用于实时评估肺力学的系统和方法

技术领域

本发明一般地涉及包括通气机（ventilator）和呼吸监视器技术的呼 吸治疗和生理学领域，更具体地涉及用于在不需要修改或中断通气机或病 人空气流动模式的情况下计算呼吸系统顺应性（compliance）（C_RS）、阻 力（R_RS）和吸气平台压力（plateau pressure）（P_plt）的方法和系统。

背景技术

机械通气支持作为机械地辅助或代替自主呼吸的有效手段而被广泛 接受。机械通气可以是非侵入式的，涉及各种类型的面罩或鼻部装置，或 者是侵入式的，涉及气管内管（ETT）或气管插管。选择和使用适当的呼 吸技术需要理解肺力学。

通常的自主吸气产生负的肺内压力，这在大气与肺泡之间产生压力梯 度，导致空气流入。在机械通气期间，吸气压力梯度通常是空气源的增大 的（正的）压力的结果或者因空气源的增大的（正的）压力而扩增。对于 需要通气支持的病人而言，必须监视C_RS和R_RS这二者，以正确地评估和 治疗病人的肺机能障碍或呼吸衰竭。监视P_plt是用以确保肺在机械通气期 间不通过过度扩张或过度加压而被损坏的通常做法。

R_RS是迫使给定气流通过被机械通气的病人的呼吸回路、ETT阻力和 生理气道的组合串联阻力的所需的压力的量。C_RS是肺的扩张性的测量结 果，意思是对于给定体积的所递送的气体而言的肺和胸壁的弹性回缩。因 此，对于任何给定的体积而言，弹性压力因肺硬度（如在肺纤维化中）或 者胸壁或横膈膜的受限制的偏移（例如，张力型腹水、巨型肥胖）而增大。 典型地，在恒定的吸气流速期间使用吸气末尾停顿（end inspiratory  pause，EIP）计算C_RS和R_RS。通过将所递送的换气体积（tidal volume） 除以吸气P_plt来估计C_RS，其中P_plt是在EIP期间测得的稳态压力。

通过将峰值充气压力（PIP）与P_plt之差除以吸气流速来估计R_RS。 一些通气机具有吸气流速设定，使得临床医生可以读取所递送的流速，而 其它通气机给出吸气时间设定，其中临床医生需要将换气体积除以吸气时 间以确定吸气流速。

因此，P_plt是计算C_RS和R_RS所必需的。此外，还必须监视P_plt以避 免肺泡的过度扩张，从而避免尤其是具有限制性肺病的病人的气压创伤和 /或体积创伤（ARDS网络协议（2008年7月）； http://www.ardsnet.org/node/77791）。在确定P_plt时，当前做法需要执行 EIP。对于呼吸衰竭的病人而言，这可以通过在受控机械通气（CMV）或 间歇性强制通气（IMV）期间在换气体积之后立即应用EIP来实现。

遗憾的是，执行EIP存在许多缺点。例如，EIP的持续时间必须由知 识渊博的临床医生预先设定并且必须在仅当被监视时的强制呼吸期间应 用。通过应用EIP来暂时中断吸气和防止呼气可能使一些病人感到不舒 服，使得病人在EIP时无意识地或有意识地进行主动吸气肌或呼气肌收 缩，这可能影响测得的P_plt的准确性。如果获得不精确的对P_plt的测量结 果，则所得到的对C_RS和R_RS的估计也将是不准确的。因为，如上面所指 出的，病人呼吸治疗和治疗基于C_RS和R_RS值，由不精确的P_plt测量结果 导致的对C_RS和R_RS的错误计算可能随后影响被递送给病人的治疗的功效 和病人的康复，甚至可能损害病人的健康。

此外，因为执行EIP可能使病人感到不舒服，所以不能持续应用EIP。 没有持续的、准确的P_plt信息，临床医生就不能充分监视病人安全和治疗 的功效。

通过应用EIP来暂时中断吸气还可能易于使病人-通气机不同步。这 可能导致增大的呼吸工作以及危害动脉血-气交换的可能性。

最后，在压力支持通气（PSV）、持续气道过程（continuous airway  procedure,CPAP）或者在吸气阶段期间不采用恒定吸气流速的其它通气 模式期间不能应用EIP（或者EIP可能不准确）。因为在这些情况下没有 应用EIP的能力，所以阻止了临床医生准确地评估病人在以这些形态被 通气时的P_plt、C_RS和R_RS。没有对病人P_plt、C_RS和R_RS的正确估计，就 不能确定治疗的功效和/或肺疾病或状况的适当诊断。

因此，使用EIP难以获得P_plt以及因此C_RS和R_RS的重复的准确测量 结果。如果不需要应用EIP就能确定P_plt，则可以甚至实时地执行对C_RS和R_RS的更准确估计，而不需要中断吸气阶段。对于临床医生和病人这二 者而言，这种方法更简单并且优选，因此在临床实践中是需要的。

