CN118873117A - 一种智能化呼吸支持与气道廓清辅助系统、方法、设备及存储介质 - Google Patents
一种智能化呼吸支持与气道廓清辅助系统、方法、设备及存储介质 Download PDFInfo
- Publication number
- CN118873117A CN118873117A CN202410971859.0A CN202410971859A CN118873117A CN 118873117 A CN118873117 A CN 118873117A CN 202410971859 A CN202410971859 A CN 202410971859A CN 118873117 A CN118873117 A CN 118873117A
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- intelligent
- waveform
- breathing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000000241 respiratory effect Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 122
- 206010036790 Productive cough Diseases 0.000 claims abstract description 78
- 208000024794 sputum Diseases 0.000 claims abstract description 78
- 210000003802 sputum Anatomy 0.000 claims abstract description 68
- 238000004458 analytical method Methods 0.000 claims abstract description 59
- 210000004072 lung Anatomy 0.000 claims abstract description 55
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 52
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 51
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 51
- 239000001301 oxygen Substances 0.000 claims abstract description 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 230000029142 excretion Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 32
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 26
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 26
- 239000008280 blood Substances 0.000 claims abstract description 25
- 210000004369 blood Anatomy 0.000 claims abstract description 25
- 238000002555 auscultation Methods 0.000 claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims abstract description 13
- 238000009423 ventilation Methods 0.000 claims description 38
- 230000000903 blocking effect Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000010355 oscillation Effects 0.000 claims description 14
- 230000002685 pulmonary effect Effects 0.000 claims description 14
- 239000006260 foam Substances 0.000 claims description 13
