所述线性矩阵方程的所述拟合不对所述呼吸肌压力曲线的任何时间参数进行拟合，并且所述方法还包括：
针对多个不同的时间参数值集重复所述拟合；
其中，作为时间的函数的所述呼吸肌压力被估计为具有针对提供最低拟合误差所述拟合的所述优化的参数值的所述单次呼吸的参数化的呼吸肌压力曲线。
17.根据权利要求15-16中的任一项所述的非瞬态存储介质，其中，所述方法还包括：
针对多个不同的单次呼吸的参数化的呼吸肌压力曲线形状重复所述拟合；
其中，根据时间的所述呼吸肌压力被估计为具有针对提供所述最低拟合误差的所述拟合的所述优化的参数值的所述单次呼吸的参数化的呼吸肌压力曲线。
18.根据权利要求15-17中的任一项所述的非瞬态存储介质，其中，所述线性矩阵方程包括具有表示通过所述拟合进行优化的所述参数的元素的参数向量，包括：在所述呼吸间隔开始处的所述初始压力P0、在第一时间Tp处的最大幅度的所述负压力Pp、在所述第二时间Te处的所述压力Pe、至少一个呼吸阻力参数以及至少一个呼吸顺应性或弹性参数。
19.根据权利要求18所述的非瞬态存储介质，其中：
所述拟合包括将所述呼吸间隔内的所述气道压力数据和所述气道流量数据拟合到肺运动的二阶公式，所述二阶公式包括表示呼吸系统惯性的参数L；并且
所述参数向量还包括表示所述呼吸系统惯性L的元素。
20.根据权利要求13-19中的任一项所述的非瞬态存储介质，其中，所述方法还包括以下中的一项：
通过在检测到的呼吸间隔内对所述估计的呼吸肌压力进行积分来计算所述呼吸间隔内的呼吸功(WoB)，并且通过所述呼吸间隔的持续时间来进行归一化；以及
通过在预先选择的时间间隔内对所估计的呼吸肌压力进行积分来计算呼吸功率(PoB)，并且通过预先选择的呼吸间隔的持续时间来进行归一化。
21.根据权利要求13-20中的任一项所述的非瞬态存储介质，其中，所述方法还包括：
重复所述检测、拟合和估计，以检测相继的呼吸间隔并且估计相继的检测到的所述呼吸间隔内的作为时间的函数的呼吸肌压力；并且
使显示设备(26、36)显示表示在相继的检测到的所述呼吸间隔内的作为时间的函数的所估计的呼吸肌压力的趋势线。
22.一种呼吸监测器设备，包括：
显示设备(26、36)；
根据权利要求21所述的非瞬态存储介质；以及
电子处理器，其被配置为读取所述非瞬态存储介质，并且使所述显示设备显示表示所估计的在所述相继的检测的呼吸间隔内的作为时间的函数的所估计的呼吸肌压力的趋势线，其中，时间延迟小于一个呼吸间隔。
23.一种对气道压力数据和气道流量数据进行操作的每呼吸的呼吸变量估计方法，所述方法包括：
检测所述气道压力数据和所述气道流量数据中的至少一个中的呼吸间隔；
将所述呼吸间隔内的所述气道压力数据和所述气道流量数据拟合到将气道压力、气道流量和单次呼吸的参数化的呼吸肌压力曲线(40、42)相关的肺运动的公式，以生成针对所述单次呼吸的参数化的呼吸肌压力曲线和针对所述呼吸系统阻力以及针对所述呼吸系统弹性或顺应性的优化的参数值，并且
将在检测到的呼吸间隔内的作为时间的函数的所述呼吸肌压力估计为具有所述优化的参数值的所述单次呼吸的参数化的呼吸肌压力曲线；
将所述呼吸系统阻力估计为针对所述呼吸系统阻力的所述优化的参数值；并且
将所述呼吸系统弹性或顺应性估计为针对所述呼吸系统弹性或顺应性的所述优化的参数值；
其中，所述检测、所述拟合和所述估计操作由电子处理器执行。
24.根据权利要求23所述的方法，其中，所述单次呼吸的参数化的呼吸肌压力曲线(40、42)具有与从在所述呼吸间隔开始处的初始压力延伸至在第一时间Tp处的最大幅度的负压力的向下部分、从所述第一时间Tp延伸至第二时间Te的向上部分以及从所述第二时间Te延伸至所述呼吸间隔的结束的平坦部分。
25.根据权利要求23-24中的任一项所述的方法，还包括：
在显示设备(26、36)上显示作为时间的函数的表示所估计的呼吸肌压力的趋势线；
在所述显示设备上显示作为时间的函数的表示所述呼吸系统阻力的趋势线；
在所述显示设备上显示作为时间的函数的表示所述呼吸系统弹性或顺应性的趋势线。
26.根据权利要求23-25中的任一项所述的方法，其中：
针对呼吸系统阻力的所述优化的参数值包括两个阻力参数R0和R1；并且
所述呼吸系统阻力被估计为
CN201680056919.XA 2015-09-29 2016-09-18 经由参数优化的对呼吸动力学和患者努力的同时估计 Active CN108135536B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201562234106P 2015-09-29 2015-09-29
US62/234,106 2015-09-29
PCT/IB2016/055568 WO2017055959A1 (en) 2015-09-29 2016-09-18 Simultaneous estimation of respiratory mechanics and patient effort via parametric optimization

