具有决策支持的用于呼吸的机械通气系统的制作方法

本发明涉及一种具有针对肺通气机设置的决策支持的用于相关患者的呼吸的机械通气系统。具体地，本发明涉及一种协助进行有关肺通气机设置的决策的决策支持系统，其可以在改变通气机设置时适应患者的改变的生理机能。本发明还涉及用于操作机械通气系统的相应方法以及当在适当计算机上执行时用于操作机械通气系统的相应计算机程序产品。

背景技术：

住在加护病房中的患者通常接收用于其通气的机械支持。选择机械通气的合适水平并非小事，已经证明合适的设置能够减小死亡率[1](参见说明书末的引用列表)。

关于机械通气机的设置的挑战在于，每个设置可能对于患者的一个生理参数是有利的，但对于另一生理参数是不利的。目前，如果出现某些状况，临床医生可以通过通气机屏幕、对生理参数进行监测的额外装置(二氧化碳分析仪、脉搏氧饱和度仪、监测仪等)以及报警设置来获得帮助。

已经开发出决策支持系统以将通气机设置的失误最小化[2-5]，其中一个系统还针对利用了患者生理学模型和临床偏好而开发。然而，在先的决策支持系统均基于在通气机设置改变时患者生理参数保持恒定这一假设。对于诸如吸入氧和呼吸率之类的通气机设置中的小改变通常是这样，但当执行通气机设置的大改动或者当修改诸如呼气末正压(PEEP)之类的设置时则不是这样。例如，PEEP影响血流量以及肺泡(肺的最小单位，在其中发生气体交换)的机械和气体交换特性[6]。很遗憾的是，各患者可能对PEEP中的改变作出大相径庭的响应，并且不可能根据一组通气机设置的测量结果来预测患者将会对PEEP中的改变如何响应。患者对PEEP改变的响应跨度从气体交换和/或血流量和/或肺力学的改善到对肺生理学这些方面中的一个或全部的不良影响(例如见某些气体交换和肺力学参数的改变，图1清楚地展示了这一问题)。如果决策支持系统不能适应这样的响应并基于错误的预测提供建议，则所提供的建议很可能导致患者预后的恶化。

WO 97/20592(其属于美国Cardiopulmonary公司)公开了一种对机械通气机中的通气机气动系统进行控制的通气机控制系统。可以提供仿真器用于在调节控制之前预测患者的肺系的状态。应用的仿真器可能预测呼吸方式，但看起来并不基于对患者生理机能的任何更深入的了解。

因此，具有针对肺通气机设置的决策支持的改进机械通气系统和/或用于针对机械通气的决策支持的相应系统(其能够响应于机械通气的改变而适应患者生理机能的改变)将会是有利的。

技术实现要素：

本发明进一步的目的是提供现有技术的替代方式。

特别地，可以将本发明的目的看作提供一种具有决策支持的机械通气系统，其通过调节通气机设置来解决现有技术的上述问题，尤其是关于患者将如何对PEEP中的改变作出响应的不确定性。

因此，在本发明的第一方面中旨在通过提供一种具有针对肺通气机设置的决策支持的机械通气系统来达到前述目的和若干其他目的，该系统尤其能够响应于机械通气机设置中的改变来适应患者生理机能的改变并相应地调整决策支持。

在第一方面中，本发明涉及一种用于相关患者的呼吸的机械通气系统，所述系统适于提供对机械通气的决策支持，所述系统包括：

-通气装置，其能够以空气和/或一个或多个医用气体对所述患者进行机械通气，所述通气装置具有包括呼气末正压(PEEP)设置的多个设置(V_SET)，

-控制装置，所述通气机装置可由所述控制装置通过与其的操作性连接来控制，以及

-测量装置，其布置为用于测量吸入气体和/或所述患者的响应于机械通气而在呼出气体中的呼吸反馈，所述测量装置能够将第一数据(D1)传递到所述控制装置，

其中所述控制装置适于在至少对患者的肺机械功能和/或肺中的气体交换进行了描述的生理学模型(MOD)中使用所述第一数据(D1)和表示血液中的呼吸反馈的第二数据(D2)两者，所述生理学模型包括许多模型参数(MOD_P)，并且

其中所述控制装置还布置为用于仿真所述通气装置的呼气末正压(PEEP)设置的建议值对生理学模型的一个或多个模型参数(MOD_P)的影响，从而提供关于所述建议的PEEP值的决策支持。

本发明特别有利地但非排他地用于提供响应于通气机设置的改变而发生的生理机能变化的基于数学的模型，其允许预测患者生理学参数的变化，从而允许数学生理学模型预测出临床变量对于PEEP的给定值的变化。因此，包括了决策支持系统的额外的抽象层次。这随后可允许在不同水平的PEEP上的所有通气机设置的最优化，最终允许该系统提出对最优PEEP的初步建议。

由于不可能根据一个测量点及时地预测PEEP的最优水平，因此通常以逐步的方式选择PEEP，其中小步地改变PEEP并监测患者的响应。在临床设置中应用了两个总体策略；在肺复张(短时段内的高气道压力)之后，逐步地减小PEEP直到找到最优平衡，或者逐步地增大PEEP直到找到最优平衡。由于这两个策略分别取决于吸气肺机械功能和呼气肺机械功能，因此得出的最优PEEP会不同。因此，本发明更为新颖的是包括用于选择计算最优PEEP的适当生理学模型的算法，使得决策支持系统能为这两个总体逐步式PEEP策略中的任一个提供建议(见图6和下文的相应说明)。

所建议的PEEP水平和其他通气机设置会导致无法预料的患者生理学参数的不同变化，并且由模型进行初始的描述。例如，PEEP增大会使一些肺区复张(分流改善，顺应性改善)，这些区中的一部分会发展出较低的肺叶不张(低V/Q劣化，不良的氧合)，并且压力增大会导致一些肺区使收缩的血管高度膨胀，结果产生损害气体交换的肺泡死腔(高V/Q劣化，CO2增加，pH降低，顺应性降低)。作为替代方式，PEEP增大会引起恒定分流下无复张，顺应性下降以及代表有害的PEEP选择的肺泡死腔显著增加。为克服该问题，本发明包括用于学习患者响应并使生理学参数变化的模型适应于该响应的算法并相应地更新决策支持。

