文献速递呼吸衰竭与机械通气重症综合管理与镇静镇痛

机械通气下反向触发自主努力的自动检测与量化

Automated detection and quantification of reverse triggering effort under mechanical ventilation.
PubMed 文献 · Crit Care · 2021-02-15
一句话结论仅用气道压力和流量波形即可高精度自动检测反向触发,其产生的中位肌肉压力为8.7 cmH2O,变异大,伴呼吸叠加时最高。

本研究基于BEARDS研究(NCT03447288)的20例中重度低氧性呼吸衰竭(PaO2/FiO2<200 mmHg且深镇静)患者,开发并验证了仅用气道压力和流量自动检测反向触发的监督学习算法,以专家结合食道压的视觉判读为标准。反向触发的肌肉压力中位数8.7 cmH2O(范围1.3–36.8),伴呼吸叠加者最高,无叠加者与压力支持触发呼吸相似。该工具可在床旁连续、无创地量化反向触发,但敏感度受极弱努力限制。

要点

  • 仅用呼吸机气道压力和流量波形即可自动检测反向触发,总体准确率95.5%,特异度99.3%,阳性预测值97.6%,可作为床旁连续监测工具。
  • 反向触发在深镇静中重度低氧性呼吸衰竭患者中占24%的呼吸,在辅助控制通气中发生率范围0–93.3%,自动检测可发现常规监测漏掉的努力。
  • 反向触发产生的肌肉压力中位数8.7 cmH2O(范围1.3–36.8),伴呼吸叠加者肌肉压力最高,无叠加者与压力支持触发呼吸相似。
  • 自动检测敏感度83.1%,假阴性主要为极弱努力(约3–4 cmH2O),不足以在气道压力或流量上产生可见变形,需注意漏检。
  • 反向触发的肌肉压力在患者间(中位数4.2–33.0 cmH2O)和患者内(变异系数5–106%)变异大,不能以单一阈值评估其危害。

适用人群与场景

  • 纳入BEARDS研究的前109例中重度低氧性呼吸衰竭患者(PaO2/FiO2<200 mmHg,深镇静),随机选取20例的20段记录用于验证。
  • 记录时9例(45%)为压力辅助控制通气,7例(35%)为容量辅助控制通气,4例(20%)为压力支持通气,4段来自肌松患者作为对照。
  • 记录时8例(40%)使用血管升压药,12例(60%)使用咪达唑仑镇静,4例(20%)使用丙泊酚,17例(85%)使用阿片类药物,RASS中位数−4。

诊断标准与关键阈值

  • 反向触发定义:在机器触发吸气开始后>0.1秒出现呼吸肌主动收缩(食道压或EAdi),且食道压最大偏转或EAdi峰值在机器吸气开始后<1.5秒内出现。
  • 患者触发呼吸定义:机器送气前食道压较基线下降>2 cmH2O,或EAdi>0.5 µV且气道压下降>0.3 cmH2O。
  • 呼吸叠加定义:在前一次呼吸完全呼气前出现第二次送气。
  • 呼气期无效努力定义:患者触发呼吸的呼气晚期出现食道压负向摆动但未能触发呼吸;若发生在机器触发吸气后,最大偏转需在机器送气开始后>1.5秒以区别于反向触发。
  • 反向触发率按每段记录中反向触发呼吸数占总呼吸数百分比计算。

处置流程与药物剂量

  • 第一步:在呼吸机上同步采集气道压力和流量波形,算法自动识别呼吸周期启动机制(机器/时间触发或患者触发)。
  • 第二步:算法根据通气模式(容量控制、压力控制或压力支持)和反向触发发生时段(吸气期、暂停期、呼气早期或呼气期)采用相应信号处理与监督机器学习方法检测反向触发。
  • 第三步:对检测到的反向触发进一步区分是否伴呼吸叠加,伴叠加者肌肉压力最高,可能对肺和膈肌损伤最大。
  • 第四步:结合食道压或EAdi可量化肌肉压力,但自动检测本身仅需气道压力和流量,无需额外导管。
  • 原文未提及针对反向触发的具体药物剂量或通气参数调整方案。