Publications (2)

Publication Number Publication Date
CN108135536A true CN108135536A (zh) 2018-06-08
CN108135536B CN108135536B (zh) 2021-07-20

Family

ID=57113515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680056919.XA Active CN108135536B (zh) 2015-09-29 2016-09-18 经由参数优化的对呼吸动力学和患者努力的同时估计

Country Status (5)

Country Link
US (1) US11191441B2 (zh)
EP (1) EP3356948B1 (zh)
JP (1) JP6876057B2 (zh)
CN (1) CN108135536B (zh)
WO (1) WO2017055959A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112914526A (zh) * 2021-01-23 2021-06-08 刘阳 呼吸力学校正的脉搏压力变异度的专项评估方法
CN113143250A (zh) * 2020-01-07 2021-07-23 德尔格制造股份两合公司 用于在使用肺机械的模型和进程模型的情况下获取气动尺度的方法和信号处理单元
CN113181490A (zh) * 2021-04-14 2021-07-30 北京航空航天大学 一种基于二次规划的机械通气中呼吸系统特征估算的方法
CN117059250A (zh) * 2023-09-11 2023-11-14 巨翊科技（上海）有限公司 一种呼吸流量预测模型的构建方法、系统和预测装置

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017140500A1 (en) 2016-02-18 2017-08-24 Koninklijke Philips N.V. Enhancement of respiratory parameter estimation and asynchrony detection algorithms via the use of central venous pressure manometry
US11883593B2 (en) 2016-12-20 2024-01-30 Koninklijke Philips N.V. Determining respiratory mechanic parameters in the presence of intrinsic positive end-expiratory pressure
EP3525857B1 (en) 2017-11-14 2020-01-29 Covidien LP Systems for drive pressure spontaneous ventilation

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102164540A (zh) * 2008-09-25 2011-08-24 内尔科尔普里坦贝内特有限公司 医用换气机中患者呼吸努力动态的模型预测在线识别
CN103083770A (zh) * 2005-09-30 2013-05-08 纽约大学 用于诊断和治疗患者呼吸模式的系统和方法
US20140276173A1 (en) * 2013-03-14 2014-09-18 Convergent Engineering, Inc. Methods and systems for monitoring resistance and work of breathing for ventilator-dependent patients
CN104135925A (zh) * 2012-02-20 2014-11-05 佛罗里达大学研究基金会有限公司 用于预测呼吸功的方法及设备

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2582010B2 (ja) 1991-07-05 1997-02-19 芳嗣 山田 呼吸筋活動のモニタ装置
US6068602A (en) 1997-09-26 2000-05-30 Ohmeda Inc. Method and apparatus for determining airway resistance and lung compliance
WO2000045881A1 (en) * 1999-02-03 2000-08-10 University Of Florida Method and apparatus for nullifying the imposed work of breathing
US6435182B1 (en) * 1999-03-24 2002-08-20 Trustees Of Boston University Enhanced ventilation waveform device
EP3156092A1 (en) * 2000-04-26 2017-04-19 The University of Manitoba Apparatus for determining respiratory system resistance during assisted ventilation
EP1972274B1 (en) 2007-03-20 2015-12-30 Drägerwerk AG & Co. KGaA Method and apparatus for determining the resistance of the respiratory system of a patient
BRPI0917612A2 (pt) * 2008-12-10 2015-11-17 Konink Philps Electronics Nv ''sistema configurado para determinar uma elastância e uma resistência da respiração de um individuo e método de determinação de uma elastância e uma resistência da respiração de um individuo''
DE102009023965A1 (de) 2009-06-05 2010-10-14 Drägerwerk AG & Co. KGaA Beatmungsvorrichtung mit einer selbsttätig gesteuerten druckunterstützenden Beatmung
US9987444B2 (en) * 2011-07-01 2018-06-05 Koninklijke Philips N.V. System and method for limited flow respiratory therapy
WO2013042007A1 (en) 2011-09-21 2013-03-28 Koninklijke Philips Electronics N.V. Upper airway resistance measurement device
JP6200425B2 (ja) 2011-11-07 2017-09-20 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 非侵襲的換気のための自動患者同調調整
CN104203093B (zh) * 2012-03-30 2017-10-03 皇家飞利浦有限公司 用于呼吸能量实时评估的系统和方法以及闭环控制器
US10668236B2 (en) * 2012-10-10 2020-06-02 Koninklijke Philips N.V. Adaptive patient circuit compensation with pressure sensor at mask apparatus
US20140373845A1 (en) * 2013-06-25 2014-12-25 Covidien Lp Methods and systems for adaptive adjustment of ventilator settings

