Оборудование для производства воздуховодов: фальцепрокатные станки, зиговочные машины, фальцеосадочные станки.
Принцип изготовления воздуховодов для вентиляции, дымоходов и аспирации примерно одинаков. Отличается толщина и марка металла.
Для изготовления круглого (цилиндрического) воздуховода как правило используется рулонный металл шириной 1250 мм. Чтобы отрезать заготовку от рулона можно использовать гильотину, станок поперечной резки, ручные, электрические или роликовые ножницы. Если изготавливается колено воздуховода, то заготовка вырезается по шаблону электрическими или ручными ножницами по металлу. После отрезки заготовки, требуется выполнение фальца. Для этого используется фальцепрокатный станок или продольный паз в верхнем валу вальцовочного станка (опция). Когда фальц сформирован, приступают к приданию заготовки цилиндрической формы при помощи вальцовочного станка (вальцов). При работе на вальцовочном станке следует иметь ввиду, что металл из разных партий может иметь разную жесткость.
Поэтому перед изготовлением партии деталей, рекомендуется отрегулировать положение заднего вала вальцовочного станка в соответствии с необходимым диаметром и характеристиками металла таким образом, чтобы изделие получалось за один проход. На вальцовочных станках Prinzing для отслеживания положения заднего вала применяется механический счётчик. Затем фальц обжимается при помощи фальцеосадочного станка. При помощи зиговочной машины выполняются необходимые зиги и собираются колена.
Цилиндрические воздуховоды можно изготавливать и более производительным способом. Для этого применяются спирально-навивные станки. Такая технология изготовления подразумевает возможность изготовления воздуховодов неограниченной длины. Для автоматического изготовления сегментных отводов также используются специальные станки.
При изготовлении прямоугольных воздуховодов, наиболее производительный способ — станок тоннельной сборки. Он позволяет за один проход сформировать и закрыть фальц. Чтобы исключить при работе воздуховода посторонних звуков, на заготовки наносятся рёбра жесткости при помощи специальных станков.
Для сгибания заготовок используется листогиб. При изготовлении отводов, на прямоугольных заготовках выполняется так-называемый «питтсбургский» (он же «американка») или самозащелкивающийся фальц при помощи фальцепрокатного станка. На ответных частях, как правило имеющих более сложную форму, при помощи кромкогибочного станка отгибается кромка, которая при сборке состыкуется с фальцем. При изгибе заготовок с готовым «питтсбургским» или самозащелкивающимся фальцем применяется специальный трехвалковый сегментный листогиб, который позволяет произвести гибку заготовки без повреждения фальца. После сборки деталей, фальцы закрываются при помощи фальцеосадочного механизма или защелкиваются, в случае использования самозащелкивающегося фальца.
Оборудование для производства вентиляции и воздуховодов из оцинкованной стали
Наверняка, каждый в жизни встречался с вентиляционными системами. Они находятся повсюду: в офисах, жилых домах, школах или любых других учебных заведениях. Вентиляция отвечает за циркуляцию воздуха и вообще его наличие в замкнутых пространствах, вроде зданий. Без неё люди бы просто не смогли дышать и находиться в них. Можно сказать, что при строительстве здания, проектировка вентиляции играет одну из самых важных ролей. Но вентиляция состоит из списка некоторых деталей, которые и являются несущей конструкцией всей вентиляционной системы. Качество работы вентиляции в первую очередь зависит от самих её составляющих. Значит, они должны быть сделаны на высшем уровне, специальными высококачественным оборудованием. Поэтому, наша компания представляет вам оборудование для производства вентиляции лучшей категории для обеспечения полной безопасности всей будущей конструкции.
Разновидности оборудования для производства вентиляции
Итак, оборудование для производства воздуховодов и других запчастей для вентиляционных систем бывает разных видов и каждый из них выполняет свою определённую часть. Наша компания специализируется по производству таких устройств, для этого мы используем качественные материалы, поэтому наше оборудование для производства воздуховодов из оцинкованной стали является одним из самых лучших. Некоторые виды оборудования:
станок плазменной резки
Спиральные станки
Зиговочные станки
Прессы разных видов
Итак, выше представлено только несколько видов оборудования для производства различных деталей вентиляционной системы.
Особенности оборудования для производства вентиляции
Наше оборудование для изготовления воздуховодов и фасонных частей, а также и других частей вентиляции, имеет некоторые особенности. Если сравнивать его с другими марками, то наше обладает непревзойдённым качеством и отличной производительностью. Кроме того, за счёт оборудования, которое создано по самым инновационным технологиям, время для производства деталей с помощью него заметно уменьшается. А также уменьшается и вероятность появления ошибок или некачественно проделанной работы.
Технология производства воздуховодов
Технология производства воздуховодов с помощью наших приборов заметно упрощается. Используя наше оборудование, можно разрезать стальные листы, собирать их в нужную форму воздуховода (круглую, четырёхугольную и т. д.), сваривать места стыков, а также многое другое.
Дизайн и компоновка
изделия
Конструкторское 3D
проектирование
Анализ методом
конечных элементов
Технологическая
подготовка (CAM)
Станки для вентиляции.
Все товары и виды услуг по лучшим ценам! «ТОО «BAYMIR»»
Автоматическая линия для производства прямоугольных коробов
Гильотины
Ручные гильотины DURMA
Ручные гильотины JOUANEL
Ручные гильотины (Россия)
Ручные гильотинные ножницы серии AKM, KERA
Электромеханические гильотины JOUANEL
Электромеханические гильотины DURMA
Листогибочные станки
Ручные листогибы DURMA
Ручные листогибы JOUANEL
Электромеханические листогибы JOUANEL
Станки для нанесения ребер жесткости
Станки для нанесения ребер жесткости JOUANEL
Станки для нанесения ребер жесткости SWAH
Фальцепрокатные и фальцеосадочные станки
Фальцепрокатные станки JOUANEL
Фальцеосадочный станок
Фальцепрокатные станки SWAH
Кромкогибочные станки JOUANEL
Кромкогибочные станки SWAH
Кромкогибочные станки SVK
Инструмент
Пуклевочные машинки TRUMPF
Фальцесодочные машинки TRUMPF
Ножницы по металлу TRUMPF
Производство систем дымоудаления
Электромеханические гильотины
Электромеханические листогибы
Вальцовочные станки
Профилегибочные станки
Производстов дымоходов
Станок для раскроя листового металла
Плазменный раскрой 3D
Линия поперечного раскроя
Вальцы
Сварка встык
Радиальная сварка
Формовка концов труб
ТЕЛЕФОН. : +7(926)351-2658 Игорь Романов
Станки для производства прямоугольных воздуховодов для вентиляции
Станки для производства прямоугольных воздуховодов. Уникальное модульное решение. Компактная или полностью интегрированная линия. Возможность добавления дополнительных модулей. Новейшие технологии Spiro®.
Оборудование для производства воздуховодов прямоугольного сечения
Станки для производства прямоугольных воздуховодов дают возможность на производственной линии в полу- и автоматическом режиме выполнить из листовых металлических заготовок:
Прямые участки воздуховода с прямоугольным сечением;
Отводы, повороты и тройники;
Нестандартные элементы комплектующих для вентиляционных систем.
В каталоге «Фортекон» представлено оборудование для производства прямоугольных воздуховодов от компании Spiro в том числе модульного типа: профилирующие станки, фланцезагибочные, отбортовочные и фальцеосадочные машины, вальцовочное оборудование, станки тоннельной сборки и модульные линии Spiro.
Современное высокотехнологичное оборудование обеспечивает высокие показатели производительности на всех ступенях эксплуатации и высокую точность обработки металла.
Максимальная компактность – важный фактор при выборе станков для производства воздуховодов прямоугольного сечения от компании Spiro International S.A. Один комплект оборудования займет на производственных площадях намного меньше места, чем целый парк машин с узкой промышленной специализацией.
Проводим профессиональные консультации по установке и наладке агрегатов.
Модульная технология Spiro® обеспечивает максимальную гибкость для нужд производства и маркетинга.
При изготовлении воздуховодов на станках Spiro® могут использоваться общепринятые промышленные стандарты изготовления фланцев и высококачественные фланцы SPC собственной разработки.
Система изготовления воздуховодов прямоугольного сечения
Вентиляционное оборудование для производства воздуховодов и промышленной вентиляции
Рабочие дни: Понедельник — Пятница
Рабочие часы: 9.00 — 18.00
Вентиляция — наиболее важная система для жизнеобеспечения, она дает возможность контролировать уровень влажности, а также температуру в помещении. Промышленная вентиляция должна быстро и легко обеспечивать качественный воздухообмен с наименьшим потреблением электроэнергии. Воздуховоды — это наивысший элемент любой вентиляции, через который удаляется загрязненный воздух и поступает чистый. Создание воздуховодов — это достаточно серьезнейший и востребованный процесс.
Согласно ведущим системам классификации воздуховоды могут быть по прочности жесткими, а также полужесткими и гибкими. Всякий каждый из этих типов воздуховодов может быть как круглого сечения, так и прямоугольного. При изготовлении воздуховодов прямоугольного типа применяются металлические листы. В основном такие воздуховоды практикуются в бытовых системах вентиляции. Воздуховоды круглого типа более и часто применяются в промышленной вентиляции. Есть два типа: прямошовные и спирально-навивные воздуховоды. При создании прямошовных воздуховодов применяется металлический лист, имеющий кромки. А в спирально-навивных воздуховодах соединены кромки по всему периметру по спирали, позволяет создавать производство воздуховода разной длинны.
Воздуховоды плоскоовального типа сами по себе очень легкие и не требуют меньше пространства при монтаже, простата в настройке и используются из меньшего количества деталей крепления.
Все что есть из станков для производства воздуховодов создано с новейшими технологиями. Мы предлагаем станки для производства сегментов воздуховодов, гибочные машины, с гибкой регулировкой диаметра труб, спирально-навивные станки и различное другое оборудование. Производство воздуховодов — развивающийся и перспективный рынок.
Оборудование, станки для малого бизнеса
1 500 000 тг.
Договорная
Алматы, Ауэзовский район
Сегодня 16:26
45 000 тг.
Договорная
Уральск, 2-й рабочий
Сегодня 16:25
Руководство APSF/ASA по использованию наркозных аппаратов в качестве аппаратов ИВЛ
обновлено 7 мая 2020 г.
Наркозно-дыхательные аппараты оснащены вентиляторами, которые во многих случаях способны обеспечить поддержание жизни пациентов с дыхательной недостаточностью. Они используются для этой цели каждый день в операционной. Утвержденная FDA маркировка не предусматривает использование анестезиологических вентиляторов для долгосрочной поддержки вентиляции.Тем не менее, анестезиологические аппараты ИВЛ являются очевидным резервным средством первой линии во время пандемии COVID-19, когда не хватает аппаратов ИВЛ в отделении интенсивной терапии для удовлетворения потребностей пациентов. Местные ресурсы и ограничения будут влиять на то, как лучше всего реализовать это решение. Анестезиологические аппараты, которые в настоящее время не используются, могут быть расположены в ваших собственных больничных операционных, офисах NORA, в близлежащих амбулаторных хирургических центрах, близлежащих офисных хирургических кабинетах и у ваших дистрибьюторов анестезиологического оборудования. От производителей доступны рекомендации, но они могут не отражать все клинические соображения. Для ввода этих аппаратов в эксплуатацию и управления ими во время использования потребуются специалисты по анестезии. Безопасное и эффективное использование требует понимания возможностей имеющихся аппаратов, различий между наркозными аппаратами и аппаратами ИВЛ, а также того, как настроить элементы управления наркозным аппаратом для имитации стратегий вентиляции типа ОИТ.
Эти документы часто обновляются по мере поступления новой информации.Сообщите ASA, если вы хотите получать уведомления об обновлении документов.
Этот документ предназначен для предоставления рекомендаций по безопасному и эффективному использованию наркозных аппаратов ИВЛ в качестве аппаратов ИВЛ (PDF, обновлено 7 мая 2020 г.). Предоставляется подробная информация, а также доступно для загрузки краткое справочное руководство (PDF, обновленное 9 апреля 2020 г.). Краткое справочное руководство предназначено для использования прикроватным пособием и включает рекомендуемый график мониторинга эффективности и безопасности наркозного аппарата ИВЛ.
ASA работает с составляющими обществами над созданием реестра местных ресурсов с целью перемещения машин в места, где они больше всего нужны.
(ПРИМЕЧАНИЕ. Местные условия, скорее всего, потребуют внесения изменений в предоставленные рекомендации. Этот документ предназначен для предоставления справочной информации, которая позволяет лицам, осуществляющим уход у постели больного, принимать наилучшие возможные решения для обеспечения безопасного и эффективного ухода.)
Ознакомьтесь с полным руководством APSF/ASA по использованию наркозных аппаратов в качестве аппаратов ИВЛ (PDF, обновлено 7 мая 2020 г.).
Загрузите краткий справочник: Инструкции по настройке и мониторингу — наркозно-дыхательные аппараты в качестве аппарата ИВЛ (PDF, обновлено 9 апреля 2020 г.).
Загрузите руководство по использованию летучих анестетиков для седации у пациентов отделения интенсивной терапии (PDF, обновлено 7 апреля 2020 г.).
Загрузите контрольный список запуска: Процедура поддержки пациентов во время теста включения наркозного аппарата (PDF, обновлено 2 апреля 2020 г. ).
Для получения прямых и индивидуальных рекомендаций, пожалуйста, присылайте свои вопросы по адресу [email protected]орг
Заявление об отказе от ответственности: Эти рекомендации были разработаны с учетом суждений врачей, имеющих опыт кратковременного использования наркозных аппаратов в операционных. Они часто обновляются на основе опыта длительного использования анестезиологических аппаратов для интенсивной вентиляции легких. Информация и материалы, представленные здесь, предоставляются только в ознакомительных и образовательных целях и не устанавливают стандарт медицинской помощи или представляют собой медицинскую или юридическую консультацию.Напоминаем читателям о необходимости консультироваться со своими учреждениями и медицинскими/юридическими консультантами.
Мониторинг больших данных при ИВЛ в отделении интенсивной терапии
Реферат
Электронная медицинская карта позволяет усваивать большие объемы клинических и лабораторных данных. Большие данные описывают анализ больших наборов данных с использованием компьютерного моделирования для выявления закономерностей, тенденций и ассоциаций. Как можно использовать большие данные, чтобы предсказать прекращение использования вентилятора или надвигающийся компромисс, и как их можно включить в клинический рабочий процесс? Эта статья будет служить 2 целям.Во-первых, для неспециалиста предоставляется общий обзор, в котором представлены ключевые концепции, определения, передовой опыт и моменты, на которые следует обратить внимание при чтении статьи, включающей машинное обучение. Во-вторых, представлены последние публикации на стыке больших данных, машинного обучения и ИВЛ.
Введение
Искусственный интеллект и машинное обучение предназначены для выявления сложных нелинейных взаимосвязей в больших объемах данных. Типичный пациент, поступивший в отделение интенсивной терапии, скорее всего, будет подключен к физиологическому монитору, аппарату искусственной вентиляции легких и различным помпам для инфузий лекарств, а также пройдет ряд тестов, каждый из которых генерирует огромное количество данных. Эти данные в сочетании с информацией, полученной лечащими врачами и введенной в электронную медицинскую карту, превращают отделение интенсивной терапии в чрезвычайно богатую данными среду. Однако использовать эти данные в полной мере сложно. Кроме того, многие аспекты лечения в отделении интенсивной терапии не учитываются в высококачественных крупных рандомизированных контролируемых исследованиях (РКИ), и различия в практике между поставщиками услуг могут быть высокими. 1,2 Огромный объем данных, сложность отдельных пациентов и вариативность практики дают возможность применять методы больших данных, искусственный интеллект и машинное обучение для решения важных клинических проблем.Такие решения могут включать в себя прогнозирование клинического ухудшения, автоматическую идентификацию пациентов, готовых к экстубации, ранние предупреждающие признаки важных состояний, таких как сепсис, для разрешения раннего вмешательства, а также оказание помощи клиницистам в принятии решений для оптимизации механической вентиляции. 3
Типы клинических данных
Для субъекта, поступившего в отделение интенсивной терапии и получающего искусственную вентиляцию легких, существуют различные типы данных, которые необходимо учитывать при хранении, доступе и получении информации из данных.Структурированные элементы данных — это те, которые документируют информацию о пациенте, используя контролируемую лексику, а не текстовое описание или другие неструктурированные средства. 4 Примером может служить строка блок-схемы в медицинской карте, где врач записывает частоту дыхания. Данные из раскрывающихся списков, например те, которые используются для документирования звуков дыхания или капнографические данные, также являются примерами структурированных данных. В большинстве случаев предпочтительнее использовать структурированные данные, потому что данные относительно легко запрашивать, манипулировать и обрабатывать.
