基于EIT的不同体位下肺通气、肺灌注区域分布和通气/灌注匹配研究

目的:基于电阻抗断层成像(electrical impedance tomography,EIT)比较不同体位下的肺通气、肺灌注区域分布和通气/灌注(V/Q)匹配情况。方法:选取10只健康实验猪,采集其仰卧位、俯卧位、左侧卧位、右侧卧位下的EIT肺部通气和血流灌注数据。使用MATLAB R2022b,基于EIDORS v3.9进行EIT数据分析和图像重构,以最大像素值20%作为阈值确定具有通气和灌注的有效区域,并进行V/Q匹配区域计算。比较不同体位下V/Q匹配评价指标(匹配分数%、死腔分数%、分流分数%)及通气、灌注区域在不同感兴趣区域(ROI1、ROI2、ROI3、ROI4)内的分布。结果:实验动物在不同体位下的匹配分数%、死腔分数%、分流分数%差异无统计学意义(P>0.05)。在不同体位下,通气、灌注的区域分布发生改变,通气区域在ROI1、ROI2、ROI3分布差异有统计学意义(P<0.05),灌注区域在ROI1、ROI2分布差异有统计学意义(P<0.05)。在仰卧位和俯卧位下,通气、灌注区域分布呈现出与重力依赖区分布一致的现象,而在右侧卧位和左侧卧位下,通气、灌注区域分布则呈现出与重力依赖区分布相反的现象。结论:同一实验对象在不同体位下的全局V/Q匹配参数具有较好的检验一致性;测量体位的变化将导致肺重力依赖区的变化,进而影响局部肺通气和肺灌注区域的分布;EIT能够对体位改变导致的肺通气、肺灌注改变进行测定,明确体位变化对肺通气、肺灌注和V/Q匹配的影响。

基于机器学习和电阻抗断层成像的撤机结局预测方法研究

目的 :提出一种基于机器学习和电阻抗断层成像(electrical impedance tomography,EIT)预测撤机结局的方法。方法:首先,从来自30例患者的84个样本提取EIT图像特征,并将采用极致梯度提升(extreme gradient boosting,XGBoost)算法筛选出的重要特征作为模型的输入。其次,采用随机森林(random forest,RF)、支持向量机(support vector machines,SVM)、XGBoost、梯度提升决策树(gradient boosting decision tree,GBDT)、逻辑回归(logistic regression,LR)和决策树(tree)6种机器学习方法建立预测模型。在未平衡数据集、过采样平衡数据集和随机欠采样平衡数据集下通过AUC、准确率、敏感度和特异度指标评估模型的预测性能。结果:在AUC、准确率和特异度3个方面,过采样平衡数据集和随机欠采样平衡数据集下的模型性能均优于未平衡数据集(P<0.05);但在敏感度方面,过采样平衡数据集与未平衡数据集下的模型性能比较差异无统计学意义(P>0.05),随机欠采样平衡数据集下的模型性能比未平衡数据集下的模型性能有所下降(P<0.05)。在过采样平衡数据集和随机欠采样平衡数据集下模型性能比较差异无统计学意义(P>0.05)。基于XGBoost建立的模型在过采样平衡后的数据集中综合性能最佳,AUC为0.769、准确率为0.808、敏感度为0.938、特异性度为0.600。结论:基于机器学习和EIT能够较好地预测长时间机械通气患者的撤机结局,可以为临床医生判断合适的撤机时机提供辅助决策支持。