文献速递复苏、休克与脓毒症

人工智能驱动的生物信号敏感心肺复苏机器人的研制

Development of artificial intelligence-driven biosignal-sensitive cardiopulmonary resuscitation robot.
PubMed 文献 · Resuscitation · 2024-08-08
一句话结论猪心搏骤停模型中,人工智能驱动心肺复苏机器人与LUCAS 3相比,颈动脉血流、冠脉灌注压、呼气末二氧化碳及自主循环恢复率均无显著差异,仅为可行性验证。

研究开发了一种人工智能驱动的心肺复苏机器人,其内置人工智能模型预测颈动脉血流并整合反馈系统。12头猪在7分钟心室颤动后接受6分钟心肺复苏,随机分为人工智能机器人组(n=6)和LUCAS 3组(n=6)。人工智能模型预测性能优异(皮尔逊相关系数=0.98),但两组在最后90秒的颈动脉血流无显著差异(估计值±标准误,-23.210±20.193,P=0.250);冠脉灌注压(-0.214±7.245,P=0.976)、呼气末二氧化碳(1.745±3.199,P=0.585)及自主循环恢复率(5/6(83.3%)vs. 4/6(66.7%),P=1.000)也均无显著差异。作者认为,该研究为人工智能驱动心肺复苏机器人在猪心搏骤停模型中的可行性提供了概念验证,其血流动力学和临床结局与LUCAS 3相当。

要点

  • 在猪心搏骤停模型中,人工智能驱动心肺复苏机器人组的颈动脉血流与LUCAS 3组相比无显著差异(估计值±标准误,-23.210±20.193,P=0.250)。
  • 冠脉灌注压(估计值±标准误,-0.214±7.245,P=0.976)和呼气末二氧化碳(估计值±标准误,1.745±3.199,P=0.585)在两组间也无显著差异。
  • 自主循环恢复率人工智能机器人组为5/6(83.3%),LUCAS 3组为4/6(66.7%),差异无统计学意义(P=1.000)。
  • 人工智能模型预测颈动脉血流的性能优异(皮尔逊相关系数=0.98)。
  • 作者认为,该研究为人工智能驱动心肺复苏机器人在猪心搏骤停模型中的可行性提供了概念验证,其血流动力学和临床结局与LUCAS 3相当。

适用人群与场景

  • 猪心搏骤停模型:12头猪在7分钟心室颤动后接受6分钟心肺复苏。

处置流程与药物剂量

  • 人工智能机器人组:在最初270秒内,机器人探索最佳按压位置、深度和频率;在随后90秒及以后,以最佳设置持续心肺复苏。
  • LUCAS 3组:使用LUCAS 3装置进行心肺复苏。

研究设计与关键结果

  • 研究类型:动物实验(猪心搏骤停模型),样本量12头猪,随机分为人工智能机器人组(n=6)和LUCAS 3组(n=6)。
  • 人工智能模型预测性能:皮尔逊相关系数=0.98。
  • 主要终点:最后90秒的颈动脉血流,两组间无显著差异(估计值±标准误,-23.210±20.193,P=0.250)。
  • 次要终点:冠脉灌注压无显著差异(估计值±标准误,-0.214±7.245,P=0.976);呼气末二氧化碳无显著差异(估计值±标准误,1.745±3.199,P=0.585);自主循环恢复率人工智能机器人组5/6(83.3%)vs. LUCAS 3组4/6(66.7%),P=1.000。

证据类型、等级与局限

  • 证据类型:动物实验(猪心搏骤停模型)。
  • 局限:原文未报告局限性。

对床旁实践的改变

  • 作者认为,该研究为人工智能驱动心肺复苏机器人在猪心搏骤停模型中的可行性提供了概念验证。
  • 作者认为,与LUCAS 3相比,人工智能驱动心肺复苏机器人产生了相当的血流动力学和临床结局。

提炼说明

  • 本条依据论文摘要整理;摘要未涉及「诊断标准与关键阈值」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目;全文请点「阅读原文」。
英文原文(摘要)· 点击展开

AIM OF THE STUDY: We evaluated whether an artificial intelligence (AI)-driven robot cardiopulmonary resuscitation (CPR) could improve hemodynamic parameters and clinical outcomes.

METHODS: We developed an AI-driven CPR robot which utilizes an integrated feedback system with an AI model predicting carotid blood flow (CBF). Twelve pigs were assigned to the AI robot group (n = 6) and the LUCAS 3 group (n = 6). They underwent 6 min of CPR after 7 min of ventricular fibrillation. In the AI robot group, the robot explored for the optimal compression position, depth and rate during the first 270-second period, and continued CPR with the optimal setup during the next 90-second period and beyond. The primary outcome was CBF during the last 90-second period. The secondary outcomes were coronary perfusion pressure (CPP), end-tidal carbon dioxide level (ETCO2) and return of spontaneous circulation (ROSC).

RESULTS: The AI model's prediction performance was excellent (Pearson correlation coefficient = 0.98). CBF did not differ between the two groups [estimate and standard error (SE), -23.210 ± 20.193, P = 0.250]. CPP, ETCO2 level and rate of ROSC also did not show difference [estimate and SE, -0.214 ± 7.245, P = 0.976 for CPP; estimate and SE, 1.745 ± 3.199, P = 0.585 for ETCO2; 5/6 (83.3%) vs. 4/6 (66.7%), P = 1.000 for ROSC).

CONCLUSION: This study provides proof of concept that an AI-driven CPR robot in porcine cardiac arrest is feasible. Compared to a LUCAS 3, an AI-driven CPR robot produced comparable hemodynamic and clinical outcomes.

来源:Resuscitation,查看原文。版权归原作者所有。

参考来源

  1. Kim T, Suh GJ, Kim KS, et al. Development of artificial intelligence-driven biosignal-sensitive cardiopulmonary resuscitation robot. Resuscitation. 2024. PMID: 39122176. doi:10.1016/j.resuscitation.2024.110354

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。