红旗征与不能漏的情况

  • 反向触发伴呼吸叠加时肌肉压力最高(中位数8.7 cmH2O,范围1.3–36.8 cmH2O),可能增加潮气量、导致pendelluft,对肺和膈肌潜在损伤最大。
  • 反向触发在深镇静、辅助控制通气患者中高发(本队列24%呼吸),常规监测(如呼吸机总频率等于设定频率)常漏诊。
  • 极弱反向触发努力(约3–4 cmH2O)可能不被自动算法检出(假阴性),在1例患者中准确率降至73.8%,需警惕漏判。
  • 反向触发与无效努力需鉴别:后者发生在机器送气后>1.5秒,肌肉压力最低。

研究设计与关键结果

  • 研究类型:前瞻性多中心观察研究BEARDS(NCT03447288)的子研究,开发并验证自动检测算法;验证集为20例患者的20段记录,共4509次呼吸。
  • 反向触发占24%(1073/4509)的呼吸,其中1070次发生在控制通气,仅3次发生在压力支持通气的自动触发呼吸后;辅助控制通气中反向触发率范围14.8%–93.3%。
  • 反向触发的肌肉压力中位数8.7 cmH2O(IQR 5.6–9.9),范围1.3–36.8 cmH2O;患者间中位数范围4.2–33.0 cmH2O,患者内变异系数5%–106%。
  • 伴呼吸叠加的反向触发肌肉压力最高(n=206),无呼吸叠加的反向触发(n=841)与压力支持触发呼吸肌肉压力相似;压力支持中呼气期无效努力肌肉压力最低(n=33)。
  • 反向触发的中位频率为5.5次/分(IQR 4.0–11.0),对应肌肉压力×频率为67.3 cmH2O·min−1;患者触发呼吸为16.6次/分(IQR 11.0–20.3)和172.7 cmH2O·min−1。
  • 原文未提及关键不良事件或次要临床终点。

证据类型、等级与局限

  • 证据类型:前瞻性多中心观察研究中的算法开发与验证研究(BEARDS子研究),非随机对照试验。
  • 验证采用专家结合食道压的视觉判读作为金标准,自动检测独立盲法分析,分歧由第三名研究者盲法复核。
  • 局限:验证集仅20例患者、20段记录,样本量小;假阴性主要为极弱努力;阳性预测值和阴性预测值依赖反向触发患病率;原文未报告外部验证。

对床旁实践的改变

  • 可在床旁仅用呼吸机气道压力和流量波形连续自动检测反向触发,无需食道压或EAdi导管,帮助识别常规监测漏掉的呼吸肌努力。
  • 自动检测高特异度(99.3%)适合确认反向触发事件,但敏感度83.1%可能漏掉极弱努力(约3–4 cmH2O),阴性结果不能完全排除。
  • 检测到反向触发伴呼吸叠加时应警惕肌肉压力最高、潜在肺和膈肌损伤风险最大,可考虑进一步评估通气设置或镇静深度。
  • 反向触发肌肉压力变异大(1.3–36.8 cmH2O),不能仅凭有无反向触发判断危害,需结合幅度和频率评估。
  • 该工具适用于深镇静、辅助控制通气的低氧性呼吸衰竭患者;对压力支持通气的适用性有限(仅3次反向触发),原文未验证其他人群。

指南或共识出处

  • BEARDS研究,NCT03447288。
  • 原文引用的DIVIP研究,NCT02434016。
全文中译16 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:Crit Care. 2021 Feb 15;25:60. doi: 10.1186/s13054-020-03387-3