另外，在PSV期间对P_plt的了解将提供对C_RS和R_RS的持续监视，并 且不需要改变通气机模式。

因此，在本领域中需要在不需要修改可能造成诸如病人-通气机不同 步等不利影响的通气机吸气流量波形模式的情况下、非侵入地实时地准确 地计算P_plt、C_RS和R_RS的系统和方法。需要持续、实时且准确地理解机 械通气和其它治疗介入（例如，支气管扩展药和气道抽吸）对肺力学（即， C_RS和R_RS）的影响，以促进病人-通气机同步和动脉血-气交换。本发明 被设计用于应对该需要。

发明内容

本发明提供了一种用于在不需要以任何方式中断或修改呼吸的情况 下、非侵入地准确地实时地计算P_plt、C_RS和R_RS的方法和设备。这些呼 吸参数的准确计算提供了准确地确定在处理被通气的病人时有价值的其 它信息的能力。在一个实施例中，通过处理系统实时地估计P_plt、C_RS和 R_RS的准确且有用的值。

本发明的特别有利之处在于它可利用通常测得的呼吸参数（即，在机 械通气的吸气阶段期间随着时间的气道压力和流速）来产生对肺力学的准 确实时估计，包括但不限于P_plt、C_RS和R_RS。在实时监视病人对机械通气 模式改变的反应、各种介入（即，药物）对肺力学和生理学的影响、肺过 度扩张的风险以及肺保护策略的适合性时，所得到的肺力学估计特别有 用。在通常用于撤机以辅助自主呼吸的压力调节通气期间，对P_plt、C_RS和R_RS的准确且实时的估计也是有用的。

在本发明的一个方面，该方法包括通过使用非侵入地收集的预定参数 （比如利用标准呼吸监视器收集的参数）来创建呼吸系统的病人呼气时间 常数（τ_E）的数学模型。这样的参数包括但不限于呼气体积、气流速率和 压力。

呼吸监视器和通气机典型地包含用于测量进出肺的气流的气道压力 和气道流量传感器，并且它们常常还包含二氧化碳传感器和脉搏血氧仪。 从这些时间波形选择性地导出用于表征病人的呼吸和/或病人与通气机的 交互的各种参数。这些参数包含被提取用来准确地估计病人的吸气和呼气 气流以及压力波形数据的信息。利用病人的吸气波形数据和τ_E，实现病 人吸气P_plt还有病人C_RS、R_RS以及导出的肺力学的估计的准确且持续的 实时计算。所有这些估计都可用于确定适当的治疗，包括通气机设定。

在一个实施例中，在所有呼吸模式期间使用来自肺的被动放气的τ_E准确且持续地估计实时P_plt以及病人C_RS和R_RS以及导出的肺力学。更优 选地，在压力调节呼吸期间使用来自肺的被动放气的τ_E准确且持续地估 计实时P_plt以及病人C_RS和R_RS以及导出的肺力学。

本文中描述的方法可以使用参数的线性组合或者参数的非线性组合， 包括但不限于神经网络、模糊逻辑、专家混合或多项式模型。此外，可以 使用多个不同的模型来估计不同子组的病人的肺力学。可通过各种手段来 确定这些子组，这些手段包括但不限于病人状况（病理生理学）、病人生 理参数（即，吸气流速、气道阻力、换气体积等）、或其它参数，比如通 气机参数（即，正的呼气末尾压力或PEEP、病人气道充气压力等）。

在本发明的一个优选方面，用于计算肺力学的方法涉及与用于计算呼 气时间常数的方程相组合的、基于吸气和呼气期间的标准病人气道方程唯 一地导出的一组方程的应用。该方法的基本方面是计算来自波形（例如， 压力、流量、体积等）的呼气部分的时间常数，然后使用来自吸气时间波 形中的一个或多个时间实例的数据（例如，所规定的时间t处的气道压力、 流量和体积）以及该呼气时间常数来计算P_plt、R_RS和C_RS。在一个优选实 施例中，来自吸气时间波形的单个时间实例是典型地在该吸气波形的早的 或迟的部分中找到的低病人努力的时间。由于病人努力是未知的并且典型 地是未建模的，寻找最低病人努力的点将增大参数估计的准确度。

在本发明的另一方面，用于计算病人的肺力学的方法包括使用神经网 络，其中，该神经网络基于输入数据提供用于病人的肺力学信息，其中， 该输入数据包括以下参数中的至少一个：通常由呼吸监视器收集的气道压 力、流量、气道体积、呼气二氧化碳流量波形以及脉搏血氧仪体积描记图 波形（pulse oximeter plethysmogram waveform），包括但不限于换气体积、 呼吸频率（f）、PIP、吸气时间、P_0.1、吸气触发时间、触发深度，其中， τ_E、P_plt、C_RS和R_RS被提供为输出变量。

在上述方法中，通过临床测试病人的测试群体以获得教导数据来训练 该神经网络，该教导数据包括上述输入信息。该教导数据被提供给该神经 网络，从而该神经网络被训练以提供与C_RS和R_RS对应的输出变量。

本发明可以以多种方式实施，包括作为系统（包括计算机处理系统或 数据库系统）、方法（包括收集和处理输入数据的计算机化方法以及用于 评估这样的数据以提供输出的方法）、设备、计算机可读介质、计算机程 序产品或者有形地固定在计算机可读存储器中的数据结构。下面讨论本发 明的几个实施例。