- 210000003097 mucus Anatomy 0.000 claims description 11
- 210000000621 bronchi Anatomy 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 230000036391 respiratory frequency Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007599 discharging Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 230000009897 systematic effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 206010011224 Cough Diseases 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 238000000926 separation method Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 4
- 208000000059 Dyspnea Diseases 0.000 description 3
- 206010013975 Dyspnoeas Diseases 0.000 description 3
- 208000005189 Embolism Diseases 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000035565 breathing frequency Effects 0.000 description 3
- 238000005187 foaming Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000474 nursing effect Effects 0.000 description 3
- 206010008479 Chest Pain Diseases 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 101100221616 Halobacterium salinarum (strain ATCC 29341 / DSM 671 / R1) cosB gene Proteins 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 208000004852 Lung Injury Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 206010069363 Traumatic lung injury Diseases 0.000 description 1
- 210000002821 alveolar epithelial cell Anatomy 0.000 description 1
- 208000008784 apnea Diseases 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 210000004081 cilia Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000003434 inspiratory effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 231100000515 lung injury Toxicity 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000002000 scavenging effect Effects 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000010356 wave oscillation Effects 0.000 description 1
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种智能化呼吸支持与气道廓清辅助系统、方法、设备及存储介质，涉及医疗数据处理技术领域，数据获取模块，用于获取实时参数数据；呼吸分析单元对血氧饱和度、氧分压和二氧化碳分压数据进行分析，肺部影像数据分析单元对肺部听诊影像数据进行智能分析识别肺部痰液堵塞情况；呼吸机波形分析单元基于呼吸机的波形数据，识别异常波形数据；气道廓清模块，用于根据智能分析结果，确定是否需要启动伊洛亨排痰呼吸模式。本发明利用先进的数据处理技术和算法，实时监测患者的呼吸情况，及时发现并处理气道问题。通过系统化的数据采集和分析提高气道清理的效率和准确性，提升患者的治疗效果，使患者在使用呼吸机的同时能够实现主动排痰。
Description
技术领域
本发明涉及医疗数据处理技术领域，更具体的说是涉及一种智能化呼吸支持与气道廓清辅助系统、方法、设备及存储介质。
背景技术
呼吸系统疾病是一种常见病、多发病，主要病变在气管、支气管、肺部及胸腔，病变轻者多咳嗽、胸痛、呼吸受影响，重者呼吸困难、缺氧，甚至呼吸衰竭而致死，特别是老年患者，病程时间比较久的，甚至是长期卧床，痰液就很容易沉积在肺底，更容易咳不出来，痰液咳不出来，又容易继发细菌感染，疾病后期由于心肺功能极差导致不能平卧，只能端坐位或者趴着才能减轻胸闷及呼吸困难等不适，并且通常情况下，需要他人协助患者拍背，把痰液拍松，再嘱患者用力咳嗽；但是一直拍背无形中增加了其他人的劳动量，并且当患者将痰液咳嗽出来时痰液无处存放，随意吐痰会污染环境。
而现有技术中的排痰机在设置档位时需要医生根据患者每次排痰护理前的体征数据来设定，患者体征数据是指患者的体重、心率、血压、呼吸频率、呼吸深度等多个维度的数据，过度依赖医生的经验程度，对于经验不足的医生来说很容易判断不准，影响患者的护理效果，增加医护人员的工作量，降低护理效率。
因此，如何提供一种智能化呼吸支持与气道廓清辅助系统、方法、设备及存储介质，利用先进的数据处理技术和算法，实时监测患者的呼吸情况，及时发现并处理气道问题是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种智能化呼吸支持与气道廓清辅助系统、方法、设备及存储介质，利用先进的数据处理技术和算法，实时监测患者的呼吸情况，及时发现并处理气道问题。通过系统化的数据采集和分析提高气道清理的效率和准确性，提升患者的治疗效果，使患者在使用呼吸机的同时能够实现主动排痰，解决了患者通气过程中痰液粘稠栓塞问题，极大地降低了患者被痰液卡住的风险。
为了实现上述目的，本发明采用如下技术方案：一种智能化呼吸支持与气道廓清辅助系统，包括：
数据获取模块，用于获取实时参数数据；所述实时参数数据包括患者类型、患者的血氧饱和度、氧分压、二氧化碳分压数据、肺部听诊影像数据以及呼吸机的波形数据中的一种或多种；所述患者类型包括成人、儿童和新生儿；
智能化分析模块，用于根据所述患者类型对所述实时参数数据进行分析；
所述智能化分析模块包括呼吸分析单元、肺部影像数据分析单元以及呼吸机波形分析单元；所述呼吸分析单元对所述血氧饱和度、氧分压和二氧化碳分压数据进行分析，确定患者当前的呼吸状态；所述肺部影像数据分析单元对所述肺部听诊影像数据进行智能分析识别肺部痰液堵塞情况；所述呼吸机波形分析单元基于所述呼吸机的波形数据，识别异常波形数据，确定当前管路积水情况；帮助医护人员快速准确地评估患者的呼吸状况，及时发现异常情况；
气道廓清模块，用于根据智能分析结果，确定是否需要启动伊洛亨排痰呼吸模式；
模型预测模块，用于构建基于患者当前的呼吸状态、肺部痰液堵塞情况和当前管路积水情况的回归模型，对各项参数数据进行特征融合，得到综合特征值；
判断模块，用于基于所述综合特征值，判断是否达到预警值，当达到预警值时，通知医护人员进行人工处理。
优选的，所述呼吸状态包括正常呼吸频次和异常呼吸频次；
当分析判断血氧饱和度、氧分压和二氧化碳分压数据均处于正常范围时，则当前患者的呼吸状态为正常呼吸频次；
当分析判断血氧饱和度、氧分压和二氧化碳分压数据中任一项处于异常范围时，则当前患者的呼吸状态为异常呼吸频次；此时，启动伊洛亨排痰呼吸模式，根据实时获取的血氧饱和度、氧分压和二氧化碳分压数据，调整呼吸机参数。
优选的，所述肺部影像数据分析单元包括：
数据获取子单元，用于实时获取患者的肺部影像数据；
数据处理子单元，用于对所述肺部影像数据进行智能化分析处理，判断当前支气管肺堵塞率，当支气管肺堵塞率大于预设阈值时，启动伊洛亨排痰呼吸模式，根据实时确定的支气管肺堵塞率，调整呼吸机参数。
优选的，对所述肺部影像数据进行智能化分析处理，判断当前支气管肺堵塞率，包括：
根据所述肺部影像数据得到原始像素矩阵；
基于四邻域的邻接关系确定肺部影像数据中的支气管肺堵塞区域，并对支气管肺堵塞区域进行标记，得到支气管肺堵塞面积的堵塞区域像素矩阵；
根据所述原始像素矩阵和所述堵塞区域像素矩阵计算得到支气管肺堵塞率。
优选的，基于四邻域的邻接关系确定肺部影像数据中的支气管肺堵塞区域，并对支气管肺堵塞区域进行标记，包括：
