一种基于呼吸变量监测的机械通气模式智能切换方法

本发明涉及医疗设备，具体来说，涉及一种基于呼吸变量监测的机械通气模式智能切换方法。

背景技术：

1、机械通气是一种通过呼吸机等装置，以人工方式将空气或氧气推入患者肺部的治疗方法。机械通气广泛应用于重症医学科、急诊科、麻醉科、手术室等各个领域。在机械通气中，常用的通气模式包括但不限于：正弦波形压力调节容量控制模式(prvc)、同步间歇强制通气模式(simv)、压力支持通气模式(psv)及容量控制通气模式(vcv)等。不同的通气模式有其适应的人群、优缺点和适用场景。

2、其中，simv模式和prvc模式是常见的机械通气模式，它们都有各自的优势和劣势。

3、simv模式的优势包括：可以允许患者自主呼吸：simv模式可以在固定的时间间隔内提供支持通气，同时也允许患者自主呼吸。这有助于避免机械通气引起的呼吸肌萎缩和通气不足。提供固定的通气压力支持：simv模式可以提供固定的通气压力支持，这可以减少呼吸肌的工作负荷，并降低通气不足的风险，可以帮助患者逐渐恢复自主呼吸。

4、simv模式的劣势包括：不适合需要高水平机械通气支持的患者：由于simv模式提供的是固定的通气压力支持，它可能无法满足需要高水平机械通气支持的患者的需求。难以满足不同呼吸频率的患者的需求：由于simv模式的通气时间是固定的，因此可能难以满足不同呼吸频率的患者的需求。

5、prvc模式的优势包括：动态调整通气压力和潮气量：prvc模式可以根据患者的需求动态调整通气压力和潮气量，以确保患者获得充分的通气支持。可以避免过度通气和通气不足：prvc模式可以帮助避免过度通气和通气不足，从而提高通气支持的有效性和安全性。适用于不同呼吸频率的患者：由于prvc模式的通气时间是动态调整的，因此可以适用于不同呼吸频率的患者。

6、prvc模式的劣势包括：可能引起过度通气或呼吸不协调：prvc模式可能会引起过度通气或呼吸不协调，特别是在患者需要高水平机械通气支持时。

7、因此，为了满足不同场景，需要进行机械通气模式的切换，保证患者正常通气及肺部的健康。现有技术中，传统机械通气模式的不同模式切换采用默认的参数设置，需要操作繁琐的工作参数设置，而且不同模式的参数设置不一致导致的潮气量等重要参数的不同，会对肺部造成损害；即使产品可以预设多个不同的参数，仍需要重复繁琐的计算得出适应当前的工作参数，而发生计算失误，导致吸气潮气量设置不合理的风险，会完全转换为对用户的风险。

8、针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

1、针对相关技术中的问题，本发明提出一种基于呼吸变量监测的机械通气模式智能切换方法，以克服现有相关技术所存在的上述技术问题。

2、为此，本发明采用的具体技术方案如下：

3、一种基于呼吸变量监测的机械通气模式智能切换方法，该方法包括以下步骤：

4、s1、确定呼吸机的初始通气模式并输入初始通气参数；

5、s2、根据实际需求设定呼吸机模式切换的触发条件；

6、s3、实时监测与采集呼吸机运行过程中的呼吸变量；

7、s4、利用混合模型对呼吸变量进行处理并确定触发参数；

8、s5、根据触发参数对呼吸机进行平滑处理实现模式切换；

9、s6、对稳定通气运行的呼吸机进行风险监测与自适应调节；

10、s7、对呼吸变量进行持续监测并实现呼吸机通气模式的动态切换。

11、进一步的，呼吸变量包括潮气量、呼吸频率、峰值流量、吸气压力、呼气压力、氧气浓度及呼吸时间比。

12、进一步的，利用混合模型对呼吸变量进行处理并确定触发参数包括以下步骤：

13、s41、对呼吸变量进行预处理以及有效特征提取；

14、s42、根据专家经验将不同类型及不同数值的呼吸变量映射到对应的通气模式中，构建用于对呼吸变量进行判断与分类的逻辑规则；

15、s43、利用呼吸变量的有效特征建立机器学习模型并进行训练；

16、s44、融合逻辑规则与机器学习模型得到混合模型；

17、s45、利用混合模型对实时监测得到的呼吸变量进行识别处理，将识别通过后的变量数据作为触发参数。

18、进一步的，利用呼吸变量的有效特征建立机器学习模型并进行训练包括以下步骤：

19、s431、根据呼吸变量的类型定义不同类型的标签；

20、s432、选择合适的有效特征对标签进行匹配，作为每个标签的特征值；

21、s433、对呼吸变量进行扩充并划分为训练集与测试集；

22、s434、利用训练集构建用于标签识别的卷积神经网络模型并进行训练，再利用测试集对模型进行测试与优化得到机器学习模型。

23、进一步的，融合逻辑规则与机器学习模型得到混合模型包括以下步骤：

24、s441、利用堆叠法对逻辑规则与机器学习模型进行融合，得到混合模型；

25、s442、利用交叉验证法对混合模型的参数与结构进行验证与优化。

26、进一步的，根据触发参数对呼吸机进行平滑处理实现模式切换包括以下步骤：

27、s51、根据触发参数确定呼吸机进行模式切换的准备状态；

28、s52、记录当前呼吸周期数据，并选择在呼吸周期的低气流限期作为通气模式的切换时机；

29、s53、当进行通气模式切换时，逐步调整当前通气模式的通气参数达到目标通气模式的目标通气参数，直至达到两种通气模式的平衡，完成呼吸机单次通气模式的切换。

30、进一步的，对稳定通气运行的呼吸机进行风险监测与自适应调节包括以下步骤：

31、s61、获取呼吸机当前运行的通气模式的类型；

32、s62、对呼吸机实时监测的呼吸变量进行异常监测与风险识别；

33、s63、根据通气模式类型确定对应的控制变量及输出变量；

34、s64、将控制变量输入至自适应控制模型，计算得到对应的输出变量对呼吸机进行自适应调节。

35、进一步的，对呼吸变量进行异常监测与风险识别包括以下步骤：

36、s621、获取异常风险案例及其对应呼吸变量数据作为参考信息；

37、s622、对参考信息进行特征识别及扩充得到参考特征；

38、s623、利用参考特征构建xgboost模型，并根据风险类型调整模型参数，进行训练与测试得到异常风险识别模型；

39、s624、将异常风险识别模型部署到呼吸机数据监测单元，根据模型输出结果识别潜在的风险。

40、进一步的，根据通气模式类型确定对应的控制变量及输出变量包括以下步骤：

41、s631、当呼吸机处于prvc模式时，采集潮气量、肺容积及吸气峰值压力作为控制变量，并将呼吸机的压力设定值作为输出变量；

42、s632、当呼吸机处于simv模式时，采集主呼吸次数、通气量及呼吸频率作为控制变量，并将呼吸频率控制值作为输出变量。

43、进一步的，将控制变量输入至自适应控制模型，计算并反馈输出变量对呼吸机进行自适应调节包括以下步骤：

44、s641、将控制变量与控制变量变化率作为输入量并分别进行模糊化处理，确定对应的模糊变量；

45、s642、对呼吸机输出变量进行模糊化处理并设定对应模糊语言值；

46、s643、建立输入量与输出变量之间的模糊自适应规则；

47、s644、对实时变化的输入量进行模糊推理，实现呼吸机输出变量的计算与输出；

48、其中，呼吸机输出变量的计算公式为：

49、u＝kpe+ki∫e+kdec

50、式中，u表示输出变量，e表示控制变量，ec表示控制变量变化率，kp表示比例系数，ki表示积分系数，kd表示微分系数。

51、本发明的有益效果为：通过设定触发条件与智能识别的混合模型，能够对实时监测得到的呼吸变量进行精确分析识别，即通过对患者的生理状态和通气需求进行智能分析和识别，可以选择最适合患者的通气模式，提高呼吸机治疗效果；通过选择适当的通气模式可以提高患者的舒适度和安全性，避免不合适的通气模式可能会导致不适和并发症。

52、通过构建自适应切换与调节模式可以减轻医护人员对患者的监测和调节工作，从而节省时间和精力并且有效减轻医护人员工作负担；适当的通气模式可以降低患者的治疗成本，避免因不合适的通气模式引起的并发症而导致的治疗费用增加，降低治疗成本；此外，智能切换通气模式可以实现远程监测和控制，为医疗机构提供更好的服务，提高患者的治疗效果和满意度。