识别具有明显的心肺功能不全或处于即将发生的心肺功能不全的高风险的患者通常难以在除了医院的高度人员配置场所之外的地区进行鉴定，如手术室，重症监护病房（ICU）紧急部门。即使在这些护理地点，预测早期心肺功能不全或预先预测其发展常常也都是具有挑战性的。临床文献历来珍视的心肺功能不全的早期识别和及时纠正，这些对于最小化患者发病率和死亡率是有价值的，同时减少医疗成本。最近的数据支持综合监控系统的声明，其使用机器学习算法创建稳定性或不稳定性的导出的融合参数，准确识别心肺功能不全，并可预测其发生。在本概述中，我们描述的综合监控系统基于已建立的机器学习分析，使用人工神经网络，KNN邻近算法，支持向量机，随机森林分类器和其他常规获得的非‐侵入性和侵入性血流动力学指标确定心肺功能不全，并以高精度实时显示它们。
这些方法对于所有医疗保健监测在患者到慢性护理的范围内的影响是清楚的，即使是对于已经把急性护理，设置成我们的日常生活为中心那些需求可能显得更加迫切。这些方法的基本假设是测量容易获得的生理变量的变化从而反映多个调节自主神经，内分泌和代谢系统中复杂患者之间的特异性相互作用。因此，对这种相互作用的简单算法方法，例如使用现有的严重性评分系统或基于计算机的治疗方案，除了通过标准化治疗以外，不可能改善结果。潜在地，通过使用功能性血液动力学监测原则，我们可以高度准确地预测所有患者的容量反应性和中央动脉的状态。但是，在应用这些功能性血液动力学监测方法之前，需要确定哪个患者是不稳定的或是将要不稳定的。
综合监测系统改善了心肺功能不全的诊断和治疗效果 目前的复苏决策通常是响应于血压下降（BP），持续高心率（HR）或动脉血氧饱和度[1]。个人重要体征（包括BP，HR，呼吸频率，血氧饱和度[SpO2]和呼气末CO2）通常被评估为平均值并独立解释。这些数据可能不会达到可采取措施的水平，直到患者已经进展到晚期（或失代偿）的心肺功能不全。另外，综合监控系统可以使用融合数据，收集和合成以确定生理模式，这意味着在有明显的临床恶化之前，我们可以实时预测到这些不稳定的发生。[2] 为了查看这样的综合监测系统是否能在其过程的早期识别明显的心肺功能不全，并降低总体患者不稳定性，我们使用了食品和药物管理局（FDA）批准的Visensia TM监测器（OBS Medical，Carmel，IN）融合几项非侵入性生命体征（BP，HR，呼吸频率，SpO2），并使用人工神经网络方法[3]导出0和10之间的计算指数得分（生命体征指数[VSI]）。使用我们的600个二级病房（SDU）患者队列作为校准集，我们重新校准了VSI算法以适合我们的队列，其中VSI值> 3.2时，经过临床评估(r = 0.815)这就与心肺功能的不稳定显著相关了。在6小时时期内逐渐恶化的一个患者的实例显示在图1。注意，退化不是稳定的，而是阶段性的（蓝色箭头），其中恢复失败的周期以崩溃结束（黑色箭头）。此外，当VSI警报时结合床边其他的治疗效应器，总体不稳定性降低150％，从轻度到进展严重不稳定性降低了300％[5,6]。重要的是，在80％的病例中，VSI警报发生在临床上明显的不稳定之前，提前时间为9.4±9.2min。因此，这种床旁显示的VSI数据经常可以在存在明显症状之前检测心肺功能不全的发生，然后结合适当的即时治疗计划时，就显著降低了患者的不稳定性。