基于四邻域的邻接关系根据患者正常状态下的肺部影像数据标记患者的支气管区域；
确定相似性阈值范围，对于每个像素点，遍历其四个邻域像素点，分别与当前像素点比较灰度值；
若当前像素点与某个邻域像素点的灰度值差异在相似性阈值范围内，则将它们标记为同一个区域；若不在相似性阈值范围内，则标记为不同区域；
针对新标记的邻域像素点，继续遍历其四个邻域像素点，并递归地进行灰度值比较和区域标记；
继续重复以上步骤，直到所有像素点都被处理完毕，确定患者的支气管区域；
同理，确定支气管区域中的支气管肺堵塞区域，并进行标记。
优选的，所述呼吸机波形分析单元基于所述呼吸机的波形数据，识别异常波形数据，确定当前管路积水情况，包括：
波形获取子单元，用于获取患者的呼吸波形数据；
波形处理子单元，用于对所述呼吸波形数据进行智能化分析处理，识别异常波形数据，当识别到波形数据异常时，启动伊洛亨排痰呼吸模式，根据实时获取的呼吸波形数据，调整呼吸机参数。
优选的，所述伊洛亨排痰呼吸模式包括：在常频正压通气模式的基础上叠加高频振荡通气，形成新的具备具备泡沫驱动排痰的通气波形；新的通气波形能够使病变肺泡内痰液泡沫化，泡沫粘液随着常频正压部分排出肺泡；
所述常频正压通气模式包括间歇指令通气模式或控制指令通气模式。
优选的，一种智能化呼吸支持与气道廓清辅助方法，包括：
获取实时参数数据；所述实时参数数据包括患者类型、患者的血氧饱和度、氧分压、二氧化碳分压数据、肺部听诊影像数据以及呼吸机的波形数据中的一种或多种；
根据所述患者类型对所述实时参数数据进行分析：对所述血氧饱和度、氧分压和二氧化碳分压数据进行分析，确定患者当前的呼吸状态；对所述肺部听诊影像数据进行智能分析识别肺部痰液堵塞情况；基于所述呼吸机的波形数据，识别异常波形数据，确定当前管路积水情况；
根据智能分析结果，确定是否需要启动伊洛亨排痰呼吸模式；
构建基于患者当前的呼吸状态、肺部痰液堵塞情况和当前管路积水情况的回归模型，对各项参数数据进行特征融合，得到综合特征值；
基于所述综合特征值，判断是否达到预警值，当达到预警值时，通知医护人员进行人工处理。
优选的，一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述一种智能化呼吸支持与气道廓清辅助方法。
优选的，一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述一种智能化呼吸支持与气道廓清辅助方法。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种智能化呼吸支持与气道廓清辅助系统、方法、设备及存储介质，包括：数据获取模块，用于获取实时参数数据；所述实时参数数据包括患者类型、患者的血氧饱和度、氧分压、二氧化碳分压数据、肺部听诊影像数据以及呼吸机的波形数据中的一种或多种；智能化分析模块，用于根据所述患者类型对所述实时参数数据进行分析；所述智能化分析模块包括呼吸分析单元、肺部影像数据分析单元以及呼吸机波形分析单元；所述呼吸分析单元对所述血氧饱和度、氧分压和二氧化碳分压数据进行分析，确定患者当前的呼吸状态；所述肺部影像数据分析单元对所述肺部听诊影像数据进行智能分析识别肺部痰液堵塞情况；所述呼吸机波形分析单元基于所述呼吸机的波形数据，识别异常波形数据，确定当前管路积水情况；帮助医护人员快速准确地评估患者的呼吸状况，及时发现异常情况；气道廓清模块，用于根据智能分析结果，确定是否需要启动伊洛亨排痰呼吸模式；模型预测模块，用于构建基于患者当前的呼吸状态、肺部痰液堵塞情况和当前管路积水情况的回归模型，对各项参数数据进行特征融合，得到综合特征值；判断模块，用于基于所述综合特征值，判断是否达到预警值，当达到预警值时，通知医护人员进行人工处理。本发明利用先进的数据处理技术和算法，实时监测患者的呼吸情况，及时发现并处理气道问题。通过系统化的数据采集和分析提高气道清理的效率和准确性，提升患者的治疗效果，使患者在使用呼吸机的同时能够实现主动排痰，解决了患者通气过程中痰液粘稠栓塞问题，极大地降低了患者被痰液卡住的风险。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种智能化呼吸支持与气道廓清辅助系统结构示意图。
图2为本发明提供的一种智能化呼吸支持与气道廓清辅助方法流程示意图。
图3(a)为本发明实施例提供的缩颈分离机理--气体形成示意图。
图3(b)为本发明实施例提供的缩颈分离机理--气泡形成示意图。
图4为本发明实施例提供的各级支气管汇集成的Y型网络结构示意图。