作为系统，本发明的一个实施例包括具有输入和输出装置的处理器单 元。该处理器单元工作以接收输入的参数、处理该输入并且提供与肺力学 信息对应的输出。该输出随后可被用于控制外部装置，如通气机。可通过 诸如微控制器、神经网络、并行分布式处理系统、神经形态系统等各种手 段来实现数据的处理。

作为准确地实时地计算病人的P_plt、C_RS、R_RS和τ_E的方法，本发明 包括使用本文中描述的公式、优选地通过使用包含程序指令的计算机可读 介质程序、处理系统或神经网络来处理预定的输入变量（参数）。

作为包含程序指令的计算机可读介质，本发明的一个实施例包括：用 于接收输入的变量、处理该输入并且提供指示了C_RS和R_RS的输出的计算 机可读代码装置。在一个优选实施例中，该处理包括利用神经网络。该方 法可以进一步包括响应于所获得的输出而控制通气机。

本发明的方法可以被实施为计算机程序产品，该计算机程序产品具有 带有代码的计算机可读介质。该程序产品包括程序和承载该程序的信号承 载介质。

作为设备，本发明可以包括至少一个处理器、耦合到该处理器的存储 器和驻留在该存储器中的用于实施本发明的方法的程序。

从结合仅作为例子图示了本发明的原理的附图所作的以下详细描述 中，将容易明白本发明的其它方面和优点。

在不与本说明书的明确教导不一致的情况下，在本文中提及或引用的 或者要求其优先权的所有专利、专利申请、临时申请和出版物的全部内容 通过引用包含在本申请中。

附图说明

图1是根据本发明估计其肺力学的病人的视图。

图2是示出了例子1中所描述的组中的P_plt测量结果的相对频率的直 方图。

图3是例子1的每个受检者的测得的P_plt范围的图形说明。

图4A-4C是具有三个不同吸气流量（0.5、0.75和1L/S）的三个随机 受检者（A、B和C）的τ_E（蓝色菱形）、相比于通过吸气末尾停顿获得 的τ_EP_plt（红色正方形）以及τ_EP_plt与τ_E之差（绿色三角形）依赖于PIF 与PEF之间的间隙（X轴）的图形说明。根据本发明，峰值吸气流量（PIF） -峰值呼气流量（PEF）于是成为τ_E的校正因子，其中τ_EP_plt=C_RS*R_RS。

图5是流量差（PIF–PEF）对吸气和呼气R_RS的影响（R_RSP_plt-R_RSτ_E） 的图形说明，其中使用方程y=5.2487x–0.8393作为流量差R_RS的校正因 子，其中y是R_RSτ_E的校正因子，且x是PIF–PEF。

图6A是计算出的P_plt(τ_E)与测得的P_plt之间的关系的回归分析，注意 r²=0.99（p<0.001）。

图6B是示出了计算出的P_plt(τ_E)与测得的P_plt之差的Bland-Altman 图，偏置基本上为零，并且测量的精度优良。

图6C是计算出的P_plt(τ_E)与测得的P_plt之间的线性拟合图，注意r²= 0.99。

图7A是来自τ_E的C_RS相比于来自P_plt的C_RS的回归分析，注意r²= 0.97（p<0.001）。

图7B是示出了C_RSP_plt与C_RSτ_E之差的Bland-Altman图，偏置基本 上为零，并且测量的精度优良。

图7C是C_RSτ_E与C_RSP_plt之间的线性拟合图。

图8A是来自τ_E的R_RS相比于来自P_plt的R_RS的回归分析，注意r²= 0.92（p<0.001）。

图8B是示出了R_RSP_plt与R_RSτ_E之差的Bland-Altman图，偏置基本 上为零，并且测量的精度优良。

图8C是R_RSP_plt与R_RSτ_E之间的线性拟合图。

图9描绘了示出隐藏层的神经网络。

图10描绘了具有背向传播的自适应系统的输入和输出。

图11是PSV P_plt与IMV P_plt之间的线性拟合图。

图12是PSV C_RS与IMV C_RS之间的线性拟合图。

图13是在压力支持通气期间的可变的病人努力的图形说明。

图14提供了图13中所示的同一呼吸的流量和体积曲线的图形说明。

图15是在每个吸气点处计算出的P_plt曲线。

图16是气道压力曲线，其中指示了顺应性估计的有效点。

图17是C_RS曲线，其中指示了可被用于准确估计肺参数的点。

图18是来自图16中所示的呼吸的吸气部分的R_RS（阻力）曲线。

图19A是气道压力（Paw；暗线曲线）和Pes（食道压力；亮线曲线） 的图形说明。

图19B是示出了流量（暗线曲线）和体积（亮线曲线）的图。

具体实施方式

P_plt、C_RS和R_RS的当前标准估计是在病人中在正压力充气期间、并且 通过在EIP（即，至少0.5秒的停顿）期间测量肺充气压力而获得的。遗 憾的是，执行EIP存在几个缺点，包括病人不舒服、需要临床医生输入 和仔细的检测、由病人干扰导致的不精确测量、病人-通气机不同步、不 能持续应用、以及不能以某些形式的通气来执行EIP。为了克服这些缺陷， 本发明提供了使用来自被动肺放气的τ_E的经修改的估计而不需要EIP来 准确地计算估计出的P_plt、C_RS和R_RS值的系统和方法。该结果是可监视 呼吸至呼吸肺功能和治疗介入的效果的肺力学的持续的、实时的估计。

