CN117180566A - 呼吸拔管评估系统及呼吸拔管评估方法 - Google Patents

Abstract

一种呼吸拔管评估系统，包含一呼吸辅助装置、一人工智能平台与一医疗资讯系统，呼吸辅助装置用以连通至一患者的气管；人工智能平台包括一预测模块。呼吸拔管评估方法包含下列步骤：呼吸辅助装置持续记录所述患者的多个呼吸参数；将记录时间及各记录时间对应的呼吸参数传送至人工智能平台，且预测模块根据预测模型对一预定期间内的呼吸参数进行分析以产生一预测结果；将预测结果传送至医疗资讯系统，且记录于患者的一病历数据。借此，提供医师更准确的拔管参考依据，加速医师决策速度，缩短患者的插管治疗期间，以减少不适。

Description

呼吸拔管评估系统及呼吸拔管评估方法

技术领域

本发明是与呼吸辅助装置的拔管评估有关；特别是指一种呼吸拔管评估系统及呼吸拔管评估方法。

背景技术

在医疗行为中，插管是将呼吸辅助装置的管子经由患者的嘴或鼻插入患者的气管中，为患者建立呼吸的通道，提供氧气给患者以维持患者的生命。待医师评估患者的病情改善，开始进行脱离呼吸辅助装置脱离的训练。训练一段时间后，医师评估患者可脱离呼吸辅助装置而自主呼吸之后，便会对患者进行拔管，让患者脱离呼吸辅助装置。

目前常用的评估指标为浅快呼吸指数(Rapid Shallow Breathing Index，RSBI)，浅快呼吸指数是在拔管前进行测量，当RSBI≤105时，则评估为拔管较易成功，亦即拔管后的48小时之内不需重新插管。一般而言，RSBI≤105约有92％的机会可拔管成功，RSBI>105虽评估为不易成功，但临床上RSBI>105的患者仍有53％的拔管成功的机会。换言之，浅快呼吸指数预测不易成功的案例中，仍有超过一半的成功案例。

是以，以浅快呼吸指数评估患者是否适合脱离呼吸辅助装置并不准确。

发明内容

有鉴于此，本发明的目的在于提供一种呼吸拔管评估系统及呼吸拔管评估方法，可反应出患者在拔管前一段时间的呼吸状态，提供医师更准确的拔管参考依据。

缘以达成上述目的，本发明提供的一种呼吸拔管评估系统，包含一呼吸辅助装置、一人工智能平台与一医疗资讯系统，其中，所述呼吸辅助装置用以插管连通一患者的气管，所述呼吸辅助装置持续地每隔一记录时间记录所述患者的多个呼吸参数；所述人工智能平台接收所述多个记录时间及各所述记录时间对应的所述多个呼吸参数，所述人工智能平台包括一预测模块，所述预测模块根据至少一个预测模型对一预定期间内的所述多个呼吸参数进行分析以产生至少一个预测结果，其中，所述至少一个预测结果包含一成功状态与一失败状态中的一者；所述医疗资讯系统接收所述至少一个预测结果，并将所述至少一个预测结果记录于所述患者的一病历数据中。

本发明提供的一种呼吸拔管评估方法，包含下列步骤：

由所述呼吸辅助装置持续地每隔一记录时间记录所述患者的多个呼吸参数；

将所述多个记录时间及各所述记录时间对应的所述多个呼吸参数传送至所述人工智能平台，且所述预测模块根据至少一个预测模型对一预定期间内的所述多个呼吸参数进行分析以产生至少一个预测结果，其中，所述至少一个预测结果包含一成功状态与一失败状态中的一者；

将所述至少一个预测结果传送至所述医疗资讯系统，且记录于所述患者的一病历数据。

本发明的效果在于，采用了人工智能的预测模型对预定期间内的患者的呼吸参数进行分析以产生预测结果，相较于现有的拔管评估指标，本发明更能准确地反应出患者在拔管前一段时间的呼吸状态，提供医师更准确的拔管参考依据。加速医师决策速度，缩短患者的插管治疗期间，以减少不适。

