ハイライト
- 圧支持換気中における吸気筋圧（Pmus）を、連続的かつ非侵襲的に推定する人工知能（AI）アルゴリズムを開発した。
- AIにより推定されたPmus（Pmus,AI）は、ゴールドスタンダードである食道内圧測定（Pmus,es）と高い一致を示し、従来のオクルージョン操作と同等の精度を示した。
- このAIアルゴリズムは、無効努力、オートトリガリング、逆トリガリングを含む患者―人工呼吸器非同調を、高い感度および特異度で効果的に検出した。
- 本手法により、侵襲的な機器の挿入や換気の中断を要することなく、患者の呼吸努力と人工呼吸器との同調性をリアルタイムにモニタリングできる。
研究背景
機械換気は、呼吸不全を有する重篤患者における生命維持治療の中核をなす。最適な呼吸管理には、患者の吸気筋努力をPmusとして定量化し、人工呼吸器による補助とのバランスを取りつつ、横隔膜障害や筋過負荷を回避することが必要である。Pmusの測定法としては食道内圧測定などがあるが、これらは侵襲的で技術的難易度も高い。ほかの方法はオクルージョン操作に依存し、換気を中断したうえで断続的なデータしか得られない。
患者―人工呼吸器非同調は頻度が高いにもかかわらず見逃されやすい合併症であり、呼吸仕事量の増大、機械換気期間の延長、不快感の増強を介して臨床転帰を悪化させうる。非同調を検出し、呼吸筋負荷を定量化するための連続モニタリングは、なお満たされていない臨床的ニーズである。
本研究は、AIベースのアルゴリズムを用いて、機械換気中にPmusをリアルタイムかつ非侵襲的に推定し、非同調を自動同定する方法の必要性に応えるものである。
研究デザイン
本前向き診断精度研究は、ブラジルのサンパウロ大学に関連する2つの集中治療室（ICU）で実施された。研究対象は、呼吸不全管理のために圧支持換気を受けていた成人患者48例であった。
標準治療以外の介入は行われなかった。主要評価は、AIアルゴリズムによって推定されたPmus（Pmus,AI）と、食道内圧測定により得られた侵襲的測定のゴールドスタンダード（Pmus,es）との比較であった。さらに、Pmus,AIは、圧筋指数およびオクルージョン圧（Pocc）を含むオクルージョン操作から得られた値とも比較された。
また、AIアルゴリズムは、無効努力、オートトリガリング、逆トリガリングといった特定の患者―人工呼吸器非同調を自動検出し、その結果を専門家による分類と比較した。
評価項目には、精度指標（バイアス、95%一致限界）、Pmus極値および動的駆動圧の検出に関するROC曲線解析、ならびに非同調検出における感度・特異度が含まれた。
主な結果
48例から得られた4918呼吸サイクルのデータを解析した。Pmus,esは1.0～28.4 cm H2Oの範囲にあり、臨床的に意味のある吸気努力の幅を網羅していた。
AIアルゴリズムによるPmus推定の平均バイアスは0.9 cm H2Oで、95%一致限界は−5.1～6.9 cm H2Oであり、侵襲的な食道内圧測定との良好な一致が示された。さらに、同アルゴリズムはPmusの高値・低値の両極端、および動的駆動圧の変動を適切に識別し、ROC曲線下面積（AUC）は0.8超であったことから、高い識別能が示された。
断続的なオクルージョンに基づく方法との比較では同等の精度が確認され、AIの従来法を代替または補完しうる可能性が示唆された。
患者―人工呼吸器非同調の検出では、AIシステムは専門家評価を基準として、無効努力、オートトリガリング、逆トリガリングの同定において感度86.5%、特異度77.4%を達成した。
これらの結果は、AIアルゴリズムが侵襲的センサーや換気を中断する操作を要することなく、呼吸筋努力を連続的かつ非侵襲的にモニタリングし、臨床的に重要な非同調を自動検出できることを示している。
専門家コメント
本研究は、AIを活用して既存法の限界を克服した点で、集中治療における呼吸モニタリングの重要な進歩を示している。食道内圧測定はゴールドスタンダードである一方、侵襲的で日常臨床にルーチン導入されていない。断続的なオクルージョン操作は換気を中断し、スナップショット的な情報しか提供しない。これに対し、本研究で示されたAIアプローチは、患者の努力と人工呼吸器との同調をリアルタイムに連続追跡することを可能にし、適時の臨床介入を支援する。
報告された性能指標は有望であるが、一致限界周辺のばらつきから、さらなる改良の余地が示唆される。とりわけ、複数種類の非同調を検出できる点は、患者の快適性および転帰改善に向けた人工呼吸器設定の個別化に有用である。
限界として、単施設研究であること、ならびに圧支持換気患者に限定されていることが挙げられ、より広範な換気モードや患者集団への一般化可能性に影響しうる。今後は、多施設での検証や臨床意思決定支援システムとの統合により、臨床実装がさらに加速される可能性がある。
本AI手法は、断続的評価ではなく連続的な患者モニタリングに基づいて支持を動的に適応させることで、機械換気の個別化を目指す近年の潮流と整合的である。
結論
本研究で開発された新規AIアルゴリズムは、機械換気中の吸気筋圧を推定し、患者―人工呼吸器非同調を検出するための、有望な非侵襲的・連続的・高精度の手法を提供する。その性能は、侵襲的な食道内圧測定および断続的オクルージョン操作と同等であり、重症患者における呼吸モニタリングを変革する可能性がある。本技術の実装により、人工呼吸器管理の質向上、非同調に伴う合併症の低減、ならびに肺および横隔膜保護戦略の推進が期待される。
これらの知見を多様な臨床環境で確認し、機械換気期間、ICU在室日数、生存率などの患者中心アウトカムへの影響を評価するため、さらなる研究が必要である。
資金提供およびClinicalTrials.gov
本研究は、サンパウロ大学からの機関研究費による支援を受けた。特定の臨床試験登録番号は報告されていない。
参考文献
1. Plens GM, Morais CCA, Gregol T, et al. Artificial Intelligence Algorithm to Monitor Inspiratory Muscle Effort and Patient-Ventilator Dyssynchrony During Mechanical Ventilation. Crit Care Med. 2026;54(7):1585-1596. doi:10.1097/CCM.0000000000005974
2. Goligher EC, Jonkman AH, Dianti J, et al. The Lung and Diaphragm-Protective Ventilation. Ann Am Thorac Soc. 2021;18(3):525-533. doi:10.1513/AnnalsATS.202006-707CME
3. Yoshida T, Roldan R, Lima CAS, et al. High Respiratory Drive and Excessive Inspiratory Efforts Predict Risk of Patient Self-Inflicted Lung Injury. Am J Respir Crit Care Med. 2022;205(3):292-301. doi:10.1164/rccm.202012-4359OC
4. Blanch L, Villagra A, Sales B, Montanya J, Lucangelo U, Luján M, Cugat E, Benito S, Izquierdo J. Asynchronies during assisted mechanical ventilation are associated with mortality. Intensive Care Med. 2015;41(4):633-641. doi:10.1007/s00134-015-3705-7
5. Thille AW, Rodriguez P, Cabello B, Lellouche F, Brochard L. Patient-ventilator asynchrony during assisted mechanical ventilation. Intensive Care Med. 2006;32(10):1515-1522. doi:10.1007/s00134-006-0314-0
