机械通气是ICU 最主要的生命支持手段。当呼吸机输送的呼吸相位与患者呼吸相位不一致[1]，或呼吸机提供的压力、流速和潮气量水平与患者需求不匹配[2-3]，即存在人机不同步（patient-ventilation asynchrony，PVA）。PVA 是机械通气患者常见的问题，发生于整个机械通气过程中。不同文献对其发生率的报道差异较大（10%～85%）[4-8]，表明其影响因素众多，且尚不清楚各因素对其发生的影响方式。较高的PVA 发生率对患者舒适度、机械通气持续时间、ICU 住院时间和病死率产生负面影响[5-9]，所以应尽力在临床识别和纠正这类情况。
临床检测PVA 主要依靠医护人员观察呼吸机波形，识别波形中的PVA 特征。这一方法虽简单易行，但存在明显的局限性：一方面，医护人员难以持续在床旁进行监测；另一方面，监测人员识别PVA 的能力水平参差不齐[10]。因此，临床亟需自动化的监测方法辅助医护人员更好地管理PVA。近年来，随着重症信息化的迅速发展，临床已能够获得细时间粒度的机械通气波形大数据，使基于波形的PVA 自动化分析成为可能。研发自动化的PVA 检测算法，既能将高水平医护人员的识别能力融入算法进行推广，又能对大量患者进行持续监测，还可促进PVA 与临床结局以及诊疗策略的深入研究。本综述讨论PVA 自动识别方法的研究进展，并对其进一步的发展和临床应用进行展望。
一、人机不同步类型和临床识别方法
临床医师主要通过观察机械通气的气道压力、流速、潮气量波形识别PVA。例如，对于无效触发，通过观察气道压力波形呼气相是否有凹陷，以及流速波形对应位置是否有上凸可进行判断。准确评估PVA 需要通过测量食管压（esophageal pressure，Pes）和（或）膈肌肌电图（electrical activity of diaphragm，EAdi）验证。监测Pes 可以检测吸气努力，了解患者和呼吸机之间的相互作用。EAdi现在可以通过配备有多个电极的特殊导管获得，并且可以在成人和儿童环境中检测不同步、吸气力或神经-机械耦联[8]。但由于Pes 与EAdi 不是临床的常规监测手段，因此基于它们识别PVA 仅适用于个别患者的有限时段。
二、人机不同步的自动检测方法
目前，主要的PVA 自动化检测算法包括基于规则、基于传统机器学习、基于深度学习、基于生理系统模型，以及上述方法的融合方法。各类方法的发展历程，及各种方法的优缺点如下。
（一）基于规则的人机不同步检测方法
早期的PVA 自动识别方法是基于规则的方法，其原理为从机械通气波形上提取特征，设置特征的阈值，判断PVA 的发生。Thille 等[6]于2006 年提出以短呼气时间为特征，设定呼气时间阈值规则识别双触发；以呼气相流速波形上凸和压力波形下凹为特征，设定上凸与下凹的阈值规则识别无效触发，是最早的PVA 自动检测研究工作。自此之后的10年中，基于规则的方法成为PVA 自动检测的主流方法。主要的研究思路包括：（1）在机械通气波形中提取信号幅度（及其一阶、二阶导数）和时间相关的特征，设置阈值，判别是否发生PVA[12-14]；（2）对波形信号进行傅里叶变换，在频域基于谐波与直流分量的比值来评估PVA[15]；（3）借助辅助信号，包括EAdi、Pes、呼吸肌压力等，与机械通气波形联合分析，确定PVA[16-17]。最新的研究不仅能够判断PVA 的发生，而且能够量化PVA 的程度，有助于帮助评估呼吸肌疲劳等临床问题[17]。
（二）基于传统机器学习的人机不同步检测方法
由于PVA 具有多样性，因而基于单一或少量规则的方法尽管在小数据集上能够取得较好的性能，但泛化应用时很难取得令人满意的性能。随着机器学习的快速发展，研究者尝试了以机器学习方法检测人机不同步。传统机器学习设计多种特征，输入分类器，以标注样本训练分类器。针对PVA检测，研究者首先设计了多种时域特征，包括了呼吸持续时间、流速、压力和潮气量等，并将这些特征送入随机森林、朴素贝叶斯等分类器，选择最优分类器对多种PVA 进行检测[18-19]。Casagrande 等[20]发现当发生无效触发时，压力-流速环上会产生子呼吸环。通过对子环的特征提取，用包括通气模式、子环面积、子环最大矩形面积、子环中最大流速等特征来训练线性logistic 回归模型进行分类。由于不同的分类器具有不同的特点，因此将多种分类器的分类结果进行集成能够有效提升检测的准确性，并提高泛化能力[21]。
（三）基于深度学习的人机不同步检测方法