吸气P_plt是计算机械通气期间病人的C_RS和R_RS的重要参数。监视P_plt也是避免肺泡的过度扩张、从而避免尤其是具有限制性肺病的病人的气压 创伤和/或体积创伤所必需的（ARDS网络协议（2008年7月）； http://www.ardsnet.org/node/77791）。

根据本发明，用于准确且实时地估计接受机械通气或者与病人肺系统 对接的任何装置的病人的肺力学的方法涉及以下步骤：（a）接收病人的呼 吸参数；（b）利用处理器、根据该呼吸参数计算修改后的τ_E；（c）将修 改后的τ_E输入到数学模型中；以及（d）从该数学模型提供与P_plt、C_RS和/或R_RS或者其它肺力学对应的至少一个输出变量。

在一个实施例中，该数学模型是被训练以提供估计出的肺力学的神经 网络。该神经网络可被训练以包括使用所监视的通气机压力和流量作为输 入到该神经网络的临床数据来对受检者群体进行临床测试。

被动肺呼气的τ_E是完成呼气所需的时间基于指数衰减的参数化，并 且包含与呼吸系统的力学特性有关的信息（Guttmann,J.等,"Time constant/volume relationship of passive expiration in mechanically  ventilated ARDS patients,"Eur Respir J.,8:114-120(1995);和Lourens, MS等,"Expiratory time constants in mechanically ventilated patients  with and without COPD,"Intensive Care Med，26(11):1612-1618(2000)）。 τ_E被定义为C_RS与R_RS的乘积（Brunner,JX等,"Simple method to  measure total expiratory time constant based on the passive expiratory  flow volume curve,"Crit Care Med，23:1117-1122(1995)）。可以通过简单 地将呼气体积（V(t)）除以呼气流量来实时地估计τ_E，即（Brunner,JX等,"Simple method to measure total expiratory time  constant based on the passive expiratory flow volume curve,"Crit Care  Med，23:1117-1122(1995);以及Guttmann,J.等,"Time constant/volume  relationship of passive expiration in mechanically ventilated ARDS  patients,"Eur Respir J.,8:114-120(1995)）。该方法给出呼气期间每个点 的τ_E的估计。

遗憾的是，用于估计τ_E的当前方法颇为不准确，尤其是对于连接到 机械通气机的病人，因为通气机的呼气阀在最初打开期间可能产生干扰。 此外，τ_E的当前估计包括呼气末尾的一部分，其（1）可造成τ_E的房室动 力学行为迟后（慢），其可归因于因肺内肺泡倒空不均衡（摆动呼吸影响） 而不准确的呼吸系统的粘弹性特性（Guerin,C.等,"Effect of PEEP on  work of breathing in mechanically ventilated COPD patients,"Intensive  Care Med.,26(9):1207-1214(2000)）；并且（2）由于在呼气末尾减小的流 量和除以接近零的数字，产生的较不稳定的值。另外，因为通 气机的呼气阀的阻力在呼气末尾时变得更显著，所以这也可影响使用当前 方法是否能确定出τ_E的准确估计。

因此，在本发明的一个实施例中，通过使用仅在呼气的中间且更可靠 的部分期间的呼气波形来实现τ_E的更准确的修改后的估计。例如，将呼 气开始之后0.1至0.5秒之间的呼气波形斜率取平均（例如，均值函数） 是一种用于获得τ_E的更可靠估计的方法。排除呼气的第一部分（0至0.1 秒之间）以减小通气机的呼气阀在最初打开期间以及残余的病人努力的可 能干扰。排除呼气末尾（超过0.5秒）以解决如上所述可归因于呼气末尾 的问题。

图13和图14是用于计算P_plt、C_RS和R_RS的各种呼吸参数的图形说 明。图13示出了在压力支持通气（PSV）模式期间来自可变的病人努力 的呼吸。标记示出了气道压力曲线（Paw）上吸气的最后点，其代表最低 的病人努力并且被用于估计P_plt、R_RS和C_RS。

图14示出了图13中同一呼吸的流量和体积曲线。标出的点是计算与 肺力学（P_plt、R_RS和C_RS）相关的值的点。这些点对应于Paw曲线上吸 气的最后点。如图14中所示，基于估计出的τ_E计算P_plt、R_RS和C_RS通常 被限制于高于0.1L/sec的流量。用于更准确地估计τ_E的另一方法涉及中 值函数。例如，通过取得呼气期间的多个τ_E估计的平均值或中值可以导 出τ_E的更准确的估计。有利地，限制进行这些时间常数估计的位置提供 更好的时间常数值。呼气的高流量和低流量区域更可能产生错误的估计， 并且因此被排除。