人口统计学和临床特征可用于使用静态快照模型（例如APACHE III [7]或IV [8]）预测患者的死亡率，并且还有助于预测添加到间歇性生命体征合并中的死亡率。Smith等人[9]确定将年龄增加到单参数不稳定性关注模型（RR <5或> 36 / min，HR <40或> 140 / min，收缩压<90mmHg，意识水平突然下降）或间歇地确定改良早期预警系统(MEWS)改善死亡率的预测。 患者≥80岁，RR为24-25 /分钟，这些患者的死亡率是40-64岁患者的4倍。这些大于80岁的患者，同时收缩压在90-94mmhg，死亡率是40-64岁患者的10倍，随着MEWS评分增
加，更高的年龄也增加了死亡率预测。我们随后在我们的SDU队列中验证了这种改进的预测指数，其中添加低频数据（人口统计学）显着改善了SDU患者中VSI警报的预测价值[10]。
高级的信号处理可以精确HR的预测值来确认可能出现的不稳定
Batchinsky等人表明，高级的信号处理R- R间期可以用来预测创伤后生存[ 11 ]。然后他们展示了31名院前创伤患者从直升机运输到1级外伤中心，这些人在心率复杂性上有明显的差别，入院后20人生存，11人死亡，虽然平均心率无差异（117±9 vs. 100±4 /分钟，非‐幸存者和幸存者），但是由瞬时R-R间期改变的心率变异性却有很大差异。他们通过评估近似熵（ApEn），样本熵（SampEn）和分布的相似性来量化HR变异性。传统上，作为R-R间期的标准偏差估计的心率变异性需要至少800次搏动来导出鲁棒值。然而，这些研究表明，通过使用这些导出参数的变异性，SampEn不仅清晰的显示出和分离幸存者和非幸存者之间的鲁棒值，而且即使当数据集从800减少到100 个R-R间隔时，差异的鲁棒值仍然存在[11]。此外，这些心电图（EKG）的信号差异也与在这些相同的创伤患者的救生干预的需要相关联[12]。最后，他们验证了上述发现在混合队列的院前创伤患者[13]。因此，可以使用容易获得的生命体征数据来精确地导出临床相关的预测参数，并且显着缩短的前导时间。
生理变量时间序列的高级信号处理可以识别出即将出现不稳定症状的SDU患者
使用上述SDU患者数据系列[5,6]，我们分析HR变异性参数类似于Batchinsky等人描述的那些 [11-13]。 我们创建了HR变异性基于HR自相关的标准偏差，HR频谱的高频功率和ApEn。 对于经历至少一次心肺功能不全发作的307名患者队列中的80名患者，所得到的融合参数是显着不同的。 重要的是，当显示为5min时期从两个组的不稳定性事件或放电中向后移动，在这些事件之前在两个组之间区分HR变化> 48小时（图2）[14]。 因此，临床数据的高级信号处理可以在临床上变得明显之前识别不稳定性，通常具有许多小时的提前时间。（这里上图表 然后讲述）
高级监控衍生综合数据库
使用现有的数据流来预测不稳定性是不够的。还必须创建复杂和动态状态的生理数据库，例如出血，败血症，泵衰竭或进展性急性肺损伤（ALI）。正常生理反射都积极支持血液流向心脏和大脑，因此很可能会混淆床边评估。我们使用高度仪器化的动物模型来定义个体动物对疾病的高度保真生理模式。我们研究了代偿性创伤/出血性休克中的这些反应模式，二者在心血管衰竭的进展及其对复苏治疗的反应。在上述生命体征分析中，我们不仅注意到从非侵入性和微创生物传感器测量的血液动力学变量的绝对值，而且也注意到它们对规定的生理挑战的动态响应。代偿，衰竭和对治疗的反应反映了所研究的三个主要过程。
实验性出血方案设计为通过基于动物的生理反应使用若干离散出血发作修改Wigger's模型来模拟动态变化的临床情况。轻度麻醉的猪遵循动脉压力驱动的实验性出血方案至平均动脉压（MAP）的30mmHg，保持在那里最多90分钟，然后复苏。猪创伤/出血休克模型通过具有由随后的MAP定义的出血水平而不是通过血液脱落的量而发挥每个测试动物的独特性质。这使我们能够检查具体的补偿机制，失代偿的独特措施和组织活力和对治疗的反应[15]。本实验还可以记录高保真（256Hz）血液动力学波形收集和低频内分泌，代谢和免疫学参数 。使用额外的生物传感器来评估组织的O 2饱和度（StO 2），组织CO 2和pH，毛细血管血流量和粘膜NADH 2水平以及下述的动态应激试验。我们在这个模型中使用的并且将来可以