附图说明

图1为本发明一优选实施例的呼吸拔管评估系统的示意图。

图2为本发明上述优选实施例的呼吸拔管评估方法的流程图。

具体实施方式

为能更清楚地说明本发明，兹举优选实施例并配合附图详细说明如后。请参图1所示，为本发明一优选实施例的呼吸拔管评估系统，用以评估使用呼吸辅助装置插管的患者是否适合拔管脱离呼吸辅助装置。所述呼吸拔管评估系统包含一呼吸辅助装置10、一人工智能平台20与一医疗资讯系统(Hospital Information System，HIS)30。于后请配合图2一并说明本实施例应用所述呼吸拔管评估系统的呼吸拔管评估方法。

所述呼吸辅助装置10是供患者配载并且插管连通至患者的气管，提供氧气给患者呼吸，所述呼吸辅助装置10除了提供氧气之外，还监测患者呼吸时的多个呼吸参数且持续记录所述多个呼吸参数，所述多个呼吸参数至少包括两个呼吸参数，包括潮气容积(TidalVolume，Vte)与呼吸速率(Respiratory Rate，RR)，此外，所述多个呼吸参数还可包括尖峰气道压力(Peak Airway，Pressure Ppeak)、平均气道压力(Mean Airway Pressure，Pmean)、呼气末期正压(Positive End-expiratory Pressure，PEEP)、吸入氧气浓度(Fraction of inspiration O2，FiO2)中的至少一个。

所述呼吸辅助装置10持续地每隔一记录时间记录一次所述多个呼吸参数，例如每隔1分钟记录一次所述多个呼吸参数，且将每次记录时间及每次记录的所述多个呼吸参数传送到一呼吸参数数据库40中储存。

在一实施例中，若有多个所述呼吸辅助装置10分别供多个患者配戴，则所述多个呼吸辅助装置10各自将每次记录时间及每次记录的所述多个呼吸参数传送到所述呼吸参数数据库40中储存。

另外，本实施例中还可选择地包括一讯息队列(Message Queue)装置50，连接于所述呼吸辅助装置10、所述人工智能平台20与所述医疗资讯系统30之间，所述讯息队列装置50是作为讯息传递的中心。本实施例中，所述讯息队列装置50连接所述呼吸参数数据库40，以接收所述呼吸辅助装置10所记录的所述多个记录时间及各个所述记录时间对应的呼吸参数。实务上，所述讯息队列装置50亦可直接连接所述呼吸辅助装置10，由所述呼吸辅助装置10直接将所述多个记录时间及各个所述记录时间对应传送到所述讯息队列装置50。

所述人工智能平台20用以接收所述多个记录时间及各所述记录时间对应的所述多个呼吸参数，本实施例中，所述人工智能平台20是由一服务器所运行且连接所述讯息队列装置50，所述人工智能平台20向所述讯息队列装置50取得所述多个记录时间及各所述记录时间对应的所述多个呼吸参数。于其它实施例中，所述人工智能平台20亦可直接连接所述呼吸参数数据库40或所述呼吸辅助装置10。所述人工智能平台20包括一预测模块22与一模型数据库24，所述模型数据库24中储存至少一个预测模型，所述预测模块22根据所述至少一个预测模型对一预定期间内的所述多个呼吸参数进行分析以产生至少一个预测结果，其中，所述至少一个预测结果包含一成功状态与一失败状态中的一者。成功状态是指患者拔管之后48小时之内不会再插管，失败状态是指患者拔管之后48小时之内再度插管。此外，预测结果还可包含对应所述成功状态的一信心度，或对应所述失败状态的一信心度，成功状态及失败状态的信心度可以百分比呈现。信心度愈高代表预测结果越准确，预测结果越有参考价值。

本实施例中，所述模型数据库24中储存的预测模型为两个且分别是基于卷积神经网络(Convolutional Neural Network,CNN)算法以及长短期记忆模型(Long short-termmemory)算法对所述预定期间内的所述多个呼吸参数进行分析，所述预测模块22根据两个预测模型分别产生两个预测结果。