背景

患者-呼吸机不同步通常与以患者为中心的不良结局相关,如机械通气持续时间或死亡率[1–4]。因果关系尚未被证实,目前尚不清楚某些类型的不同步是否以及何时会直接导致伤害或不适,或者另一些类型是否只是次优呼吸机设置或更严重基础疾病的标志。然而,患者-呼吸机相互作用不良是ICU中实施镇静的主要原因,因此这一现象值得关注,并且需要比笼统地称之为不同步更细致的描述[5]。尤为值得关注的是,反向触发(RT)是一种特定形式的不同步,定义为在被动机械送气之后出现呼吸肌收缩,仿佛该收缩是被呼吸机“触发”的[6]。它已在接受控制通气镇静的插管患者中被描述,并且似乎非常常见[7–15]。这一现象可能构成呼吸节律与周期性送气的规律性夹带(相位锁定),如在动物[16, 17]和健康人[18]中所描述的那样,但它也可能更不规则,甚至可发生于脑死亡患者中[10]。当产生的努力足够强时,它会诱发呼吸叠加,常被误认为是由双重触发所致(即同一患者的吸气努力触发了第一次和第二次机械送气)。反向触发可能通过多种机制影响患者结局,如吸气期间潮气量增加、呼吸叠加,或通过吸气相期间的摆肺[14]。一方面,当在呼气期间产生强烈的离心性收缩时,它可导致膈肌损伤[19],但另一方面,当与RT相关的膈肌收缩较小时,可能通过防止镇静患者中的肌肉废用和萎缩而具有益处。

总体而言,检测不同步尤其是反向触发(RT)具有挑战性,需要额外的生理信号和/或仔细关注呼吸机屏幕上的波形,并具备正确解读信号的专业知识。此外,要估计不同步的真实负担,需要全天候(24/7)检查波形 [20, 21]。检测呼吸肌活动并准确诊断不同步的参考技术需要食管导管或捕捉膈肌电活动(EAdi)的导管。初步数据提示,在接受辅助控制通气的患者中,频繁RT(> 30%)的发生率很高 [22]。需要无需人工目视检查的自动机器学习技术来理解这一现象并帮助临床医生优化患者-呼吸机交互 [23]。作为一项前瞻性多中心观察性研究(旨在确定早期急性低氧性呼吸衰竭期间各种不同步的发生率、决定因素和后果;BEARDS,NCT03447288)的第一步,我们开发并验证了一种仅基于呼吸机信号(即气道压力和流量)检测RT的自动化算法。部分作者(JM、RM、LBl)此前有开发专用软件应用以检测其他类型不同步的经验(https://bettercare.es/);该平台被用作当前算法的起点。在预验证阶段,我们基于气道压力(Paw)和流量创建、开发并测试了RT算法(附加文件1)。我们的主要目标是将软件仅使用Paw和流量自动检测RT的结果与专家在拥有Paw、流量和食管压力(Pes)的情况下对同一波形的目视评估进行验证。次要目标是描述RT期间产生的呼吸用力幅度。

方法

定义

一次呼吸被定义为一次吹气随后一次呼气,即使短暂且不完整。一个呼吸周期从一次吹气开始起,至下一次吹气开始时结束,如图1所示。如果在完全呼气之前发生提前的第二次吹气,我们将其计为不同的呼吸(并将其标记为叠加呼吸)。

机器触发呼吸的特征是在机器吹气之前没有患者用力。

反向触发定义为呼吸肌(包括膈肌)的主动收缩(使用食管压或EAdi),其开始时间在机器触发送气开始后超过0.1秒(图1);此外,最大Pes偏转(或EAdi峰值)必须发生在机器送气开始后不到1.5秒。尽管努力在送气期间开始,但努力的峰值仍可能在送气或平台期间,但通常发生在呼气早期[电子图1和电子图2]。我们没有纳入任何规律性夹带(entrainment)的元素,因为我们观察到多个真正夹带被破坏并变得难以识别的例子。我们最初使用EAdi或食管压描记的记录来开发算法,仅使用Pes描记进行验证。我们将机器送气前的最小努力定义为患者触发呼吸,即Pes较基线下降超过2 cmH20或EAdi高于基线>0.5 µV且Paw下降>0.3 cmH20。对于每条描记,RT的发生率定义如下:

呼吸叠加(breath stacking)是指在前一次呼吸所送入的容积完全呼出之前发生第二次送气(图1和附加文件1(电子图3))。

在患者触发呼吸的呼气晚期,吸气肌的主动收缩(Pes负向摆动)而无法触发呼吸,定义为呼气期间无效努力。如果这发生在机器触发吸气之后,最大峰值偏转必须发生在机器送气后超过1.5秒,以区分无效努力与反向触发。