在临床上使用的“非传统”生物传感器的部分列表见表1。
代偿性创伤/出血性休克引起的心血管崩溃的原因似乎与自主平衡中代偿性反应机制失效有关。创伤/出血性休克是涉及血液动力学，神经内分泌和炎症系统相互作用的创伤后事件的级联的触发器。这种多样的多因素适合于复杂性建模，因为执行以识别心血管衰竭发生的分析反映了变化的相互作用而不是单个参数变化。因此，这些因素使得线性的分析创伤/出血性休克很困难，但实际上却是建立预期的复杂性模型的理想质量。测量变量之间的正常相互作用通过对病理性损伤的反应而改变。例如，交感神经驱动的失败和对创伤/出血性休克的相关内分泌反应对常规复苏的难治性[16-21]。交感神经/内分泌耦合效应物（例如肾上腺素）和血管内皮平滑肌偶联的失败可以解释创伤/出血性休克中的心血管不良和心血管衰竭[22]。通过受损的线粒体氧化磷酸化的细胞能量失效可以进一步解释在出血性休克的后期阶段看到的血管舒张，类似的现象在感染性休克中也出现。升高的NADH2水平反映低血压，但在复苏期间通常持续几分钟。
使用功能血液动力学监测拓宽传感器效用从而更好的预测即将出现的疾患
有一半血流动力学不稳定的患者没有容量反应。预估前负荷（例如，右[RV]或左[LV]）心室容量，胸内血容量或心室充盈压）不能预测容量反应性。但是功能性血液动力学监测克服了传统的这种限制血流动力学监测[27,28]。在这种情况下，功能性血液动力学监测使用小容量负荷实验来扰乱心血管自身调节功能。在多个临床实验验证的前负荷实验还有容量负荷实验（短时间内快速给予一定的液体，观察血液动力学变化），正压通气和被动抬腿实验（抬高到30°，PLR）。如果使用这些策略后左心室的每搏量短暂增加，随后流体输注的心输出量也将增加。增加的程度被定义为静脉压或每搏量或4到5次呼吸的每搏量或PLR的中心静脉压的最大变化比率。简称为每搏输出量变异度（SVV）或脉压变异度（PVV）。传统容量反应试验的缺点是需要时间长，通常给予液体太慢，因此掩盖容量反应，并且是不可逆的。功能性血液动力学监测技术可以立即预测负荷反应，不需要输液就能做出这个预测。使用物理上的方法，正压通气减少静脉回流，PLR瞬时增加静脉回流。PPV和SVV可以使用几个FDA批准的微创监测设备轻松监测（PICCO检测仪）。因此，在接受正压呼吸的患者中，对动脉PPV的简单检查将持续地检测出容量反应性。通气期间的PPV和SVV的大小也将是潮气呼吸的大小的函数[31]，因此该方法仅在固定潮气量的受控机械通气期间有用，而在自主呼吸患者中不是这样。此外，PPV和SVV不能反映房颤患者的容量反应。我们和其他人广泛地记录了这一点，在潮气量为7ml / kg时的PPV> 13％或SVV> 10％，或在PLR操作期间平均心输出量> 10％的，期间可以最大增加预测前负荷反应性（> 90％灵敏度和特异性）。最后，PPV / SVV比率反映中心动脉弹性，并可用于监测血管紧张度变化。[12]
FDA批准的非侵入性替代检测动脉压和每搏量，包括脉搏血氧定量信号，生物反应性（NICOM，Cheetah）和经胸超声（USCom）技术。脉搏血氧饱和度波形振幅（Nonin，Nelcor和Massimo）和压敏光学传感器（BMEYE，Edwards Lifesciences）可以检测脉搏血氧饱和度密度分布从而估计脉压，搏出量和改变血管紧张度。BMEYE压敏光学传感器，高保真，快速响应光学传感器具有跟踪动脉压力分布以测量瞬时心输出量的能力[36]，以及脉搏血氧仪体积描记图，反映了两个实时波形信号，我们可用于提取心血管系统的预测特征。
