人工智能在有创机械通气撤机预测中的应用与探索

作者：曹志新

单位：北京朝阳医院呼吸与危重症医学科

1. 通用概念

要深入了解人工智能（AI），首先需正本清源，明确其核心概念。通过检索发现，“人工智能”的定义存在多个版本，本文主要参考维基百科中“人工智能”词条的阐释。该概念提出至今已逾五十年，其核心内涵可从两方面界定：一方面，AI是区别于人类或动物所具备的自然智能的存在；另一方面，它也可被理解为具有某种智能属性的人造设备或机器。而在计算机科学领域，AI则被精准描述为“能够感知环境并采取相应行动，以最大限度达成预定目标的装置”。

2. 临床视角下的AI特性

结合笔者的工作场景与实践经验，AI带来的最显著感受在于其强大的信息处理能力。这种能力主要体现在两个维度：一是“运算速度快”，能够高效处理人类难以应对的海量数据；二是“运算方式巧”，可以挖掘出人类不易察觉的现象规律与潜在关联。

我们结合“小数据”与“大数据”场景举例说明。图1呈现的是无创通气状态下，患者上呼吸道气道内压力的监测数据，其时间轴范围为39分14秒至40分55秒，时长约1分钟多，数据量少，可归为“小数据”。从图中可见，气道压力基本在1 cmH2O左右波动，呈现“有时波动、短暂平稳”的特征，且时间轴左侧压力相对右侧略高。但因数据采集时间短，仅1分钟，难以从中提炼出明确、有临床意义的规律性结论——有限数据无法支撑稳定规律的推导。若扩大数据采集时间窗，如覆盖21分36秒至后续1小时9分18秒（约50分钟数据），则无需复杂计算，仅凭肉眼即可识别规律：气道内压呈现“周期性上升-下降”模式。结合临床场景推测，这一波动或与患者发生恶性睡眠呼吸事件相关，且反映了呼吸机针对该事件的响应过程。

图1 “小数据”与“大数据”的区别

3. 大数据背后隐藏的规律

心率变异率指的是心电图上P-R间期的时长，它并非恒定值，反映出人体心跳存在快慢波动。当下，心脏医学领域有个关键议题：心跳的波动模式，究竟是始终维持稳定（如长期60次/分）更健康，还是存在适度波动更健康？心脏科大量研究表明，存在适度心跳波动的人群更健康。结合图2来看：图2a呈现的是心率变异率相对较大的正常人的心跳间期序列，数据波动丰富；图2b则对应充血性心力衰竭患者，其心率变异率小，心跳间期序列相对平缓。不过，仅靠简单统计P-R间期的数量，无法精准判断健康状态，需对海量数据开展复杂分析。以多尺度熵（multiscale entropy，MSE）分析为例，将心率变异率数据作为基础数据集，经复杂计算后发现：正常人的MSE与房颤、心力衰竭患者存在显著差异，正常人MSE值更高，而房颤、心力衰竭患者的MSE值则明显偏低，这也印证了MSE值大对健康更具积极意义。

从当前发展阶段来看，AI尚不具备“独立”完成医疗工作的能力，其全面渗透至临床诊疗各环节仍需一定时间周期。从医疗实践视角出发，对AI的认知与应用需聚焦核心需求——具备“连续动态监测”与“多指标综合分析”特征的临床场景，更适配AI技术的优势发挥，可作为AI落地医疗的关键切入点。以有创机械通气患者的撤机管理为例：该过程需持续监测患者的呼吸力学（如气道压力、潮气量）、生命体征（如心率、血氧饱和度）及血气分析等多维度指标，并动态评估指标间的关联与变化趋势，AI在数据实时整合、趋势预判等方面的能力，可为此类复杂决策提供辅助支持。