图5为本发明实施例提供的T形微通道内微气泡产生原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种智能化呼吸支持与气道廓清辅助系统、方法、设备及存储介质，利用先进的数据处理技术和算法，实时监测患者的呼吸情况，及时发现并处理气道问题。通过系统化的数据采集和分析提高气道清理的效率和准确性，提升患者的治疗效果，使患者在使用呼吸机的同时能够实现主动排痰，解决了患者通气过程中痰液粘稠栓塞问题，极大地降低了患者被痰液卡住的风险。
本发明实施例公开了一种智能化呼吸支持与气道廓清辅助系统，如图1所示，包括：
数据获取模块，用于获取实时参数数据；所述实时参数数据包括患者类型、患者的血氧饱和度、氧分压、二氧化碳分压数据、肺部听诊影像数据以及呼吸机的波形数据中的一种或多种；所述患者类型包括成人、儿童和新生儿；
智能化分析模块，用于根据所述患者类型对所述实时参数数据进行分析；
所述智能化分析模块包括呼吸分析单元、肺部影像数据分析单元以及呼吸机波形分析单元；所述呼吸分析单元对所述血氧饱和度、氧分压和二氧化碳分压数据进行分析，确定患者当前的呼吸状态；所述肺部影像数据分析单元对所述肺部听诊影像数据进行智能分析识别肺部痰液堵塞情况；所述呼吸机波形分析单元基于所述呼吸机的波形数据，识别异常波形数据，确定当前管路积水情况；帮助医护人员快速准确地评估患者的呼吸状况，及时发现异常情况；
气道廓清模块，用于根据智能分析结果，确定是否需要启动伊洛亨排痰呼吸模式；
模型预测模块，用于构建基于患者当前的呼吸状态、肺部痰液堵塞情况和当前管路积水情况的回归模型，对各项参数数据进行特征融合，得到综合特征值；
判断模块，用于基于所述综合特征值，判断是否达到预警值，当达到预警值时，通知医护人员进行人工处理。
具体的，使用特征提取方法，例如统计特征、频域特征、时域特征等，将原始数据转换为特征向量。然后，将这些特征数据输入到回归模型中进行训练，估计与这些参数相关的目标值。在训练模型时，考虑特征之间的相关性，并进行特征融合，获得更具代表性和高效的综合特征值。
具体的，所述呼吸状态包括正常呼吸频次和异常呼吸频次；
当分析判断血氧饱和度、氧分压和二氧化碳分压数据均处于正常范围时，则当前患者的呼吸状态为正常呼吸频次；
当分析判断血氧饱和度、氧分压和二氧化碳分压数据中任一项处于异常范围时，则当前患者的呼吸状态为异常呼吸频次；此时，启动伊洛亨排痰呼吸模式，根据实时获取的血氧饱和度、氧分压和二氧化碳分压数据，调整呼吸机参数。
正常呼吸频次：在正常情况下，经皮血氧饱和度(SpO2)应该在保持在93-97％，当SpO2大于97％时，系统自动下调至维持97％时的最低氧浓度(FiO2)。氧分压(PaO2)正常范围是在80-120mmHg之间。二氧化碳分压(PaCO2)维持正常范围是在35-45mmHg之间。
异常呼吸频次：未处于正常呼吸频次的范围内，均为异常呼吸频次。
具体的，所述肺部影像数据分析单元包括：
数据获取子单元，用于实时获取患者的肺部影像数据；
数据处理子单元，用于对所述肺部影像数据进行智能化分析处理，判断当前支气管肺堵塞率，当支气管肺堵塞率大于预设阈值时，启动伊洛亨排痰呼吸模式，根据实时确定的支气管肺堵塞率，调整呼吸机参数。
具体的，对所述肺部影像数据进行智能化分析处理，判断当前支气管肺堵塞率，包括：
根据所述肺部影像数据得到原始像素矩阵；
基于四邻域的邻接关系确定肺部影像数据中的支气管肺堵塞区域，并对支气管肺堵塞区域进行标记，得到支气管肺堵塞面积的堵塞区域像素矩阵；
根据所述原始像素矩阵和所述堵塞区域像素矩阵计算得到支气管肺堵塞率。
具体的，基于四邻域的邻接关系确定肺部影像数据中的支气管肺堵塞区域，并对支气管肺堵塞区域进行标记，包括：
基于四邻域的邻接关系根据患者正常状态下的肺部影像数据标记患者的支气管区域；
确定相似性阈值范围，判断两个像素点的灰度值是否在相似性阈值范围内；相似性阈值的选择根据肺部影像数据和支气管区域的灰度值特点进行调整，选择一个合适的灰度值差异范围；对于每个像素点，遍历其四个邻域像素点，分别与当前像素点比较灰度值；
若当前像素点与某个邻域像素点的灰度值差异在相似性阈值范围内，则将它们标记为同一个区域；若不在相似性阈值范围内，则标记为不同区域；
针对新标记的邻域像素点，继续遍历其四个邻域像素点，并递归地进行灰度值比较和区域标记；
继续重复以上步骤，直到所有像素点都被处理完毕，确定患者的支气管区域；
同理，确定支气管区域中的支气管肺堵塞区域，并进行标记。
具体的，对于每个像素点，检查其四个邻域像素点是否与其具有相似的灰度值(表示为相似性阈值)。如果相似性通过阈值，则认为它们属于同一区域。通过遍历所有像素点，不断合并属于同一区域的像素，直到所有像素点都被处理完毕。根据合并后的像素区域，确定支气管肺堵塞区域的位置和大小。根据区域的面积判断是否为支气管肺堵塞区域。将支气管肺堵塞区域的像素标记为特定的数值，例如255(白色)，其余像素保持原始灰度值。最后得到支气管肺堵塞区域的堵塞区域像素矩阵，通过显示该标记后的像素矩阵来查看支气管肺堵塞区域的形状和位置。支气管肺堵塞区域和支气管区域采用不同的数值进行标识。