氧气饱和的无创测量方法
休克复苏的一个未解决的问题是组织灌注和健康之间的关系。用平均动脉压MAP，心输出量或混合静脉血氧饱和度（SvO2）定义组织血氧合。 近红外光谱（NIRS）允许对StO2的连续，无创测量。虽然StO2值一般不降低直到组织灌注非常低的时候，但是当监测其响应血管阻断试验（VOT）的变化时，StO2变得更加敏感和特异性， （图3）。把StO2的检测探头放在大鱼际，用无创血压袖带（高于收缩压50mmHg以上）加压来临时阻断上臂肱动脉血流3到5分钟，持续直到StO2降低至<40％，然后袖带迅速放气，人为模拟前臂缺血再灌注的模型，StO2的下降斜率与局部代谢率和血流分布。StO2的回复斜率可用于评估心血管的储备能力。
预测直升机运输中救生措施的需要
我们评估在创伤患者从事故现场到紧急航空运输的VOT StO2和乳酸水平预测值。所有患者使用3导联EKG，无创BP，HR，SpO2以及当插管时的呼气末二氧化碳进行监测。这些单一生命体征在识别休克前都不是太敏感，基于协议的算法通常依赖于个体生命体征或临床参数（例如，发绀，精神状态改变）来识别是否需要救生措施，但是主观判断（精神状态改变）难以标准化。我们假设，在飞行中，VOT StO2和乳酸水平被识别出将要发生创伤休克，主观上需要挽救措施。我们研究了400名运输中的创伤患者乳酸采样其中194例也有VOT StO2样本。院前乳酸水平> 4mmol / l的患者对急诊手术，插管和血管升压药具有更大的需求（p = 0.02）。这种关联在调整年龄，格拉斯哥昏迷量表（GCS）评分和初始生命体征后持续存在。VOT StO2脱氧斜率预示着挽救生命的干预措施的需要（p = 0.007），而延迟复氧化斜率预示着死亡率（p = 0.006）[44]。这些数据共同记录，当耦合到功能性血液动力学监测原理（PLR和VOT）时容易获得的生理变量的测量可以预测临床相关的生理状态和随后的挽救生命的干预的需要。
使用机器学习算法来定义健康和疾病
一个人从未真正看到我们所关注的危重病人的血容量减少，败血症，心力衰竭或ALI，人们往往只看到宿主对这些病理过程的表面生理反应。因此，传统监测和任何新方法的基本方面是确定正常生物变异性，并将其从这些主要过程的适应性/反射性反应和病理性后遗症中分离出来。对于识别和预测的目的，这是非常有用的，因为呈现为循环休克和呼吸功能不全的大多数病理过程都是随时间而演变。例如，血容量减少在活动血管内的容量损失在开始的时候没有可测量的变化，因为液体容量损失如此小。随着任何机制导致的（出血，第三间隙液体丢失，腹泻）逐渐损失液体容量，自适应过程和血流动力学表型特征的发展，使用基本的平均血流动力学值早期不能将这些都识别出来。然而，基于验证的机器学习方法导出的参数，人工神经元的相互作用变量或SampEn时间序列单源数据，可以显着提高早期识别危重病。因此，我们假设通过对现有生物数据系列的高级分析检测自适应和不适应的过程，从而确定什么时候开始治疗，以免疾病病情加重造成伤害变得不可逆转。例如，急性哮喘发作通常可以用简单的吸入性支气管扩张剂逆转，而如果相同过程不进行治疗，直到严重状态哮喘，那么需要给予更激进的治疗以逆转相同的过程。这种疾病和那些所需的治疗（例如，类固醇）显着增加发病率和死亡率。 因此，创建准确的敏感和特定的警报和决策支持系统的过程是迭代的，并且基于创建“正常”和“非正常”生理作用库，同时每一个疾病中，具有对正常边界的模糊性的更深的理解。例如，可以使用先前描述的猪的创伤/出血性休克基线数据来将模型“训练”为正常生物变异性。然后我们将使用出血时间，内毒素输注，烧伤或烟雾吸入作为时间依赖性病理性应激源