图1 呼吸计数和事件分类方法。本图展示了一个包含呼吸计数、反向触发和呼吸叠加的描记示例。顶部波形(蓝色):气道压(Paw);中部波形(红色):流量;底部波形(绿色):食管压(Pes)。一次呼吸是一次送气后跟一次呼气(即使短促且不完全);图中存在九次呼吸。图中存在两次反向触发,第二次反向触发导致呼吸叠加(定义见正文)。 查看原图 ↗

反向触发检测算法

根据机械通气模式和事件发生的呼吸周期时相,结合了多种数字信号处理和监督机器学习方法来从流量和Paw波形中检测RT事件。这些方法旨在考虑RT影响任一或两个波形的不同方式。例如,在恒流期间,吸气期间的影响主要作用于Paw,而在压力控制通气期间,影响同时作用于Paw和流量。在两种情况下,也可能对呼气流量产生影响。信号经过平滑处理以避免伪差检测。自动检测启动呼吸周期的机制(即机器/时间触发或患者触发)。所实施的策略总结于图2,算法的详细内容见附加文件1。

图2 用于RT事件检测的多种方法示意图。本图展示了自动检测算法根据机械通气模式和RT发生时间检测反向触发的逐步方法。MV = 机械通气;PT = 患者触发呼吸;MT = 机器触发呼吸;VCV = 容量控制通气;PCV = 压力控制通气;PS = 压力支持;Paw = 气道压力;∆Ppeak = 当前峰值压力(Ppeak)值与最近前几个Ppeak值平均值之间的变化;∆Pplat = 当前平台压(Pplat)值与最近前几个Pplat值平均值之间的变化;∆Ppp = ∆Ppeak与∆Pplat值之间的差值;PEF = 呼气峰流量;Prob = 逻辑回归模型预测的RT概率值;cutoff = RT事件分类的最佳概率值;RT insp = VCV和PCV模式下吸气期间的反向触发,以及PS模式下(*)自动触发呼吸中的反向触发;RT pause = 暂停期间的反向触发;RT exp1 = 吸气晚期反向触发,在呼气开始时产生气流变形;RT exp = 控制吸气后1.5秒内呼气期间发生的反向触发;RT BS = 产生呼吸叠加的反向触发。 查看原图 ↗

验证阶段

训练集基于20至40分钟长的、显示肉眼可检测到反转触发(RT)的描记记录;这些描记大多来自既往研究,其中9份记录来自DIVIP研究(NCT02434016),3份来自BEARDS研究。最终验证数据集仅基于BEARDS研究的记录(且未使用训练数据集中的任何患者)。它包括来自BEARDS研究入组的前109例患者中20例不同患者的20份描记,以及可用的1087份描记:4份无可见RT的描记、4份可见RT频率低的描记、4份RT频率中等的描记、4份RT频率高的描记和4份在压力支持通气(PSV)下的描记。所有患者均符合中度或重度低氧性呼吸衰竭的标准(PaO2/FiO2 < 200 mmHg且入组时深度镇静),并伴有单侧肺损伤或ARDS。在机械通气的前7天内同步记录呼吸机波形和食管压。我们选择了20例患者,以代表RT发生的完整谱系。半定量分析可将可用描记(容量或压力辅助控制模式)按估计的RT频率分类:(1)无可见RT;(2)可检测到的RT频率低:每分钟少于4次RT;(3)RT频率中等:每分钟4至10次RT;(4)RT频率高:每分钟超过10次RT。我们舍弃了存在技术问题的描记(过度心脏伪影、漏气、校准程序不确定、影响描记评估的振荡),并在每个类别中随机选择4份描记用于验证。对于4份无RT的描记,我们特意选择了患者接受神经肌肉阻滞剂时采集的记录。此外,我们从患者接受压力支持通气(PSV)期间采集的246份记录中随机选择了4份描记。瘫痪或PSV期间采集的描记作为对照,以确保算法不会出现假阳性:在这些情况下不应发生RT,因为要么没有膈肌收缩(瘫痪),要么患者触发所有呼吸且没有被动送气(PSV)。