具体的，支气管肺堵塞率≥40％时，系统启动伊洛亨排痰呼吸模式，该呼吸模式为常频正压通气叠加较低振幅的高频振荡通气模式，具备痰液泡沫化后排出的功能；同时打开排痰管路阀门，根据阻塞的程度，每提高10％，增加震荡幅度±2cmH20，最高±30cmH2O；当支气管肺堵塞率大于30％时，呼吸机默认自动启动伊洛亨排痰呼吸模式，打开伊洛亨排痰呼吸模式后15分钟自动打开排痰管路的阀门；
具体的，伊洛亨排痰呼吸模式具备排痰功能的呼吸支持模式组合主要为：去除触发状态的常频正压通气模式的基础上叠加高频振荡通气(HFOV)；所述常频正压通气模式主要包括间歇指令通气模式(IPPV模式)/和控制指令通气模式(CMV模式)。采用保护性肺通气策略，限制最大压力，防止呼吸机相关的肺损伤和大气道气漏。
该呼吸模式通过提供常频正压的呼气及吸气压力气流，打开患者的小气道及肺泡，实现基础通气，排出CO2；同时通过叠加的小潮气量的高频振荡气流进出肺泡，由于炎症部位的肺泡顺应性下降，时间常数(τ)减低，与小潮气量的高频振荡气流频率接近，发生共振取得较大振幅；这部分肺泡的每分钟通气量增加，改善炎症部位的肺泡通气；同时高频振荡气流与肺泡及小气道内的渗出粘液混合，通过缩颈分离等机制产生大量的泡沫，如图3(a)和图3(b)所示，为缩颈分离机制中气流通过肺泡口形成泡沫原理图。图中孔道为肺泡上皮与肺泡口模式图，气体通过肺泡口，散点区域为含有病变肺泡内的粘液区域；在肺泡内发生粘液体积(V)膨胀运移、混合粘液密度(ρ)和粘度减低(μ)，可以在较低的呼吸机常频正压的呼气压力作用下排除。由于吸气时间短呼气时间较长，痰液就逐步随呼吸从肺泡-小气道-大气道外排。这样，将正常的呼吸周期从吸气-呼气两个冲程，变成吸气-压缩-泡沫化振荡-呼气排痰四个冲程。完成了呼吸机对病变肺泡内粘液的排除过程。如图4所示，由于肺小叶在肺泡管以上结构汇集成T形管，在T形管或者Y形管内，高频与常频气流均参与粘液泡沫形成；同时与高频纤毛共振协助排痰；如图5所示，图5为T形微通道内微气泡产生原理图，T形管为局部简化示意，T形管一侧为粘液流动，另一侧有气流汇入产生气泡，此时，气泡受到气体动力，表面张力、液体推力以及惯性力的共同作用。粘液在呼气驱动下进一步运移，在大气道内，是痰液运移的最后“一公里”，粘液运移在无创条件下，利用喉部口鼻咽喉三通结构、通过辅助咳嗽咳出；在有创条件下，利用气管导管管路的改进添加测位排痰管，运移缩短距离，实现气管导管内液气分离排痰。结合呼吸机的漏气补偿机制等技术技巧，保持肺内压力，不发生病变肺泡的塌陷。
具体的，本发明实施例运行过程中，系统实时测控和计算呼吸机的如下参数：
输出气流量[QV(t)]、呼吸机管路Y端压力(计算值)P(t)、漏气流量[QMLEAK(t)]、通气对象的呼吸气流量[Q(t)]、吸气时间(Ti)、呼气时间(Te)、每分钟呼吸次数(BreathsPerMinute，BPM)、实时吸气压力[IPAP(t)]、实时呼气压力[EPAP(t)]等。
IPAP(t)和EPAP(t)分别为某t时刻振荡压POSC叠加在IPAP上和EPAP上的呼吸机实时输出压力。总气道阻力R总表达为Z(R，I，C)，为呼吸道阻抗(包括黏性气阻R、惯性气阻I和顺应性C)。呼吸比I：E、呼吸周期T、潮气量(吸气与呼气)VT、分钟通气量MV的计算方法如下所示：
I：E＝Ti：Te；
T＝Ti+Te；
基于设计对应的IPPV/CMV叠加HFOV伊洛亨排痰通气模式(ELOHIM MODE)，为了实现正弦震荡气压PEW的输出，采用如下所示的迭代算法(包括两次乘法和一次减法运算)来实现振荡信号输出，振荡的吸呼时间比为1：1。
Y[n]＝A sin B；
Y[n]＝2A cosB×Y[n-1]-Y[n-2]；
PEW＝Y[n]；
其中，A为正弦波震荡幅度，fs是采样频率(步频率，本发明实施例设计为2ms(500Hz))，fo是输出的正弦波频率，n为步计数，Y[n]、Y[n-1]和Y[n-2]分别表示第n步、第n-1步和第n-2步的输出。为了进一步提高计算的资源利用率，当步频率fs和信号频率fo确定后，程序预先根据上式计算输出一个震荡周期的Y[n]数据表并保存在内存中，然后在震荡输出过程中采用查数据表的算法来避免乘法运算。
具体的，运行过程中，通过呼气末CO2分压测定，动态调整常频通气的潮气量和通气频率，在常频通气中，二氧化碳清除率(DCO2)与分钟通气量(MV)成正比。