由于深度学习模型具有优异的特征提取和学习能力，近年在机械通气PVA 自动检测领域得到了广泛的研究。基于卷积神经网络（convolutional neural network，CNN）对二维图像的处理是深度学习最成熟的应用。基于该方法检测PVA 首先需将一维呼吸信号转换为二维图像，包括绘制压力、流速、潮气量波形以及呼吸环，输入构建的CNN，以大量的样本进行训练，得到PVA 分类器[22-23]。另一方面，处理语音等信号的循环神经网络、一维CNN 以及Transformer 模型也被应用于PVA 检测。笔者团队提出一种基于长短期记忆网络（long short-term memory，LSTM）的PVA 识别算法，分别提取呼吸波形中更高层次的流速和压力特征，并在特征融合后进行分类[24]；进而针对深度学习模型的可解释性差的问题，提出一种基于一维可解释性CNN 的PVA 检测方法，通过在模型架构中引入全局平均池化层来提取类激活图，突出模型进行分类时所关注的特征区域，增强了方法的可解释性[25]。Chen 等[26]提出了一种融合CNN 和LSTM 网络的方法，可以捕捉输入信号的局部特征，并确保序列数据的长期依赖性。同时，引入了注意力机制来提高识别的准确性和效率，以及预测的可解释性。
（四）基于生理系统数学模型的人机不同步检测方法
机械通气遵循呼吸力学运动方程，因此可以建立呼吸力学的数学模型，模拟正常机械通气波形和PVA 的发生，也可以根据实测机械通气波形拟合模型，根据拟合情况判断该次呼吸是否发生PVA。该方法的优势在于具有很好的生理可解释性，不仅能够识别一次呼吸是否发生PVA，而且能够评估PVA的强度。van Diepen等[29]建立了一个非线性肺-气道模型和呼吸机模型，生成带标签的压力、流量和容积波形。通过调整肺模型参数和呼吸机模型参数，可模拟不同的PVA 波形。Zhou 等[30]根据患者特异性肺弹性在压力-容积环上的变化，通过迟滞环分析确定异步的发生并识别其类型和模式。然后将识别的迟滞环参数与非线性力学滞回环模型相结合，提取并重建不受异步呼吸影响的通气波形。最后，使用能量耗散度量来量化异步的量级，并比较模型重建和原始、改变的异步呼吸周期之间的压力-容积环面积。该方法在临床验证与直接观察到的发病率以及量化程度具有较好的一致性，可以作为临床实时不同步监测工具。
（五）融合方法
由于上述各类方法各有利弊，因此研究者也尝试了混合使用上述方法提升PVA 的检测能力。Pham 等[31]设计了一套规则法与传统机器学习法混合的决策树框架，用于识别反向触发。该方法在基于单一压力或流速特征进行决策时采用规则法，在涉及多个相关特征进行判别时采用逻辑回归方法，并以逻辑回归模型输出的概率阈值作为决策依据。Bakkes 等[32]利用深度神经网络U-net 建立PVA 检测模型，考虑到深度学习模型的训练需要大量数据，因而基于一个生理系统数学模型产生虚拟的PVA波形与正常波形[29]，增强深度学习模型的性能。灵活融合各类方法有助于弥补单一方法的缺点，提升模型的识别准确性、可解释性和泛化能力。
（六）对比分析
上述几类PVA 检测方法的优缺点对比分析见表1
表1 各类PVA 检测方法比较 |
| 自动检测方法 | 分类依据 | 优点 | 缺点 |
|---|---|---|---|
| 基于规则的方法 | 设计单个或多个波形特征，以阈值进行分类 | 方法简单易实施，临床可解释性好，数据标注量要求不高 | 特征计算易受噪声干扰；阈值难以确定，不同数据集所确定的阈值差异大 |
| 基于传统机器学习的方法 | 人工设计波形特征，结合机器学习分类器进行分类 | 对波形特征考虑全面，临床可解释性好，数据标注量要求不高 | 特征计算易受噪声干扰 |
| 基于深度学习的方法 | 以原始波形作为输入，深度学习模型自动提取特征进行分类 | 端到端训练，可自动提取波形中用于分类的关键特征 | 需要大量多样性的标注数据 |
| 基于生理系统数学模型的方法 | 以原始数据拟合呼吸力学数学模型，以拟合程度情况进行分类，并评估不同步程度 | 生理可解释性强，具备生成模拟数据的能力，能够评估不同步程度 | 拟合计算复杂度高，实时性差 |