Термин «неструктурированные данные» приобрел популярность в последние годы и тесно связан с большими данными. Это данные, которые нельзя легко сопоставить с конкретным полем с известными характеристиками. Неструктурированные данные часто хранятся без четкой цели для последующего использования, либо на них очень сложно или невозможно наложить структуру. Примеры включают клинические заметки, в которые врач может вводить произвольный текст, большую часть информации о изображениях и несколько других источников, которые обычно поступают извне электронной медицинской карты.
Необходимо интегрировать эти типы данных для достижения максимальной клинической, качественной и коммерческой ценности. 5-7 В этой области предпринимаются усилия по принятию стандартов, облегчающих поток данных. Одним из таких усилий является архитектура клинических документов, которая является важным стандартом в Соединенных Штатах, направленным на постепенное структурирование данных и обеспечение функциональной совместимости. 8 По мере внедрения этих стандартов есть надежда, что отдельные учреждения, отделы и группы смогут более легко получать доступ к этим данным и извлекать из них пользу.
Сбор и хранение данных
Сбор данных у постели больного особенно пугает, особенно потому, что один и тот же субъект может быть подключен к нескольким устройствам, которые выводят разные типы данных на разных частотах. В первую очередь, поток данных о поступлении-выписке, который содержит важные идентификаторы пациентов, используется для связывания пациента с койко-местом, медицинской картой и другими источниками данных. Хранилище данных — это центральное место для всех данных, которые собирает предприятие или больница. 9 Эти данные могут включать данные, хранящиеся непосредственно в электронной медицинской карте (включая записи о приеме лекарств, физиологические данные, лечение, заметки), данные, включенные в передачу данных о поступлении-выписке, непрерывные физиологические данные с медицинских устройств (например, мониторы, аппараты искусственной вентиляции легких, радиологическая или ультразвуковая визуализация), выставление счетов и другие источники. Все чаще учреждения внедряют архитектуру данных, которая упрощает сбор данных из нескольких мест в центральный репозиторий для лечения пациентов, улучшения качества и исследований.
Интеллектуальный анализ данных и наука о данных
По мере развития области искусственного интеллекта за последние 30 лет интеллектуальный анализ данных вызывает значительный интерес среди исследователей в этой области. 10 Наука о данных — это наука об извлечении полезной информации из наборов данных, которая охватывает несколько дисциплин, в том числе статистику, управление данными, искусственный интеллект, машинное обучение и распознавание образов. 11 Исследователь, занимающийся интеллектуальным анализом данных, будет заниматься сбором, хранением и поиском данных, очисткой данных, сокращением данных, визуализацией, разработкой алгоритмов, машинным обучением и статистическим анализом, а также должен сбалансировать статистические и вычислительные вопросы. 12 В Таблице 1 представлена некоторая общепринятая терминология по науке о данных.
Таблица 1.
Ключевые понятия и общепринятая терминология
Роль специалиста по обработке и анализу данных охватывает различные отрасли и все уровни принятия решений на предприятии. Специалист по данным работает на стыке предметных знаний (знаний в предметной области), математики и прикладной статистики, машинного обучения и навыков кодирования (https://berkeleysciencereview.com/2013/07/how-to-become-a-data). -ученый-до-выпускника, , по состоянию на 22 августа 2019 г., ).С одной стороны, все ученые имеют дело с данными, и можно присвоить звание специалиста по данным любому, кто занимается данными и статистикой. Однако для наших целей это называется традиционным исследованием. По мере сбора большего количества данных требуются знания в области машинного обучения и навыки кодирования, чтобы извлечь максимальную пользу из данных пациентов. В интересах медицины, чтобы люди с большим опытом работы (например, респираторные терапевты, врачи, медсестры и другие клиницисты) приобретали навыки, необходимые для того, чтобы стать учеными данных.Одна из проблем, с которой сталкивается специалист по обработке и анализу данных с небольшими знаниями в данной области, — это решение проблем, которые либо не существуют, либо очевидны для клиницистов в этой области. Специалисты по данным, обладающие глубоким пониманием клинической практики, особенно в том, что касается искусственной вентиляции легких, будут в отличном положении для понимания патофизиологии и разработки полезных инструментов поддержки принятия решений, которые будут иметь клиническое значение.
Большие данные
Происхождение термина «большие данные» неясно.Сам термин очень широк, громко обсуждается и часто бесполезен в разговоре. Наиболее четкое и полезное определение состоит в том, что «большие данные» — это объемный, высокоскоростной и разнообразный информационный актив, который требует экономичных, инновационных форм обработки информации для улучшения понимания и принятия решений. Часть определения включает в себя 3 Vs: объем (количество данных), скорость (скорость, с которой данные генерируются и собираются) и разнообразие (различные типы данных и источников).В общем, большие данные — это океан, в котором можно найти множество конкретных задач с данными.
Искусственный интеллект
Определение искусственного интеллекта может быть противоречивым в зависимости от прикладной области (например, информатика, наука о данных, статистика, научная фантастика). Алан Тьюринг, английский математик и широко известный отец искусственного интеллекта, разработал так называемый тест Тьюринга компьютерного интеллекта. 13 Тьюринг предположил, что если компьютер может имитировать человеческое поведение и при этом обманывать человека, заставляя его поверить, что он взаимодействует с человеком, то этот компьютер можно определить как обладающий интеллектом.В более широком смысле искусственный интеллект определяется как раздел информатики, занимающийся моделированием разумного поведения компьютеров и способностью машины имитировать разумное поведение человека (https://www.britannica.com/technology/artificial-intelligence, По состоянию на 22 августа 2019 г. ).
Машинное обучение
Машинное обучение — это разновидность искусственного интеллекта, которая обеспечивает механизм для компьютерного алгоритма, который учится на данных и совершенствуется на основе опыта без явного программирования. 14 Это особенно полезно в контексте медицины, потому что может не быть полностью необходимым объяснять (и программировать) все отклонения в данном субъекте, чтобы получить разумное приближение производительности системы или здоровья субъекта, чтобы обеспечить индивидуальный подход. уход. В целом, в машинном обучении используются два основных типа обучения, которые исследователь может использовать для извлечения знаний из заданного набора данных: обучение с учителем и обучение без учителя.
Обучение под наблюдением.
Обучение с учителем описывает проблему, в которой дискретный результат известен априори. В методах обучения с учителем используется помеченный набор данных, состоящий из двух компонентов: (1) набор входных данных (обычно вектор данных, содержащий непрерывные переменные, категориальные переменные или их комбинацию) и (2) цель или результат. Все вместе они называются обучающими данными и используются для обучения алгоритма машинного обучения.
Самостоятельное обучение.
Обучение без учителя — это задача машинного обучения, заключающаяся в обнаружении скрытой структуры или взаимосвязей в немаркированном наборе данных. 15 Немаркированный набор данных — это набор данных, для которого не существует цели или результата. Примером неконтролируемого обучения является применение метода кластерного анализа для выявления различных фенотипов субъектов с общим клиническим диагнозом. 16 В этом случае эта информация может выявить различия в клинических характеристиках и прогнозах для данного диагноза, такого как бронхоэктазы.
Обучение с полуучителем.
Третий тип обучения называется полууправляемым обучением. Обучение с полуучителем происходит, когда входные данные представляют собой смесь как помеченных, так и неразмеченных случаев. В этом случае проблема прогнозирования состоит из определения организационной структуры данных, а также прогнозов. Часто эти алгоритмы расширяют функциональность других методов.
Некоторые примеры алгоритмов машинного обучения, описанные в медицинской литературе, включают методы на основе деревьев, дискриминантный анализ, регрессионные модели (множественные и логистические), метод опорных векторов, k ближайших соседей и нейронные сети.Важным аспектом применения машинного обучения в здравоохранении является интерпретируемость алгоритма. Алгоритмы на основе дерева, дискриминантный анализ (в зависимости от дискриминантной функции) и машины опорных векторов (в зависимости от используемой функции) обычно предпочтительнее из-за их улучшенной интерпретируемости. 17 Методы опорных векторов и дискриминационный анализ применялись для исследования проблем в отделении интенсивной терапии и при искусственной вентиляции легких. 18-20 При выборе алгоритма машинного обучения необходимо обеспечить баланс общей производительности (точности), продолжительности обучения и интерпретируемости. 17,21
Потребность в РКИ
Большие данные и прикладное машинное обучение не заменят полностью потребность в РКИ. Преимущество хорошо спланированного и хорошо проведенного РКИ состоит в том, что он делает выводы о причинно-следственных связях на основе случайного распределения субъектов по разным группам лечения. В любом расследовании существует ряд известных и неизвестных факторов, которые могут повлиять на результаты за пределами назначенного лечения. До тех пор, пока эти факторы распределяются случайным образом между экспериментальной и контрольной группами, статистические различия в исходах могут быть связаны с лечением.Предположим, у вас есть доступ к большому количеству клинических данных (т. е. к большим данным). Может ли исследование быть разработано и применено ретроспективно для выявления причин лечения? Одним из таких ретроспективных дизайнов, основанных на больших данных, является контролируемое исследование с подбором случаев. Степень сопоставления случаев во многом зависит от размерности данных (т. е. от количества переменных, описывающих каждого субъекта или случай): чем больше данных доступно для сопоставления пациентов, тем выше вероятность достоверности результатов.Конечно, высококачественное ретроспективное контролируемое исследование с сопоставлением случаев предоставит важные детали, но мы предостерегаем от приравнивания ретроспективных исследований больших данных к РКИ. Тем не менее, у РКИ есть ряд недостатков: высокая стоимость, исследовательская группа часто слишком узкая, чтобы делать общие выводы, и время между началом исследования и его внедрением в клиническую практику очень велико. Таким образом, роль быстрого, недорогого и эффективного инструмента исследования необходима для преодоления разрыва и помощи в информировании о передовом опыте и уточнении гипотез для РКИ, которые могут иметь более высокую вероятность положительных результатов.
Передовой опыт (на что обратить внимание при чтении статьи, посвященной машинному обучению)
Обычному врачу или исследователю респираторных заболеваний необязательно быть экспертом в области больших данных, искусственного интеллекта и машинного обучения. Однако, поскольку эти методы чаще применяются в литературе, полезно ознакомиться с некоторыми передовыми методами, которые помогут отличить хороший дизайн исследования от плохого. В общем, целью любой модели прогнозирования является получение наилучшей производительности, обеспечивающей хорошую обобщаемость.Несколько вопросов, на которые следует обратить внимание, обсуждаются ниже.
Отличные данные (и результат, который вас волнует).
Как и любую качественную научную работу, нужно начинать с качественных данных. Чтобы база данных была достаточной и считалась высококачественной, требуется несколько элементов: точные данные, достаточный размер (т. е. количество случаев или субъектов), достаточные измерения (т. мера результата, которая может быть непрерывной, бинарной или категориальной).
Особый интерес представляет выбор критерия исхода, который является клинически значимым. Одна из ловушек, которые можно наблюдать в области прикладного машинного обучения в здравоохранении, заключается в том, что некоторые исследования проводятся с нерелевантной клинической целью, основаны на данных, которые обычно недоступны другим, или не соответствуют приемлемой чувствительности и специфичности. для обоснования клинического применения. Иными словами, вполне возможно потратить много времени, энергии и ресурсов на решение проблемы, которая либо не существует (т. е. недостаточно важна для клинической пользы), либо не предлагает значительных улучшений по сравнению с существующими методами. или существующая квалификация врача.
Все о числах.
Для «обучения» машинам требуется много данных, а людям — нет. Изучающий респираторную терапию может попросить преподавателя объяснить взаимосвязь между вентиляцией мертвого пространства и /-градиентом один раз (или, возможно, несколько раз), чтобы понять принцип и предвидеть возможные клинические последствия. Машины должны увидеть сотни, тысячи или миллионы случаев, чтобы идентифицировать концепцию. Поэтому любой проект в области машинного обучения должен иметь относительно большое количество кейсов.Это число может варьироваться от нескольких сотен случаев до тысяч случаев и даже больше. Чем больше число случаев, тем выше вероятность того, что модель сможет идентифицировать реально существующий процесс.
Тестирование (не только для профессиональных велосипедистов).
Целью тестирования является оценка способности модели делать прогнозы на основе данных, которые не использовались для обучения модели. 11 Самый простой для понимания тип тестирования — это схема удержания. После того, как данные будут собраны, определенная часть случаев будет случайным образом назначена набору данных для обучения и набору данных для тестирования.Типичное соотношение случаев обучения и тестирования составляет от 50/50 до 80/20 (т. е. 80 % случаев используются для обучения модели, а 20 % используются исключительно для тестирования модели и расчета статистики производительности). Другие приемлемые методы тестирования включают перекрестную проверку. Перекрестная проверка обычно выполняется 5–10 раз (т. е. 5-кратная перекрестная проверка). На каждом этапе часть данных используется для обучения модели, а другая часть используется для составления статистики производительности. 22 Пример 5-кратной перекрестной проверки показан на рисунке 1.
Рис. 1.
Иллюстрация 5-кратной перекрестной проверки. На первой итерации часть данных (пятая часть всех случаев) отводится для тестирования, а остальные данные доступны для обучения модели машинного обучения. Во второй итерации другая часть данных (но все еще одна пятая часть всех данных) назначается для тестирования. Этот процесс продолжается до тех пор, пока все случаи не будут использованы для обучения и тестирования. Сводная статистика составляется по каждой итерации, а окончательные результаты, сообщаемые в документе, отражают средние результаты каждой итерации.
Обучение и тестирование моделей машинного обучения также обязательно основано на данных из прошлого. Этот факт не обязательно является плохим, но следует помнить, что эти данные могут включать информацию о неидеальной медицинской практике, или на когорту может повлиять систематическая ошибка отбора. В общем, прошлые результаты не могут гарантировать успех в будущем. Как упоминалось ранее в этом обзоре, маловероятно, что область науки о данных и машинного обучения в здравоохранении полностью заменит РКИ.Однако во многих случаях прагматизм (т.е. нехватка денег или времени) заставит нас проводить исследования на ретроспективных данных и не проводить РКИ до внедрения чего-то нового в клиническую практику. С другой стороны, во многих других случаях разумным путем вперед было бы собрать исторические данные, обеспечить их качество, применить соответствующие методы статистики и машинного обучения для получения точной модели и проспективно протестировать эту модель в хорошо спланированном, проспективном клиническом исследовании. изучать.
Переоснащение (некоторые вещи больше не подходят).
Переобучение относится к модели, которая дает прогнозы, которые слишком близко или точно соответствуют конкретному набору данных и, следовательно, не могут обобщить производительность на другие данные. 23 Переобучение может произойти, если не уделить должного внимания дизайну исследования, особенно в отношении схемы обучения и тестирования (рис. 2). 24
Рис. 2.