两名研究者(TPh和TPi)肉眼审阅了这20份选定描记中每份的10分钟,并使用气道压(Paw)、流量和食管压(Pes)根据触发类型(机器触发 vs 患者触发)、RT存在与否以及叠送呼吸(呼气相早期额外呼吸)存在与否对每次呼吸进行分类。该评估被用作呼吸分类的金标准。

独立地,在不使用Pes信号的情况下,由自动检测软件对相同的呼吸进行分析。将肉眼检测和自动检测的结果合并到电子表格中,以逐呼吸审阅一致性和差异。所有差异均由第三名研究者(RC)审阅,该研究者对肉眼检测或自动检测获得的结果设盲。该步骤确认或否定了这些差异。

反转触发期间用力程度的量化

关于RT(对肺或膈肌)潜在风险的一个重要问题与RT产生的用力幅度有关。因此,我们计算了每次呼吸的肌肉压力(Pmus),以估计RT期间产生的用力范围,并将其与压力支持通气期间产生的Pmus进行比较[24]。我们旨在估计能够产生流量和气道压力(Paw)波形变形(如我们的算法所检测到)的用力范围。Pmus的计算方法为:根据容积计算膈肌电活动(Pes)与胸壁松弛曲线之间的最大差值。后者使用同一患者被动呼吸期间测量的胸壁顺应性计算。使用FluxMed®软件进行此计算。Pes信号中存在伪影导致无法准确测量Pmus的吸气用力被剔除(辅助控制通气记录中N = 34,压力支持通气记录中N = 14)。

统计学

研究者与自动检测对RT诊断的一致性采用Kappa统计量确定[25, 26]。真阳性为视觉评估和自动检测均判定为RT的呼吸。真阴性为视觉评估和自动检测均判定为非RT的呼吸。假阳性为自动检测判定为RT但视觉评估未判定为RT的呼吸。假阴性为视觉评估判定为RT但自动检测未判定为RT的呼吸。使用标准公式计算灵敏度、特异度、阳性预测值(PPV)和阴性预测值(NPV)[27, 28]。使用广义估计方程比较不同类型呼吸的吸气用力幅度,将每位患者视为一个聚类。

样本量计算:我们的主要目标是对RT的自动检测与视觉评估进行验证,目标是Kappa值高于0.8,可视为几乎完全一致。为获得Kappa值0.85、95%置信区间[0.83;0.87],假设RT发生率为20%、α风险为0.05,估计需要4655次呼吸[25]。使用20段呼吸频率为20次/分的记录,分析10分钟将提供约5000次呼吸。

结果

患者与记录特征

纳入BEARDS研究的109例患者中,每位患者收集记录的中位数[IQR]为12[9;15]段,58例(53%)患者至少有一段记录显示反向触发。从中随机选取20例患者的记录用于验证(e-图4)。这些患者的主要特征见表1。用于本验证研究的记录在纳入后中位数[IQR]3[2;4]天时收集。在选取的20段记录中,9段(45%)为压力辅助控制通气,7段(35%)为容量辅助控制通气,4段(20%)为压力支持通气模式,4段采集自瘫痪患者。记录时,8例(40%)患者正在使用血管加压药,12例(60%)患者使用咪达唑仑镇静,4例(20%)使用丙泊酚,17例(85%)正在接受阿片类药物输注,患者的Richmond躁动-镇静量表[29]中位数[IQR]为− 4 [− 5;− 2]。

表1 患者特征。分类变量以N(%)表示,数值变量以均值 ± 标准差表示 查看原表 ↗

反向触发检测的准确性

共评估了20段记录中的4509次呼吸,其中1073次(24%)根据金标准(视觉评估)被认定为反向触发(RT);几乎所有RT(N = 1070)发生在控制通气期间,仅在压力支持通气(PSV)中自动触发呼吸后出现3次。在至少出现一次RT的辅助控制模式患者中,RT发生率范围为14.8%至93.3%。视觉评估与自动检测之间的混淆矩阵见表2,ROC曲线见附加文件1(电子图5):真阳性20%,真阴性76%,假阴性4%,假阳性0.5%。因此,自动检测的总体准确率为95.5%,敏感度为83.1%,特异度为99.3%,阳性预测值为97.6%,阴性预测值为94.9%,kappa指数为86.9 [85.1;88.7]。在描记水平上,RT率(以占所有呼吸机 breaths 的百分比表示)范围为0(瘫痪患者或PSV患者)至93.4%;中位数[IQR]为17.0% [0%;43.3%]。个体层面,准确率范围为73.8%至100%(中位数[IQR] 98.1% [95.5%; 100%])。在一例患者中观察到较低准确率(73.8%),该患者有大量但非常微弱的反向触发努力(幅度约3–4 cm H2O),常不足以在气道压力(Paw)或流量(Flow)上引起可见变形;该患者已镇静且无觉醒迹象。

