Điểm nổi bật
- Phát triển một thuật toán trí tuệ nhân tạo (AI) để ước tính liên tục và không xâm lấn áp lực cơ hít vào (Pmus) trong quá trình thông khí hỗ trợ áp lực.
- Pmus ước tính bằng AI (Pmus,AI) cho thấy mức độ phù hợp cao với tiêu chuẩn vàng là đo áp lực thực quản (Pmus,es) và độ chính xác tương đương với các nghiệm pháp tắc nghẽn truyền thống.
- Thuật toán AI phát hiện hiệu quả các bất đồng bộ bệnh nhân–máy thở, bao gồm nỗ lực không hiệu quả, tự kích phát và kích phát ngược, với độ nhạy và độ đặc hiệu cao.
- Cách tiếp cận này cho phép theo dõi thời gian thực nỗ lực hô hấp của bệnh nhân và sự đồng bộ với máy thở mà không cần can thiệp xâm lấn hay làm gián đoạn thông khí.
Bối cảnh nghiên cứu
Thông khí cơ học vẫn là nền tảng của hỗ trợ sự sống ở bệnh nhân nặng có suy hô hấp. Quản lý thông khí tối ưu đòi hỏi đánh giá nỗ lực cơ hít vào của bệnh nhân (định lượng bằng Pmus) để cân bằng mức hỗ trợ của máy thở và phòng ngừa tổn thương cơ hoành hoặc quá tải cơ hô hấp. Các phương pháp hiện nay để đo Pmus, như đo áp lực thực quản, mang tính xâm lấn và đòi hỏi kỹ thuật cao; các phương pháp khác dựa vào nghiệm pháp tắc nghẽn, gây gián đoạn thông khí và chỉ cung cấp dữ liệu theo từng thời điểm.
Bất đồng bộ bệnh nhân–máy thở là một biến chứng thường gặp nhưng dễ bị bỏ sót, có thể làm xấu đi kết cục lâm sàng do tăng công hô hấp, kéo dài thời gian thông khí cơ học và gây khó chịu. Theo dõi liên tục để phát hiện bất đồng bộ và định lượng tải cơ hô hấp vẫn là một nhu cầu lâm sàng chưa được đáp ứng.
Nghiên cứu này nhằm giải quyết nhu cầu về một phương pháp ước tính Pmus theo thời gian thực, không xâm lấn và chính xác, đồng thời tự động nhận diện các bất đồng bộ trong quá trình thông khí cơ học bằng thuật toán dựa trên AI.
Thiết kế nghiên cứu
Đây là nghiên cứu chẩn đoán tiến cứu về độ chính xác được thực hiện tại hai khoa hồi sức tích cực (ICU) trực thuộc Đại học São Paulo, Brazil. Quần thể nghiên cứu gồm 48 bệnh nhân trưởng thành đang được thông khí hỗ trợ áp lực để điều trị suy hô hấp.
Không có can thiệp nào ngoài chăm sóc tiêu chuẩn được áp dụng. So sánh chính là giữa Pmus ước tính bằng thuật toán AI (Pmus,AI) và phép đo xâm lấn tiêu chuẩn vàng thu được qua đo áp lực thực quản (Pmus,es). Ngoài ra, Pmus,AI còn được so sánh với các giá trị suy ra từ nghiệm pháp tắc nghẽn, bao gồm chỉ số cơ học áp lực và áp lực tắc nghẽn (Pocc).
Thuật toán AI cũng tự động phát hiện các kiểu bất đồng bộ bệnh nhân–máy thở cụ thể—nỗ lực không hiệu quả, tự kích phát và kích phát ngược—và so sánh kết quả với phân loại của chuyên gia, được xem là tiêu chuẩn tham chiếu.
Các tiêu chí đánh giá bao gồm các chỉ số độ chính xác (sai lệch, giới hạn đồng thuận), phân tích đường cong đặc tính vận hành của bộ nhận (ROC) để phát hiện các cực trị của Pmus và áp lực đẩy động, cùng với độ nhạy/độ đặc hiệu cho phát hiện bất đồng bộ.
Kết quả chính
Dữ liệu từ 4.918 chu kỳ hô hấp ở 48 bệnh nhân được phân tích. Pmus,es dao động từ 1,0 đến 28,4 cm H2O, bao phủ phổ nỗ lực hít vào có ý nghĩa lâm sàng.