1. 撤机的连续过程及其量化监测的可行性

有创机械通气从插管上机到拔管撤机可分为三个连续阶段。

第一阶段为纠因治疗阶段：此阶段重点治疗导致上机的原发病，去除影响呼吸功能的因素，恢复患者自主呼吸能力与呼吸负荷的平衡。

第二阶段为自主呼吸功能测试阶段：通过自主呼吸试验（SBT）评估患者耐受呼吸负荷的能力，如果失败可能加重病情。

第三阶段为脱离呼吸机和有创人工气道阶段：撤离呼吸机及人工气道，需衔接后续呼吸支持。

撤机的核心目标是在患者自主呼吸能力足够时尽早脱机，同时避免过早或延迟撤机。有创机械通气的撤机阶段，其管理难度并不亚于上机阶段，部分场景下甚至会给临床医生带来更大的心理压力。由于撤机是一个需动态评估患者呼吸功能、生命体征及整体状态的连续过程，因此在该阶段，对患者病情的细致监测与撤机时机的精准把控，就显得尤为关键——直接关系到撤机成功率及患者后续的呼吸功能恢复。

从机械通气（呼吸力学视角）来看，对其进行量化观察具备可行性。无论何种类型的呼吸衰竭，根源均可追溯至气道、肺、神经肌肉驱动等环节。从机械原理剖析，这一过程可抽象为典型物理学现象：呼吸动力克服呼吸阻力，完成呼吸功。其中，动力由机器或人体自身提供，阻力涵盖气道阻力与弹性阻力，而呼吸功通常关联潮气量等指标。上述动力、阻力、呼吸功等均为可精准监测的定量指标。基于此，在机械通气，尤其是撤机阶段，开展多维度定量指标监测，具备充分的理论与实践可行性。

2. 精准撤机的必要性

精准撤机需把握恰当时机，既不能过早，也不能过晚。延迟撤机会使机械通气相关并发症风险上升，例如呼吸机相关性肺炎、ICU获得性肌无力，还会导致住院时间延长、病死率增加以及医疗负担加重等问 。而过早撤机同样不可取，尤其是拔管撤机后24～48小时内，患者若因呼吸功能未稳定等情况再次插管，会对身体造成严重损伤。研究表明，脱机失败引发再插管的患者死亡率相较于拔管成功的患者高出7倍。

3. 撤机中“人工操作”的局限性

需要特别强调，撤机与上机是连续贯通的诊疗过程，绝非患者进入撤机阶段才启动评估。应从上机初始，就开展持续动态观察，为撤机决策积累连贯数据。国内权威机构及专家已发布指导脱机的指南和专著，梳理了不同时期常用撤机标准，多遵循“多参数客观指标+医生主观经验判断”的模式。但因不同医院医生经验存在差异，脱机成功率也呈现显著的机构间差距。撤机过程往往持续数天，涉及指标繁杂—涵盖临床观察、检验、影像，以及机械通气直接采集的各类参数。完全依赖人工操作，受限于人力、精力与数据整合能力，从理论到实践均存在明显局限性。

若借助AI，以高密度数据颗粒度，对患者进行近乎“全时程”观察，同时整合多维度数据进行综合分析，虽对AI的数据整合、模型构建能力提出极高挑战（需覆盖复杂多样的临床维度），但当前AI技术已具备多数据系统整合运算的基础。合理应用AI辅助撤机决策，有望突破人工局限，为精准撤机提供新的技术路径。

1. 数据库搭建

AI模型的基础是高质量数据库，需包含建模与验证数据集，提取公共数据库数据用作脱机评估。目前常用公共数据库包括：①MIMIC数据库（美国单ICU数据库，包含50920病例）；②eICU数据库（北美多中心ICU数据，含20859例病例）；③其他数据库，如Pic、HiRID、TBI center、Biolincc-heart-lung-blood等。

2. 选择建模参数，形成数据集

模型参数需整合多源信息：①呼吸参数（RSBI、Ps Level、Pmean等）；②生理参数（氧合、二氧化碳、血流动力学指标等）；③重症评分（APACHE、SOFA、Glasgow昏迷评分等）；④检验信息（血气、血常规等）；⑤临床信息（患者基本信息、诊断信息、用药信息、上机时间等）。