Пример переобучения. Истинная функция изображена оранжевой линией, а образцы показаны кружками.На трех панелях показан результат добавления степеней к полиномиальной модели прогнозирования (синяя линия). На левой панели показан полином 1 степени (т.е. линейный). Это неадекватно описывает выборочные данные и называется недостаточным. На правой панели показан полином 15 градусов. Эта модель точно подходит для каждой выборки в обучающей выборке, и можно быть склонным полагать, что, поскольку модель точно соответствует обучающей выборке, она должна быть лучшей моделью; однако это пример переобучения, поскольку модель не соответствует истинной функции, показанной оранжевой линией.Если исследование не предлагает проверки вне выборки, способность модели делать прогнозы на будущее неизвестна, и модель может быть переобученной, что может сделать будущую производительность довольно плохой. На средней панели применен полином 4 степени. Модель не точно предсказывает каждую выборку, но общая взаимосвязь между предикторной переменной ( x ) и результатом ( y ) адекватно описана, и точность будущих прогнозов, сделанных на данных, которые неизвестны в настоящее время, была бы довольно высокой. хорошо.Из ссылки 24, с разрешения. MSE = среднеквадратическая ошибка.
Проклятие размерности относится к ряду неблагоприятных явлений, возникающих при анализе данных, имеющих пространство высокой размерности; измерения в этом контексте являются переменными или входными данными). Проще говоря, чем больше количество входных данных, тем ниже точность модели для будущих прогнозов. Методы, которые могут смягчить проклятие размерности, включают выбор признаков и уменьшение размерности. Оба этих метода направлены на сокращение общего количества признаков, чтобы модель обеспечивала как хорошую производительность прогнозирования, так и обобщаемость.
Выбор модели (Выбирайте с умом).
Машинное обучение — это не цель, а инструмент. Не следует применять нейронную сеть, когда модель логистической регрессии выполнит эту работу. В медицинской литературе желательно понимать взаимосвязь между отдельными переменными и интересующим исходом по важным причинам: понимание лежащей в основе патофизиологии, определение механизмов действия и выдвижение гипотез о возможных клинических вмешательствах. Тем не менее, самая простая и легкая для интерпретации модель всегда предпочтительнее, если нет существенной разницы в производительности по сравнению с более сложной моделью.Нейронные сети не предлагают никакой объяснительной силы. Другие модели, такие как деревья решений или машины опорных векторов, предоставляют возможность исследовать отношения между переменными-предикторами и интересующим результатом. Поэтому важно при чтении статьи, в которой применяется модель черного ящика (т. е. такая, которая не может быть исследована, как нейронная сеть) без обоснования или сравнения с другими интерпретируемыми моделями.
Механическая вентиляция легких
Механическая вентиляция легких является важным клиническим вмешательством, применяемым у > 800 000 пациентов в год и примерно у 40% пациентов в ОИТ. 25 Аппарат ИВЛ предоставляет больше данных, чем любое другое отдельно взятое устройство в отделении интенсивной терапии, в виде настроек, измеренных параметров, состояния тревоги и данных кривых. Когда эти данные сочетаются с тем фактом, что на пациентов, получающих искусственную вентиляцию легких, приходится непропорционально большая часть расходов на здравоохранение, в этой области существует множество возможностей для повышения эффективности, действенности и безопасности лечения за счет внедрения машинного обучения.
ОРДС
ОРДС является результатом ряда несоизмеримых факторов риска, возникающих либо локально, либо системно. 26 ОРДС возникает в 10,4% случаев госпитализации в отделение интенсивной терапии и обычно не распознается, не лечится и связан с высоким уровнем смертности. 27,28 Тем не менее, выявление пациентов, у которых может развиться ОРДС в отделении интенсивной терапии, остается серьезной проблемой, поскольку своевременная диагностика и соответствующее лечение могут улучшить результаты.
Afshar et al 29 стремились разработать вычисляемый фенотип для ОРДС, используя обработку естественного языка и машинное обучение. Вычисляемый фенотип — это метод, используемый для определения состояния, заболевания, клинического явления или другой характеристики пациента с использованием только данных, доступных и обработанных компьютером. 30 Авторы сообщили, что в сочетании с их лучшей моделью обработки естественного языка точность идентифицированного вычислимого фенотипа составила 83% (95% ДИ 58,3–76,3). Этот результат был лучше, чем у протестированного эталонного алгоритма, но он все еще оставляет много возможностей для улучшения. Конечно, будущие исследования не должны ограничиваться только текстовыми данными, а должны включать физиологические данные, такие как показатели газов крови, насыщение кислородом и другие элементы вентиляции. Однако работа Afshar et al, 29 , является важным шагом вперед, поскольку она направлена на определение объективных и воспроизводимых методов диагностики ОРДС, которые меньше зависят от человеческого фактора.
Апостолова и др. 31 пытались предсказать развитие ОРДС, комбинируя структурированные и неструктурированные данные. Их структурированные данные включали доступные диагностические коды, данные физиологического мониторинга и лабораторные данные; неструктурированные данные включали клинические записи. Отличительной особенностью этой работы является сочетание структурированных и неструктурированных данных. Авторы применили подход глубокого обучения для построения вектора контекста пациента, который содержит сводную информацию о текущем состоянии пациента.Затем векторы контекста пациента можно было объединить со структурированными данными (например, анализы, жизненно важные органы и т. д.), и модель прогнозирования была обучена для прогнозирования ОРДС. Топ-модель представляла собой машину с градиентным усилением, которая демонстрировала площадь под кривой рабочей характеристики приемника 0,93. Пять основных характеристик в модели включали минимальный дыхательный объем, оценку состояния комы Глазго, частоту дыхания и возраст. 31
При вторичном анализе 2 многоцентровых РКИ в 44 больницах Zhang 32 провел исследование в той же области.Однако вместо того, чтобы предсказывать развитие ОРДС, автор стремился предсказать смертность после постановки диагноза ОРДС и обеспечить стратификацию риска, чтобы помочь клиницистам выбрать подходящее лечение. Генетический алгоритм был использован для выявления важных особенностей в доступных данных, а нейронная сеть была обучена выполнять прогноз. Хотя генетические алгоритмы используются в других областях, они нечасто применяются к клиническим данным. Генетический алгоритм основан на концепции естественного отбора и выполняет адаптивный эвристический поиск. 33 Из 88 переменных-кандидатов (включая демографические данные, сведения о госпитализации, лабораторные данные, физиологические данные и информацию об искусственной вентиляции легких) 7 переменных были определены как наиболее важные: возраст, история синдрома приобретенного иммунодефицита, лейкемия, метастатическая опухоль печеночная недостаточность, низкий уровень альбумина и др. Графическое представление генетического алгоритма показано на рис. 3. Действительно, любой достаточно информированный клиницист, скорее всего, составит аналогичный список, поскольку каждый из этих факторов может быть независимо связан с повышенной смертностью.Тем не менее площадь под кривой рабочей характеристики приемника для нейронной сети составила 0,82 (95% ДИ 0,75–0,89), что превзошло показатель APACHE III, равный 0,67 (95% ДИ 0,59–0,74). Хотя это интересно, возможность экстраполяции алгоритма на другие группы населения остается открытым вопросом. Тем не менее, методы, с помощью которых были определены важные переменные, остаются важным вкладом Чжана в эту работу. 32
Рис. 3.
Результаты поиска генетическим алгоритмом.A: показывает частоту каждого «гена» (т. е. клинической переменной), представленного в сохраненных «хромосомах» (т. е. комбинации клинических переменных). 50 лучших переменных окрашены, а 7 лучших переменных были названы. B: отображает стабильность рейтинга 50 лучших переменных; первые 4 переменные стабилизировались быстрее, чем другие. C: показывает распределение количества поколений, необходимых для эволюции, чтобы достичь цели пригодности. Если эпоха эволюции не может достичь цели пригодности площади под кривой рабочей характеристики приемника = 0.77 итерация рассматривается как «нет решения» и останавливается. Обучающая выборка была разбита на обучающую и тестовую выборки в соотношении 2:1. СПИД = синдром приобретенного иммунодефицита; опухоль = метастатическая опухоль; лейк = лейкемия; гепа = печеночная недостаточность; билих = самый высокий билирубин; альбумин = самый низкий уровень альбумина; иммунный = иммунодефицит; hcth = наивысшее значение гематокрита; проживать = место жительства до поступления; acceptfrom = источник допуска; глюк = наивысшая глюкоза; pip = пиковое давление вдоха в день 0; resp = частота дыхания в день 0; натрияh = самое высокое значение натрия.Из ссылки 33, с разрешения.
На пути к точным маневрам рекрутмента
Несмотря на разумное физиологическое обоснование, маневры рекрутмента обычно не рекомендуются для пациентов с ОРДС. 34,35 Хотя было показано, что набор пациентов с ОРДС вреден, может существовать небольшая подгруппа пациентов, которые реагируют положительно и получат важную пользу. Однако выделить эту подгруппу было сложно. Zampieri et al. 36 провели постфактум анализ, чтобы выяснить, может ли часть пациентов с ОРДС получить пользу от раннего рекрутирования альвеол.Поскольку традиционные методы анализа подгрупп не смогли определить подгруппу субъектов, для которых набор мог бы быть полезен, авторы применили метод кластеризации машинного обучения, известный как кластеризация k средних. Алгоритм кластеризации k -mean — это тип обучения без учителя, который стремится идентифицировать группы в данных. Переменная k относится к количеству идентифицированных групп. Метод кластеризации идентифицировал кластер, который демонстрировал связь между маневрами рекрутмента и титрованием ПДКВ с повышенной вероятностью вреда.На рисунке 4 изображены 3 кластера, которые были идентифицированы с помощью метода машинного обучения. Важно отметить, что этот метод обеспечивает распределение вероятностей каждого кластера, а также то, будут ли они с большей вероятностью извлекать пользу из стандартной вентиляции ARDSNet без рекрутмента или ухода с добавлением альвеолярного рекрутинга. Благодаря подходу точной медицины результаты показывают, что очень небольшая часть пациентов с ОРДС, вероятно, получит пользу от маневров рекрутмента (рис. 4, см. субъектов в кластере 2).Действительно, этот метод следует применять к другим областям искусственной вентиляции легких, чтобы идентифицировать подгруппы и обеспечить улучшенную поддержку принятия решений прикроватными клиницистами.
Рис. 4.
Результаты байесовской неоднородности эффекта лечения. Апостериорное распределение вероятностей эффекта лечения альвеолярного рекрутмента для исследования ОРДС (АРТ) [log(RR)] в каждом кластере. В таблице в левом верхнем углу указана вероятность того, что относительный риск смертности при лечении АРТ < 0 (т. е. относительный риск < 1, что свидетельствует о защитном эффекте лечения АРТ) для каждого кластера.Из ссылки 36, с разрешения.
Автоматическое обнаружение асинхронности между пациентом и аппаратом ИВЛ
Асинхронность между пациентом и аппаратом ИВЛ связана с повышенным риском смертности и увеличением продолжительности искусственной вентиляции легких. 37 Sottile et al 38 разработали набор моделей машинного обучения, которые определяют различные типы асинхронии: двойной триггер, ограничение потока/голодание, преждевременное прекращение дыхания и неэффективный триггер. Авторы применили случайные леса, гауссовский наивно-байесовский алгоритм и алгоритмы ADABOOST для каждого типа асинхронного дыхания. 39 В целом площадь под кривой рабочей характеристики приемника колебалась от 0,954 до 0,972 и продемонстрировала очень хорошую чувствительность и специфичность. Если эти характеристики будут наблюдаться проспективно, это может представлять собой важное предупреждение, которое позволит клиницистам скорректировать искусственную вентиляцию легких или другие аспекты лечения и устранить предполагаемый повышенный риск смертности и продолжительность вентиляции. Безусловно, необходима дальнейшая работа в этой области, чтобы воспроизвести эти результаты на более широкой популяции пациентов, включая как рестриктивные, так и обструктивные заболевания легких, а также для разных типов пациентов (т. е. новорожденных, детей и взрослых).Тем не менее, эти методы могут появиться на ближайшем к вам аппарате ИВЛ раньше, чем можно предположить.
Пролонгированная механическая вентиляция легких и трахеостомия
Прогнозирование потребности в пролонгированной искусственной вентиляции легких может помочь в размещении трахеостомической трубки, стратегии отлучения от груди и планировании размещения. Parreco et al. 40 использовали данные из базы данных многопараметрического интеллектуального мониторинга в интенсивной терапии III (MIMIC III) для создания классификатора для прогнозирования длительной механической вентиляции (т. е. > 7 дней) и размещения трахеостомической трубки.Модель дерева решений с градиентным усилением была обучена с использованием доступных демографических, диагностических, лабораторных и других клинических данных. В целом, эффективность классификаторов в целом была хорошей, а площадь под кривой рабочей характеристики приемника составила 0,852 ± 0,017 и 0,869 ± 0,015 для длительной ИВЛ и трахеостомии соответственно. Однако в обоих случаях чувствительность классификаторов была низкой и составила 47,8% и 26,8% для пролонгированной вентиляции и трахеостомии соответственно. Таким образом, клиническая полезность настоящей модели неясна.Кроме того, неясно, превосходят ли эти результаты предсказания лечащего врача. Например, если пациент поступает в ОИТ со значительной дисфункцией легочной системы (определяемой чем-то вроде оценки LODS, / и т. д.), большинство клиницистов ОИТ согласятся, что такой пациент, вероятно, будет находиться на ИВЛ более 7 дней. . 41 Работа в этой области должна быть сосредоточена на выявлении пациентов, которые не должны находиться на аппарате ИВЛ в течение длительного времени, но у которых впоследствии развивается дыхательная недостаточность и требуется более длительный уход.Например, дальнейшая работа в этой области должна помочь выявить пациента, отправленного в отделение интенсивной терапии на аппарате искусственной вентиляции легких после плановой хирургической процедуры, который, как ожидается, будет экстубирован в течение 24 часов, но у которого развилась серьезная дыхательная недостаточность, не позволяющая бригаде отделения интенсивной терапии быстро отключить вентилятор, провести оценку готовности к экстубации и экстубировать пациента.
Отлучение от груди и экстубация
Отличительной чертой искусственной вентиляции легких является проведение теста на готовность к экстубации и связанных с ним методов.Несмотря на ряд клинических усилий по повышению эффективности практики отлучения от груди и экстубации, ряд проблем все еще остается. 42 В когорте новорожденных Mueller et al. 43 сравнили эффективность стандартной прикроватной практики с искусственной нейронной сетью (ИНС), которая включала 13 клинических параметров для классификации готовности к экстубации. Модель экстубации ИНС достигла площади под кривой рабочей характеристики приемника 0,87. Важно отметить, что этот результат не сильно отличался от стандартной клинической практики.Одна из интерпретаций этих результатов заключается в том, что модель ANN не нужна. Однако, если бы автоматический классификатор экстубации работал так же хорошо, как стандартная помощь, это могло бы освободить клиницистов для выполнения других задач. После расширения этой работы авторы пришли к выводу, что прогнозы врачей превзошли модель ИНС. 44 Hsieh et al. 45 провели аналогичное исследование на взрослой популяции и отметили, что показатели превосходили индекс быстрого поверхностного дыхания. Prasad et al. 46 предложили подход, основанный на данных, для оптимизации отлучения от ИВЛ.Они использовали процесс принятия решений по Маркову для госпитализации пациентов, чтобы определить репрезентации состояния пациента, и они применили метод обучения с подкреплением, который изучил простой протокол отлучения от вентилятора на основе исторических данных. Хотя в документе рассматривается ряд проблем, необходима дальнейшая работа для проверки этих результатов в перспективе и для надлежащего сравнения эффективности новой извлеченной политики и стандартной практики.
Сепсис
Сепсис представляет собой опасное для жизни состояние, которое требует своевременной диагностики и лечения для предотвращения повреждения тканей, недостаточности органов и смерти.Сепсис является основной причиной ОРДС примерно в 70% всех случаев и часто требует ИВЛ. 47 Однако сепсис часто не распознается до более поздних стадий, когда симптомы становятся тяжелыми.