图15示出了P_plt曲线，其中P_plt是根据吸气（和呼气，其应该被排除） 的每个点处的τ_E估计计算出的。P_plt曲线上的标记是吸气的最后有效部分， 其对应于图14中所示的吸气末尾。

在一些实施例中，利用其中流量小于峰值吸气流量的80%但大于0.1 LPS的呼气部分得到的τ_E估计的中值提供了τ_E的更准确估计。在另一个 实施例中，可将多个呼吸的时间常数的几个估计取平均或者中值滤波以提 供呼吸区域的τ_E的更好估计。

在可替选实施例中，呼气部分可由呼气体积的百分比定义。在一些实 施例中，来自体积和/或峰值呼气流量的百分比的不同组合的τ_E估计的中 值提供τ_E的更准确估计。在一个实施例中，来自峰值呼气流量的百分比 处于峰值呼气流量的95%与20%之间。在另一个实施例中，来自峰值呼 气流量的百分比处于峰值呼气流量的95%与70%之间。在另一个实施例 中，利用呼气体积的80%与呼气体积的20%之间的呼气部分。

因为阻力是流量的函数，并且τ_E是阻力的函数，所以τ_E值可以随流 速改变。在另一个实施例中，通过选择多个呼气区域以基于吸气流速估计 τ_E可实现更好的τ_E估计。例如，在吸气流速是恒定的那些通气模式比如 IMV、VC+（体积控制+）或辅助控制中，可实现更好的τ_E估计。

在呼气期间，在被机械通气的病人中计算出的τ_E的阻力部分是三个 串联阻力之和，即，作为生理气道阻力（R_aw）、气管内管的被施加的阻力 （R_ETT）和通气机呼气阀阻力（R_vent）之和的总阻力（R_TOT）。

R_TOT=R_aw+R_ETT+R_vent

根据本发明，可以从上面导出的τ_E的估计中排除由通气机呼气阀施 加的阻力，用于τ_E的改进的准确的修改后的估计。

因此，可以由下式计算R_vent：

$\mathrm{Rvent}\left(t\right)=(\mathrm{Paw}\left(t\right)-\mathrm{PEEP})/{\stackrel{·}{V}}_{\mathrm{exh}}\left(t\right)$

其中Paw是气道压力，PEEP是正的呼气末尾压力（如果施加的话， 否则为零），是呼气的气道流速。

为了计算本发明的更准确的修改后的τ_E估计，首先如上所述那样计 算τ_Etotal(t)。然后，以下方程导出排除了通气机阻力的病人的τ_E的方程：

$C_{\mathrm{est}}=(\mathrm{VT}+{\tau }_E\mathrm{total}*{\stackrel{·}{V}}_{\mathrm{exh}}\left(t\right))/(P_{\mathrm{aw}}-\mathrm{PEEP}),$其中C_est是来自τ_Etotal的 估计出的顺应性，于是

τ_E total(t)=(R_RS(t)+Rvent(t))*C_est

τ_Etotal(t)=(R_RS(t)*C_est)+(R vent(t)*C_est)

利用C_est作为C_RS的估计产生了以下时间常数的更准确的估计：

τ_E(t)=τ_Etotal(t)–(R vent(t)*C_est)

当如上所述那样估计出并校正了τ_E后，使用吸气波形数据来估计P_plt、 R_RS、C_RS和其它肺力学。

可根据本发明、如下面那样准确地估计C_RS和R_RS以及因此P_plt：

如下面那样计算C_RS：

$\mathrm{Paw}-\mathrm{PEEP}=V_T/C_{\mathrm{RS}}+R_{\mathrm{RS}}*{\stackrel{·}{V}}_{\mathrm{inh}}:$气道方程

$C_{\mathrm{RS}}(\mathrm{Paw}-\mathrm{PEEP})=V_T+R_{\mathrm{RS}}*C_{\mathrm{RS}}*{\stackrel{·}{V}}_{\mathrm{inh}}:$两边同乘以C_RS以导出C_RS的以下方程：

其中P_aw是气道充气压力，PEEP是正的呼气末尾压力，V_T是换气体积， 是吸气流速。

计算R_RS涉及以下方程：

$\mathrm{Paw}-\mathrm{PEEP}=V_T/C_{\mathrm{RS}}+R_{\mathrm{RS}}*{\stackrel{·}{V}}_{\mathrm{inh}}:$气道方程

$\mathrm{Paw}-\mathrm{PEEP}=V_T*R_{\mathrm{RS}}/C_{\mathrm{RS}}+R_{\mathrm{RS}}*{\stackrel{·}{V}}_{\mathrm{inh}}:$将V_T/C_RS乘以R_RS

$\mathrm{Paw}-\mathrm{PEEP}=R_{\mathrm{RS}}(V_T/{\tau }_E+{\stackrel{·}{V}}_{\mathrm{inh}}):$简化右边以导出R_RS的以下方程：