所述预定期间可设定为3小时至1小时。举例而言，预定期间以3小时为例，而记录时间为1分钟，所述预测模块依据3小时之内取得的180笔的所述多个呼吸参数以卷积神经网络算法进行分析，以及以长短期记忆模型算法进行分析，得到两个预测结果。

在其它实施例中，亦可采用一个预测模型，所述预测模型是基于卷积神经网络算法或长短期记忆模型算法对所述预定时段内的所述多个呼吸参数进行分析，得到一个预测结果。

本实施例中，所述人工智能平台20还包括一人工智能训练模块26用以执行一模型训练步骤。在所述模型训练步骤中，所述人工智能训练模块26用以依据多个训练数据对各所述预测模型进行训练，以使预测模型更加准确。所述多个训练数据为多个参考患者使用呼吸辅助装置10取得的呼吸参数及实际的拔管结果。更详而言，所述多个训练数据报括所述多个参考患者在一参考期间的多个历史呼吸参数及所述多个参考患者的呼吸拔管的结果，其中，参考期间可设定为各所述参考患者在进行拔管前的3小时至1小时。所述多个历史呼吸参数为自各所述参考患者使用的的呼吸辅助装置10取得的各所述记录时间的呼吸参数。所述多个历史呼吸参数与所述多个呼吸参数相同，亦即至少包括潮气容积与呼吸速率，还可包括尖峰气道压力、平均气道压力、呼气末期正压、吸入氧气浓度中的至少一个。拔管结果为参考患者实际拔管的成功状态或失败状态，成功状态是指参考患者拔管之后48小时之内未再插管，失败状态是指参考患者拔管之后48小时之内再度插管。

表1为以198名的所述多个参考患者在不同的参考期间(3小时、2小时、1小时)且使用两个参考呼吸参数(潮气容积与呼吸速率)及实际的拔管结果分别对所述两个预测模型进行训练，并且以50名的另外一群参考患者在不同的预定期间(3小时、2小时、1小时)的两个呼吸参数(潮气容积与呼吸速率)及实际的拔管结果作验证，以验证各预测模型准确度。以CNN算法预测所述50名的参考患者中为成功状态或失败状态，且对照实际拔管结果的预测的准确率为79.2％以上，以LSTM算法预测的准确率87.2％以上，最高达到89.6％。

表1各预测模型使用两个参考呼吸参数于不同参考期间的准确率

预测模型	3小时	2小时	1小时
				CNN	82.8％	85.6％	79.2％
LSTM	89.6％	87.2％	87.2％

表2为以上述198名的多个参考患者在不同的参考期间(3小时、2小时、1小时)且使用六个参考呼吸参数(潮气容积、呼吸速率、尖峰气道压力、平均气道压力、呼气末期正压、吸入氧气浓度)以及实际的拔管结果分别对所述两个预测模型进行训练，并且以上述50名的另外一群参考患者在不同的预定期间(3小时、2小时、1小时)的六个呼吸参数及实际的拔管结果作验证，以验证各预测模型准确度。以CNN算法预测所述50名的参考患者中为成功状态或失败状态，且对照实际拔管结果的预测的准确率为76％以上，以LSTM算法预测的准确率更达82.8％以上，最高达到92％。

表2各预测模型使用六个参考呼吸参数于不同参考期间的准确率

预测模型	3小时	2小时	1小时
				CNN	84％	81.6％	76％
LSTM	92％	82.8％	89.2％

由表1、2可知，本实施例的预测模型皆可达到良好的预测的准确率，其中以LSTM算法的准确率高于CNN算法。

于其它实施例中，亦可选择所述多个参考呼吸参数中的潮气容积、呼吸速率以及的其它四个参考呼吸参数中的至少一个对预测模型训练，并于分析时，以对应用于训练时的参考呼吸参数的呼吸参数进行分析，以产生预测结果。

所述医疗资讯系统30用以接收来自所述人工智能平台20的预测结果，并将预测结果记录于所述患者的一病历数据中。本实施例中，所述人工智能平台20将两个预测结果传送到所述讯息队列装置50，所述医疗资讯系统30向所述讯息队列装置50取得预测结果。于其它实施例中，亦可由所述人工智能平台20将预测结果传送到所述医疗资讯系统30。