Nemati et al 48 проанализировали большую группу субъектов и обучили модель машинного обучения, которая включала как демографическую информацию, так и характеристики временных рядов, для прогнозирования риска сепсиса за 12 часов до постановки диагноза. Площадь под кривой рабочей характеристики приемника равнялась 0.83 (чувствительность 0,85, специфичность 0,67). В когорте детей в критическом состоянии Kamaleswaren et al. 49 использовали ряд методов машинного обучения (например, логистическую регрессию, случайные леса, глубокие сверточные нейронные сети) для определения физиологических маркеров из данных временных рядов для выявления субъектов с сепсисом. Модели, использующие сверточные нейронные сети, обеспечили наилучшую чувствительность и специфичность (81% и 76% соответственно). Важно отметить, что авторы предоставили некоторую степень объяснимости в своей работе и сообщили, что основными функциями, включенными в модель, были стандартное отклонение диастолического артериального давления и средняя частота сердечных сокращений.
Прогнозирование смертности в отделении интенсивной терапии
Calvert et al. 50 описали многомерный анализ клинических исходных данных для получения оценки риска смертности для пациентов, поступивших в отделение интенсивной терапии. Используя только 8 общих клинических факторов, обнаруженных в электронной медицинской карте, они сообщили, что результаты их алгоритма AutoTriage имеют площадь под кривой рабочей характеристики приемника 0,88 и чувствительность 80%. Эти результаты превзошли другие распространенные шкалы, в том числе модифицированную шкалу раннего предупреждения (MEWS), оценку последовательной органной недостаточности (SOFA) и упрощенную острую физиологическую шкалу II (SAPS II) в популяции, полученной из базы данных MIMIC III (рис.5). 51,52
Рис. 5. Кривая рабочей характеристики приемника
для различных методов прогнозирования летальности в ОИТ. MEWS = модифицированная оценка раннего предупреждения; SOFA = последовательная оценка органной недостаточности; SAPS II = упрощенная острая физиологическая оценка II. Из ссылок 51 и 52, с разрешения.
Советы по началу работы
Для клиницистов и исследователей, незнакомых с методами обработки данных или машинного обучения, задача запуска проекта может оказаться сложной.Действительно, требуется значительная энергия активации для создания необходимого персонала, технических навыков и общих знаний о передовой практике, необходимых для сбора и очистки данных, обучения моделей, анализа производительности и получения обоснованных выводов на основе результатов.
Для тех, кто готов изучать новый язык, вы можете скачать языки программирования и бесплатно получить большое количество обучающих ресурсов онлайн. Два популярных языка включают Python (доступен по адресу https://www.python.org, , по состоянию на 13 апреля 2020 г., ) или R (доступен по адресу https://www.python.org).r-project.org, , по состоянию на 13 апреля 2020 г., ). Python — это бесплатный высокоуровневый язык программирования общего назначения с большой базой поддержки сообщества, которая предлагает решения для обработки данных, статистики, машинного обучения и разработки приложений. R — это бесплатный язык статистических вычислений, который предлагает отличную поддержку для управления большими наборами данных, статистики и машинного обучения. Matlab — это язык технических вычислений, доступный за определенную плату, но его часто можно приобрести в академических учреждениях или в отделах исследовательских вычислений во многих больницах (см.mathworks.com, По состоянию на 13 апреля 2020 г. ; для получения дополнительной информации свяжитесь с вашим персоналом поддержки исследований, чтобы узнать о лицензиях). Matlab предлагает зрелый интерфейс программирования со многими задачами, которые можно выполнить с помощью простого графического интерфейса пользователя; это программное обеспечение имеет хорошую поддержку клиентов, надежные форумы сообщества и способно решать широкий спектр вычислительных задач, включая статистику, машинное обучение, визуализацию данных и многое другое.
Несмотря на то, что публикации, включающие методы машинного обучения, все чаще публикуются в основных клинических журналах, подавляющее большинство статей существует в местах, недоступных для обычного врача отделения интенсивной терапии.Вместо простого поиска на https://PubMed.gov ( , по состоянию на 13 апреля 2020 г., ) используйте такие ресурсы, как Web of Science (обычно доступны в вашем учреждении) и https://scholar.google.com ( , по состоянию на 13 апреля). , 2020 ). Эти веб-сайты предлагают поиск, который включает ряд журналов, не проиндексированных в PubMed, и может помочь найти важные публикации.
В идеале у человека уже должен быть большой набор данных о пациентах из его собственного учреждения, готовый для анализа.Действительно, большая часть времени, посвященного проекту в области больших данных или искусственного интеллекта, будет посвящена компиляции, очистке и иной подготовке ваших данных для анализа. Хотя это должно быть приоритетом, есть несколько высококачественных наборов данных, доступных для общественности, которые можно использовать для начала работы. Медицинская информационная витрина для интенсивной терапии (MIMIC-III) — это свободно доступная база данных интенсивной терапии, которая содержит > 60 000 госпитализаций в отделения интенсивной терапии и включает демографические данные и данные о пациентах (например, лабораторные данные, данные о лекарствах и другие медицинские данные). 53 База данных была разработана в лаборатории вычислительной физиологии Массачусетского технологического института.
Future Direction
В ближайшее время ведение тяжелобольных пациентов в отделении интенсивной терапии не будет полностью автоматизировано. На момент написания этой статьи не существовало серебряной пули машинного обучения, которая собирала бы данные и выдавала 100% точные клинические прогнозы. Действительно, ряд публикаций, обсуждаемых в этой статье, предлагают уровни точности, которые не очень впечатляют; во многих статьях сообщается о площади под кривой рабочей характеристики приемника в диапазоне 0.7–0,8. В свете этого у нас может возникнуть соблазн сделать вывод, что искусственный интеллект действительно не работает в отделении интенсивной терапии. Однако это, скорее всего, связано с ограниченными данными, доступными для модели, а не с неспособностью модели работать. Очень важно предоставить исчерпывающий набор данных, который содержит как можно больше информации для описания клинических состояний. Если набор данных содержит переменные, которые составляют только 25% информации, доступной клиницистам, неудивительно, что клиницисты могут делать более точные прогнозы, чем модели.Поскольку отделения интенсивной терапии все чаще внедряют системы, которые непрерывно собирают данные от аппаратов искусственной вентиляции легких и физиологических мониторов, а также расшифровывают лабораторные данные, данные визуализации и информацию из клинической документации в режиме реального времени, мы должны увидеть улучшения в производительности модели по мере включения этих факторов. Означает ли это, что все будущие исследования должны включать машинное обучение? Конечно нет. Всегда следует отдавать предпочтение самому простому решению, и во многих случаях будет достаточно традиционных анализов. Тем не менее, прикладное машинное обучение, благодаря своей способности выявлять сложные нелинейные отношения между переменными и обеспечивать прогнозирование важных клинических событий, станет важным инструментом для тех, кто занимается исследованиями, улучшением качества и повседневной работой отделения интенсивной терапии. рабочий процесс.
Вместо того, чтобы просто делать прогнозы с помощью модели машинного обучения, будущая работа должна быть сосредоточена на предоставлении помощи в принятии решений лечащим врачам. Например, предположим, что мы хотим разработать модель для прогнозирования успеха экстубации, которая не потребует от респираторных терапевтов ручного проведения теста на готовность к экстубации. Клинические данные записываются, а случаи помечаются. В настоящее время многие команды пытаются построить модель прогнозирования, которая классифицирует пациента как просто успешного или неуспешного.Однако, если эта модель не работает с потрясающей точностью, ни один здравомыслящий клиницист не станет ей доверять, и она не будет реализована. Скорее, мы должны предлагать прогнозы, которые позволяют клиницистам включать клиническое суждение. Таким образом, модель будет генерировать прогноз и маркировать пациента как прогнозируемого для успешной экстубации, но модель также будет описывать вероятность успеха (например, 88% вероятность успешной экстубации). Теперь клиницист наделен полномочиями. Эта модель может определить, что этот пациент подходит для экстубации раньше, чем это обычно распознается.Клиническая бригада также может решить, достаточно ли вероятности 88% для этого пациента в настоящее время. Для пациентов с низким риском, которые имеют простую интубацию или которые, вероятно, перенесут неинвазивную вентиляцию в случае необходимости, возможно, они могут быть экстубированы на этом уровне вероятности. Для пациентов с повышенным риском, таких как пациенты с трудными дыхательными путями или те, кто не переносит неинвазивную вентиляцию легких, возможно, лечащей бригаде следует подождать до экстубации.
В целом, искусственный интеллект и большие данные становятся важной частью респираторной литературы.По мере внедрения зрелых систем сбора данных эти методы можно применять для создания инструментов поддержки принятия решений, чтобы предоставить информацию прикроватным клиницистам, но нам еще предстоит пройти долгий путь.
Обсуждение
Фам.:
Что касается конфиденциальности пациентов и всех этих вопросов, существует ли план международного соглашения о том, как мы можем получить все эти данные, поступающие от пациентов? У меня такое ощущение, что сейчас так много носимых устройств, телефон в вашем кармане, у каждого есть много данных о вас, но когда вы хотите провести исследование и собрать его о пациентах, получить согласие пациента или лица, осуществляющего уход, намного сложнее. для сбора данных.Даже если он анонимный.
Смоллвуд:
Хороший вопрос. Просто получить данные в свои руки важно, а иногда и сложно. Я думаю, что одна из лучших вещей, которые мы можем сделать, чтобы добиться успеха, — это максимально использовать то, что у вас есть сейчас. Таким образом, вместо того, чтобы начинать с мирового стандарта для всех медицинских данных, мы разрабатываем ретроспективное исследование в отдельном отделении интенсивной терапии, возможно, расширим его до партнерства с некоторыми отделениями интенсивной терапии, у которых есть доступ к аналогичным данным, и начнем с этого. Чтобы получить доступ к базе данных SQL, в которой скрыто много этой информации, может потребоваться очень хорошая дружба с вашим отделом информационных служб.Я знаю, что в моем учреждении у нас есть целое ядро людей, обученных SQL, которые приходят и работают со мной над извлечением важной информации, необходимой мне для исследования. Мне также удалось получить доступ к базе данных для избранных проектов. Путь IRB к этому тоже не так уж сложен. Я должен пройти проверку в своем отделе, но как только я это сделаю, он будет освобожден от IRB, потому что это все ретроспективные данные, поэтому реального риска нет, если я хорошо справляюсь с защитой частной медицинской информации.Что касается вашего вопроса о проработке пути получения медицинских данных, нам, безусловно, нужно лучше объединить данные об устройствах, записи о приеме лекарств и другие сведения из карты пациента в одном месте. Одна из сложностей — сопоставить состояния, которые известны этому пациенту в любой момент времени, потому что кодирование, используемое для выставления счетов, не оптимизировано для ухода за пациентом; он оптимизирован для выставления счетов. Я могу извлечь код МКБ-10 для респираторного дистресса, но если есть какой-то другой код, который будет более подходящим для получения максимального возмещения по этому вопросу, я могу упустить некоторую информацию.Объединение этого с другой информацией, физиологическими данными и т. д., безусловно, может начать решать проблему, но я думаю, что в целом мы увидим увеличение количества «вычислимых фенотипов» для состояний, которые мы наблюдаем в отделении интенсивной терапии. По сути, это какой-то стандартный, воспроизводимый метод получения информации и присвоения этому пациенту некоторых деталей, важных как для клинических, так и для исследовательских целей. Возникнет целый ряд проблем, связанных с переходом от чисто ретроспективного исследования информации к последующему сбору данных для проверки, будет ли это разумно делать во всех случаях, это следует учитывать и может потребовать изменений в том, как мы соглашаемся с людьми. для ухода в отделении интенсивной терапии, безусловно, на столе.
Голигер:
Это действительно интересная и быстро развивающаяся область, как вы указали, и за ней действительно сложно уследить, поэтому я очень ценю то, как вы потратили время на определение терминов и разъяснение базовой механики машинного обучения, это было чрезвычайно полезный. У меня к вам вопрос: существует ли какая-либо наука, которая поддерживает идею о том, что машинное обучение действительно улучшает нашу способность прогнозировать по сравнению с обычными регрессионными моделями? Я уже 3 раза пытался изучить машинное обучение, и во всех 3 случаях мы не смогли улучшить нашу прогностическую эффективность с помощью этих очень продвинутых методов машинного обучения.Это разочаровывает; очевидно, что это не волшебная пуля, если у вас нет необходимой информации, у вас нет необходимой информации. Но мне интересно, знаете ли вы о систематическом обзоре или чем-то подобном, в котором была выявлена доля случаев, когда эти новые методы действительно улучшают нашу способность различать интересующие результаты?
Смоллвуд:
Я думаю, что это один из самых важных моментов принятия этого в сообществе медицинских исследований. Я сам провел эксперимент, я сказал: «Отлично, нейронные сети звучат потрясающе, они будут учиться лучше, чем я, выявляя вещи, о существовании которых я никогда не знал, и, по сути, все наши проблемы».Что я решил сделать, так это предсказать выведение углекислого газа и расход энергии в когорте тяжелобольных субъектов, находящихся на искусственной вентиляции легких. Я очистил данные, у меня было что-то вроде 5 или около того переменных-предикторов, популяция хорошего размера, и я приступил к обучению, оптимизации, настройке гиперпараметров, переобучению и повторной оптимизации нейронной сети. Получилось ужасно. Я обнаружил, что могу намного лучше сочетать то, что считал важным в отношении пациентов, и то, что я знал о физиологии, и в итоге получил гораздо лучшую модель прогнозирования.Из этого я узнал, что нельзя просто сказать, что машинное обучение лучше. На самом деле речь идет о том, чтобы добавить эти навыки в наш набор инструментов и понять, когда и как они могут предложить нам превосходные идеи или прогнозирование в определенных случаях. Между прочим, ученый-компьютерщик сказал бы, что линейная регрессия — это технически машинное обучение. Но возьмем, к примеру, линейную регрессию. Вы проводите эксперимент и хотите описать взаимосвязь между переменной X и измерением Y. Вы применяете линейную регрессию и не получаете хорошего значения R 2 .Вините ли вы в этом линейную регрессию? Нет. Вы просто пришли бы к выводу, что данные не соответствуют этой модели, и продолжили бы поиск лучшей модели. Вы можете представить множество случаев, когда это было бы так. Я думаю, что одна из особенностей машинного обучения заключается в том, что оно хорошо выявляет нелинейные закономерности в данных. Но для того, чтобы он научился, ему нужно чертовски много данных, и намного больше, чем обычно собирается для чего-то вроде пилотного исследования. Огромный объем данных, необходимых для того, чтобы система действительно работала так, как она должна работать, может оказаться за пределами практической возможности одного учреждения.Это, конечно, не всегда так, но на это стоит обратить внимание.
Lamberti:
Я хотел бы отослать вас к недавнему исследованию Чикагского университета, в котором машинное обучение использовалось для улучшения клинического прогнозирования смерти, остановки сердца или перевода пациентов в отделения интенсивной терапии. 1 Стандартный регрессионный анализ с использованием основных показателей жизнедеятельности для определения риска клинического ухудшения показал, что площадь под кривой рабочей характеристики приемника (AUC) составляет 0,74.Они использовали машинное обучение (случайный лес) и затем смогли улучшить AUC до 0,80. Машинное обучение действительно улучшило клиническую прогностическую ценность. Но имеет ли клиническое значение изменение AUC на 0,06?
Смоллвуд:
В NEJM 2 также есть обзор, в котором рассматривается не обязательно весь спектр машинного обучения, но общие способы, которыми мы думаем о проблемах и некоторых ограничениях машинного обучения.
Schmidt:
Предположим, у вас есть действительно хороший прогностический инструмент. Думали ли вы о некоторых последующих проблемах, кто это увидит, кто будет действовать в соответствии с этим, как это будет интегрировано с текущими моделями оказания помощи?