3. 对数据集进行分析和优化

在医疗数据分析场景中，我们引入Shapley解释性算法开展脱机评估模型解析。Shapley重要性的核心逻辑，是对特征组合进行全局化权重考量，可类比战争场景理解：假设一场战斗击败10个敌人，传统“贡献-重要性”映射中，若弓箭手直接击败9个、步兵辅助击败1个、后勤无直接击杀，易得出“步兵价值低、后勤无价值”结论。但Shapley算法突破单一维度局限——它会枚举“仅弓箭手作战”“弓箭手+步兵协同”“全要素配合”等所有组合场景：无步兵保护、后勤支持时，弓箭手的直接贡献会大幅受限；后勤虽无直接击杀，却保障了作战持续，是体系运转的基础。通过这种全局化组合分析，Shapley能更客观地赋予各要素合理的重要性。

我们回到撤机评估实践：利用Shapley算法对数据集进行解析，图2左侧可视化呈现整体特征贡献分布（如duration_hours、PSV_level_mean等指标的全局影响），图2右侧展示个体患者的特征贡献度（不同颜色区分正向/负向影响，红色占比越高，提示对脱机评估的正向价值越大；蓝色占比高则价值偏负向）。

图2  Shapley算法对数据集进行解析

基于此，我们可对筛选出的数据库参数逐一开展特征贡献度量化分析，明确各指标在脱机评估中的实际价值，进而针对性优化数据集——剔除冗余、干扰特征，强化关键要素，提升模型对脱机决策的辅助精度，让AI驱动的临床评估更贴合真实诊疗需求。

4. 解释性分析

机器学习模型存在“黑盒输出”特性，临床应用中，仅提供结果远远不够，还需明确不同特征对结果的积极或消极作用并加以解释。大数据算法输出的原始结果，从临床视角看，理解门槛较高。因此，需将其转化为临床可理解的范式，理想状态是输出“可行”或“不可行”这类直观、明确的判断。当完成这样的转化，从工程实现角度而言，AI用于该临床场景的开发可视为基本完成。

5. AI指导脱机评估的应用流程

AI指导撤机的核心流程为：①数据库建设：搭建用于脱机评估的数据库，通过公共数据库和医院采集的监护、通气、实验室等数据建立数据库，满足脱机评估的需求；②数据分析：对数据库进行分析搭建脱机评估模型；③算法输出：将脱机评估模型部署在呼吸机上，输出脱机成功率和脱机消极和积极因子。临床医师结合AI结果与患者实际情况，最终决策是否撤机。

1. 现病史

患者女性，因“活动后胸闷胸痛3年”入院。听诊主动脉瓣区可闻及收缩期杂音。心脏彩超示：主动脉瓣钙化伴中度狭窄，二尖瓣轻度反流，左心功能正常。

2. 既往史

既往有高血压病史10余年，血压最高155/90 mmHg，平素口服苯磺酸氨氯地平1片qd，自诉血压控制可。

3. 诊疗经过

完善CTA+胸部平扫示：冠状动脉粥样硬化（CAD-RDS 2），考虑两肺通气灌注不均，局部少许渗出；双肺多发结节，部分钙化；右肺上叶条索灶伴牵拉性支气管扩张；升主动脉增宽，主动脉粥样硬化。排除手术禁忌后在全麻下行主动脉瓣生物瓣膜置换术。患者于14:30术毕全麻未醒转ICU监护治疗。17:30呼吸机预测脱机成功率为88%。18:00医生评估患者意识及呼吸情况：患者神志清，可遵嘱活动。通过SBT后拔除气管插管，脱机成功。