借此，以医师为例的使用者由所述医疗资讯系统30调阅所述患者的病历数据，即可得知预测结果为成功状态或失败状态，及对应的信心度。以人工智能平台20的预测结果作为辅助，以决定所述患者是否适合拔管脱离呼吸辅助装置10。

由于本实施例中使用了两个预测模型进行分析，有两个预测结果可以作为交叉验证，因此，可为医师提供更准确的拔管抉择的参考。此外，各所述预测模型亦可选择以不同的预定期间(例如3小时、2小时、1小时等三种预定期间)的呼吸参数进行分析，以得到在不同预定期间的预测结果，作为拔管抉择的参考。

之后，在医师实际为所述患者进行拔管后，医师还可在所述医疗资讯系统30中输入所述患者的呼吸拔管的结果。所述患者的呼吸拔管的结果传送至所述人工智能平台20，并且由所述人工智能训练模块26依据所述患者的所述多个记录时间及各所述记录时间对应的呼吸参数及所述患者的呼吸拔管的结果对各所述预测模型进行训练。借此，可让各所述预测模型更为准确。

在其它实施例中，人工智能平台20不以在服务器运行为限，人工智能平台20亦可内建于呼吸辅助装置10中，并且人工智能训练模块26可选择地不设置于呼吸辅助装置10中，而是由一人工智能服务器对预测模型训练且将训练后的预测模型传送到呼吸辅助装置10中的人工智能平台20。

据上所述，本发明的呼吸拔管评估系统及呼吸拔管评估方法，采用了人工智能的预测模型对预定期间内的患者的呼吸参数进行分析以产生预测结果，相较于现有的拔管评估指标，本发明更能准确地反应出患者在拔管前一段时间的呼吸的状态，提供医师更准确的拔管参考依据。加速医师决策速度，缩短患者的插管治疗期间，以减少不适。

以上所述仅为本发明优选可行实施例而已，举凡应用本发明说明书及申请专利范围所为的等效变化，理应包含在本发明的专利范围内。

附图标记说明

[本发明]

10：呼吸辅助装置

20：人工智能平台

22：预测模块

24：模型数据库

26：人工智能训练模块

30：医疗资讯系统

40：呼吸参数数据库

50：讯息队列装置

Claims (17)

1.一种呼吸拔管评估系统，包含：

一呼吸辅助装置，用以插管连通一患者的气管，所述呼吸辅助装置持续地每隔一记录时间记录所述患者的多个呼吸参数；

一人工智能平台，接收多个记录时间及各所述记录时间对应的所述多个呼吸参数，所述人工智能平台包括一预测模块，所述预测模块根据至少一个预测模型对一预定期间内的所述多个呼吸参数进行分析以产生至少一个预测结果，其中，所述至少一个预测结果包含一成功状态与一失败状态中的一者；以及

一医疗资讯系统，接收所述至少一个预测结果，并将所述至少一个预测结果记录于所述患者的一病历数据中。

2.如权利要求1所述的呼吸拔管评估系统，其中，所述至少一个预测结果还包含对应所述成功状态的一信心度，或对应所述失败状态的一信心度。

3.如权利要求1所述的呼吸拔管评估系统，其中，所述至少一个预测模型是基于卷积神经网络算法与长短期记忆模型算法中的至少一者对所述预定时段内的所述多个呼吸参数进行分析。

4.如权利要求3所述的呼吸拔管评估系统，其中，所述至少一个预测模型为两个且分别基于卷积神经网络算法与长短期记忆模型算法对所述预定时段内的所述多个呼吸参数进行分析，以分别产生两个所述预测结果；所述医疗资讯系统接收所述两个预测结果，并将所述两个预测结果记录于所述患者的所述病历数据中。

5.如权利要求1所述的呼吸拔管评估系统，其中，所述人工智能平台包括一人工智能训练模块，所述人工智能训练模块依据多个训练数据对所述至少一个预测模型进行训练；其中，所述多个训练数据报括多个参考患者在一参考期间的多个历史呼吸参数及所述多个参考患者的呼吸拔管的结果。