Смоллвуд:
Хороший вопрос: у нас есть нечто прекрасное, но мы не можем его использовать.Я думаю, что это будет настоящей проблемой, когда мы будем двигаться вперед. Я думаю, что большинство отделений интенсивной терапии еще не подошли к этой проблеме, но мы определенно приближаемся к ней. Как и любая другая технология, которую мы приобретаем в больнице, принятие и использование должны быть первым, о чем мы должны думать. Мы можем купить действительно отличный монитор, способный применять расширенное прогностическое моделирование для наших пациентов, но если люди не обучены, не доверяют ему и, следовательно, не используют его на самом деле, или если предупреждения бесполезны. врачам, то все напрасно.Ваша точка зрения очень хорошо принята, что гораздо больше внимания должно быть уделено фактической науке о реализации самой модели поддержки принятия решений, а не просто созданию действительно отличного инструмента. Это, безусловно, потребует участия высокого уровня в больнице для настройки вычислительной инфраструктуры, необходимой для сбора, анализа и предоставления предупреждений в поддержку принятия решений, и это, безусловно, сложная задача, но я считаю, что в конечном итоге она может быть оправдана.
Goligher:
Одним из важных ограничений всего этого бизнеса является тот факт, что вы можете ретроспективно, особенно с помощью неконтролируемых методов, идентифицировать группы пациентов.Тип парадигмы, о которой я думаю, — это основополагающая работа Калфи о субфенотипах ОРДС. 3-5 И каждый раз, когда они обращаются к новому набору данных, они могут идентифицировать эти субфенотипы, которые постоянно выглядят как гипер- и гиповоспалительные субфенотипы. Проблема в том, что они не могут на самом деле пойти в отделение неотложной помощи и посмотреть на пациента, у которого впервые диагностирован ОРДС, и решить, к какой группе он относится. Невозможно проспективно классифицировать пациентов, это всегда ретроспективный неконтролируемый анализ ранее собранных данных. .Для того, чтобы попытаться реально решить эту проблему, вам все еще нужно иметь основанные на теории тесты, основанные на гипотезах, которые думают о том, «какие основные механизмы заставят пациента принадлежать к той или иной группе?», или пытаются разработать предполагаемые способы классификации пациентов. Мне кажется, что мы можем идентифицировать подгруппы, но тогда задача сделать это полезным в отношении точки зрения Крейга остается важной проблемой, которую необходимо решить.
Смоллвуд:
Это очень хорошо сказано, и я думаю, что в основном придется решить эту проблему для различных применений.В общем, любой алгоритм кластеризации будет наиболее полезным ретроспективно и может генерировать гипотезы. С другой стороны, ряд регрессионных моделей машинного обучения в большей степени предназначен для прогнозирования и лучше подходит для поддержки принятия решений у постели больного. В контексте субфенотипов ОРДС и классификации пациентов почти в реальном времени. Следующим шагом может быть разработка исследования, в котором группы, выявленные в результате кластеризации, помечены цифрами 1 и 2. Возьмите некоторые клинические данные, доступные на момент поступления в отделение неотложной помощи, и примените алгоритм регрессии, такой как машина опорных векторов, и попытайтесь предсказать любой класс. 1 или 2 класса.Таким образом, проект развивается от выявления групп, которые не были клинически очевидны, отмечая некоторые важные клинические причины, по которым они могут лучше или хуже реагировать на лечение, а затем прогнозируя этот класс на основе доступных данных. Но на каком-то этапе все сведется к проектированию всей вашей инфраструктуры данных для клинического применения этих моделей, потому что до этого момента мы на самом деле не проектировали наши мониторы, наши информационные системы, наши электронные медицинские карты для получения информации, ее обработки. , а затем выплевывая полезную рекомендацию.Это просто не так, как это было разработано. В офисе какого-нибудь специалиста по обработке данных он или она может провести месяцы за ретроспективным анализом, а вы можете позволить компьютеру наблюдать за одним пациентом в течение нескольких часов, и это не имеет значения. Нет никакой спешки. Но в отделении интенсивной терапии нам нужно быть намного быстрее. Одна из вещей, над которой я пытаюсь работать в своем учреждении, — это разработка, по крайней мере, в отделении интенсивной терапии, механизма, который позволяет информации быть доступной для ряда приложений, будь то для исследований, сторонних приложений, пользовательских алгоритмов. , так далее.Нам нужен способ передать эту информацию лечащему врачу. Мне больно видеть хороший результат на бумаге и не иметь возможности воплотить его в жизнь у постели больного.
Бланш:
Все это для меня должно быть сделано в соответствии с гипотезой, которую вы пытаетесь решить. А затем вы создаете инструменты для ответа на вопрос. Мы понимаем, что, например, в сигналах происходят события, которые могут быть важными, но до сих пор не диагностированы. При использовании контролируемого машинного обучения необходимы физиологические знания.Информация в больших базах данных отделений интенсивной терапии сложна и может быть неполной или поврежденной и требует контроля и моделирования для повышения качества. Это огромная проблема, как вы сказали.
Смоллвуд:
Вы затронули пару хороших моментов, Луис. Одним из них является цикл хайпа. Мы наблюдаем это постоянно, и не только в медицинских технологиях. Это выглядит примерно так. Внедряются новые технологии, и возникает большое волнение: «Эта новая технология решит все наши проблемы!» Но это не так.Нам нужно понять это, иметь четкое представление о проблеме, с которой мы столкнулись, и внедрять эту новую технологию вдумчиво и систематически. Я знаю, что моя презентация и предстоящая статья звучат так, будто я фанатик больших данных и машинного обучения, но, честно говоря, это не так, и я в основном согласен с вашей точкой зрения, доктор Бланч. Однако я верю, что машинное обучение вместе с клиницистами и вложенными и знающими исследователями на самом деле решит ряд важных проблем.Тем не менее, мы всегда должны предпочесть более простое решение проблемы сложному. Во многих случаях нам могут вообще не понадобиться сложные алгоритмы, и это вполне уместно. Но я думаю, что в ряде случаев мы обнаружим, что стандартные методы, которые все мы видели в медицинской литературе на протяжении десятилетий, будут признаны недостаточными, и мы поступим правильно, если нам будут доступны большие данные и навыки машинного обучения. Я считаю, что одна из возможностей, которые у нас есть, заключается в том, чтобы лучше выявлять проблемы на основе данных о результатах.Действительно, я борюсь с собой. Часто то, как мы выбираем область для изучения, основано на личном интересе или, может быть, ваш главный или медицинский директор говорит, что нам нужно поработать над этой проблемой. Много времени, которое может сработать просто отлично. Но что, если бы наши области улучшения определялись данными и основывались на автоматизированной оценке результатов? Я думаю, что новой областью будет сочетание автоматизированной оценки результатов с методологиями больших данных, чтобы определить области нашей практики, которые нуждаются в улучшении.Это будет включать в себя учет того, насколько сильно это повлияет на заболеваемость и смертность пациентов, стоимость ухода, а также насколько практично наше предполагаемое решение для реализации у постели больного.
Уолш:
Крейг, не могли бы вы поделиться с нами, в вашем идеальном мире, где все подключены и данные чисты, как вы могли бы потенциально извлечь выгоду из реальных экспериментов, которые происходят ежедневно, которые мы называем медицинской практикой? У нас есть режимы вентиляции, у всех нас есть предубеждения относительно вещей, которые мы считаем важными и менее важными.Если бы мы смогли получить все эти данные, не могли бы вы поделиться с нами, что бы это значило?
Смоллвуд:
Я расскажу историю, иллюстрирующую это. Я работаю в детской реанимации. Я считаю смертность от ОРДС относительно низкой по сравнению со взрослыми. Если вы посмотрите на литературу, это около 18%. Если вы зададите простой вопрос, в любой момент времени, какова наша смертность в отделении интенсивной терапии? И как мы можем сравниться со всеми остальными? Нет простого способа сделать это. В одном и том же учреждении существуют разные базы данных, каждая из которых создается по разным причинам, но собирает одни и те же данные.В одной базе данных вы можете 33% смертности. Если я доверяю этой цифре, то тревожные звоночки должны прозвучать, потому что на поверхности все намного хуже, чем ожидалось. Конечно, есть ряд вещей, которые нам нужны для оценки неправильной диагностики ОРДС легкой и средней степени тяжести, тяжести заболевания и некоторых других факторов, которые могут изменить мою интерпретацию сравнения этих двух цифр. Итак, № 1, могу ли я доверять этой информации, и № 2, если я могу, я изучаю данные и изучаю, что, возможно, привело к таким результатам.Я думаю, что это исследование не обязательно связано с машинным обучением, оно скорее связано с интеллектуальным анализом данных, но, тем не менее, необходимо. Но что касается вашего вопроса, Брайан, давайте предположим, что мы все выяснили, мы доверяем данным, ряд различных учреждений применяют одни и те же методологии. Что дальше? Я бы хотел увидеть когорты пациентов, у которых был благоприятный исход, и изучить факторы, связанные с этим. В некоторых случаях это может быть просто тяжесть заболевания или какой-то скрытый фенотип, который ранее не распознавался.Но что, если мы заметим некоторые различия в уходе? Я думаю, что это будет генерировать гипотезы. И прелесть этого подхода в том, что эти гипотезы могли быть неочевидными до выполнения этого упражнения. Это может дать информацию для разработки алгоритмов, основанных на лучших результатах и используемых в перспективе. Конечно, предварительная оценка будет важна, прежде чем мы докажем себе, что мы действительно улучшили уход. В общем, я думаю, что это должно быть легко в один прекрасный день. Сейчас это не так. Но это то, что я хотел бы видеть в будущем.
Бланш:
Другое дело, что в прошлом отношения между учреждениями здравоохранения, научными кругами и промышленностью были достаточно налажены. Но теперь кажется, что есть некоторое совпадение, и крупные игроки, такие как Apple или Google, являются новыми действующими лицами. Я хотел бы узнать ваше мнение о том, как нам работать или регулировать интеллектуальную собственность с этими крупными игроками.
Смоллвуд:
Я думаю, все сводится к тому, как в рамках закона мы можем улучшить уход за пациентами. В прошлом был весь этот механизм, как лучше построить механизм чувствительности, чтобы сделать запуск НИВЛ более удобным для пациентов.У меня в учреждении нет механизма, чтобы построить это и применить к нашим пациентам. Что вам нужно сделать, так это тесно сотрудничать с разработчиком или компанией, которая произвела это устройство, пройти весь путь проверочных экспериментов, пройти весь нормативный путь, чтобы получить его одобрение, а затем фактически применить его к пациентам в отделении интенсивной терапии. Что хорошо в этом, так это то, что все сотрудничество — это то, где проведены линии. Но когда мы говорим о машинном обучении, мы делаем все возможное для клинических улучшений и изменений в уходе, которые не требуют от нас прохождения FDA.И где какая-то модель, которая говорит мне изменить или сделать что-то другое с пациентом на ИВЛ, остается? Могу ли я просмотреть свою собственную информацию в своей больнице, оптимизировать какую-то модель, а затем продвигать ее как клиническую инициативу? Мне даже нужно идти в FDA? Если я это сделаю, то вы можете подумать, с кем сотрудничать, и быстро изменить это на всем пути регулирования. Но мне не обязательно ясно, что это будет иметь место в 100% случаев. Я хотел бы видеть механизм в отдельных учреждениях, где у нас есть группа людей, которые следят за тем, чтобы алгоритм продемонстрировал надежность, точность данных и данные, демонстрирующие его превосходство над текущей клинической практикой.Это ничем не отличается от научного наблюдательного совета или комитета по качеству, оценивающего новое руководство. Ключевым отличием будут дополнительные знания, необходимые для того, чтобы задавать обоснованные вопросы о технической производительности алгоритма, надежности данных и т. д. Эти навыки в настоящее время находятся за пределами среднего комитета по улучшению качества. Могут быть случаи, когда это неуместно и потребуется более широкое федеральное регулирование, но в целом, я думаю, мы увидим это в будущем.Но регулирование обычно следует за инновациями, поэтому нам придется посмотреть, что произойдет.
Сноски
Вариант этой статьи был представлен на 58-й конференции журнала Respiratory Care Journal, которая состоялась 10–11 июня 2019 г. в Санкт-Петербурге, Флорида.
Доктор Смоллвуд раскрыл отношения с Capsule Technologies.
Пациенты с Covid-19 чрезмерно используют ИВЛ, говорят врачи дыхательных аппаратов для пациентов с Covid-19, заявив, что большое количество пациентов можно лечить менее интенсивной респираторной поддержкой.
Если иконоборцы правы, перевод пациентов с коронавирусом на аппараты ИВЛ может принести мало пользы многим, а некоторым даже навредить.
Причиной этой переоценки является сбивающее с толку наблюдение о Covid-19: у многих пациентов уровень кислорода в крови настолько низок, что они должны быть мертвы. Но они не хватают ртом воздух, их сердце не бьется, а их мозг не выказывает никаких признаков того, что он моргает от нехватки кислорода.
реклама
Это заставляет врачей интенсивной терапии подозревать, что уровень кислорода в крови, который на протяжении десятилетий определял решения о поддержке дыхания у пациентов с пневмонией и острой респираторной недостаточностью, может вводить их в заблуждение относительно того, как ухаживать за пациентами с Covid-19.В частности, все больше беспокоит использование интубации и аппаратов искусственной вентиляции легких. Они утверждают, что больше пациентов могли бы получать более простую, неинвазивную респираторную поддержку, такую как дыхательные маски, используемые при апноэ во сне, по крайней мере, в начале и, возможно, на протяжении всего заболевания.
«Я думаю, что мы действительно сможем поддерживать часть этих пациентов» с помощью менее инвазивной поддержки дыхания, — сказал Сохан Джапа, врач внутренних болезней бостонской больницы Brigham and Women’s Hospital.«Я думаю, что мы должны быть более детальными в отношении того, кого мы интубируем».
реклама
Это помогло бы уменьшить нехватку аппаратов ИВЛ, настолько острую, что штаты изо всех сил пытаются их закупить, а некоторые больницы предпринимают беспрецедентный (и в значительной степени непроверенный) шаг, используя один аппарат ИВЛ для более чем одного пациента. И это будет означать, что меньше пациентов с Covid-19, особенно пожилых, будут подвергаться риску долгосрочных когнитивных и физических последствий седативных средств и интубации при подключении к аппарату искусственной вентиляции легких.
Ничто из этого не означает, что вентиляторы не нужны во время кризиса Covid-19 или что больницы ошибаются, опасаясь их нехватки. Но по мере того, как врачи узнают больше о лечении Covid-19 и ставят под сомнение старые догмы о кислороде в крови и необходимости в вентиляторах, они могут заменить более простые и широко доступные устройства.
Уровень насыщения кислородом ниже 93% (норма составляет от 95% до 100%) долгое время считался признаком потенциальной гипоксии и надвигающегося повреждения органов. До Covid-19, когда уровень кислорода падал ниже этого порога, врачи поддерживали дыхание своих пациентов с помощью неинвазивных устройств, таких как постоянное положительное давление в дыхательных путях (CPAP, устройство для остановки дыхания во сне) и двухуровневые вентиляторы с положительным давлением в дыхательных путях (BiPAP).Оба работают через трубку в маске для лица.
При тяжелой пневмонии или острой дыхательной недостаточности, не связанной с Covid-19, или если неинвазивные устройства недостаточно повышают уровень кислорода, врачи интенсивной терапии обращаются к механическим вентиляторам, которые нагнетают кислород в легкие с заданной скоростью и силой: врач рассказывает 10-дюймовая пластиковая трубка вводится в горло пациента и в легкие, присоединяется к аппарату искусственной вентиляции легких и вводит сильное и продолжительное седативное средство, чтобы пациент не мог бороться с ощущением невозможности дышать самостоятельно.
В этом видео мы рассмотрим, как работают аппараты ИВЛ и как они используются для лечения пациентов с Covid-19.