图3  AI评估机械通气患者撤机成功率

1. 重视原始呼吸数据的价值

在机械通气智能化应用的数据分析环节，存在诸多可设计与调整的空间。从临床医生视角出发，需特别关注呼吸机监测数据的原始状态。临床中，类似血气分析（pH、氧分压、二氧化碳分压等）这类诊断数据，输出的是单一结果，无额外数据可追溯；但呼吸机输出的潮气量、分钟通气量、呼吸频率等指标，源于呼吸机压力传感器与流量传感器的连续采样数据，经处理后生成。实际上，呼吸机是以连续描记的方式还原呼吸的动态过程。

基于此，我们假设：在构建呼吸机相关病情预测的人工智能数据集时，采用潮气量、呼吸频率、气道压力等“极值指标”进行数据筛选，效率或许不及直接运用原始数据。初步研究已验证该假设——以慢阻肺居家无创通气患者急性加重预测为例（图4），采用流量、压力原始数据作为数据集参数，精准度优于呼吸频率、潮气量、气道压等常规指标。究其原因，原始数据包含呼吸机曲线的波形形态信息，而潮气量等极值指标则丢失了这一关键维度。在慢阻肺等气道疾病的病情监测中，呼吸波形形态对判断病情变化具有重要价值，因此，临床场景下需对原始压力、流量数据开展补充分析，以挖掘更丰富的病情信息。

图4  STA特征集和NPP特征集SHAP分析结果

图源：生物医学工程研究, 2023, 42(1):23-29.

2.构建特异性模型

在AI指导撤机建模的参数运用层面，需兼顾“数据丰富性”与“临床特异性”的平衡。现代医疗设备具备强大的联网能力，理论上可汇聚海量数据支撑AI研发，但从临床诊疗逻辑看，无差别的数据堆砌会稀释模型特异度——临床医学本质是“垂类精准化”实践，专业细分是实现精准治疗的基础。因此，构建撤机模型时，建议以“临床特征分层”为核心思路：

（1）病种维度：先区分Ⅰ型呼吸衰竭与Ⅱ型呼吸衰竭，不同呼吸衰竭类型的病理生理机制、撤机路径差异显著。

（2）SBT维度：结合T管SBT与低水平通气支持SBT，匹配患者不同的呼吸储备能力。

(3)撤机后支持维度: 关联无创通气、高流量吸氧等后续呼吸支持策略，覆盖撤机全流程管理。

通过此类关键临床节点的分类整合，可将患者群体精准分层，强化同层患者的临床共性。这既契合人脑处理“垂类细分、特征聚焦”的认知逻辑，也为AI模型锚定清晰的学习边界——让算法在高特异度的临床场景中挖掘更具价值的撤机规律。这种建模思路，本质是推动临床需求（精准撤机）与工程技术（AI算法）的深度融合，期待能引发医学、工程、材料等多学科的跨界碰撞，通过持续交流探索，完善AI撤机模型的构建路径。

AI为有创机械通气撤机预测提供了新工具，其高效处理海量数据、挖掘隐藏规律的能力可弥补人工操作的局限性。未来需进一步优化数据库质量、强化原始呼吸数据的应用，并结合临床特征构建特异性模型，推动AI与临床决策的深度融合，最终实现精准撤机，改善患者预后。

作者介绍

曹志新

首都医科大学附属北京朝阳医院呼吸与危重症医学科，主任医师；中国医师协会呼吸医师分会危重症学组委员，中国医学装备协会呼吸病装备技术委员会委员；《中国临床医生杂志》《国际呼吸杂志》编委。研究方向为呼吸衰竭、机械通气治疗、居家呼吸治疗的远程管理。以第一作者或通讯作者发表学术论文40余篇，主持国家科技攻关计划、首都医学科研发展基金重点项目、北京市科委科研专项等5项。获国家科技进步二等奖、中华医学科技一等奖、北京市科技进步二等奖、天津市科技进步一等奖。

本文仅用于学术内容的探讨和交流，不用于任何商业和推广，亦不作为最终的临床决策。临床实践需根据患者的具体情况选择适宜的处理措施。