计算P_plt涉及以下方程：

P_plt=(V_T/C_RS)+PEEP

或者，可替选地

作为上述方法的进一步精细化，应当注意，由于阻力随流量变化很大， 所以τ_E也随流量而变化。因此，可以随（峰值吸气流量（PIF）–峰值呼 气流量（PEF））的变化而预测τ_E估计的误差。为了校正该误差，对τ_E的R_RS分量应用校正因子。该校正因子很可能依赖于通气的模式、病人努 力的量、PIF和PEF。然而，发现图5中所述的病人的合理校正因子为y =5.2487*(PIF–PEF)–0.8393。根据本发明，峰值吸气流量（PIF）–峰 值呼气流量（PEF）于是成为τ_E的校正因子。

在上述方程中，实现所利用的流量、压力和体积值不是波形而是简单 的测量结果是重要的。在该优选实施例中，这些测量同时发生，从而该体 积、流量和压力值与吸气期间的单个时间点相关联。由于气道方程不包括 由病人的吸气肌肉产生的吸气努力的项，所以测量这些值的理想位置是当 吸气努力最小时（以避免气道方程中的吸气努力所造成的误差）。因此， 进行这些测量的优选点是以最小努力吸气期间的点。然而，定位最小病人 努力的点可能是困难的，因为瞬时的病人努力只能通过侵入式方法比如食 道压导管来准确地计算。然而，在典型的呼吸中，低的病人努力经常发生 在吸气末尾（或者有时候在开始）附近。

利用呼气时间常数，可在吸气波形的每个点处估计平台压力、阻力、 顺应性和相关呼吸参数的各个估计。估计整个吸气的这些参数提供有用的 信息，包括整个呼吸的顺应性、平台压力和其它参数的变化的估计和依赖 于流量的阻力估计。来自整个估计的这些估计的数据可能对于更好地估计 其它导出的参数有价值，这些导出的参数包括但不限于病人努力、更准确 的平均阻力和顺应性以及准确的触发信息。

在一个实施例中，通过计算整个吸气的P_plt曲线并且使用P_plt处于其 最大值的点来确定用于准确估计参数的最小努力点。在另一个实施例中， 通过寻找吸气期间顺应性处于其极小值的位置来定位低病人努力点。这两 个实施例依赖于病人努力倾向于增大顺应性估计并且减小平台压力这一 事实。

例如，图16中的点A、B和C提供了可被用于在计算τ_E、P_plt、R_RS和C_RS时识别体积、流量和压力值的顺应性点的例子。图17示出了可被 用于准确估计肺参数的两个最小点（如所标记的x=82和x=186）以及在 呼吸期间计算出的顺应性。图18示出了该呼吸的吸气部分的阻力曲线。 阻力依赖于流量，所以随着流量下降，阻力也下降。

图19A和图19B示出了因低IMV率而扩增的PSV期间具有高吸气 努力的病人数据。第一呼吸（左边）是具有PSV呼吸的相同换气体积的 控制呼吸（IMV）。图19A是示出了气道压力（Paw；暗线曲线）和Pes （食道压力；亮线曲线）的图。图19B是示出了流量（暗线曲线）和体 积（亮线曲线）的图。

在实时环境中，一些呼吸被咳嗽、病人对抗通气机、通气机进行的不 良触发、传感器噪声或误差以及其它问题污染。因此，丢弃被污染并且导 致估计在正常范围之外的呼吸是有利的。对一组未被污染的呼吸结果的中 值进行取平均或利用提供了呼吸参数的更好的总体估计。在一个实施例 中，具有在正常范围之外的顺应性值的呼吸被排除。另外，常见的呼吸参 数被计算出并且与正常值相比较。所述呼吸参数包括峰值吸气压力、换气 体积、吸气时间、呼气时间、均值气道压力等。

根据本文描述的方法确定的估计出的P_plt、C_RS和R_RS值对于与病人 肺系统对接的任何装置都特别有用。所考虑到的装置包括但不限于通气 机、呼吸监视器、肺功能机、睡眠呼吸暂停系统、高气压装置等。熟练的 临床医生应理解，这样的装置包括用于提供与诸如气道压力、流量、气道 体积、换气体积、f、PIP、吸气时间、P_0.1、吸气触发时间、触发深度、 呼气时段以及气道、气管内管和通气机呼气阀阻力的病人呼吸参数有关的 数据的各种传感器和/或处理系统。所考虑到的通气机包括实现以下通气 模式中的一个或多个的那些通气机：体积循环通气；辅助控制通气（A/C）； 同步化间歇性强制通气（SIMV）；压力循环通气；压力支持通气（PSV）； 压力控制通气（PCV）；非侵入式正压力通气（NIPPV）；以及持续正气道 压力（CPAP）或者双层正气道压力（BIPAP）。

在本发明的一个实施例中，确定P_plt、C_RS和R_RS的持续的实时估计， 以便诊断肺状况或疾病（包括呼吸暂停检测和障碍性睡眠呼吸暂停的治疗 以及COPD和ARDS检测）并且/或者评估介入功效。例如，对病人C_RS和R_RS的持续的准确认识在为病人建立更准确的通气机设定中以及在药 物应用（如支气管扩张剂）中特别有用。对药物应用期间病人肺力学的持 续且准确的认识在评估治疗功效中以及在确定适当的剂量中特别有用。另 外，来自本发明的实时数据可被用于确定影响病人的通气的阻塞或障碍。 例如，本发明可被用于确定呼吸管何时需要抽吸以去除粘液或其它阻塞， 或者可以确定该呼吸管何时可被扭绞。