Но поскольку у некоторых пациентов с Covid-19 уровень кислорода в крови падает до редко встречающихся уровней, до 70 и даже ниже, врачи интубируют их раньше. «Данные из Китая свидетельствуют о том, что ранняя интубация предотвратит отказ сердца, печени и почек пациентов с Covid-19 из-за гипоксии», — сказал опытный врач скорой помощи. «Это было все, что привело к принятию решений о поддержке дыхания: вырубить их и поставить на искусственную вентиляцию легких.
Безусловно, многие врачи начинают с простого. «Большинство больниц, в том числе и наша, в первую очередь используют более простые, неинвазивные стратегии», включая устройства для остановки дыхания и даже назальные канюли, — сказал Грег Мартин, врач интенсивной терапии в Медицинской школе Университета Эмори и избранный президент Общества реанимации. . (Носовые канюли представляют собой трубки, два штыря которых удерживаются под ноздрями резинкой и доставляют воздух в нос.) «Это не требует седативных средств, и пациент [остается в сознании и] может участвовать в лечении.Но если насыщение кислородом становится слишком низким, вы можете увеличить подачу кислорода с помощью искусственной вентиляции легких».
Вопрос в том, не слишком ли быстро врачи отделения интенсивной терапии переводят пациентов на искусственную вентиляцию легких. «Почти все дерево решений определяется уровнем насыщения кислородом», — сказал врач скорой помощи, попросивший не называть его имени, чтобы не показаться критикующим коллег.
Это вполне разумно. У пациентов, подключенных к аппаратам ИВЛ из-за пневмонии, не связанной с Covid-19, или острого респираторного дистресс-синдрома, уровень кислорода в крови около 80 может означать неминуемую смерть, и у них нет места для неинвазивной поддержки дыхания в течение большего времени для работы.Врачи используют свой опыт работы с аппаратами ИВЛ в таких ситуациях, чтобы направлять свою помощь пациентам с Covid-19. Проблема, как сказал на этой неделе Medscape врач-реаниматолог Кэмерон Кайл-Сайделл, заключается в том, что, поскольку американские врачи никогда не сталкивались с Covid-19 до февраля, они основывают клинические решения на условиях, которые не могут быть хорошими ориентирами.
«Тяжело переключать пути, когда поезд движется со скоростью миллион миль в час, — говорит Кайл-Сайделл, работающая в больнице Нью-Йорка. «Это может быть совершенно новое заболевание», что делает протоколы ИВЛ, разработанные для других состояний, далеко не идеальными.
Однако по мере того, как врачи узнают больше об этой болезни, как передовой опыт, так и несколько небольших исследований заставляют его и других задаваться вопросом, как и как часто механические вентиляторы используются для Covid-19.
Первая партия доказательств касается того, как часто машины не помогают. «Вопреки представлению о том, что если тяжелобольных пациентов с Covid-19 лечить с помощью ИВЛ, они будут жить, а если нет, то умрут, на самом деле все обстоит иначе», — сказала врач-гериатр и паллиативщик Мюриэль Гиллик из Гарвардской медицинской школы. .
Исследователи из Уханя, например, сообщили, что из 37 тяжелобольных пациентов с Covid-19, подключенных к аппаратам искусственной вентиляции легких, 30 умерли в течение месяца. В американском исследовании пациентов в Сиэтле выжил только один из семи пациентов старше 70 лет, подключенных к аппарату искусственной вентиляции легких; только 36% тех, кто моложе 70 лет, сделали. А в исследовании, опубликованном JAMA в понедельник, врачи в Италии сообщили, что почти 90% из 1300 тяжелобольных пациентов с Covid-19 были интубированы и подключены к аппарату искусственной вентиляции легких; только 11% получали неинвазивную вентиляцию легких.Четверть умерла в отделении интенсивной терапии; 58% все еще находились в отделении интенсивной терапии, а 16% были выписаны.
Пожилые пациенты, которые выживают, рискуют необратимыми когнитивными и респираторными нарушениями из-за сильной седации в течение многих дней, если не недель, и из-за интубации, сказал Гиллик.
Безусловно, сама потребность в аппаратах ИВЛ у пациентов с Covid-19 предполагает, что многие из участников исследований были настолько тяжело больны, что их шансы на выживание были низкими, независимо от того, какую помощь они получали.
Но одно из самых серьезных последствий Covid-19 предполагает еще одну причину, по которой вентиляторы не более полезны.При остром респираторном дистресс-синдроме, который возникает в результате разрушения легких иммунными клетками и убивает многих пациентов с Covid-19, воздушные мешки легких заполняются липкой желтой жидкостью. «Это ограничивает перенос кислорода из легких в кровь, даже когда кислород подается с помощью аппарата», — сказал Гиллик.
По мере того, как пациенты ухудшаются, протоколы, разработанные для других респираторных заболеваний, требуют увеличения силы, с которой вентилятор доставляет кислород, количества кислорода или скорости доставки, пояснила она.Но если кислород вообще не может попасть в кровь из легких, эти меры, особенно большая сила, могут оказаться вредными. Высокий уровень кислорода повреждает воздушные мешочки легких, в то время как высокое давление, чтобы нагнетать больше кислорода, повреждает легкие.
Связанный:
Система распределения дефицитных аппаратов ИВЛ и коек в отделениях интенсивной терапии набирает обороты, поскольку не учитывается ни одна группа
В письме, опубликованном на прошлой неделе в Американском журнале респираторной и реаниматологической медицины, исследователи из Германии и Италии заявили, что их пациенты с Covid-19 не похожи ни на кого другого с острым респираторным дистресс-синдромом.Их легкие относительно эластичны («уступчивы»), что является признаком здоровья, «что резко контрастирует с ожиданиями тяжелого ОРДС». Их низкий уровень кислорода в крови может быть результатом вещей, которые не исправляют вентиляторы. Таким пациентам требуется «само низкое [давление воздуха] и щадящая вентиляция», — сказали они, выступая против повышения давления, даже если уровень кислорода в крови остается низким. «Нам нужно набраться терпения».
«Нам нужно спросить, используем ли мы вентиляторы таким образом, чтобы это имело смысл при других заболеваниях, но не при этом?» — сказал Гиллик.«Вместо того, чтобы спрашивать, как мы распределяем дефицитный ресурс, мы должны спросить, как нам лучше всего лечить эту болезнь?»
Исследователи и врачи на передовой пытаются. В небольшом исследовании, опубликованном на прошлой неделе в Annals of Intensive Care, врачи, которые лечили пациентов с Covid-19 в двух больницах Китая, обнаружили, что большинству пациентов требуется не более чем носовая канюля. Среди 41%, нуждавшихся в более интенсивной поддержке дыхания, никто не был сразу подключен к аппарату ИВЛ. Вместо этого им дали неинвазивные устройства, такие как BiPAP; их уровень кислорода в крови «значительно улучшился» через час или два.(В конце концов две из семи пришлось интубировать.) Исследователи пришли к выводу, что более удобная назальная канюля так же хороша, как BiPAP, и что золотая середина так же безопасна для пациентов с Covid-19, как и более быстрое использование аппарата ИВЛ.
«Неофициальный опыт из Италии [также предполагает], что они смогли поддержать ряд людей, используя эти [неинвазивные] методы», — сказал Джапа.
Чтобы «узнать больше нюансов о том, кого мы интубируем», как она предлагает, нужно начать с вопроса о значении уровней насыщения кислородом.Эти уровни часто «выглядят более чем ужасно», — сказал Скотт Вайнгарт, врач-реаниматолог из Нью-Йорка и ведущий подкаста «EMCrit». Но многие могут говорить полными предложениями, не сообщают об одышке и не имеют признаков аномалий сердца или других органов, которые могут быть вызваны гипоксией.
«Пациенты передо мной не похожи ни на кого из тех, кого я когда-либо видел», — сказал Кайл-Сайделл Medscape о тех, о ком он заботился в сильно пострадавшей бруклинской больнице. «Они больше походили на высотную болезнь, чем на пневмонию.
Поскольку данных о лечении пациентов с Covid-19 в США почти не существует, медицинские работники слепы, когда дело доходит до ухода за такими сбивающими с толку пациентами. Но, как ни странно, Вайнгарт сказал: «У нас было несколько человек, которые выздоровели и отказались от CPAP или высокопоточной [носовой канюли], которым в прошлом вводили трубки 100 из 100 раз». То, что он называет «реакцией коленного рефлекса» на подключение людей к аппаратам искусственной вентиляции легких, если их уровень кислорода в крови остается низким с помощью неинвазивных устройств, «действительно плохо.… Я думаю, что этим пациентам намного хуже на ИВЛ».
Это могло быть связано с тем, что те, кто был интубирован, были самыми больными, сказал он, «но это не было моим опытом: это усугубляет ситуацию как прямой результат интубации». Высокие уровни силы и уровня кислорода, как для восстановления нормального уровня насыщения кислородом, могут повредить легкие. «Я сделаю все, что в моих силах, чтобы избежать интубации пациентов», — сказал Вайнгарт.
Одна из причин, по которой у пациентов с Covid-19 может быть почти гипоксический уровень кислорода в крови без обычного удушья и других признаков нарушения, заключается в том, что уровень углекислого газа в их крови, который диффундирует в воздух в легких и затем выдыхается, остается низким.Это говорит о том, что легкие все еще выполняют критическую работу по удалению углекислого газа, даже если они изо всех сил пытаются поглощать кислород. Это тоже больше напоминает высотную болезнь, чем пневмонию.
Неинвазивные устройства «могут обеспечить некоторую поддержку дыхания и оксигенации без необходимости использования вентилятора», — сказал врач отделения интенсивной терапии и пульмонолог Лакшман Свами из Бостонского медицинского центра.
Одна проблема, однако, заключается в том, что CPAP и другие аппараты с положительным давлением представляют риск для медицинских работников, сказал он.Устройства выбрасывают аэрозольные частицы вируса в воздух, где любой, кто входит в палату пациента, может их вдохнуть. Интубация, необходимая для механических вентиляторов, также может распылять вирусные частицы, но после этого аппарат представляет собой изолированную систему.
«Если бы у нас был неограниченный запас средств защиты и если бы мы лучше понимали, что на самом деле делает этот вирус с точки зрения аэрозолизации, и если бы у нас было больше комнат с отрицательным давлением, мы могли бы использовать больше» неинвазивного дыхания вспомогательные устройства, сказал Свами.
Машинное обучение для управления механической вентиляцией
Авторы: Даниэль Суо, инженер-программист, и Элад Хазан, научный сотрудник Google Research, от имени команды Google AI Princeton.
Механические вентиляторы обеспечивают критически важную поддержку для пациентов, которые испытывают трудности с дыханием или не могут дышать самостоятельно. Они часто используются в сценариях, варьирующихся от обычной анестезии до интенсивной терапии новорожденных и жизнеобеспечения во время пандемии COVID-19. Типичный вентилятор состоит из источника сжатого воздуха, клапанов для управления потоком воздуха в легкие и из легких, а также «дыхательного контура», который соединяет вентилятор с пациентом.В некоторых случаях пациент, находящийся под седацией, может быть подключен к аппарату ИВЛ через трубку, вставленную через трахею в его легкие, процесс, называемый инвазивной вентиляцией .
Механический вентилятор обеспечивает дыхание пациентов, которые не в состоянии делать это самостоятельно. При инвазивной вентиляции контролируемый источник сжатого воздуха подключается к пациенту, находящемуся под седацией, через трубку, называемую дыхательным контуром.
Как при инвазивной, так и при неинвазивной вентиляции вентилятор следует предписанной врачом форме волны дыхания, основанной на измерении дыхания пациента (т.г., давление в дыхательных путях, дыхательный объем). Чтобы предотвратить вред, эта сложная задача требует как устойчивости к различиям или изменениям в легких пациентов, так и соблюдения желаемой формы волны. Следовательно, аппараты ИВЛ требуют значительного внимания со стороны высококвалифицированных клиницистов, чтобы гарантировать, что их эффективность соответствует потребностям пациентов и что они не вызывают повреждения легких.
Пример кривой дыхания, предписанной врачом (оранжевый) в единицах давления в дыхательных путях и фактического давления (синий), с учетом некоторого алгоритма контроллера.
В разделе «Машинное обучение для управления механической вентиляцией» мы представляем предварительное исследование разработки алгоритма на основе глубокого обучения для улучшения управления аппаратом искусственной вентиляции легких для инвазивной вентиляции. Используя сигналы от искусственного легкого, мы разрабатываем алгоритм управления, который измеряет давление в дыхательных путях и вычисляет необходимые корректировки воздушного потока, чтобы лучше и более последовательно соответствовать заданным значениям. По сравнению с другими подходами мы демонстрируем повышенную надежность и лучшую производительность при меньшем ручном вмешательстве со стороны клиницистов, что позволяет предположить, что этот подход может снизить вероятность повреждения легких пациента.
Текущие методы В настоящее время вентиляторы контролируются с помощью методов, принадлежащих к семейству ПИД-регуляторов (т. е. пропорциональный, интегральный, дифференциальный), которые управляют системой на основе истории ошибок между наблюдаемым и желаемым состояниями. ПИД-регулятор использует три характеристики для управления вентилятором: пропорция («P») — сравнение измеренного и целевого давления; интеграл («I») — сумма предыдущих измерений; и дифференциал («D») — разница между двумя предыдущими измерениями.Варианты PID использовались с 17 века и сегодня составляют основу многих контроллеров как в промышленных (например, управление теплом или жидкостями), так и в бытовых (например, управление давлением эспрессо) приложениях.
ПИД-контроль формирует твердую базовую линию, полагаясь на резкую реактивность Р-контроля для быстрого увеличения давления в легких при вдохе и стабильность I-контроля для задержки дыхания перед выдохом. Тем не менее, операторы должны настраивать вентилятор для конкретных пациентов, часто неоднократно, чтобы сбалансировать «звон» чрезмерно усердного контроля P против неэффективно медленного роста давления в легких доминирующего контроля I.
Существующие методы PID склонны к завышению, а затем и занижению цели (звон). Поскольку пациенты различаются по своей физиологии и могут даже измениться во время лечения, высококвалифицированные клиницисты должны постоянно контролировать и корректировать существующие методы, чтобы избежать такого сильного звона, как в приведенном выше примере.
Чтобы более эффективно сбалансировать эти характеристики, мы предлагаем контроллер на основе нейронной сети для создания набора управляющих сигналов, которые являются более широкими и адаптируемыми, чем элементы управления, генерируемые ПИД-регулятором.
Контроллер вентилятора с машинным обучением Хотя можно настроить коэффициенты ПИД-регулятора (либо вручную, либо с помощью исчерпывающего поиска по сетке) посредством ограниченного числа повторных испытаний, невозможно применить такой прямой подход к глубокий контроллер, так как глубокие нейронные сети (DNN) часто имеют множество параметров и требуют значительных данных для обучения. Точно так же популярные подходы без моделей, такие как Q-Learning или Policy Gradient, требуют больших объемов данных и поэтому не подходят для имеющейся физической системы.Кроме того, эти подходы не учитывают внутреннюю дифференцируемость динамической системы вентилятора, которая является детерминированной, непрерывной и бесконтактной.
Поэтому мы используем подход, основанный на модели, где мы сначала изучаем симулятор динамической системы вентилятор-пациент на основе DNN. Преимущество изучения такого симулятора состоит в том, что он обеспечивает более точную управляемую данными альтернативу моделям, основанным на физике, и может быть более широко распространен для исследования контроллеров.
Чтобы обучить точный симулятор, мы создали набор данных, исследуя пространство элементов управления и возникающие в результате давления, при этом балансируя с физической безопасностью, например, не допуская чрезмерного надувания тестового легкого и причинения ущерба. Несмотря на то, что ПИД-регулятор может демонстрировать звон, он работает достаточно хорошо, чтобы его можно было использовать в качестве основы для создания обучающих данных. Чтобы безопасно исследовать и точно зафиксировать поведение системы, мы используем ПИД-регуляторы с различными коэффициентами управления для создания данных траектории управляющего давления для обучения на симуляторе.Кроме того, мы добавляем случайные отклонения в ПИД-регуляторы для более надежного захвата динамики.
