Настройки вентилятора при поддержке ИИ: проблемы и перспективы (Intensive Care Med, январь 2025)

Механическая вентиляция легких (МВ) относится к краеугольному вмешательству в медицине критических состояний. При этом ненадлежащее ее использование приносит вред и, в первую очередь тем, что известно как вентилятор-индуцированное легочное повреждение (ventilator-induced lung injury [VILI]) [1]. Для снижения риска VILI предельно важны стратегии защиты легких. Но здесь следует отметить, что защищающая легкие вентиляция в современном понимании эволюционирует от «стандартных настроек» к индивидуализации МВ [2]. К примеру, оптимальные настройки вентилятора у пациентов с нормальной растяжимостью (compliance) легких могут в значительной степени отличаться от таковых при остром респираторном дистресс-синдроме (ОРДС). Даже у каждого конкретного пациента отделения интенсивной терапии (ОИТ) оптимальные настройки необходимо корректировать с течением времени в связи с изменениями физиологических параметров легких. С другой стороны, не только субоптимальные настройки сами по себе, но и такие состояния, как асинхрония пациент-вентилятор и несвоевременная инициация отлучения от вентилятора могут пролонгировать длительность МВ и вызывать нежелательные последствия [3].

Принимая во внимание множество статических и динамических параметров, влияющих на настройки вентилятора, вполне объяснимо, что компьютеры лучше подходят для навигации в этом многомерном мире, чем люди. К примеру, алгоритмы искусственного интеллекта (ИИ) известны своими впечатляющими способностями в распознавании образов/паттернов. Следовательно, хорошо обученные модели ИИ имеют огромные перспективы в оптимизации настроек вентилятора в целях определения оптимальных комбинаций параметров у каждого конкретного пациента. Большинство публикаций, посвященных экспертным системам и подходам, основанным на правилах, в отношении настроек вентилятора, датируются 1980-2000 годами и есть совсем немного публикаций по применению ИИ в более узком смысле [4]. Системы вентилятора с замкнутым контуром «close-loop» крайне редко используют огромный потенциал искусственного интеллекта [5]. Недавние примеры применения ИИ при механической вентиляции ограничиваются использованием обучения с подкреплением для оптимизации настроек вентилятора [6, 7], для выявления часто не диагностируемого недостаточного потока [8] или для внедрения в модели клинического прогнозирования механической мощности, параметра, который приковывает все большее внимание, так как он оказывает влияние на все аспекты механической вентиляции, приводящие к развитию VILI, и хорошо коррелирует с исходами пациентов [9]. При том, что первые клинические исследования в отношении поддержки ИИ отлучения от искусственной вентиляции вентиляции показали многообещающие результаты [10], клинических исследований, в которых изучению подверглись бы основанные на ИИ корректировки настроек вентилятора, все еще очень мало.

Использование возможностей искусственного интеллекта 

В дополнение к стандартным параметрам вентиляции, огромный массив данных, собранных во время лечения пациента в ОИТ, таких как результаты лабораторных анализов, анализов газового состава крови, жизненно важные параметры и демографические данные пациента (возраст, пол, раса и анамнез), может вносить свой вклад в разработку моделей ИИ в целях оптимизации настроек вентилятора. Данные формы респираторной волны, представляющих давление в дыхательных путях, или кривые потока содержат много ценной, но до сих пор не применяемой информации [11], а данные лучевой диагностики органов грудной клетки (рентгенография, компьютерная томография) и такие технологии оценки в реальном времени, как электрическая импедансная томография, предлагают дополнительную информацию на входе в модели ИИ. Более того, интеграция результатов газового состава крови может решить многие проблемы с автоматизированными системами вентиляции, которые не достигли на сегодня надлежащей надежности. Периферическая сатурация кислородом (SpO2) имеет склонность к недостоверным результатам, что связано с движениями в конечностях или со снижением перфузии, а уровень углекислого газа в конце выдоха (end-tidal carbon dioxide [etCO2]) не совсем точно отражает актуальную ситуацию в артериальной крови, когда газообмен тяжело поврежден. Постоянная корректировка этих параметров со значениями артериального газообмена может создать более реалистичную картину. 

Интеграция всех этих разных данных, каждое из которых отражает различающиеся аспекты состояния пациента и похоже на мозаику, может привести к всеобъемлющему (или более детальному) представлению текущей ситуации в легких. Используя холистический набор данных, модели на базе ИИ могут распределять пациентов на специфические «фенотипы». В зависимости от имеющегося фенотипа специально подобранный режим МВ, что раннее получил свидетельства пользы при аналогичных ситуациях, может быть рекомендован для индивидуализации настроек МВ. Если такие модели дополнить моделями компьютерного моделирования (in silico models), что имитируют свойства легких при разных состояниях, то получится значительно улучшить прогнозирование в том, а какие специфические изменения вентиляции окажут влияние на пациента [12]. 

Уроки, что преподали нам модели вентиляции с закрытым контуром

Технологии ИИ очень тесно связаны со сбором данных, их обработкой и обменом. С другой стороны, в области медицины имеется недостаток интерфейсов, проприетарных форматов данных, а также отсутствуют данные или же эти данные непоследовательные и нет общепринятых стандартов. К тому же обработку данных, связанных со здоровьем, осложняют требования законодательства о защите конфиденциальности. При этом выполнение стандартной процедуры получения информированного согласия практически невозможно у пациентов, которым проводится механическая вентиляция легких.      

ОИТ рассматривается как технофильная окружающая среда. Но при этом распространение систем вентиляции с закрытым контуром все еще ограничено. Полученный опыт применения этих систем может быть использован при внедрении ИИ для настроек вентиляции. Применение систем с закрытым контуром показало только незначительные улучшения в исходах пациентов [13]. С другой стороны, генерация доказательств в пользу применения закрытых систем  необходима еще до внедрения ИИ в практику проведения механической вентиляции. Первым шагом на этом пути должно стать тестирование моделей на базе ИИ с помощью виртуальных данных, что представляют пациентов в различающихся состояниях. Только после исчерпывающего тестирования с использованием компьютерного моделирования (in silico testing) эти модели могут быть подвергнуты изучению в клинических проспективных исследованиях, в идеале рандомизированных против стандартных протоколов лечения. Такое изучение должно выполняться с постепенным переходом от пациентов низкого риска к более гетерогенной и более тяжелой популяции пациентов ОИТ. После получения результатов станет необходимым критическое обсуждение того, насколько мы можем доверять моделям ИИ. При том, что используемые у постели пациента модели ИИ должны быть тщательно проверены и сертифицированы, нельзя игнорировать важный факт — характеристики пациентов, распределение состояний и заболеваний, а также лечебные стратегии в ОИТ изменяются с течением времени. Это вызывает значительное снижение прогностической эффективности [14]. Новое обучение модели может решить эту проблему, но такое обучение приводит к появлению «новой» модели с неизвестным поведением. Следовательно, это вновь потребует одобрения регулирующих органов, для получения которого необходимо пройти кропотливый и очень дорогостоящий процесс сертификации. С другой стороны, вероятно, что наиболее важным аспектом в отношении систем закрытого типа стало нежелание врачей передавать полностью важную часть свой работы автоматическим системам. И это нежелание усугубилось сообщениями о критических инцидентах, вызванных чрезмерной автономностью аппарата искусственной вентиляции [15]. Следовательно, модели ИИ должны быть разработаны как инструменты поддержки клинического решения, а не как автономные устройства. И, наконец, вся ответственность за результаты лечения должна оставаться за лечащим врачом. 

Фокусируемся на целях

На сегодня потенциал ИИ не может быть использован полностью. С другой стороны, если описанные выше препятствия можно будет решить и огромный потенциал ИИ при механической вентиляции подвергнется изучению, это, возможно, откроет дорогу для новых клинических исследований, трансформирует практику искусственной вентиляции легких и приблизит нас к индивидуализированной терапии, что внесет существенный вклад в улучшение исходов у наших пациентов.  