在另一个实施例中，P_plt、C_RS和R_RS的实时估计被用于通过应用气道 方程（例如，计算Pmus作为预期气道压力与实际气道压力之差）来估计 或改进病人努力的估计。这还对于通过允许准确测量病人努力的接通设定 和关断设定来确定和优化病人同步性有用。可人工或自动地实施通气机接 通触发和关断触发的优化。

在另一个实施例中，实时估计被用于跟踪病人健康和对治疗的响应。 PEEP的改变期间的顺应性跟踪指示肺何时被最佳地通气。阻力的改变指 示松弛病人气道的药物正如预期地起作用。使用所述生理参数允许通过通 气机和药物这二者滴定和优化治疗。

在一个实施例中，利用临床数据预先训练诸如神经网络的模型，并且 可利用标准呼吸监视器非侵入地收集输入参数。该神经网络被训练以使用 上述非侵入地获取的参数预测生理的且被施加的肺力学（尽管如果期望， 也可以将侵入式参数添加到该系统）。在具有期望的可预测性程度的模型 被实现并验证后，诸如实际肺力学变量的网络输出可以被用作病人肺力学 的准确预测器。

神经网络的描述

人工神经网络对诸如人脑的生物神经网络的功能不严格地建模。因 此，神经网络被典型地实施为互连的神经元的系统的计算机模拟。具体而 言，神经网络是互连的处理元素（PE）的分层集合。这些元素被典型地 按层布置，其中输入层接收输入数据，隐藏层变换该数据，并且输出层产 生期望的输出。也可以使用神经网络的其它实施例。

该神经网络中的每个处理元素接收多个输入信号或数据值，这些输入 信号或数据值被处理以计算出单个输出。该输入从前一层中的PE的输出 或者从输入的数据接收。使用指定输入数据值之间关系的在本领域中称为 激活函数或传递函数的数学方程来计算PE的输出值。如本领域中已知的， 激活函数可以包括阈值或偏置元素。较低网络层的元件的输出被提供为至 较高层的元素的输入。最高层的一个或多个元素产生最终的一个或多个系 统输出。

在本发明的背景下，神经网络是被用于产生前文描述的量化的病人努 力的非侵入式估计的计算机模拟。本发明的神经网络可以通过指定组成该 网络的处理元素的数目、配置和连接来构造。神经网络的一个简单实施例 由处理元素的完全连接的网络组成。如图9中所示，该神经网络的处理元 素被分组为以下层：输入层30，在该层中从气道压力和流量传感器收集 和/或导出的参数被输入到该网络；处理元素的一个或多个隐藏层32；以 及输出层34，在该层中产生病人努力的最终预测36。每层30、32、34中 的元素数目决定了连接的数目并因此决定了连接权重的数目。

用于神经网络的最常见的训练方法基于通过将期望的输出与网络输 出之间的均方差（均方误差，MSE）最小化来迭代地改进系统参数（通 常称为权重）。将输入应用于神经网络，神经网络使数据通过其分层结构， 并且产生输出。将该网络输出与对应于该输入的期望输出相比较，并计算 误差。然后，将该误差用于调节系统的权重，使得下一次将具体的输入应 用于该系统时，网络输出将更接近于期望的输出。有许多用于调节权重的 被称为训练算法的可能方法。如图10中所示，最常见的方法被称为背向 传播，其涉及计算每个权重对误差的响应能力，并且根据该误差计算局部 梯度，以针对每个权重使用梯度下降学习规则。

基于以上说明，可以使用包括计算机软件、固件、硬件或者它们的任 何组合或子组的计算机编程或工程技术来实现本发明。可以将如此得到的 具有计算机可读代码部的程序体现或提供在一个或多个计算机可读介质 中，从而得到根据本发明的计算机程序产品，即，制造的商品。该计算机 可读介质可以例如是固定的（硬）驱动、磁盘、光盘、磁带、诸如只读存 储器（ROM）等半导体存储器或者诸如因特网或其它通信网络或链接的 发送/接收介质。可以通过从一个介质直接执行该代码，通过将该代码从 一个介质复制到另一个介质，或者通过在网络上发送该代码而得到和/或 使用包含该计算机代码的制造的商品。

计算机科学领域的技术人员能够容易地将按照所描述产生的软件与 适当的通用或专用的计算机硬件相结合，以产生体现本发明的方法的计算 机系统或计算机子系统。用于得到、使用或销售本发明的设备可以是一个 或多个处理系统，包括但不限于中央处理单元（CPU）、存储器、存储装 置、通信链路和装置、服务器、I/O装置或者包括体现本发明的软件、固 件、硬件或它们的任何组合或子组的一个或多个处理系统的任何子构件。 可从键盘、鼠标、笔、语音、触摸屏或者人类可以用来将数据输入到计算 机中的包括通过诸如应用程序等其它程序的任何其它手段接收用户输入。