Мы собираем данные для обучения, выполняя задачи механической вентиляции на физическом тестовом легком с использованием аппарата ИВЛ с открытым исходным кодом, разработанного в рамках проекта People’s Ventilator Project Принстонского университета. Мы построили ферму вентиляторов, вмещающую десять систем ИВЛ на серверной стойке, которая фиксирует несколько параметров сопротивления и растяжимости дыхательных путей, которые охватывают спектр состояний легких пациента, как это требуется для практического применения систем ИВЛ.
Мы используем стационарную ферму аппаратов ИВЛ (10 аппаратов ИВЛ/искусственные легкие) для сбора тренировочных данных для симулятора аппарата ИВЛ. С помощью этого симулятора мы обучаем контроллер DNN, который затем проверяем на физической ферме вентиляторов.
Истинное базовое состояние динамической системы недоступно модели напрямую, а только через наблюдения за давлением в дыхательных путях в системе. В симуляторе мы моделируем состояние системы в любое время как набор предыдущих наблюдений за давлением и управляющих воздействий, примененных к системе (вплоть до ограниченного окна ретроспективного анализа).Эти входные данные подаются в DNN, которая прогнозирует последующее давление в системе. Мы тренируем этот тренажер на данных траектории контрольного давления, собранных посредством взаимодействия с тестовым легким.
Производительность симулятора измеряется как сумма отклонений прогнозов симулятора (при самомоделировании) от истинного.
Хотя невозможно сравнить реальную динамику с их смоделированными аналогами по всем возможным траекториям и управляющим воздействиям, мы измеряем расстояние между симуляцией и известными безопасными траекториями.Мы вводим некоторые случайные исследования вокруг этих безопасных траекторий для надежности.
Изучив точный симулятор, мы затем используем его для обучения контроллера на основе DNN полностью в автономном режиме. Такой подход позволяет нам быстро применять обновления во время обучения контроллера. Кроме того, дифференцируемый характер симулятора позволяет стабильно использовать градиент прямой политики, где мы аналитически вычисляем градиент потерь по отношению к параметрам DNN.Мы считаем, что этот метод значительно более эффективен, чем безмодельные подходы.
Результаты Чтобы установить базовый уровень, мы запускаем исчерпывающую сетку ПИД-регуляторов для нескольких настроек легких и выбираем ПИД-регулятор с наилучшей производительностью, измеренный по среднему абсолютному отклонению между желаемой формой волны давления и фактической формой волны давления. Мы сравниваем их с нашими контроллерами и предоставляем доказательства того, что наши контроллеры DNN лучше работают и более надежны.
Характеристики отслеживания формы дыхания:
Мы сравниваем лучший ПИД-регулятор для данной настройки легких с нашим контроллером, обученным на обученном симуляторе для той же настройки. Наш обученный контроллер показывает на 22% меньшую среднюю абсолютную ошибку (MAE) между целевым и фактическим сигналами давления.
Сравнение MAE между целевым и фактическим кривыми давления (чем меньше, тем лучше) для лучшего ПИД-регулятора (оранжевый) для данной настройки легких (показано для двух настроек, R=5 и R=20) против нашего контроллера (синий), обученного на обученном симуляторе для тех же настроек.Обученный контроллер работает до 22% лучше.
Надежность:
Далее мы сравниваем производительность единственного лучшего ПИД-регулятора по всему набору настроек легких с нашим контроллером, обученным на наборе обученных симуляторов с теми же настройками. Наш контроллер работает до 32% лучше в MAE между целевыми и фактическими кривыми давления, что позволяет предположить, что он может требовать меньше ручного вмешательства между пациентами или даже при изменении состояния пациента.
То же, что и выше, но сравнение одного лучшего ПИД-регулятора по всему набору настроек легких с нашим контроллером, обученным с теми же настройками. Обученный контроллер работает на 32% лучше, что позволяет предположить, что он может требовать меньше ручного вмешательства.
Наконец, мы исследовали возможность использования немодальных и других популярных алгоритмов RL (PPO, DQN) по сравнению с прямым градиентом политики, обученным на симуляторе.Мы обнаружили, что градиент прямой политики, обученный на симуляторе, дает немного лучшие результаты и делает это с более стабильным процессом обучения, который использует на несколько порядков меньшее количество обучающих выборок и значительно меньшее пространство поиска гиперпараметров.
В симуляторе мы видим, что безмодельные и другие популярные алгоритмы (PPO, DQN) работают примерно так же хорошо, как наш метод.
Однако эти другие методы требуют на порядок больше эпизодов для тренировки до аналогичных уровней.
Выводы и путь вперед Мы описали метод глубокого обучения искусственной вентиляции легких, основанный на смоделированной динамике, полученной при физическом тестировании легкого. Однако это только начало. Чтобы оказать влияние на реальные вентиляторы, необходимо учитывать множество других соображений и вопросов. Наиболее важными среди них являются неинвазивные вентиляторы, которые значительно сложнее из-за сложности определения давления в легких и давления в маске.Другие направления — как справиться со спонтанным дыханием и кашлем. Чтобы узнать больше и принять участие в этом важном пересечении машинного обучения и здоровья, ознакомьтесь с учебным пособием ICML по теории управления и обучению и рассмотрите возможность участия в одном из наших конкурсов kaggle для создания лучших симуляторов вентилятора!
Благодарности Основная работа проводилась в лаборатории искусственного интеллекта Google в Принстоне в сотрудничестве с лабораторией Коэна на факультете машиностроения и аэрокосмической техники Принстонского университета.Исследовательская работа была написана участниками из Google и Принстонского университета, в том числе: Дэниел Суо, Наман Агарвал, Венхан Ся, Синьи Чен, Удая Гхай, Александр Ю, Паула Граду, Каран Сингх, Сирил Чжан, Эдгар Минасян, Жюльен ЛаШанс, Том Зайдель , Мануэль Шоттдорф, Даниэль Коэн и Элад Хазан.
Анестезиологический аппарат в качестве аппарата искусственной вентиляции легких — неудача во время пандемии COVID-19
Эта статья ранее была опубликована на онлайн-портале APSF. Настоящая версия обновлена и изменена автором для настоящего APSF Newsletter .
Отказ от ответственности: Зрителям этого материала следует ознакомиться с содержащейся в нем информацией с соответствующим медицинским и юридическим консультантом и принять собственное решение относительно соответствия их конкретной практике и соблюдения законов и правил штата и федеральных законов и правил. APSF приложил все усилия, чтобы предоставить точную информацию. Однако данный материал предоставлен только в ознакомительных целях и не является медицинской или юридической консультацией.Этот ответ также не должен быть истолкован как одобрение или политика APSF (если не указано иное), дающий клинические рекомендации или заменяющий заключение врача и консультацию с независимым юрисконсультом.
Пандемия COVID-19 в Нью-Йорке весной 2020 года привела к беспрецедентному количеству пациентов, которым потребовалась искусственная вентиляция легких. Поскольку потребность в койках в отделениях интенсивной терапии (ОИТ) и аппаратах ИВЛ превышала запасы, наркозные аппараты использовались в качестве аппаратов ИВЛ в неоперационных учреждениях, что не по прямому назначению. 1 Документ APSF/ASA «Руководство по использованию наркозных аппаратов в качестве аппаратов ИВЛ для интенсивной терапии» включает «Ключевые моменты, которые следует учитывать при подготовке к использованию наркозных аппаратов в качестве аппаратов ИВЛ для интенсивной терапии», в котором отмечается, что любое место с высоким давлением воздуха и кислорода может быть приемлемым. 2 Мы сообщаем о случае отказа аппарата ИВЛ наркозного аппарата у пациента с COVID-19, которого лечили в палате с отрицательным давлением без окон в отделении телеметрии, которое было преобразовано во временное отделение интенсивной терапии COVID-19.Этот случай подчеркивает, что новое использование стандартного оборудования сопряжено с непредвиденными проблемами.
Дело
66-летний мужчина с инсулиннезависимым диабетом в анамнезе был госпитализирован во временное отделение интенсивной терапии COVID-19 по поводу острой дыхательной недостаточности, требующей интубации трахеи и искусственной вентиляции легких. Временные помещения с отрицательным давлением были созданы путем замены наружного окна каждой комнаты панелью из твердого картона, в которой имелся вырез для вытяжного канала HEPA-фильтра/вытяжного вентилятора (Air Shield 550 HEPA Air Scrubber, AER Industries, Ирвиндейл, Калифорния).Анестезиологические рабочие станции (Aisys Carestation CS 2 , GE Healthcare, Waukesha, WI) использовались в качестве вентиляторов в этом временном отделении интенсивной терапии, управляемом круглосуточно и без выходных группой специалистов-анестезиологов. В палатах не было внутренних или дверных окон, но непрямой обзор обеспечивался с помощью системы удаленного визуального наблюдения за пациентом (AvaSys Telesitter, Белмонт, Мичиган). Мониторинг осуществлялся через сеть телеметрии центральной станции (GE CareScape, GE Healthcare, Waukesha, WI), к которой был подключен физиологический монитор рабочей станции, с громкими звуковыми оповещениями при аномальных ритмах и брадикардии/тахикардии, а также с низким уровнем звуковой сигнализации по умолчанию для низкий SpO 2 .
На 10-й день госпитализации на центральной станции прозвучал звуковой сигнал тревоги, и было отмечено, что SpO 2 составляет 45%. Медицинская бригада надела СИЗ, вошла в палату пациента и увидела, что механическая вентиляция отключена, вытяжка выключена, а в комнате очень тепло. Экран управления Aisys был темным, индикатор питания переменного тока не светился, но физиологический монитор был включен и функционировал. Пациент был немедленно отсоединен от дыхательного контура, ему была назначена вентиляция с помощью самонадувающегося ручного дыхательного мешка, и SpO 2 быстро вернулся к исходному уровню.Было отмечено, что кровать (HillRom Progressa Pulmonary, HillRom, Чикаго, Иллинойс) была подключена к вспомогательной розетке на вытяжном вентиляторе, вентилятор был подключен к электрической розетке на уровне пола, а рабочая станция Aisys была подключена к отдельному полу. — уровневая розетка. Рабочая станция была немедленно подключена к другой электрической розетке, загорелся индикатор питания переменного тока, и рабочая станция перезагрузилась. После того, как была проведена проверка перед использованием, пациент был снова подключен к дыхательному контуру, и искусственная вентиляция легких возобновилась в обычном режиме.
Рабочая станция «Айсис» впоследствии была удалена из комнаты для допросов и заменена новой. Инженерный персонал больницы обнаружил, что автоматический выключатель в комнате сработал, и он был сброшен. Проблем с вытяжным вентилятором обнаружено не было, и он был перезапущен.
Анализ основных причин
Отказ рабочей станции был вызван перебоем ее электропитания из-за срабатывания автоматического выключателя. Просмотр журнала обслуживания выявил потерю питания переменного тока, соответствующее переключение на резервную батарею и, в конечном итоге, полную разрядку батареи.Через 28 минут после потери питания переменного тока на экране рабочей станции отображалось несколько аварийных сообщений, которые прогрессировали от «Батарея разряжена», «Батарея V разряжена» до «Батарея V ОЧЕНЬ НИЗКАЯ» и через 1 час 43 минуты до «Батарея разряжена». ” Система отключилась через 1 час 52 минуты. Журнал обслуживания подтвердил, что система работала по назначению, 3 , но эти тревожные сообщения не были видны персоналу за пределами палаты пациента.
Обсуждение
Этот случай иллюстрирует некоторые проблемы, с которыми можно столкнуться во время пандемии COVID-19, а именно создание импровизированного отделения интенсивной терапии в короткие сроки и использование анестезиологической станции для вентиляции тяжелобольного пациента в закрытой комнате с далеко не идеальным удаленным доступом. мониторинг.При обычном использовании анестезиологической станции квалифицированный анестезиолог постоянно находится рядом с ним, он может видеть экраны, слышать звуковые сигналы и при необходимости вносить коррективы. Резервная батарея на рабочей станции Aisys рассчитана на 50–90 минут в зависимости от модели, но в данном случае ее хватило почти на два часа. Напротив, аппарат ИВЛ, такой как Puritan Bennett 980 (Medtronic, Boulder, CO), должен иметь резервную батарею на один час. 4 Хотя в данном случае отказ вентилятора был вызван потерей внешнего электропитания, также сообщалось о выходе из строя внутреннего источника питания вентилятора. 5 К счастью, физиологический монитор (Care-Scape b650, GE Healthcare, Waukesha, WI) имел собственную резервную батарею со временем работы 1–2 часа, 6 , и был подключен к сети телеметрии, что предупреждало персонал. Причина срабатывания автоматического выключателя неизвестна. Электроснабжение помещения состояло из двух выделенных цепей на 15 А с розетками белого цвета, двух цепей на 20 А, которые были общими с соседним помещением и также имели розетки белого цвета, и одной аварийной цепи на 20 А с розетками красного цвета.Белые электрические розетки не имели маркировки, указывающей, к какой из цепей они подключены.
Маловероятно, что устройство в соседней комнате вызвало срабатывание автоматического выключателя, потому что в этой комнате не было отключения электроэнергии. Наиболее вероятное объяснение состоит в том, что кровать, вытяжной вентилятор, телемедицинский монитор и анестезиологическая рабочая станция были подключены к одной и той же цепи на 15 А, а общий ток, потребляемый всеми устройствами, превышал 15 А. Вытяжной вентилятор потребляет 2,5 А, а кровать может потреблять до 12 А, что оставляет очень небольшой запас до того, как цепь будет перегружена.Примечательно, что во многих больницах (включая нашу) панели автоматических выключателей заперты, и доступ к ним может получить только инженер из соображений безопасности. Ограниченный доступ может привести к задержке восстановления питания. 7,8
Руководство APSF/ASA включает рекомендацию о том, что «специалист по анестезии должен быть немедленно доступен для консультации и «обходить» эти наркозные аппараты не реже одного раза в час». В разгар пандемии, с ограниченным количеством СИЗ, ограниченным персоналом, 168 пациентами на ИВЛ и 18 пациентами на ИВЛ с помощью наркозных аппаратов, почасовое округление было просто невозможно.Та же проблема могла возникнуть и со стандартным аппаратом ИВЛ для интенсивной терапии, поскольку он также имеет ограниченную резервную мощность и, за исключением некоторых очень новых моделей, не имеет возможности удаленного мониторинга. Одно из решений, недоступное нам в то время, состоит в том, чтобы отсоединить экраны управления и мониторинга от рабочей станции Aisys и с помощью специальных удлинительных кабелей вынести их за пределы помещения, что позволяет управлять потоками газа и вентиляцией, а также осуществлять удаленный мониторинг. 9
В заключение, использование анестезиологической станции в качестве аппарата ИВЛ в отделении интенсивной терапии возможно в кризисной ситуации, но требуется повышенная бдительность, чтобы распознавать непредвиденные проблемы и справляться с ними.
Мэтью А. Левин, доктор медицинских наук, адъюнкт-профессор кафедры анестезиологии, периоперационной медицины и медицины боли Медицинской школы Икана на горе Синай, Нью-Йорк, штат Нью-Йорк.
Гаррет Бернетт, доктор медицинских наук, доцент кафедры анестезиологии, периоперационной медицины и медицины боли Медицинской школы Икана на горе Синай, Нью-Йорк, штат Нью-Йорк.
Джошуа Виллар, AS, является главным техником-анестезиологом в отделении анестезиологии, периоперационной и медицины боли, Медицинской школы Икана на горе Синай, Нью-Йорк, штат Нью-Йорк.
Джошуа Гамбургер, доктор медицинских наук, доцент кафедры анестезиологии, периоперационной медицины и обезболивания Медицинской школы Икана на горе Синай, Нью-Йорк, штат Нью-Йорк.