一些数学生理学模型需要实验进程(procedure)来将生理学参数调整到当前患者状态。在用于找出最优通气机设置的逐步式策略的过程中这将是有问题的，因为实验进程在每一步的重复执行将会延长对最优通气机设置的寻找。因此，作为又一实施例，本发明可以包括贝叶斯或类似学习方法，其中逐步地学习用于计算决策支持的模型参数，在学习当前值时将在前步骤的值纳入考虑。贝叶斯方法之前已经用于模型参数的初步估计[7]，但并不作为对改变生理机能的响应。

应当提及的是，可以关联于处在完全受支持的通气模式或协助通气模式下的患者来实施本发明。作为替代方式，可以关联于处在所谓的混合通气模式(即完全受控通气模式和受支持通气模式的结合)下的患者来实施本发明。

一些非限制性和非穷举性术语说明给出如下：

决策支持：

在本文上下文中，术语“决策支持”应当以该术语的最宽泛意义进行理解，决策支持涵盖了用于协助用户(这里为临床医生)作出决定的任何手段。其包括数据的组织、集合和呈现以及为理性决定提供建议。传统上，决策支持系统(DSS)在与DSS的用户进行互动方面是被动、主动和合作中的一种情况。本发明一般不只限于这些互动种类中的任一种。

生理学模型：

在本文上下文中，术语“生理学模型”应当理解为所应用的生理学模型的最宽泛意义，这里，术语生理学模型涵盖了用于链接临床可数学地测量的值并用于各个患者的任何手段，即，需要用来调整模型以描述各个患者的生理机能的任何参数均应当可以从临床测量结果估计出来。这样的生理学模型的最简单形式可以是方程y＝a*x的线性模型，其中a为模型的参数，y和x为临床可测量的值，比如压力(x)与容积(y)之间的链接，通过肺顺应性(a)将这两者链接起来(容积＝压力*顺应性)。该范围的较复杂端点包括包含了人类血液的缓冲系统的所有化学反应方程式的模型，具有诸如速率常数之类可假定对所有个体均相等的参数，但具有应当对个体患者进行调整的例如碱过剩的参数[8]。本发明至少需要肺机械功能和/或气体交换的生理学模型，但可以从血液酸碱状态、呼吸驱动和/或血液循环等的模型中得到诸多益处。

肺机械功能

肺机械功能的生理学模型将可在嘴部、食管中、通气机处、通气机管道中、气道中等测量的流量、容积和/或压力进行链接。对于PEEP的设置最重要的是主要取决于呼吸系统的顺应性或回弹率(＝1/顺应性)的肺压力-容积关系。更复杂的生理学模型可以描述呼吸系统的阻力以及肺泡、肺组织、隔膜、表面活性物质、胸壁、气道等的个体弹性特性。在控制模式下，呼吸系统的总体特性(比如顺应性)的识别是直接的，并且由通气机常规地测量。在支持模式下，患者吸入和呼出的容积不仅取决于肺机械功能和通气机设置，还取决于患者呼吸功。因此，在支持通气下的肺机械功能的简单模型可以描述有效的顺应性，其为通气机和患者的功的合并压力容积关系。

气体交换

气体交换的生理学模型将吸入和呼出的气体的含量的测量结果链接到这些气体在血液(动脉的、静脉的、混合静脉的或毛细血管的血液)中的测出的含量。这通常数学地实施为一组方程，所述方程描述了如下交换：一个或多个呼吸气体(氧气、二氧化碳、氮气)或添加到吸入气体中的惰性气体(比如氙气、氪气、一氧化氮、甲烷等)穿过肺泡膜到达一个或多个房室中的毛细血管的血液，以及描述了如下混合：将离开这些房室的血液与分流的静脉血进行混合以构成动脉血，后者通常在临床设置中被采样和分析。静脉血或混合的静脉血还可以在临床设置中被采样，并且还可由模型通过在该模型中包括具有患者新陈代谢和血液流量的方程来描述静脉血或混合的静脉血。对气体交换模型的模型参数的估计，尤其是对具有一个或多个前述房室的模型的估计，需要诸如来自肺动脉的混合静脉血样本之类的蔓延性(invasive)的测量结果，或者以一步或多步的方式在患者响应于连续测量的这些变化的情况下修改吸入气体的气体含量，和/或在稳定状态下修改吸入气体的气体含量，这使得有可能在由诸如肺内分流、通气/灌注比等参数表示的模型中分离一个或多个机械功能对气体交换问题的贡献。气体交换模型通常包含血液酸碱状态以及血液中呼吸气体的结合和传输的模型。

血液酸碱度以及氧和二氧化碳传输

血液酸碱状态和/或氧和二氧化碳传输的模型经验性地或通过反应方程式描述了血液中发生的用于化学缓冲和将气体结合到血红蛋白的化学反应中的一些或全部。模型可以在所谓的稳定状态下描述平衡时的反应方程式，或者动态地描述随时间变化的反应。这样，模型将可在床旁被常规测出的血液酸碱度的值(比如氧和二氧化碳的压力和pH)链接到不易得到的值(比如碱过量、缓冲液的浓度、呼吸气体的浓度等)。

呼吸驱动

呼吸驱动的生理学模型将血液中的氧、二氧化碳和/或氢的水平和/或脑脊髓液的水平链接到作为患者的通气的患者的呼吸驱动。患者的通气取决于患者的呼吸控制中心，但还取决于呼吸肌的状况以及给予患者的任何麻醉剂和止痛剂。因此，测量的通气会与来自呼吸控制中心的驱动信号不同。因此，呼吸驱动模型还可以包括经验性的或其他形式的肌肉力量和/或疲劳的表现以及麻醉剂和/或止痛剂的任何效果。

循环

有关PEEP的循环的生理学模型将机械通气机设置和/或患者姿势和/或患者液体摄入和状态的改变的效果与患者的循环相链接，患者的循环可以测量为心输出量、脉搏率、每搏量、心阻力等，或者可以通过诸如气体交换和肺容积的改变之类的非循环值的改变来进行评估。