表2 一致性矩阵 查看原表 ↗

与RT对应的患者努力范围

为评估RT产生的努力范围及其变异性,对辅助控制通气期间1047次RT呼吸(5次容量控制,7次压力控制)的每次呼吸计算肌肉压力(Pmus),并与压力支持通气期间4段描记中的715次呼吸(包括触发呼吸内发生的33次呼气期无效努力)进行比较。RT努力分为引起呼吸叠加者(n = 206)和无呼吸叠加者(n = 841)。结果见图3。RT的Pmus中位数[第25–75百分位数]为8.7 [5.6;9.9] cmH20,范围为1.3至36.8 cmH20。RT努力的患者间和患者内变异性相当大,中位值范围为4.2至33.0 cm H2O,患者内变异系数范围为5%至106%(图4)。伴有呼吸叠加的RT对应最高水平的Pmus,而无呼吸叠加的RT呼吸与压力支持期间的触发呼吸在Pmus幅度上相似。压力支持期间的无效努力对应最低的Pmus。在每段描记内,RT的中位频率为5.5 [4.0;11.0]次/分钟(对比患者触发呼吸为16.6 [11.0, 20.3]次/分钟),相应的RT幅度与频率乘积(Pmus × RT频率)为67.3 [49.2;109.0] cmH2O min−1(对比患者触发呼吸为172.7 [135.5, 213.2] cmH2O min−1)。

图3 伴有呼吸叠加的RT(RT伴BS,N = 206)、无呼吸叠加的RT(N = 841)、压力支持通气中触发呼吸机努力(同步,N = 682)及呼气期无效努力(IEE,N = 33)期间产生的Pmus幅度。RT = 反向触发,BS = 呼吸叠加,IEE = 呼气期无效努力,ACV = 辅助控制通气,PSV = 压力支持通气 查看原图 ↗
图4 每位患者(以ID编号标示)吸气努力幅度的变异性和分布。每位患者在RT期间及压力支持通气下患者触发同步努力期间每次呼吸计算的Pmus幅度。伴有BS的RT以橙色三角形表示,不伴有BS的RT以绿色圆圈表示,那些同步的患者触发努力以紫色圆圈表示 查看原图 ↗

讨论

我们表明,仅使用气道压力和流量描记图的自动化机器学习检测能够以高特异性、高阳性和阴性预测值诊断反向触发,从而实现极佳的准确性。尽管存在一些假阴性,敏感性仍然非常好,特异性也很强。在这组选定的描记图中,RT存在于23%的呼吸中,产生的肌肉压力中位数为9 cmH2O,患者间和患者内变异很大,范围为1至36 cmH2O。

算法的准确性

RT是最近描述的一种现象,在床旁极可能被漏诊[6, 30]。由于临床医生缺乏时间和/或专业知识,视觉检测不同步是不切实际且具有挑战性的,迫切需要可靠的自动检测。我们认为,任何用于日常实践的诊断工具都需要一种算法,该算法主要诊断有影响力的事件,即具有潜在临床后果的事件,同时避免会损害判读的假阳性。本研究中验证的算法通过显示非常强的特异性(当检测到RT时,它确实是RT而非正常呼吸或伪差)和高敏感性(大多数RT被检测到)满足了这些主要条件。本研究中发现的假阴性经审查对应于接近检测限的弱努力。修改这些弱努力的检测阈值可以将这些呼吸重新分类为RT,但可能增加真正需要避免的假阳性风险。PPV和NPV在我们研究中具有非常高的值,但依赖于事件的患病率(患病率越高,PPV越高,NPV越低,反之亦然)。未选择的侵入性通气患者中RT的发生率仍不清楚,但近期报道提到发生率高达25%至50%(手稿修回中)。使用这些自动检测算法将有助于获得对这一可能被低估现象的精确量化。

