目的

人机不同步对于急性呼吸窘迫综合征高危或发病患者可能有害。通过呼吸机波形通常难以自动识别人机不同步。尚不明确某些人机不同步类型是否会输送大潮气量，以及人机不同步发生率是否受镇静深度影响。

设计

前瞻性观察性研究。

地点

医院内科ICU。

患者

急性呼吸窘迫综合征患者或高危患者。

干预

从呼吸机直接获取连续的压力–时间、流速–时间、容量–时间数据。从病历记录提取镇静深度评估结果和神经肌肉阻滞剂应用情况。研发应用临床导向的机器学习算法识别四种既往报道的具有临床意义的人机不同步类型，并加以训练。明确标化潮气量与人机不同步的关系，以及镇静与人机不同步发生率的关系。

测量值和主要结果

共记录62例机械通气患者的万次呼吸。应用该算法识别三种人机不同步类型的受试者工作特征曲线下面积超过0.89。呼吸中的人机不同步发生率为34.4%(95%CI，34.41%~34.49%)。与人机同步呼吸相比，二次触发与流速受限呼吸的输送潮气量更易超过10mL/kg(40%和11%与0.2%对比；P0.)。深度镇静可减少但不能消除人机不同步(P0.05)。神经肌肉阻滞剂可以消除人机不同步(P0.)。

结论

我们研发的计算机算法可以准确识别三种类型的人机不同步。二次触发和流速受限呼吸与超过10mL/kg的大潮气量输送相关。尽管深度镇静可减少人机不同步，但其输送的潮气量仍可能产生危害，而神经肌肉阻滞剂可以有效消除人机不同步。

关键词

机器学习；神经肌肉阻滞剂；呼吸窘迫综合征，成人；呼吸机相关性肺损伤；呼吸机，机械

点击图片查看大图

点击底部“阅读原文”可查看并下载原文

来源：CritCareMed;46:e-e

CCM中文版年第2期全文No.2

(罗旭颖翻译；周建新审校；苏斌虓特邀审校)