Джеймс Б. Эйзенкрафт, доктор медицинских наук, профессор кафедры анестезиологии, периоперационной медицины и медицины боли Медицинской школы Икана на горе Синай, Нью-Йорк, штат Нью-Йорк.
Эндрю Б. Лейбовиц, доктор медицинских наук, профессор кафедры анестезиологии, периоперационной медицины и обезболивания Медицинской школы Икана на горе Синай, Нью-Йорк, штат Нью-Йорк.
Гаррет Бернетт, Джошуа Вильяр, Джошуа Гамбургер, Джеймс Эйзенкрафт и Эндрю Лейбовиц сообщают об отсутствии конфликта интересов.
Мэтью Левин сообщает, что получил гонорары за публикацию от McMahon Group и гонорары консультантов от ASA PM 2020, а также подал в Stryker Corporation предварительный патент на конструкцию сплит-системы вентиляции, за которую он не получил ни вознаграждения, ни доли участия.
Каталожные номера
Хайна КМК мл.Использование наркозных аппаратов в условиях интенсивной терапии во время пандемии коронавирусной болезни 2019 года. А Практ. 2020;14:E01243. Дои: 10.1213/Xaa.0000000000001243
Руководство APSF/ASA по использованию наркозных аппаратов в качестве аппаратов искусственной вентиляции легких. https://www.asahq.org/in-the-spotlight/coronavirus-covid-19-information/purposing-anesthesia-machines-for-ventilators По состоянию на 6 августа 2020 г.
Справочное руководство пользователя GE Aisys CS2. https://www.manualslib.com/manual/1210542/ge-aisys-cs2.html По состоянию на 10 августа 2020 г.
Технические характеристики американской системы искусственной вентиляции легких Puritan Bennett™ 980. Медтроник/Ковидиен; 2016. https://www.medtronic.com/content/dam/covidien/library/us/en/product/acute-care-ventilation/puritan-bennett-980-ventilator-system-tech-specifications.pdf. По состоянию на 21 декабря 2020 г.
Дэвис А.Р., Клейнман Б., Джеллиш В.С. Причина отказа аппарата ИВЛ неясна – Фонд безопасности пациентов с анестезией. Опубликовано в 2005 г. https://www.apsf.org/article/cause-of-ventilator-failure-is-unclear/ По состоянию на 6 августа 2020 г.
GE Healthcare. монитор Carescape B650.; 10/2010. https://www.gehealthcare.com/-/jssmedia/e4c9c6ed549f43a0b2efdba2adfe2687.pdf?la=en-us По состоянию на 10 августа 2020 г.
Карпентер Т., Робинсон С.Т. Реакция на частичный сбой питания в операционной. Анестезия и обезболивание. 2010;110:1644. Дои: 10.1213/Ане.0b013e3181c84c94
август Д.А. Заблокировано из коробки и процесса. Анест анальг. 2011;112:1248–1249; Ответ автора 1249. Doi:10.1213/Ane.0b013e31821140e4
Connor CW, Palmer LJ, Pentakota S. Дистанционное управление и мониторинг наркозных аппаратов geaisys, перепрофилированных в аппараты ИВЛ для отделений интенсивной терапии. Анестезиология. 2020;133:477–479. Дои: 10.1097/Алн.0000000000003371
Что такое аппарат искусственной вентиляции легких и как он работает?
Изображение от Ventec Life Systems
Аппарат ИВЛ стал жизненно важным оборудованием во время пандемии COVID-19.
Проще говоря, вентиляторы существуют, чтобы помочь пациентам, которые не могут дышать, дышать.Атака нового коронавируса на дыхательную систему привлекла внимание к аппаратам ИВЛ, что вынудило США обратиться к своим стратегическим национальным запасам, поскольку производители в кратчайшие сроки наращивали производство.
В то время как некоторые крупные производители откачивают аппараты и выполняют недавно заключенные государственные контракты, исследователи из университетов и лабораторий вышли на ринг с альтернативными вентиляторами, подпадающими под действие рекомендаций FDA по разрешению на использование в чрезвычайных ситуациях (EUA).Тем не менее, несмотря на то, что они полезны в трудную минуту, альтернативные аппараты для искусственной вентиляции легких изо всех сил пытаются поцарапать поверхность возможностей, присущих востребованным аппаратам ИВЛ для интенсивной терапии.
Руководитель лаборатории Медицинского центра Эрла Баккена Университета Миннесоты Аарон Такер помог разработать Coventor, первый подобный альтернативный аппарат ИВЛ, получивший EUA. При разработке устройства, которое в настоящее время производится Boston Scientific (NYSE:BSX), Такер и команда Coventor консультировались с клиницистами, которые использовали аппараты ИВЛ, чтобы понять, как работают аппараты.
«Существует много разных способов, которыми вы можете контролировать и нагнетать воздух в легкие пациента и из них», — сказал Такер Medical Design & Outsourcing . «То, что предлагают аппараты ИВЛ для интенсивной терапии, — это множество датчиков, данных и различных сигналов тревоги, когда пациент может испытывать шок, чрезмерную вентиляцию легких и что-то в этом роде. Они также имеют больше настроек. … Это некоторые из вещей, которые делают эти аппараты ИВЛ очень полезными и очень востребованными».
Medtronic (NYSE:MDT), одна из нескольких медицинских компаний, наращивающих производство аппаратов ИВЛ, отмечает на своем веб-сайте, что для модели аппарата ИВЛ для неотложной помощи требуется более 1 500 деталей от более чем 100 поставщиков из 14 стран и включает более миллиона строк программного кода. .Даже его портативная модель имеет более 700 компонентов.
Компания Ventec Life Systems разработала многофункциональный аппарат ИВЛ VOCSN, о котором Крис Брукс, главный директор компании по стратегии, сообщил Medical Design & Outsourcing . Это единственный аппарат на рынке, способный обеспечивать вентиляцию легких, кислород, терапию кашля, аспирация и небулайзерная терапия, все в одной системе. Компания заключила партнерское соглашение с General Motors для масштабирования производства и с тех пор получила заказы из стратегического национального запаса на 30 000 аппаратов ИВЛ для интенсивной терапии к концу августа.
Брукс сказал, что основным фактором партнерства с GM являются производственные возможности автопроизводителя и цепочка поставок. Как и модели Medtronic, VOCSN-машины Ventec сложны и требуют множества компонентов. По словам Брукса, в мире насчитывается около дюжины производителей аппаратов ИВЛ для интенсивной терапии, которые производят в среднем не более 100 000 устройств в год. Внезапно необходимость увеличить производство создала потенциальную проблему, связанную с невозможностью закупить необходимые детали и компоненты.
«Вы можете создавать вентиляторы, только если у вас есть детали для их сборки», — сказал Брукс. «Ключевым моментом для нас было [получение] запчастей. Затем началось масштабное производство, что означало большее пространство с большим количеством очередей и большим количеством людей. Затем нужно было понять и найти способы повышения эффективности производства в этом процессе».
Аппараты ИВЛ для интенсивной терапии и составляющие их части приобретают все большую ценность. Анализ рынка, проведенный ECRI, показал, что в прошлом году Medtronic взимала среднюю цену в размере 35 383 долларов за конкретную модель аппарата ИВЛ — еще до начала пандемии.Согласно недавнему отчету Kaiser Health News , в начале этого года цены выросли, поскольку штаты, федеральные правительства и другие организации, по сути, конкурировали друг с другом за машины. Medtronic сообщила Kaiser , что в ответ перешла на фиксированные ставки по ценам ниже, чем до пандемии.
Часть стоимости аппаратов искусственной вентиляции легких заключается в услугах, предоставляемых аппаратами интенсивной терапии. Как отметил Такер, они предлагают гораздо более глубокое лечение, чем искусственная вентиляция легких, выполняемая альтернативными методами.
По словам Брукса, существует международный стандарт безопасности и точности применительно к аппарату ИВЛ. «Очень легко создать насос, который перемещает воздух внутрь и наружу, что в основном и делает вентилятор. Делать это точно и приспосабливаться к пациенту — это и искусство, и наука, и есть причина, по которой лишь несколько компаний занимаются этим и делают это хорошо».
Подача и отвод воздуха не так проста, как может показаться, и даже может вызвать проблемы, что подчеркивает, почему вентиляторы — это не просто устройства, работающие по принципу «подключи и работай».Необходимо контролировать мощность вентилятора вентилятора.
«Если вы чрезмерно раздуваете легкие или недостаточно раздуваете легкие, вы можете причинить вред или смерть пациента», — добавил Брукс. «Просто наличие устройства, которое перемещает воздух внутрь и наружу, может принести больше вреда, чем пользы».
Каждая машина использует то, что обычно является проприетарным программным обеспечением, которое управляет воздушным потоком вентилятора, мониторингом пациента и сигнализацией, которая предупреждает врачей о том, что пациенты получают ненадлежащее количество воздуха, когда есть блокировка, когда есть утечка и многое другое.
Брукс сказал, что эти функции помогают уменьшить количество ошибок пользователя, в то время как ответственность за создание управляемого пользовательского интерфейса для врачей лежит на производителях. Он отметил, что с течением времени мало что изменилось в сфере респираторной помощи, а это означает, что клиницисты относительно знакомы с технологиями, которые они используют.
«Мощность и точность, сигналы тревоги и мониторы пациента, а затем режимы и настройки, эти три сегмента являются своего рода тремя элементами, которые создают аппарат ИВЛ для интенсивной терапии», — сказал Брукс.«В конечном счете, вы хотите отключить пациента на ИВЛ от аппарата ИВЛ. Если у вас нет этих трех компонентов, это очень сложно сделать. Это то, что отличает VOCSN и несколько других устройств от других устройств».
Один аппарат ИВЛ, два пациента: нью-йоркские больницы переходят на режим экстренной помощи
Джонатан Аллен, Ник Браун Некоторые врачи опасаются, что режим -mode является слишком рискованным, но другие считают его необходимым, поскольку вспышка коронавируса истощает медицинские ресурсы.
Коронавирус вызывает респираторное заболевание под названием COVID-19, которое в тяжелых случаях может поражать легкие. За несколько недель он убил по меньшей мере 281 человека в Нью-Йорке, который борется с одним из самых больших в мире случаев заражения — почти 22 000 подтвержденных случаев.
Инструмент крайней необходимости, который включает в себя введение трубки в дыхательное горло пациента, механический вентилятор может поддерживать человека, который больше не может дышать без посторонней помощи. В городе их всего несколько тысяч, и он пытается найти еще десятки тысяч.
Доктор Крейг Смит, главный хирург Медицинского центра Нью-Йоркского Пресвитерианского/Колумбийского университета на Манхэттене, написал в информационном бюллетене персоналу, что бригады анестезиологов и интенсивной терапии работали «день и ночь», чтобы внедрить раздельную вентиляцию легких. эксперимент идет.
К среде, написал он, «два пациента находились на одном аппарате искусственной вентиляции легких».
Губернатор Нью-Йорка Эндрю Куомо, который говорит, что его сотрудники изо всех сил пытаются найти достаточно машин на рынке, рекламировал адаптацию как потенциальное спасение жизни.«Это не идеально, — сказал он журналистам, — но мы считаем, что это осуществимо».
Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США, которое регулирует деятельность производителей медицинского оборудования, во вторник выдало экстренное разрешение, позволяющее модифицировать аппараты ИВЛ с помощью разветвительной трубки для обслуживания нескольких пациентов с COVID-19, хотя производители по-прежнему должны делиться информацией о безопасности с регулирующими органами.
Некоторые медицинские ассоциации выступают против недоказанного метода.
В четверг Общество медицины критических состояний, Американская ассоциация респираторной терапии и четыре другие группы практикующих врачей опубликовали совместное заявление, в котором говорится, что «не следует пытаться применять эту практику, потому что ее нельзя безопасно выполнять с помощью существующего оборудования».”
В заявлении говорится, что достаточно сложно настроить аппарат ИВЛ, чтобы поддерживать жизнь даже одного пациента с острым респираторным дистресс-синдромом (ОРДС); совместное использование его несколькими пациентами ухудшит результаты для всех. Вместо этого они предложили врачам выбрать одного пациента на аппарат ИВЛ, который, как считается, выживет с наибольшей вероятностью.
В Колумбии Смит отметил, что они не могут разделить аппарат ИВЛ только на двух любых пациентов с COVID-19, а объединяют только пациентов с достаточно схожими респираторными потребностями.
На другом Манхэттене больница Mount Sinai сообщила персоналу по электронной почте, что официальные лица «работают, чтобы выяснить», могут ли они разделить вентиляторы. Больница заказала необходимые адаптеры, сказала медсестра в интервью на условиях анонимности, поскольку она не уполномочена говорить с журналистами.
Эксперты Колумбийского университета указали на исследование 2006 года, в ходе которого ученые, используя симуляторы легких, пришли к выводу, что один аппарат ИВЛ может поддерживать работу четырех взрослых в чрезвычайной ситуации.
Вентиляция отвечает за циркуляцию воздуха и вообще его наличие в замкнутых пространствах, вроде зданий. Без неё люди бы просто не смогли дышать и находиться в них. Можно сказать, что при строительстве здания, проектировка вентиляции играет одну из самых важных ролей. Но вентиляция состоит из списка некоторых деталей, которые и являются несущей конструкцией всей вентиляционной системы. Качество работы вентиляции в первую очередь зависит от самих её составляющих. Значит, они должны быть сделаны на высшем уровне, специальными высококачественным оборудованием. Поэтому, наша компания представляет вам оборудование для производства вентиляции лучшей категории для обеспечения полной безопасности всей будущей конструкции.
Некоторые виды оборудования:
д.), сваривать места стыков, а также многое другое.
: +7(926)351-2658 Игорь Романов
Мы предлагаем станки для производства сегментов воздуховодов, гибочные машины, с гибкой регулировкой диаметра труб, спирально-навивные станки и различное другое оборудование. Производство воздуховодов — развивающийся и перспективный рынок.
От производителей доступны рекомендации, но они могут не отражать все клинические соображения. Для ввода этих аппаратов в эксплуатацию и управления ими во время использования потребуются специалисты по анестезии. Безопасное и эффективное использование требует понимания возможностей имеющихся аппаратов, различий между наркозными аппаратами и аппаратами ИВЛ, а также того, как настроить элементы управления наркозным аппаратом для имитации стратегий вентиляции типа ОИТ. 
). 
Большие данные описывают анализ больших наборов данных с использованием компьютерного моделирования для выявления закономерностей, тенденций и ассоциаций. Как можно использовать большие данные, чтобы предсказать прекращение использования вентилятора или надвигающийся компромисс, и как их можно включить в клинический рабочий процесс? Эта статья будет служить 2 целям.Во-первых, для неспециалиста предоставляется общий обзор, в котором представлены ключевые концепции, определения, передовой опыт и моменты, на которые следует обратить внимание при чтении статьи, включающей машинное обучение. Во-вторых, представлены последние публикации на стыке больших данных, машинного обучения и ИВЛ. 
Эти данные в сочетании с информацией, полученной лечащими врачами и введенной в электронную медицинскую карту, превращают отделение интенсивной терапии в чрезвычайно богатую данными среду. Однако использовать эти данные в полной мере сложно. Кроме того, многие аспекты лечения в отделении интенсивной терапии не учитываются в высококачественных крупных рандомизированных контролируемых исследованиях (РКИ), и различия в практике между поставщиками услуг могут быть высокими. 1,2 Огромный объем данных, сложность отдельных пациентов и вариативность практики дают возможность применять методы больших данных, искусственный интеллект и машинное обучение для решения важных клинических проблем.Такие решения могут включать в себя прогнозирование клинического ухудшения, автоматическую идентификацию пациентов, готовых к экстубации, ранние предупреждающие признаки важных состояний, таких как сепсис, для разрешения раннего вмешательства, а также оказание помощи клиницистам в принятии решений для оптимизации механической вентиляции. 3