Thuật toán AI ước tính Pmus với sai lệch trung bình là 0,9 cm H2O và giới hạn đồng thuận 95% từ -5,1 đến 6,9 cm H2O, cho thấy mức độ phù hợp tốt với đo áp lực thực quản xâm lấn. Thuật toán xác định thành công cả các giá trị Pmus cao và thấp, cũng như các biến thiên của áp lực đẩy động, với diện tích dưới đường cong ROC (AUC) lớn hơn 0,8, cho thấy khả năng phân biệt mạnh.
So sánh với các phương pháp dựa trên nghiệm pháp tắc nghẽn cho thấy độ chính xác tương đương, nhấn mạnh tiềm năng của AI trong việc thay thế hoặc bổ trợ các kỹ thuật truyền thống.
Trong phát hiện bất đồng bộ bệnh nhân–máy thở, hệ thống AI đạt độ nhạy 86,5% và độ đặc hiệu 77,4% khi nhận diện các sự kiện nỗ lực không hiệu quả, tự kích phát và kích phát ngược so với đánh giá của chuyên gia.
Những kết quả này cho thấy thuật toán AI có thể theo dõi liên tục và không xâm lấn nỗ lực cơ hô hấp, đồng thời tự động phát hiện các bất đồng bộ có ý nghĩa lâm sàng trong quá trình thông khí cơ học mà không cần cảm biến xâm lấn hay các thao tác làm gián đoạn thông khí.
Bình luận chuyên gia
Nghiên cứu này đánh dấu một bước tiến đáng kể trong theo dõi hô hấp tại hồi sức tích cực khi tận dụng AI để khắc phục các hạn chế của phương pháp hiện có. Mặc dù đo áp lực thực quản là tiêu chuẩn vàng, phương pháp này xâm lấn và không được áp dụng thường quy; các nghiệm pháp tắc nghẽn định kỳ làm gián đoạn thông khí và chỉ cung cấp dữ liệu chụp nhanh tại một thời điểm. Cách tiếp cận AI được trình bày ở đây giúp theo dõi liên tục nỗ lực của bệnh nhân và sự đồng bộ với máy thở theo thời gian thực, từ đó tạo điều kiện cho các can thiệp lâm sàng kịp thời.
Các chỉ số hiệu năng được báo cáo là đáng khích lệ, dù vẫn có một mức độ biến thiên quanh giới hạn đồng thuận, gợi ý rằng cần tiếp tục tinh chỉnh. Đáng chú ý, khả năng phát hiện nhiều kiểu bất đồng bộ của thuật toán có thể hỗ trợ bác sĩ điều chỉnh cài đặt máy thở nhằm cải thiện sự thoải mái và kết cục của bệnh nhân.
Các hạn chế bao gồm thiết kế đơn trung tâm và việc chỉ tuyển chọn bệnh nhân đang thông khí hỗ trợ áp lực, điều này có thể ảnh hưởng đến khả năng khái quát hóa sang các chế độ thông khí hoặc nhóm bệnh nhân rộng hơn. Các nghiên cứu xác thực đa trung tâm trong tương lai và việc tích hợp với hệ thống hỗ trợ quyết định lâm sàng có thể thúc đẩy hơn nữa việc ứng dụng trên lâm sàng.
Phương pháp AI này phù hợp với xu hướng mới nhằm cá thể hóa thông khí cơ học bằng cách điều chỉnh hỗ trợ động dựa trên theo dõi liên tục thay vì đánh giá gián đoạn.
Kết luận
Thuật toán AI mới mang đến một phương pháp đầy hứa hẹn, không xâm lấn, liên tục và chính xác để ước tính áp lực cơ hít vào và phát hiện bất đồng bộ bệnh nhân–máy thở trong quá trình thông khí cơ học. Hiệu năng của phương pháp này tương đương với đo áp lực thực quản xâm lấn và các nghiệm pháp tắc nghẽn định kỳ, có tiềm năng làm thay đổi cách theo dõi hô hấp ở bệnh nhân nặng. Việc triển khai công nghệ này có thể cải thiện quản lý máy thở, giảm biến chứng do bất đồng bộ và thúc đẩy các chiến lược bảo vệ phổi và cơ hoành.
Cần thêm các nghiên cứu để xác nhận các phát hiện này trong những bối cảnh lâm sàng đa dạng và đánh giá tác động lên các kết cục lấy người bệnh làm trung tâm như thời gian thông khí cơ học, thời gian nằm ICU và tỷ lệ sống sót.
Kinh phí và ClinicalTrials.gov
Nghiên cứu được hỗ trợ bởi kinh phí của Đại học São Paulo. Không ghi nhận số đăng ký thử nghiệm lâm sàng cụ thể.
Tài liệu tham khảo
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