基于规则的方法聚焦PVA 波形和正常呼吸在波形上的差异特征，因而其解释性较好。而且算法的设计不需要过多的数据标注，对临床研究人员而言可行性较高。但是，机械通气患者的个体差异较大，致使正常呼吸和PVA 波形都呈现较强的多样性。规则法很难设置具有较好泛化能力的阈值。传统机器学习提取更多的波形特征，且不同特征的权重根据标注数据进行训练得到，因而鲁棒性较规则法而言更强。但是，其特征依赖于人工设计，难以全面反映正常呼吸与PVA 波形的差异，因此性能尚不能完全满足临床需求。随着深度学习在诸多医学应用领域取得突破，以及机械通气波形大数据的不断成熟，基于深度学习的方法更有望为临床提供高性能的PVA 检测能力。但是，也应重视深度学习在其他医学领域应用中已暴露的弊端，包括可解释性弱、泛化能力不佳、需要大量标注数据等。在深度学习中引入生理系统模型或规则法，能够融合数据驱动与知识驱动的元素[33]，使算法既具有较高的检测准确性，又具有较好的临床可解释性，是未来PVA 检测算法的发展方向。
三、实时人机不同步分析系统
目前，大部分呼吸机并未提供自动识别PVA的功能。临床需要一套系统采集呼吸机的波形，并植入研究所建立的自动化算法，实现全院甚至远程的机械通气患者PVA 自动检测。西班牙BetterCare系统是该领域较早的工作[34]，其植入了基于规则的算法，主要用于监测双触发和无效触发，在较小的数据集（9600 次呼吸）上进行了验证。与医师标注的金标准相比，系统可得到90%以上的敏感度和特异度。新西兰皇家科学院院士Geoffrey Chase 教授团队[35]开发了CARENet 系统，在采集呼吸机波形的基础上，实时动态分析PVA 与呼吸力学参数，能够在系统界面上呈现每小时PVA 的发生次数以及发生率，为医护人员提供更全面的患者机械通气状态监测信息。美国加州大学戴维斯分校Adams 团队[36]开发了ventMAP 平台，建立了从呼吸波形采集、预处理、算法分析、后处理的全流程框架。各种新算法可方便地植入该框架，不断拓展平台功能。在国内，笔者团队以及北京协和医院也分别建立了RespCare 系统和Remote-VentilateView 系统，提供了呼吸机波形实时采集，基于深度学习的PVA 监测功能，以及专门的PVA分析报告，促进了PVA 的临床应用[24-37]。
上述系统在临床的应用方式主要有两种：（1）实时分析机械通气波形，当PVA 发生时给出报警，提示医护人员进行处理；（2）统计一段时间内的PVA 发生率，供临床参考。当需要实时监护全院乃至远程的呼吸机时，可通过增加计算资源确保PVA 分析的实时性。
四、主要挑战
（一）缺少高质量的标准数据集
目前，PVA 自动识别方法的研究大多基于私有数据集。尽管研究大多对各类PVA 标注的标准进行了描述，但仍缺乏统一、标准化的数据标注准则。Pes、EAdi 等辅助信号是目前研究者公认的识别PVA 的金标准。但是，由于监测Pes、EAdi 均具有侵入性，在临床上不属于常规监测手段，致使其难以获得长时程的机械通气波形与辅助信号联合监测数据。
建立高质量数据集的另一挑战是人工数据标注。每人每天会进行约2 万次呼吸，而机械通气往往持续若干天，数据量巨大。现有研究大多仅标注了少量的呼吸。如何设计半监督、无监督的算法，从海量数据集中自动寻找最具标注价值的呼吸，是当前PVA 数据集建立所面临的重要挑战。在医学人工智能领域，已有对比学习、主动学习、迁移学习等相关算法[38-39]，如何在机械通气PVA 自动识别研究中应用上述方法是未来工作的开展方向。
（二）算法的泛化能力不足
由于医学数据具有复杂的异质性，因此基于数据驱动的医学人工智能模型往往泛化能力不足，在影像、心电等发展较早的医学人工智能研究中多有体现[40-41]。机械通气波形不仅由患者的生理病理状态决定，而且也受呼吸机通气模式和参数设置的影响。因此机械通气波形相较于一般的医学影像和生理信号而言具有更高的异质性。目前鲜有多中心的PVA 自动检测能力的研究。基于单中心数据建立的PVA 识别算法能否泛化至多中心，基于单一机型和通气模式数据建立的模型能否泛化至多种机型和通气模式等问题都有待进一步研究。随着机械通气实时采集与分析系统的逐步推广和标准化，越来越多的临床单位可建立机械通气波形数据库及工作组，共同推进PVA 的自动检测研究及其临床应用。但在推进过程中应注意机械通气波形大数据的安全问题，避免患者隐私泄露。多中心研究需考虑机械通气波形数据库的标准化，从而突破医院间数据共享和联合分析的技术壁垒。
五、总结与展望
PVA 自动识别是当前重症医学领域关心的热点问题。建立稳定可靠的PVA 自动监测技术有助于临床持续监测机械通气患者的人机协调情况，从而为患者提供更为舒适的通气，降低呼吸机诱发肺损伤发生的可能性。同时，自动化的PVA 识别算法使得临床研究能够分析机械通气患者全程的PVA 发生情况，从而分析PVA 与结局的相关性，以及纠正PVA 的临床价值。