将动脉气压添加到单次测量监测数据中,可以通过深度学习进行诊断肺部建模
Peter H Scott1,2, Christopher M Anstey2,3, Thomas J Morgan4
1Intensive Care Department, Mater Health Services, Brisbane, Queensland, Australia.
Physiological reports
|February 17, 2026
概括
这项研究表明,将气分析纳入深度学习模型,可以使用West的通风/ perfusion 模型参数准确量化个体肺功能.
科学领域:
- 生理学 生理学 生理学
- 计算生物学 计算生物学
- 医学诊断 医学诊断 医学诊断
背景情况:
- 精确量化肺功能对于患者管理至关重要.
- 韦斯特的通风/ perfusion (V/Q) 模型提供了关键参数:shunt,logSD和平均V/Q.
- 整合多个生理测量可以提高V/Q模型的准确性.
研究的目的:
- 确定深度学习分析,包括的动脉压 (PaN2),是否可以个性化西的V/Q肺模型.
- 评估使用单个动脉血液气体测量与其他生理数据的可行性.
- 评估深度学习对V/Q模型参数的预测准确度.
主要方法:
- 一个模拟的数据集 2,010,000 动脉血液气体测量,包括PaN2,使用计算机化西的V/Q模型生成.
- 数据集包含了分流,logSD,平均V/Q,心脏输出和间接热量计的变化.
- 在这个数据集上训练深度学习模型,并使用一个单独的43,915个样本的测试集进行验证.
主要成果:
- 深度学习模型准确地预测了分流,logSD和平均V/Q (R2 ≥0.99) 的保留值.
- 灵敏度分析证实,模型准确性高度依赖于PaN2测量.
- 纳入PaN2显著提高了肺功能量化的准确性.
结论:
- 动脉血液气体的深度学习分析,包括PaN2,结合心脏输出和热量计数据,准确量化个体的肺功能.
- 这种方法提供了一种高保真度的方法,用于评估West V/Q模型的关键参数.
- 这些发现支持PaN2在高级计算模型中用于个性化肺功能评估.