的变化来校准“非正常”状态。然后，我们使用这些相对纯粹的病理损伤来定义疾病的过程特异性标记以鉴定病理过程和其严重性。本分析中，如果治疗逆转这些病理过程，则导出的疾病测量数据也降低。
当迭代临床数据是基于动物实验数据的时，出现三个主要障碍。首先，我们的患者队列通常都是不健康的，然后经受限定损害后，他们到达不同的疾病状态，他们原有的并发症都得一起治疗。使用年轻创伤队列进行初始模型开发可以最小化这种影响。第二，通常人类数据在给定现场条件和一些其他原因，在收集的变量的频率和数量方面并不那么丰富。患者由于各种原因（例如，X射线，转动）而与监测装置断开连接，EKG电极和脉搏血氧计探针脱落并且主要信号可能不准确（凝结导管）。因此，任何模型建筑的初始数据处理方面需要检查这些数据流，并识别数据和实际中的差距。最后，我们不能在危重患者中真正定义“正常”，只能定义正常的举止。例如，如果出血性休克的动物也正在接受血管加压药治疗，则基于测量的变量和导出的参数，出血性休克中的动物可能看起来是正常的。因此，我们在所有病理生理学领域中可以做到的最好的是报告非正常和稳定性，这两者都必须在治疗的中解释。 在这些约束内，必须首先确定识别不正常所需的最小数据集（独立监测信号，采样频率和前置时间）。这些数据可存在可以接受的假警报，有较长的前置时间来确定疾病，而从具有临床相关性。我们将这种方法称为“血液动力学监控简约“。简单的说，这个简约就是对疾病提前和准确性之间的折衷。最初，15分钟的提前警告可以是心肺不稳定性在临床上相关的最小前置时间。一旦进行了不正常的警报，可以顺序地进行其他检测改善确定这些警报，然后定义特定疾病过程中的灵敏度和特异性的能力从而引导治疗。监测简约的概念延伸超出血液动力学监测。作为拥有合并血流动力学数据与其他临床相关数据的能力，这对于心肺不稳定性检测和预测都有作用。
我们如何把所有这一切融合起来？在数学水平上有两个主要问题。第一个是如何预测事件在数据丰富的情景中的发生，例如在我们的猪数据，第二个是如何在人类中做同样的，这通常只涉及几个生物标志物。此外，为什么我们需要动物模型来预测人类行为？不能仅使用少数生物标志物（如BP，HR，呼吸，SpO2和微创措施）对人类数据进行完全分析？我们初步分析猪的数据集，其中涉及许多生物标志物和VSI的人体数据涉及四个生理变量，表明我们的见解可以通过使用动物数据大大改善。有可能我们现在使用的动物创伤/出血性休克模型不是最好的预测人类不稳定性的模型。例如，分组及其随时间变化的小数据在我们收集的创伤SDU患者[6]上 不明显。非常接近人类疾病的动物模型将使我们更好地了解动态特征，这些都是在压力，补偿，复苏，恢复和死亡几个不同阶段的重要参与者。这些动物分析还可以建议在某些情况下哪些变量可以省略。我们假设数据驱动的预测建模方法将使医疗专业人员能够在床边和远程预测那些患者最有可能发展不稳定性。我们推测，动态系统建模将进一步提高预测准确性。这将是并将继续是一个了不起的和信息的旅程。
结论
当机器学习算法结合生理学，病理生理学知识的时候可以创建高度信息的显示和预警。这样的信息可以是异常检测的形式，定义从健康到疾病的转变，也可以是疾病特异性的，并且可以跟踪对治疗和时间的反应。这些努力的目标是从数据收集整理从而改善患者整个的监护环境。未来将需要专注于创建一个通用的结构化的医疗保健字典，共享大数据和方法，在不牺牲细节的同时保留病人的机密性。
因篇幅问题不能全部显示，请点此查看更多更全内容