例子1

使用需要机械通气的三十（30）个呼吸衰竭的成年病人（即，接受正 压力通气的病人）的异源群体验证了基于所监视的通气参数准确地实时估 计肺力学的本发明系统和方法。

对于每个病人，利用吸气流量波形和0.5秒的吸气末尾停顿、在间歇 性强制通气（IMV）模式下记录P_plt。所记录的吸气流速的范围在0.5至 1.0L/s之间。

如图1中所示，来自位于病人气管内管10与通气机呼吸回路的Y形 件15之间的组合压力/流量传感器5（NICO，Respironics）的数据被引导 至膝上型计算机20，该膝上型计算机20具有执行用于测量和记录压力、 流量和体积数据的本文所述的方法的软件（Convergent Engineering）。如 下面的表1和图2、图3中所示，在所研究的病人群体中，P_plt数据的范 围在10至44cm H₂O之间。

从具有三个不同吸气流量（0.5、0.75和1L/S）的三个随机病人（A、 B和C）获得了τ_E，并且将τ_E与通过吸气末尾停顿（EIP）获得的τ_EP_plt相比较。如图4A-4C中所示，依赖于PIF与PEF之间的间隙（X轴），τ_EP_plt 不同于τ_E。在图4A-4C中，用蓝色菱形代表τ_E，用红色正方形代表τ_EP_plt， 其中用绿色三角形代表τ_EP_plt与τ_E之差。PIF–PEF于是成为τ_E的校正因 子（Guerin,C.等,"Effect of PEEP on work of breathing in mechanically  ventilated COPD patients,"Intensive Care Med，26(9):1207-1214(2000)）。

为了导出峰值吸气流速和峰值呼气流速的流量差（PIF–PEF）对吸 气和呼气的影响，R_RS(R_RSP_plt–R_RSτ_E)，使用方程y=5.2487*(PIF–PEF) –0.8393作为流量差R_RS的校正因子。图5是流量差对吸气的影响，其中 PIF=峰值吸气流速，PEF=峰值呼气流速，R_RSP_plt=来自P_plt的病人 R_RS，R_RSτ_E=来自τ_E的病人R_RS。

验证数据的分析：

图6A中的表格中示出了计算出的与实际的（呼吸末尾停顿）P_plt之 间的回归分析，其包括上面计算出的校正。图6B中示出的是计算出的与 实际的P_plt之差的Bland-Altman图，其中r²校正为0.99，偏置=0.00125， 95%一致性界限=-1.347至1.376。图6C示出了线性拟合图，其显示比例 值=1.006。

C_RS计算的分析：

图7A是从τ_E计算出的C_RS与从P_plt计算出的标准C_RS之间的回归分 析的图形说明，其中r²=0.97。图7B示出了C_RSP_plt与C_RSτ_E之差的 Bland-Altman图，其中偏置=0.0000199，95%一致性界限={-0.00634至 0.00638}。图7C是C_RSτ_E与C_RSP_plt之间的线性拟合图，其中比例=0.948。

R_RS计算的分析：

图8A是从τ_E计算出的R_RS与从P_plt计算出的标准R_RS之间的回归分 析的图形说明，其中r²=0.918。图8B示出了R_RSP_plt与R_RSτ_E之差的 Bland-Altman图，其中偏置=0.00000008，95%一致性界限={-2.15至 2.15}。图8C是R_RSP_plt与R_RSτ_E之间的线性拟合图，其中比例=0.923。

例子2

使用需要机械通气并接收PSV的二十四（24）个成年病人群体验证 了在不需要具有EIP的IMV的情况下在PSV期间使用来自肺的被动放气 的τ_E对P_plt和C_RS的持续且准确的估计。

这24个成人由年龄范围为56.1±16.6岁并且体重范围为79.9±28.8 公斤的10个男性和14个女性组成。他们具有不同的呼吸衰竭原因，并且 利用PSV进行自主呼吸。PSV范围在5至20cmH₂O之间。应用相同的 换气体积，在相同的病人当中比较具有EIP的IMV与PSV。在PSV期 间，通过对来自呼气体积和流量波形的τ_E积分而获得P_plt和C_RS。在IMV 和EIP期间，从查看EIP处的气道压力波形的平台压力获得P_plt。使用回 归和Bland-Altman分析来分析数据；α被设定为0.05。

在PSV期间，来自τ_E方法的P_plt和C_RS分别为19.65±6.6cm H₂O和 0.051±0.0124ml/cm H₂O。在具有EIP的IMV期间，P_plt和C_RS分别为 20.84±7.17cm H₂O和0.046±0.011ml/cm H₂O（在所有测量结果中无显 著不同）。比较这两种测量方法，P_plt与C_RS之间的关系分别为r²=0.98（图 11）和r²=0.92（图12）（p<0.05））。P_plt和C_RS的Bland-Altman图示出 了偏置分别为1.17和-0.0035，并且精度分别为±1和±0.0031。

应当理解，本文描述的例子和实施例仅用于说明的目的，并且本领域 的技术人员根据该教导可以想到各种修改或变化，这些修改或变化包括在 本申请的精神和范围内。

在不与本说明书的明确教导不一致的情况下，在本文中提到或引用的 所有专利、专利申请、临时申请和出版物的包括所有图和表格的全部内容 通过引用包含在本申请中。