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103083770A (zh) * 2005-09-30 2013-05-08 纽约大学 用于诊断和治疗患者呼吸模式的系统和方法
CN102164540A (zh) * 2008-09-25 2011-08-24 内尔科尔普里坦贝内特有限公司 医用换气机中患者呼吸努力动态的模型预测在线识别
CN104135925A (zh) * 2012-02-20 2014-11-05 佛罗里达大学研究基金会有限公司 用于预测呼吸功的方法及设备
US20140276173A1 (en) * 2013-03-14 2014-09-18 Convergent Engineering, Inc. Methods and systems for monitoring resistance and work of breathing for ventilator-dependent patients

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
VICARIO F等: "自发性呼吸通气患者呼吸力学的无创估计：一种约束优化方法", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113143250A (zh) * 2020-01-07 2021-07-23 德尔格制造股份两合公司 用于在使用肺机械的模型和进程模型的情况下获取气动尺度的方法和信号处理单元
CN113143250B (zh) * 2020-01-07 2024-02-06 德尔格制造股份两合公司 用于在使用肺机械的模型和进程模型的情况下获取气动尺度的方法和信号处理单元
US11890416B2 (en) 2020-01-07 2024-02-06 Drägerwerk AG & Co. KGaA Process and signal processing unit for determining a pneumatic parameter with the use of a lung-mechanical model and of a gradient model
CN112914526A (zh) * 2021-01-23 2021-06-08 刘阳 呼吸力学校正的脉搏压力变异度的专项评估方法
CN113181490A (zh) * 2021-04-14 2021-07-30 北京航空航天大学 一种基于二次规划的机械通气中呼吸系统特征估算的方法
CN117059250A (zh) * 2023-09-11 2023-11-14 巨翊科技（上海）有限公司 一种呼吸流量预测模型的构建方法、系统和预测装置

Also Published As

Publication number Publication date
JP2018536510A (ja) 2018-12-13
EP3356948A1 (en) 2018-08-08
EP3356948B1 (en) 2022-02-16
US11191441B2 (en) 2021-12-07
US20180279963A1 (en) 2018-10-04
WO2017055959A1 (en) 2017-04-06
JP6876057B2 (ja) 2021-05-26
CN108135536B (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN108135536A (zh) 经由参数优化的对呼吸动力学和患者努力的同时估计
CN108245131B (zh) 检测早期呼气中的口呼吸
US10004862B2 (en) Method and apparatus for improved flow limitation detection of obstructive sleep apnea
US9808591B2 (en) Methods and systems for breath delivery synchronization
CN103458784B (zh) 自动化呼吸描记图分析和解释
JP6200430B2 (ja) 圧補助装置を監視し且つ制御する方法及び装置
US20130006134A1 (en) Methods and systems for monitoring volumetric carbon dioxide
US8660971B2 (en) System and method for detecting respiratory insufficiency in the breathing of a subject
JP2012524552A5 (zh)
CN108348718A (zh) 用于改善估计性能的患者肺参数的逐次呼吸重新评估
JP2015096212A (ja) 換気システムにおける患者の努力および／または呼吸パラメータを決定するシステムならびに方法
EP2490589B1 (en) Method and apparatus for measuring the concentration of a gas in exhaled air
WO2009123976A1 (en) Leak-compensated pressure triggering in medical ventilators
CN102770070A (zh) 用于实时评估肺力学的系统和方法
US8876728B2 (en) System and method for quantifying lung compliance in a self-ventilating subject
JP5997175B2 (ja) カプノグラフ情報だけに基づいて呼吸を識別するシステム及び方法
CN108024758B (zh) 潮气末co2的简化显示
WO2010097698A2 (en) Managing flow/volume loop information
WO2016185470A1 (en) Pulmonary function test devices and methods
CN108024759B (zh) 具有决策支持系统架构的二氧化碳描记
CN107029326A (zh) 一种用于正压通气治疗机的呼吸信号判定算法
CN107690310B (zh) 用于经由连续参数估计来监测患者呼吸状态的无创方法
AU2015204360B2 (en) Method and Apparatus for Improved Flow Limitation Detection of Obstructive Sleep Apnea
AU2012258376A1 (en) Method and Apparatus for Improved Flow Limitation Detection of Obstructive Sleep Apnea

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant