科研之友
微信
新浪微博
Facebook
分享链接
摘要
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。
- 单位