物理学参数：

物理学参数在本文上下文中应当理解为描述生理学系统的特性的值，并且可以假设为用于一些临床变量和/或通气机设置中的变化的常数。例如，肺血管分流描述了流到肺部而未到达被通气的肺泡的一小部分血液，其代表在受到机械通气的患者中存在最重大的气体交换问题。已知的是肺血管分流对于许多临床变量和诸如呼吸频率和潮气量之类的通气机设置中的变化保持恒定。

下面以示例性、非限制和非穷举的方式列出了适合应用于本发明中的一些生理学参数：

肺机械功能参数，包括肺顺应性、呼吸阻力、呼吸系统回弹率、有效分流、呼吸系统各个部分(肺泡、气道、胸壁、隔膜、表面活性物质)的顺应性和阻力。

气体交换参数，包括但不限于肺血管分流、静脉血掺杂、有效分流、通气/灌注(V/Q)比、低V/Q的程度、高V/Q的程度、ΔPO2、ΔPCO2、动脉-潮气末O2差、动脉-潮气末CO2差、解剖死腔、肺泡死腔、生理学死腔、呼气末肺容积、功能残气量等。

血液酸碱参数，包括但不限于碱过量(BE)、强离子差(SID)、血红蛋白浓度、血量、化学反应的速率常数等。

呼吸驱动参数，包括但不限于对于氧和二氧化碳的中枢化学感受器阈值、对于氧和二氧化碳的外周化学感受器阈值、对于氧和二氧化碳的中枢化学感受器敏感性、对于氧和二氧化碳的外周化学感受器敏感性、对于脑脊髓液的强离子差、肌肉响应因子、肌肉疲劳、肌力等。

循环参数，包括但不限于心输出量、血管阻力、每搏量、血量、静脉血回流。

临床结果变量

临床结果变量在本文上下文中应当以描述任何临床可测量结果的术语的最宽泛意义来理解，其可与临床结果和偏好关联。

临床结果变量可以根据呼吸生理学的有关方面进行分类，并且可以非排他地或非穷举地包括如下列出项中的全部：

肺机械功能结果变量：包括但不限于峰压、平台压力、吸气峰压、呼气末压力、峰值流量、潮气量、每毫升预测体重的潮气量、应力、张力、跨肺压、食管压、腹压等。

气体交换结果变量：包括但不限于动脉的、混合静脉的、静脉的和毛细血管的氧饱和度、氧分压、氧浓度、二氧化碳分压和二氧化碳浓度的值。

血液酸碱结果变量：包括但不限于动脉的、混合静脉的、静脉的和毛细血管的pH、氢离子浓度、二氧化碳分压和浓度、碳酸氢盐浓度的值。

患者呼吸功结果变量：包括但不限于耗氧量、二氧化碳生成量、通气中的变化、呼吸频率、呼吸频率与潮气量之比、每千克预测体重的呼吸频率与潮气量之比、根据如Otis[9]的不同公式或从压力-容积曲线变化进行评估得到的呼吸功、呼吸肌的电活动、与潮气量或通气有关的呼吸肌的电活动。

循环结果变量：包括但不限于血压、脉搏率、心输出量、每搏量、循环阻力、肺容积和/或气体交换参数以及结果变量随PEEP的变化。

以下给出了本发明的一些实施例：

有利的是，控制装置可以布置为用于仿真通气装置的呼气末正压设置的多个值(PEEP；1,...,n)对生理学模型的一个或多个模型参数(MOD_P)的影响，从而提供关于所述多个PEEP值的决策支持。这是尤为有利的，因为由此可向临床医生提供对适合的可能PEEP值的改进的概观。优选的是，控制装置还可以布置为用于建议通气装置的呼气末正压设置的多个值(PEEP；1,...,n)之中的最优值，以便指导临床医生。

在一些实施例中，控制装置还可以布置为通过基于通气装置的呼气末正压(PEEP)设置的至少两个在先值(可选地，至少三个、四个或五个PEEP设置值)的仿真来执行仿真通气装置的PEEP设置中的一个或多个值对生理学模型的一个或多个参数(MOD_P)的影响，以便提高仿真的可靠性和/或精确性和/或准确性。在其他变体中，控制装置还可以布置为通过基于通气装置的呼气末正压(PEEP)设置的至少两个仿真值(可选地，至少三个、四个或五个PEEP设置仿真值)的仿真来执行仿真通气装置的PEEP设置中的一个或多个值对生理学模型的一个或多个参数(MOD_P)的影响，以改善可用的决策支持。

在优选实施例中，控制装置可以包括一个或多个呼气末正压(PEEP)模型，每个PEEP模型包括作为通气装置的PEEP设置的函数的生理学模型的模型参数(MOD_P)。这些PEEP模型随后可以转而允许使用生理学模型通过向模型输入例如气体交换、肺机械功能、血液酸碱度、循环和新陈代谢来仿真PEEP对其他机械通气机设置的改变效果的影响。有利的是，PEEP模型中的一个或多个在开始改变PEEP设置之前和/或在改变PEEP设置之时可以对患者和/或患者的临床状况进行适应。作为替代方式或附加方式，PEEP模型中的所述一个或多个可以通过学习模块来适应患者，该学习模块具有一组PEEP模型参数(MOD_P_PEEP)的先验设置，所述先验设置基于对应的生理学模型(MOD)的当前测量的模型参数(MOD_P)值，优选地基于下文将更详细说明的以患者类型和/或临床状况为基础的贝叶斯分布。

在其他优选实施例中，生理学模型(MOD)中的一个或多个在开始改变PEEP设置之前和/或在改变PEEP设置之时可以对患者和/或患者的临床状况进行适应。这可以例如更快地和/或以更可靠的方式改进PEEP设置。

