从受伤肺部动物体积图中对PaCO₂的非侵入性估计:一种人工智能方法

科学领域:

• 生物医学工程 生物医学工程
• 呼吸系统生理学 呼吸系统生理学
• 计算机建模 计算建模

背景情况:

• 在重症监护中,精确监测二氧化碳 (PaCO2) 的动脉部分压力至关重要.
• 目前用于PaCO2测量的方法往往是侵入性的.
• 需要使用非侵入性方法来提高患者的安全性和监测效率.

研究的目的:

• 评估使用计算自适应神经模糊推理系统 (ANFIS) 模型来非侵入性估计PaCO2的可行性.
• 为了评估ANFIS模型的准确性,精度和趋势能力,在使用体积图 (VCap) 参数时.
• 在肺损伤的动物模型中验证模型.

主要方法:

• 在使用光学血管内导管,对14只肺洗的猪进行了持续的侵入性测量PaCO2.
• 非侵入式体积图 (VCap) 参数被记录为每次呼吸.
• 一个ANFIS模型经过训练和测试,使用8599个入侵性PaCO2和VCap参数的配对数据点,在不同的正极呼气压下进行测试.
• 模型性能使用布兰德-阿尔特曼分析,根平均平方误差和来自四象限和极地图的一致性索引进行评估.

主要成果:

• 该ANFIS模型显示高精度,平均偏差为0.03 ± 0.03 mmHg.
• 精度是可以接受的,协议的界限为2.25 ± 0.42 mmHg.
• 该模型表现出良好的趋势能力,对四象限图片的一致性指数为95.5%,对极地图片的一致性指数为94.3%.
• 预测质量的根平均平方误差为1.15 ± 0.06 mmHg.

结论:

• 使用非侵入性VCap参数的ANFIS模型可以有效地估计动物肺损伤模型中的PaCO2.
• 开发的模型提供了一种有希望的非侵入性方法来监测高精度和良好的趋势能力的PaCO2.
• 这种计算方法有可能在临床环境中增强呼吸监测.