基于半监督卷积神经网络进行人机不同步的识别

目的基于半监督卷积神经网络(semi-supervised convolutional neural network,semi-CNN)构建人机不同步现象(patient-ventilator asynchrony,PVA)识别模型,评价其在压力支持通气(pressure support ventilation,PSV)模式下的诊断效能。方法分析85例接受PSV通气脑损伤患者的机械通气数据,结合食道压监测数据进行人工标识。使用Transformer时间序列预测模型对已标识的正常或发生PVA的呼吸进行转化,转化后的数据输入semi-CNN模型判断是否发生PVA。在测试集中验证模型的准确性、灵敏度、特异度以及与专家标识结果的一致性。结果初始训练集包含正常呼吸513次,异常呼吸69次,经过500次迭代后模型收敛。测试集包含正常呼吸48次,异常呼吸24次。在测试集中,Transformer联合semi-CNN模型识别PVA的准确率为0.92(0.83~0.97),灵敏度为0.79(0.58~0.93),特异度为0.98(0.89~1.00),Kappa值为0.80(0.65~0.95),测试结果与专家人工标识结果具有高度一致性。结论本研究提供了一种基于semi-CNN算法的PVA识别模型,其识别PVA的准确率和特异度高,识别结果与专家人工标识结果的一致性好,可用于临床实时PVA监测。

平均动脉压变异度与重症患者短期预后的关系:基于大型临床数据库MIMIC-Ⅲ的回顾性分析

目的探讨平均动脉压(mean arterial pressure,MAP)变异度与重症患者的重症医学科(intensive care unit,ICU)病死率之间的关系。方法回顾性分析重症监护医学信息数据库(Medical Information Mart for Intensive Care,MIMIC)-Ⅲ中38852例入ICU的重症患者的临床资料,计算入ICU后24 h内记录的MAP的变异系数作为MAP变异度,采用一般线性回归观察入ICU 24 h内MAP变异度与重症患者ICU病死率之间的相关性,并采用受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)评估MAP变异度预测重症患者ICU病死率的能力。结果入ICU 24 h的MAP变异度与ICU病死率之间有很好的相关性(R2=0.860,P<0.001),MAP变异度越大,ICU病死率越高。24h的MAP变异程度预测ICU病死率的AUC为0.61。结论重症患者入ICU 24 h内的MAP变异度与ICU病死率有很好的相关性,MAP变异度越大,ICU病死率越高;MAP变异度能够为简单快速预测危重患者的ICU病死率提供一定的信息。