有利的是，一个或多个附加的生理学模型(MOD)还可以描述患者的新陈代谢、患者的血液循环、患者的酸碱状态、针对患者的氧和/或二氧化碳输送、以及/或者患者的呼吸驱动，以便提供正被机械通气的患者的更完整模型。优选地，至少两个、三个、四个或五个生理学模型通过共有一个或多个变量而成为一体。因此，可以在本发明的若干生理学模型中使用诸如动脉氧的饱和度(SaO2)或动脉血的pH(pHa)之类的(结果)变量，以使得生理学模型能够紧密结合。

在一些实施例中，控制装置可以包括用于为患者选择PEEP改变策略的一个或多个模块。在一个变体中，PEEP改变策略的一个选择可以基于这样的肺复张假设：其中以相对短的时间施加相对高的气道压力，接着逐步地减小PEEP直到达到最优平衡。在另一变体中，PEEP改变策略的一个选择可以基于PEEP逐步增大直到达到最优平衡。

在一个特别有利的实施例中，控制装置还可以包括多个临床偏好函数(CPF)，其将通气装置的呼气末正压(PEEP)设置与对应的一组临床结果变量关联，以将决策支持与临床实践和经验相连。附加地或作为替代方式，在本发明的上下文中，临床偏好函数(CPF)可以理解为用于将机械通气机上的设置与对应一组临床结果变量通过所述结果变量的所述不同值与偏好水平关联的方式而相联系的装置。这可以通过所述临床结果变量的临床优选值的数学描述来实现。例如，动脉血中的95％的氧饱和度水平比94％的更好，因此95％存在于与更大偏好相关联的CPF中，并且这可能涉及改变机械通气机上的吸入氧。这样，CPF可以允许结果将决策支持与临床实践和经验相连。可以以包括在如下非穷举性列表中的许多方式来将临床偏好函数(CPF)表示为公式：数学函数(线性的、指数的或其他形式)、若干数学公式的组合、逻辑规则集、在决策支持的计算中的结果变量的数学加权、以及前述实行的任意组合。

例如，多个临床偏好函数(CPF)可以选自于包括以下项的组：临床医生介入的CPF，选自可能CPF的数据库中的CPF，基于来自临床医生的一般临床输入的先验地适应于特定患者的CPF，以及根据患者需要而先验地适应于特定患者的CPF，以及它们的任意组合和/或等价物。

本发明特别的优点在于，多个临床偏好函数(CPF)可以被应用于提供与针对患者的机械通气的PEEP设置的总体最优化相关的决策支持。

在另一特别有利的实施例中，还可以针对其他机械通气设置，优选地针对吸入氧(FIO2)、潮气量(VT)、和/或高于PEEP的压力，来进一步优化呼气末正压(PEEP)设置，这对于采用在临床状况下进行PEEP调节的在先方法来执行是十分困难的。

在第二方面中，本发明涉及一种决策支持系统，其用于向用于患者的呼吸援助的相关机械通气系统提供决策支持，所述机械通气系统包括：

-通气装置，能够以空气和/或一个或多个医用气体对所述患者进行机械通气，所述通气装置具有包括呼气末正压(PEEP)设置的多个设置(V_SET)，以及

-测量装置，布置为用于测量吸入气体和/或所述患者的响应于机械通气而在呼出气体中的呼吸反馈，所述测量装置能够将第一数据(D1)传递到所述决策支持系统，

其中所述决策支持系统适于在至少对患者的肺机械功能和/或肺中的气体交换进行了描述的生理学模型(MOD)中使用所述第一数据(D1)和表示血液中的呼吸反馈的第二数据(D2)两者，所述生理学模型包括许多模型参数(MOD_P)，并且

其中所述决策支持系统还布置为用于仿真所述通气装置的呼气末正压(PEEP)设置的建议值对生理学模型的一个或多个模型参数(MOD_P)的影响，从而提供关于所述建议的PEEP值的决策支持。

本发明的这一方面的特别有利但非排他的优点在于，本发明可以通过与现有的机械通气系统一起操作所述决策支持系统来实现，该机械通气系统可能几乎不需修改或无需任何修改来与根据本发明的所述决策支持系统协作。

在第三方面，本发明涉及一种用于对用于相关患者的呼吸的机械通气系统进行操作的方法，所述系统适于提供针对机械通气的决策支持，所述方法包括：

-提供通气装置，所述通气装置能够以空气和/或一个或多个医用气体对所述患者进行机械通气，所述通气装置具有包括呼气末正压(PEEP)设置的多个设置(V_SET)，

-提供控制装置，所述通气机装置可由所述控制装置通过与其的操作性连接来控制，以及

-提供测量装置，所述测量装置布置为用于测量吸入气体和/或所述患者的响应于机械通气而在呼出气体中的呼吸反馈，所述测量装置能够将第一数据(D1)传递到所述控制装置，

其中所述控制装置适于在至少对患者的肺机械功能和/或肺中的气体交换进行了描述的生理学模型(MOD)中使用所述第一数据(D1)和表示血液中的呼吸反馈的第二数据(D2)两者，所述生理学模型包括许多模型参数(MOD_P)，并且

其中所述控制装置还布置为用于仿真所述通气装置的呼气末正压(PEEP)设置的建议值对生理学模型的一个或多个模型参数(MOD_P)的影响，从而提供关于所述建议的PEEP值的决策支持。

在第四方面中，本发明涉及一种计算机程序产品，适于使得包括与数据存储装置相连的至少一个计算机的计算机系统能够如第三方面所述的那样来控制机械通气系统。

本发明的这一方面的特别有利但非排他的优点在于，可以通过在被下载或上传到计算机系统中时使得该计算机系统能够分别执行本发明的第一和第二方面的机械通气系统或决策支持系统的操作的计算机程序产品来完成本发明。这样的计算机程序产品可以提供在任何类型的计算机可读介质上或通过网络提供。

本发明的各个方面的每一个均可以与其他任何方面相结合。根据下文的参照所述实施例的描述，本发明的这些以及其他方面将会变得明显。

附图说明

现在将关于附图更详细地描述本发明。附图示出了实施本发明的一种方式，并且不应解释为限制于落入所附权利要求范围内的其他可能实施例。

图1示出针对各种PEEP设置和生理学参数的对应变化的患者示例，

图2为根据本发明的机械通气系统的示意图，

图3为用于将决策支持提供给相关机械通气系统(未示出)的决策支持的图，

图4示出作为PEEP的函数的生理学模型参数、通气机设置、仿真的患者变化和临床偏好函数(clinical preference functions，CPF)的曲线图，

图5示出学习气体交换的PEEP模型的曲线图，

图6示出肺顺应性的PEEP模型的曲线图，

图7示出肺机械功能和新陈代谢的其他PEEP模型的曲线图，

图8示出具有两个PEEP变化策略的流程图；肺复张或所谓的缓进(crawl)，

图9示出图8的两个PEEP变化策略(肺复张或所谓的缓进)的定时，

图10示出应用贝叶斯方法的气体交换模型参数的学习，

图11示出针对在控制通气机模式下的患者的仿真患者案例，其中应用本发明的优选实施例以利用缓进PEEP选择策略通过三个步骤选择PEEP，以及

图12为表示根据本发明的方法的各操作的概况图的示意性系统图。

具体实施方式

图1示出针对各种PEEP设置和生理学参数的对应变化的患者示例。当修改了PEEP的通气机设置中的变化时，患者生理学参数变化引起某气体交换和肺机械功能参数中的对应变化，如从图1中可见的那样，并且数学模型不再能准确预测这些临床变量的变化。于是，利用数学模型进行仿真并计算最佳通气机设置的决策支持系统将不能提供正确建议。

在优选实施例中，对于具有针对PEEP设置的决策支持的机械通气系统，本发明可以实施为如图2中所示的那样。机械通气系统或相关患者5的呼吸进一步适于提供对机械通气的决策支持，该系统包括能够利用空气和/或一个或多个医用气体(例如氧气)对所述患者进行机械通气的通气装置11，该通气装置具有包括呼气末正压(PEEP)设置在内的多个设置V_SET。

另外，提供了控制装置12，通气机装置可由所述控制装置通过与其操作性的连接而得到控制。控制装置可以集成在操作性连接到通气装置11和测量装置11a、11b和/或11c的计算机系统上。

测量装置11a和11b布置来用于测量吸入气体和/或所述患者的响应于机械通气而在呼出气体中的呼吸反馈，测量装置能够将第一数据D1传递到所述控制装置。测量装置示出为独立实体，但在不会显著改变本发明的基本原理的情况下可以替代地形成为通气机装置11的一部分。测量装置能够通过适当的连接、通过有线的、无线的或通过其他合适的数据连接将第一数据D1传递到控制装置12。

控制装置12CON还能够通过提供通气机协助来操作通气装置，以使得所述患者5自发地呼吸和/或完全受通气装置11控制地呼吸。如示意性所示的那样，临床医生或其他医务人员可以调查并最终控制通气系统10。控制装置适于在至少对患者肺部中的肺机械功能和/或气体交换进行描述的一个或多个生理学模型MOD中使用第一数据D1和第二数据D2两者，第二数据D2表示由测量装置11c提供的血液中的呼吸反馈，其中生理学模型包括许多模型参数MOD_P。

在本发明的一个实施例中，第二数据尤其可以描述为来源于并非机械通气机本身的其他源(其可能是传感器、血液气体、医生输入等)的数据。

在本发明的一个变型中，第二数据D2可以是表示所述患者的血液中的呼吸反馈的估计值或猜测值，优选地基于所述患者的病历或现状。因此，来自早前(同一天的早些时候或早前的天)的值可能形成对第二数据D2的这种估计猜测的基础。在其他变型中，可以在来自连续的实际测量结果的基础上从测量装置11c提供第二数据。

控制装置还布置为用于仿真通气装置的呼气末正压(PEEP)设置的建议值对生理学模型的一个或多个模型参数MOD_P的影响，从而为临床医生提供关于所述建议的PEEP值的决策支持。PEEP的建议值可以由临床医生输入以及/或者从系统10本身的决策支持部分进行建议。

对模型参数MOD_P的影响可以输出到适当人机界面(未示出)以用于显示结果，因此的例如具有相应屏幕的计算机。可替代地或附加地，模型参数MOD_P输出可以被传送到系统10的决策支持部分以用于与患者的机械通气连接，可选地用于诊断目的。

图3为用于将决策支持提供给相关机械通气系统(未示出)的决策支持系统20的图。PEEP模型(参见图2的附图标记20)描述了PEEP对生理学模型参数MOD_P的期望的和/或测量的影响，这些生理学模型参数可以包括气体交换(比如分流、V/Q失配、顺应性)、血液动力学、新陈代谢等的参数。随后，这些PEEP模型20允许使用生理学模型通过将例如气体交换、肺机械功能、血液酸碱、血液循环和新陈代谢输入到模型中，来仿真PEEP对其他机械通气机设置的变化效果的影响。随后，根据例如一组临床偏好函数(CPF)或规则集，通过临床结果变量的模型仿真和设置的最优化来找出剩下的通气机设置的最优设置。本发明允许应用基于模型的决策支持(图2中的所谓的决策支持核心)的任何实现，优选实施例为具有相关生理学系统的模型和临床偏好模型的完全基于模型的方法。通过对PEEP对模型参数MOD_P(表示为MOD_P_1、MOD_P_2、...MOD_P_i、...MOD_P_n)的影响进行仿真，并且进一步以层次结构方式对模型参数中的变化如何影响到其他通气机设置的值进行仿真，无论是通过对所有可能值执行迭代还是通过PEEP值进行搜索的数值法，均有可能对PEEP的所有合理值(表示为PEEP_1、PEEP_2、...PEEP_i、...PEEP_n)进行仿真，由此找到可以建议给临床医生的最优PEEP值。因此，决策支持核心应用于若干层中，每个层代表一个PEEP值(见图3)。

可以注意到，一个PEEP值可能具有与其关联的多于一个模型参数值MOD_P，仅出于示例性目的，在图3中示出了这二者之间的一对一关系。

PEEP模型例如可以为仅在某个PEEP范围上具有生理学参数的期望变化的线性形式(见图4第一行中的在分流、ΔPO2、ΔPCO2中具有期望变化的患者示例)。先验期望还可以是各参数随PEEP保持恒定(见图4第二行中的在VO2,、VCO2、顺应性中具有期望变化的患者示例)。通过预测PEEP对生理学参数的影响，所述参数随后可以针对PEEP给定值而用在生理学模型中以预测临床结果变量中的变化，以使得可以关于临床偏好来估计给定的一组机械通气机设置的结果。于是，有可能得到相互竞争的临床目标的最优平衡，比如使患者酸碱状态正常化然而又防止了有害的高容积和压力设置。作为来自被机械通气的患者的数据的一个示例，图4第三行示出利用了头两行所示的PEEP影响的模型针对不同的PEEP值的机械通气机设置(潮气量、呼吸频率和吸入氧浓度)的最优水平的变化。可以看出，PEEP的增大引起潮气量(Vt)的降低，其对于防止肺部受到高压的伤害是必要的。这是由于顺应性，其被预测为保持恒定，导致通气机压力随着PEEP而增大。为了应对通气量随潮气量的减小，呼吸频率(Rf)增大。最终，吸入氧水平(FiO2)由于对分流和ΔPO2的预测改进而降低。图4的第四行示出了随着PEEP的改变而在临床结果变量中的预测的改变。从临床观点来看，尽管潮气量降低，然而临床结果变量、平台压力(Pplat)随着PEEP中的大变化而增大，同时pH和氧合(SaO2and SmvO2)相对恒定。图4的最后两行示出了代表不同临床目标的临床偏好函数及它们的随PEEP的预测变化的示例，其可以用于提供对于PEEP最优水平的建议。

由于当设置为PEEP的迭代增量集的一部分时与设置为肺复张手法之后的PEEP的迭代减量集相比，PEEP的效果不同，因此决策支持取决于PEEP选择策略。这是因为人类肺部的压力-容积关系有迟滞的缘故。由于PEEP是呼气过程中(该过程中肺泡会塌陷(去复张))通气机维持的压力，因此最好在压力大增长之后的呼气期间设置PEEP以维持最近复张的肺泡打开，因为较小压力水平对于保持这些肺单位打开(迟滞)是必要的。然而，由于肺复张手法在一些患者中是有害的，并且识别出谁会受益于肺复张手法很困难，因此主要由临床专家来执行这一设置PEEP的方法。尽管确实由这些专家来执行肺腑张手法，然而少有证据支持总体上成功的策略。因此，在大多数机构中，在不首先执行肺复张手法的情况下小步地执行PEEP改变，其中由于吸气期间压力增长较小并且PEEP维持这些肺单位打开，因而通过肺泡的复张来代表这里PEEP的有利之处。由于肺压力-容积关系的迟滞的后果，在增量(“缓进”)PEEP策略期间找到的最优PEEP与将会在减量(复张)策略期间找到的不同。因此，本发明包括根据PEEP选择策略(见图6)设置PEEP的独立流程。在优选实施例中，在临床医生对同一患者应用两个策略的情况下，该系统将具有代表每个PEEP选择策略的两组PEEP模型。临床医生可以通过一个或多个PEEP选择策略模块30(参见图2)来选择策略。如果系统可以基于患者的肺复张的潜在来提供对最优PEEP选择策略的建议，则会是有利的，这可以根据模型参数的当前值、由于压力增大引起的这些值的期望增益、和/或作为对压力变化的响应而测量到的模型参数中的变化来进行评估。例如，如果在缓进策略期间PEEP的变化引起了表示肺泡复张的分流的大幅度降低，则这可表示大大受益于肺复张手法和策略转移。而且，大水平的分流本身可表示可能受益于肺复张手法。基于由临床医生和/或系统选择的策略以及计算的决策支持，临床医生或系统修改PEEP设置和通气机上的其他设置。

通过测量装置来测量患者生理学变量的变化，以用于评估通气、流量、压力和容积、和/或O2和CO2的吸入和呼出含量、和/或血液气体含量(O2和CO2)和/或血液的酸碱状态的变化。收集并处理这些测量结果。在优选实施例中，数据处理对测量结果中的变化进行评估，并将模型参数估计延迟，直到检测到稳定状态为止，这允许PEEP中的变化生效并且避免系统在之前的建议尚未产生效果时提供新的建议。

当患者处于稳定状态或者系统在其他方面评估出PEEP已产生效果时，可以测量患者生理学参数的变化。这些可以从单点测量结果得到，比如心输出量、肺顺应性、肺阻力、呼吸动力、解剖死腔、肺泡死腔、有效分流等的参数。然而，为了准确测量结果，一些生理学参数需要临床医生扰动患者生理机能。例如，可以根据吸入氧浓度的逐步式改变以及稳定状态下若干变量的测量结果准确测量出气体交换参数(例如分流、低V/Q、高V/Q、dPO2、dPCO2、呼气末肺容积)，参见WO 2000 45702和WO 2012069051，其通过引用方式全文合并于此，这两个参考文献分别描述了在没有二氧化碳测量结果和有二氧化碳测量结果的情况下的本申请的所谓的自动肺参数估计器(“ALPE”)。图5a中示出了一个示例，其中倒三角和x符号为在低PEEP时的测量结果，正三角和+符号为在高PEEP值时的测量结果。通过分别在低PEEP时针对氧气的实线和针对二氧化碳的o符号(右侧，标绘图)以及在高PEEP时针对氧气的虚线和针对二氧化碳的方形符号来示出气体交换的生理学模型的拟合。可以看出，患者对PEEP的响应为由FetO2-SaO2曲线的左移所示的氧合改善以及被视为较大值的二氧化碳氧分压(PaCO2)的由高V/Q肺区增大而引起的二氧化碳排泄的恶化。