6.如权利要求5所述的呼吸拔管评估系统，其中，所述医疗资讯系统中还输入有所述患者的呼吸拔管的结果，所述人工智能平台接收所述患者的呼吸拔管的结果，所述人工智能训练模块依据所述患者的所述多个记录时间及个各所述记录时间对应的呼吸参数及所述患者的呼吸拔管的结果对所述至少一个预测模型进行训练。

7.如权利要求1所述的呼吸拔管评估系统，其中，所述多个呼吸参数包括潮气容积与呼吸速率。

8.如权利要求7所述的呼吸拔管评估系统，其中，所述多个呼吸参数还包括尖峰气道压力、平均气道压力、呼气末期正压、吸入氧气浓度中的至少一者。

9.如权利要求1所述的呼吸拔管评估系统，其中，包含一消息队列装置，连接于所述呼吸辅助装置、所述人工智能平台与所述医疗资讯系统之间；所述呼吸辅助装置的所述多个记录时间及各所述记录时间对应的所述多个呼吸参数传送至所述消息队列装置；所述人工智能平台向所述消息队列装置取得所述多个记录时间及各个所述记录时间对应的所述多个呼吸参数且将所述至少一个预测结果传送至所述消息队列装置；所述医疗资讯系统向所述消息队列装置取得所述至少一个预测结果。

10.一种呼吸拔管评估方法，是应用于一呼吸拔管评估系统，所述呼吸拔管评估系统包含一呼吸辅助装置、一人工智能平台与一医疗资讯系统，所述呼吸辅助装置用以连通至一患者的气管；所述人工智能平台包括一预测模块；所述呼吸拔管评估方法包含下列步骤：

由所述呼吸辅助装置持续地每隔一记录时间记录所述患者的多个呼吸参数；

将所述多个记录时间及各个所述记录时间对应的所述多个呼吸参数传送至所述人工智能平台，且所述预测模块根据至少一个预测模型对一预定期间内的所述多个呼吸参数进行分析以产生至少一个预测结果，其中，所述至少一个预测结果包含一成功状态与一失败状态中的一者；

将所述至少一个预测结果传送至所述医疗资讯系统，且记录于所述患者的一病历数据。

11.如权利要求10所述的呼吸拔管评估方法，其中，所述至少一个预测结果还包含对应所述成功状态的一信心度，或对应所述失败状态的一信心度。

12.如权利要求10所述的呼吸拔管评估方法，其中，所述至少一个预测模型是基于卷积神经网络算法或长短期记忆模型算法中的至少一者对所述预定时段内的所述多个呼吸参数进行分析。

13.如权利要求12所述的呼吸拔管评估方法，其中，所述至少一个预测模型为两个且分别基于卷积神经网络算法与长短期记忆模型算法对所述预定时段内的所述多个呼吸参数进行分析，以分别产生两个所述预测结果；所述医疗资讯系统接收所述两个预测结果，并将所述两个预测结果记录于所述患者的所述病历数据中。

14.如权利要求10所述的呼吸拔管评估方法，其中，所述人工智能平台包括一人工智能训练模块；所述呼吸拔管评估方法还包含一模型训练步骤，所述模型训练步骤包括：

所述人工智能训练模块接收多个训练数据，并依据所述多个训练数据对所述至少一个预测模型进行训练；其中，所述多个训练数据报括多个参考患者在一参考期间的多个历史呼吸参数及所述多个参考患者的呼吸拔管的结果。

15.如权利要求14所述的呼吸拔管评估方法，其中，所述模型训练步骤还包含将所述患者的呼吸拔管的结果传送至所述人工智能平台，所述人工智能训练模块依据所述患者的所述多个记录时间及各所述记录时间对应的呼吸参数及所述患者的呼吸拔管的结果对所述至少一个预测模型进行训练。

16.如权利要求10所述的呼吸拔管评估方法，其中，所述多个呼吸参数包括潮气容积与呼吸速率。

17.如权利要求16所述的呼吸拔管评估方法，其中所述多个呼吸参数更包括尖峰气道压力、平均气道压力、呼气末期正压、吸入氧气浓度中的至少一个。