持续评估与量化

该技术的一大优势是能够连续量化反向触发(RT),而无需额外的导管或有创设备。气道压力(Paw)和流量(Flow)在所有呼吸机上均可获取,该系统能够与所有呼吸机通信并采集数据,用于在线分析或后续回顾。连续评估RT有助于识别患者在机械通气过程中的变化,并量化可能对预后产生影响的非同步簇。它还可以获取可靠的流行病学数据,并以连续方式检验RT与治疗之间的关系或与其他生物学现象的关系。此前有少数其他研究评估了某些类型非同步自动检测的准确性[31–34],但仅有一项评估了RT[35]。后者发现算法性能优异,但仅在极短时间内(每位患者连续20次呼吸)评估了接受容量控制通气治疗的ARDS患者,且该验证研究中仅27%的呼吸有食管压(Pes)可供单一专家评估。对于其余由7位专家组成的团队评估的呼吸(72.6%),他们在27%的呼吸中未达成完全一致,且无法获取Pes或膈肌电活动(EAdi)信号来确认其分类。

RT期间产生的努力

这是首项对不同形式RT期间所施加的肌肉努力进行量化并与触发呼吸和无效努力进行比较的研究。我们识别出从几乎可忽略到巨大收缩的广泛努力范围,显示出患者间和患者内存在相当大的变异性。因此,它们对肺和膈肌的影响可能差异很大。生理学[36–38]和流行病学[39]数据显示,呼吸努力强度通过产生不同程度的应力和应变对肺产生可变后果,并通过改变废用性萎缩与负荷诱导损伤的风险对膈肌产生影响。在这些随机选取的描记中,辅助控制模式下未发生呼吸叠加的RT期间的努力幅度与压力支持期间同步努力时的努力幅度相似。有趣的是,尽管RT期间的呼吸努力水平相当大,但大多数依赖标准监测技术检测呼吸努力存在的临床医生(例如,呼吸机上的总频率等于设定频率)常常遗漏它们。正如预期,伴有呼吸叠加的RT对应于更高水平的努力,因此可能对肺和膈肌最具损伤性。此外,RT在呼吸周期中的时机(即在吸气或呼气期间发生)也可能导致特定的损伤机制,如偏心性膈肌收缩或摆动气流[14, 40]。RT期间呼吸努力的其他重要方面也可能对肺和膈肌产生影响,如持续时间和事件的总体频率。需要未来研究(如BEARDS)的结果来提供关于预后的额外信息。

局限性

我们的主要目标是评估自动检测在不同类型描记图中的准确性,包括模式和患者用力方面,我们评估了大量呼吸但患者数量相对有限。我们的描记图选择包括RT率从0到93.3%,代表了广泛的临床情况。我们评估了压力控制、容量控制和压力支持通气,这些是世界上最も常用的模式[41, 42]。我们无法将算法的性能外推到其他模式。我们任意地将RT的定义限制为患者在强制呼吸开始后1.5秒内达到最大强度的用力,以区分RT与呼气期间的无效应力。一些患者呼吸驱动波动并间歇性触发呼吸机。反向触发呼吸通常保持相同的相位滞后特征。我们使用了简单的操作性定义来定义RT,未考虑夹带模式。夹带模式可能源于不同的潜在原因和机制。验证这种不同步的自动检测是更好地描述RT并掌握其生理机制、后果和预防的全部谱系的第一步。

结论

一种用于反向触发自动检测的算法在常用机械通气模式下表现出优异的性能。该监测工具允许准确连续评估和诊断RT,这是更好地理解该现象潜在生理机制、评估其影响并最终提出预防临床并发症治疗的第一步。

补充信息

附加文件1。在线补充材料。

参考来源

  1. Pham T, Montanya J, Telias I, et al. Automated detection and quantification of reverse triggering effort under mechanical ventilation. Crit Care. 2021. PMID: 33588912. doi:10.1186/s13054-020-03387-3
  2. 全文:PMC7883535(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7883535/

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。