估计出的生理学模型参数被输入到PEEP模型学习部件中，其中PEEP模型适应患者对PEEP的响应。图5示出针对气体交换模型参数的PEEP学习模型的优选实施例，并且它们适应于所测量的对PEEP变化的响应。PEEP模型可以实施为线性模型。然而，由于患者响应是未知的，因此最好仅假设PEEP的变化在某个范围内，超过该范围，假设模型参数保持恒定，从而避免决策支持核心响应于PEEP而计算出过大的变化。这个范围能够反映所假设的响应中的不确定性，并且可以根据本地临床偏好和患者群体来修改该范围。当对模型进行更新时，也对反映了关于患者对PEEP的响应的较大不确定性的这些范围进行更新。为了提供首个建议，必须具有对PEEP的先验预期响应。这可以是反映了特定患者群体对PEEP进行正面响应的不同倾向的患者群体特异性。模型可以基于如图1所示的数据。在图5中，先验假设是：分流随着PEEP减小，作为dPO2测量的低V/Q保持恒定而作为dPCO2测量的高V/Q增大。患者稍有不同地进行响应，而模型对之进行适应，这些更新的模型随后可以被决策支持核心用来计算PEEP的新最优值。

除了气体交换，PEEP还影响肺机械功能，并且PEEP在支持通气模式下还可以影响新陈代谢。患者是在完全由通气机发起并执行呼吸的受控通气模式下被通气还是在由患者发起呼吸且通气机支持呼吸工作的支持模式通气中被通气，肺机械功能受到不同的影响。图6示出了在不必考虑患者自身努力的控制模式下针对机械通气的顺应性的PEEP学习模型的优选实施例。在控制模式下，由于肺部压力-容积关系的迟滞原因，PEEP是增大还是减小，理论上PEEP将会不同地影响顺应性。在优选实施例中，用于控制模式通气的顺应性模型因此具有用于对PEEP的减小进行仿真的较陡的斜坡，反映了导致肺萎陷(其中肺部单位塌陷)的风险。

图7a至图7b示出在支持模式下针对机械通气的顺应性的PEEP学习模型的优选实施例，其中必须考虑患者自身的努力。在支持模式下，PEEP对肺机械功能和呼吸功两者均有影响，通过使肺单位复张来影响肺机械功能，通过影响呼吸肌的长度-张力关系从而增大/减小呼吸功来影响呼吸功。根据通常可用的床旁测量结果来将患者的努力从肺机械功能分离是不可能的。因此，一个优选实施例是包括了患者呼吸功和肺机械功能随PEEP的变化在内的有效肺顺应性的合并模型。图7a示出压力支持下的压力-容积关系的模型。该优选实施例将PEEP建模为通过图7b所示的参数kc来影响该关系，其中kc的变化替代了PS-Vt模型。这样，如果PEEP增大使得呼吸肌的长度-张力关系恶化，则kc减小，导致相同压力支持情况下更低的潮气量。

在支持模式下，由于过高的PEEP水平迫使患者进入快速浅呼吸模式(呼吸功显著增大)，PEEP还会影响患者的新陈代谢。当观察到这种响应时，为了防止决策支持核心建议这样的PEEP水平，优选实施例包括患者新陈代谢在此PEEP水平处增大数倍的模型。图7c和图7d示出这些新陈代谢学习模型的优选实施例，其具有与耗氧量(VO2)或二氧化碳生成量(VCO2)相乘的因子，并且针对不引起显著新陈代谢负荷的PEEP水平，该因子为1。

图8示出用于本发明优选实施例的算法流程。在优选实施例中，机械通气系统首先核实气体交换模型参数(无二氧化碳的简单“ALPE”以及有二氧化碳的完全“ALPE”)是可用的并且在根据决策支持核心设置的其他通气机设置的情况下患者稳定。流程对于两个可能的PEEP策略是类似的，最重大的区别在于，对于缓进和肺复张策略，学习模型分别描述肺压力-容积关系的吸气支路和呼气支路。对于每个PEEP步骤，计算目标最优PEEP，随后建议PEEP中的一个步骤，该步骤为完全PEEP步骤或其子步骤，采取该子步骤以使得在当前PEEP水平下学习模型未知的不良反应风险最小化。在每个PEEP步骤之后，更新相关学习模型，其中在一个或若干个步骤之后计算FiO2以学习PEEP步骤对气体交换和/或肺容积的影响。在优选实施例中，在两个步骤中更新气体交换模型，第一个步骤跟在PEEP的初始步骤之后，该步骤给出气体交换模型参数的粗略估计，这些值被用来选择用于后续步骤的FiO2目标。

图9示出根据图8描绘的流程的用于每个PEEP选择策略的两个PEEP步骤的定时。对于缓进策略，执行初始模型校准，接着是PEEP建议。如果临床医生接受了该建议，随后在通气机上设置该建议。一段时间后，当系统信号处理表示稳定状态时，学习PEEP的效果，并计算新的PEEP建议，临床医生应再次检查该建议，如果接受，则将其设置在通气机上，如此继续一直到系统建议当前PEEP为最优或者临床医生作出另外的决定。作为差别，在肺复张策略中，由临床医生在模型校准之后执行肺复张手法，其中，在新的最大PEEP值为起始点之后并且在向临床医生建议第一PEEP步骤之前学习该PEEP水平处的肺复张效果。

图5a所示的用于气体交换参数的测量的过程需要3个或更多测量点以得到最佳准确度，这很耗时，尤其是当其必须在PEEP的最优化期间对每个PEEP水平执行一次的重复执行的情况下。因此，优选实施例通过利用期望效果和测量的效果两者、利用针对这两者的误差加权方法以尽可能多地从测量结果中进行学习(其中，使用期望效果来限制测量结果的范围)，来使用关于FiO2的更少步骤来学习气体交换参数的变化。图10示出在低PEEP情况下的完全气体交换测量结果(倒三角和x符号用于SaO2测量结果，倒三角用于PaCO2测量结果，实线和o符号用于模型拟合)。虚线是对PEEP增大的期望响应，三个*符号是被选为未测量范围中的期望测量结果的点，而正三角和+符号是测量的响应。虚线示出了基于对期望响应和测量的响应二者的拟合的、利用了加权误差的可能模型拟合。可以通过使用加权的或者非加权的误差来应用任何数量的测量点和/或期望点。如果使用很少的测量结果，则可以使用参数范围内的极限值来得到单个解。可以将这些范围设置为保守的：选择根据决策支持核心需要最高水平的通气机设置的范围，从而确保在模型参数不准确时，误差安全稳妥。

图11示出针对在控制通气机模式下的患者的仿真患者案例，其中应用本发明的优选实施例以利用缓进PEEP选择策略通过三个步骤选择PEEP。头一行示出了PEEP学习模型中的四个，分流、低V/Q(dPO2)、高V/Q(dPCO2)和肺机械功能(顺应性)各一个。实线是基线PEEP值处的默认期望响应，虚线是第一步骤之后更新的学习模型，其中点划线是在决策支持核心建议当前PEEP为最优水平之前PEEP学习模型的最后更新。第二行示出根据患者对PEEP的响应的PEEP最优值和其他通气机设置，最后一行示出来自决策支持核心的反映了最优通气机设置的数学临床偏好函数。达到目标不必执行所有步骤，较少的步骤允许以安全的方式学习患者的响应。

图12为表示根据本发明的方法或者计算机程序产品的各操作的概况图/细节的示意性系统图，该方法即对用于相关患者5的呼吸的机械通气系统10(如图2所示)进行操作的方法，该系统适于提供对机械通气的决策支持，该方法包括：

-S1提供能够以空气和/或一个或多个医用气体对所述患者进行机械通气的通气装置11，所述通气装置具有包括呼气末正压(PEEP)设置在内的多个设置(V_SET)，

-S2提供控制装置12，所述通气机装置可由所述控制装置通过与其相连的操作性连接来控制，以及

-S3提供测量装置11a和11b，其布置为用于测量吸入气体和/或所述患者的响应于机械通气而在呼出气体中的呼吸反馈，所述测量装置能够将第一数据D1传递到所述控制装置，

其中所述控制装置适于在至少对患者的肺机械功能和/或肺中的气体交换进行了描述的生理学模型MOD中使用所述第一数据D1和表示血液中的呼吸反馈的第二数据D2两者，所述生理学模型包括许多模型参数MOD_P，并且

其中所述控制装置还布置为用于仿真通气装置的呼气末正压(PEEP)设置的建议值对生理学模型的一个或多个模型参数MOD_P的影响，从而提供关于所述建议的PEEP值的决策支持。

可以借助于硬件、软件、固件或它们的任意组合来实施本发明。本发明或其部分特征还可以实施为在一个或多个数据处理器和/或数字信号处理器上运行的软件。

可以以诸如单个单元、多个单元或作为独立功能单元的一部分之类的任何适当方式物理地、功能性地和逻辑地实现本发明的实施例的各个要素。本发明可以实现于单个单元中，或者物理地且功能性地分布在多个不同个单元和处理器之间。

已经已经结合具体实施例描述了本发明，然而不应以任何方式将其解释为限制于所呈现的示例。应当按照所附权利要求来解释本发明的范围。在权利要求书的上下文中，术语“包含”或“包括”不排除其他可能的元件或步骤。另外，提及诸如“一个”或“一”之类的引用不应解释为排除多个。权利要求书中关于附图所示元件的附图标记的使用也不应解释为对本发明范围的限制。此外，不同权利要求中提及的各个特征可以被有利地组合，并且不同权利要求中对这些特征的提及不排除各特征的组合是不可能的和有利的。

简言之，本发明涉及一种用于患者5的呼吸的机械通气系统10，所述系统适于提供用于机械通气的决策支持。控制装置适于在至少对患者的肺机械功能和/或肺中的气体交换进行了描述的生理学模型MOD中使用所述第一数据D1和表示血液中的呼吸反馈的第二数据D2两者，所述生理学模型包括许多模型参数MOD_P。所述控制装置还布置为用于仿真通气装置的呼气末正压(PEEP)设置的建议值对生理学模型的一个或多个模型参数MOD_P的影响，从而提供关于所述建议的PEEP值的决策支持。本发明有利的是提供了响应于PEEP的通气机设置改变而发生的生理机能改变的基于数学的模型，从而允许数学生理学模型预测出针对PEEP给定值的临床变量的改变。

词汇表

Vt 单次呼吸中的呼吸量，潮气量

RR 呼吸频率(RR)或者，等价地为呼吸的持续时间(包括吸气期或呼气期的持续时间)

pHa 动脉血pH

PaCO2 动脉血中二氧化碳的压力

SaO2 动脉血的氧饱和度

PaO2 动脉血中氧气的压力

参考文献

1.The Acute Respiratory Distress Syndrome(ARDS)Network(2000)Ventilation with lower tidal volumes as compared with traditional tidal volumes for acute lung injury and the acute respiratory distress syndrome.N Engl.J Med.342:1301–1308.

2.Rees SE, C,Murley D,Zhao Y,Smith BW, S,Thorgaard p,Andreassen S(2006)Using physiological models and decision theory for selecting appropriate ventilator settings.J Clin Monit Comput.20:421-429.

3.Karbing DS, C,Thomsen LP,Espersen K,Thorgaard P,Andreassen S, S,Rees SE(2012)Retrospective evaluation of a decision supports system for controlled mechanical ventilation.Med Biol Eng Comput.50:43-51.

4.Kwok HF,Linkens DA,Mahfouf M,Mills GH(2004).SIVA:A Hybrid Knowledge-and-Model-Based Advisory System for Intensive Care Ventilators.IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE.8:161-172.

5.Tehrani DF and Roum JH(2008).Intelligent decision support systems for mechanical ventilation.Artificial Intelligence in Medicine.44:171-182.

6.Mélot C.Contribution of multiple inert gas elimination technique to pulmonary medicine–5(1994).Thorax.49:1251-1258.

7.Murley D,Rees S,Rasmussen B,Andreassen S(2005).Decision support of inspired oxygen selection based on Bayesian learning of pulmonary gas exchange parameters.Artificial Intelligence in Medicine.34:53-63.

8.Rees SE and Andreassen S.Mathematical models of oxygen and carbon dioxide storage and transport:the acid base chemistry of blood(2005).Crit Rev Biomed Eng.33:209-264.

9.Otis AB,Fenn WO,Rahn H.Mechanics of breathing in man(1950).J Appl Phys.2:592-607.

所有以上专利文献或非专利文献通过引用方式全文合并于此。