References 

  1. Slutsky AS, Ranieri VM (2013) Ventilator-induced lung injury. N Engl J Med 369:2126–2136 
  2. Juffermans NP, Rocco PRM, Laffey JG (2022) Protective ventilation. Intensive Care Med 48:1629–1631 
  3. Hodgson CL, Udy AA, Bailey M, Barrett J, Bellomo R, Bucknall T, Gabbe BJ, Higgins AM, Iwashyna TJ, Hunt-Smith J, Murray LJ, Myles PS, Ponsford J, Pilcher D, Walker C, Young M, Cooper DJ (2017) The impact of disability in survivors of critical illness. Intensive Care Med 43:992–1001 
  4. Gallifant J, Zhang J, Lopez DPA, M, Zhu T, Camporota L, Celi LA, Formenti F, (2022) Artificial intelligence for mechanical ventilation: systematic review of design, reporting standards, and bias. Br J Anaesth 128:343–351 
  5. Arnal JM, Katayama S, Howard C (2023) Closed-loop ventilation. Curr Opin Crit Care 29:19–25 
  6. Liu S, Xu Q, Xu Z, Liu Z, Sun X, Xie G, Feng M, See KC (2024) Reinforcement learning to optimize ventilator settings for patients on invasive mechanical ventilation: a retrospective study. J Med Internet Res 26:e44494 
  7. Peine A, Hallawa A, Bickenbach J, Dartmann G, Fazlic LB, Schmeink A, Ascheid G, Thiemermann C, Schuppert A, Kindle R, Celi L, Marx G, Martin L (2021) Development and validation of a reinforcement learning algorithm to dynamically optimize mechanical ventilation in critical care. NPJ Digit Med 4:32 
  8. de Haro C, Santos-Pulpón V, Telías I, Xifra-Porxas A, Subirà C, Batlle M, Fernández R, Murias G, Albaiceta GM, Fernández-Gonzalo S, GodoyGonzález M, Gomà G, Nogales S, Roca O, Pham T, López-Aguilar J, Magrans R, Brochard L, Blanch L, Sarlabous L (2024) Flow starvation during square-flow assisted ventilation detected by supervised deep learning techniques. Crit Care 28:75
  9. Ruiz-Botella M, Manrique S, Gomez J, Bodí M (2024) Advancing ICU patient care with a Real-Time predictive model for mechanical Power to mitigate VILI. Int J Med Inform 189:105511 
  10. Hsu JC, Chen YF, Chung WS, Tan TH, Chen T, Chiang JY (2013) Clinical verification of a clinical decision support system for ventilator weaning. Biomed Eng Online 12(Suppl 1):S4 
  11. Rehm GB, Han J, Kuhn BT, Delplanque JP, Anderson NR, Adams JY, Chuah CN (2018) Creation of a robust and generalizable machine learning classi-fier for patient ventilator asynchrony. Methods Inf Med 57:208–219 
  12. Hannon DM, Mistry S, Das A, Saffaran S, Laffey JG, Brook BS, Hardman JG, Bates DG (2022) Modeling mechanical ventilation in silico-potential and pitfalls. Semin Respir Crit Care Med 43:335–345 
  13. Goossen RL, Schultz MJ, Tschernko E, Chew MS, Robba C, Paulus F, van der Heiden PLJ, Buiteman-Kruizinga LA (2024) Effects of closed loop ven-tilation on ventilator settings, patient outcomes and ICU staff workloads — a systematic review. Eur J Anaesthesiol 41:438–446 
  14. Vaid A, Sawant A, Suarez-Farinas M, Lee J, Kaul S, Kovatch P, Freeman R, Jiang J, Jayaraman P, Fayad Z, Argulian E, Lerakis S, Charney AW, Wang F, Levin M, Glicksberg B, Narula J, Hofer I, Singh K, Nadkarni GN (2023) Impli-cations of the use of artificial intelligence predictive models in health care settings : a simulation study. Ann Intern Med 176:1358–1369 
  15. Dufour N, Fadel F, Gelée B, Dubost JL, Ardiot S, Di Donato P, Ricard JD (2020) When a ventilator takes autonomous decisions without seeking approbation nor warning clinicians: a case series. Int Med Case Rep J 13:521–529

Источник: https://doi.org/10.1007/s00134-024-07778-w

Наш сайт работает без рекламы, и мы рады, что вы с нами! Для поддержки проекта и его развития сканируйте QR-код ниже!

Buy Me a Coffee