由于在IPPV/CMV叠加低于15cmH2O的较低振幅的HFOV后形成新的通气波形，具备了使得病变肺泡内痰液泡沫化，泡沫粘液随着常频正压部分排出肺泡的功能，本发明实施例称之为伊洛亨排痰呼吸模式(ELOHIM Mode)，除了上述情况外，DCO2还与HFOV的频率(f)以及潮气量(VtHF)的平方成正比。具体算法如下：
IPPV/CMV模式下：
ELOHIM模式下：
其中A1为IPPV/CMV的DCO2的相关系数；A2为HFOV的DCO2相关系数。
具体的，所述呼吸机波形分析单元基于所述呼吸机的波形数据，识别异常波形数据，确定当前管路积水情况，包括：
波形获取子单元，用于获取患者的呼吸波形数据；
波形处理子单元，用于对所述呼吸波形数据进行智能化分析处理，识别异常波形数据，当识别到波形数据异常时，启动伊洛亨排痰呼吸模式，根据实时获取的呼吸波形数据，调整呼吸机参数。
具体的，从呼吸机传感器或其他监测设备中接收实时的呼吸波形数据。将波形数据转换为数字信号，并存储或发送给波形处理子单元进行后续处理。确保数据的准确性和可靠性。
波形处理子单元分析呼吸波形数据，检测异常波形特征，并识别可能的异常情况，如呼吸暂停、呼吸困难等。当识别到异常波形数据时，根据预设的处理策略，启动伊洛亨排痰呼吸模式，辅助通气；
实时监测患者的呼吸波形数据，并与预设的参考值进行比对，根据实时数据调整呼吸机参数(如呼吸频率、潮气量等)，以确保患者得到合适的通气支持。
具体的，波形处理子单元分析呼吸波形数据，检测异常波形特征，包括：
根据呼吸波形数据计算波动率，所述呼吸波形数据为针对患者的一段预设时间长度的呼吸波形，所述波动率用于表示所述呼吸波形数据的波动程度，其中，通过缓存一段时间的呼吸波形数据，并根据该段时间波形的上升下降变化次数、单方向跳变幅值、各跳变幅值发生的次数总体评估参数、呼吸变化率进行综合判断，得出所述波动率；
根据呼吸波形数据和所述波动率，检测呼吸波形的异常波形特征；
若判断得到所述波动率的值为1，则表示所述呼吸波形数据的波动程度大，此时检测为异常波形特征；
若判断得到所述波动率的值为0，则表示所述呼吸波形数据的波动程度小，此时波形特征正常。
具体的，所述伊洛亨排痰呼吸模式包括：在常频正压通气模式的基础上叠加高频振荡通气，形成新的具备泡沫驱动排痰的通气波形；，新的通气波形能够使病变肺泡内痰液泡沫化，泡沫粘液随着常频正压部分排出肺泡；
所述常频正压通气模式包括间歇指令通气模式或控制指令通气模式。
本发明实施例还公开了一种智能化呼吸支持与气道廓清辅助方法，如图2所示，包括：
获取实时参数数据；所述实时参数数据包括患者类型、患者的血氧饱和度、氧分压、二氧化碳分压数据、肺部听诊影像数据以及呼吸机的波形数据中的一种或多种；
根据所述患者类型对所述实时参数数据进行分析：对所述血氧饱和度、氧分压和二氧化碳分压数据进行分析，确定患者当前的呼吸状态；对所述肺部听诊影像数据进行智能分析识别肺部痰液堵塞情况；基于所述呼吸机的波形数据，识别异常波形数据，确定当前管路积水情况；
根据智能分析结果，确定是否需要启动伊洛亨排痰呼吸模式；
构建基于患者当前的呼吸状态、肺部痰液堵塞情况和当前管路积水情况的回归模型，对各项参数数据进行特征融合，得到综合特征值；
基于所述综合特征值，判断是否达到预警值，当达到预警值时，通知医护人员进行人工处理。综合特征值能够对患者呼吸情况进行综合判断，当患者的呼吸情况不稳定时，及时发出预警，通知医护人员，帮助医护人员更及时、准确地对患者情况做出反应和处理。通过整合数据分析、特征提取和预警系统，实现了智能化的医疗辅助系统。
本发明实施例还公开了一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述一种智能化呼吸支持与气道廓清辅助方法。
本发明实施例还公开了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述一种智能化呼吸支持与气道廓清辅助方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种智能化呼吸支持与气道廓清辅助系统，其特征在于，包括：
数据获取模块，用于获取实时参数数据；所述实时参数数据包括患者类型、患者的血氧饱和度、氧分压、二氧化碳分压数据、肺部听诊影像数据以及呼吸机的波形数据中的一种或多种；
智能化分析模块，用于根据所述患者类型对所述实时参数数据进行分析；
所述智能化分析模块包括呼吸分析单元、肺部影像数据分析单元以及呼吸机波形分析单元；所述呼吸分析单元对所述血氧饱和度、氧分压和二氧化碳分压数据进行分析，确定患者当前的呼吸状态；所述肺部影像数据分析单元对所述肺部听诊影像数据进行智能分析识别肺部痰液堵塞情况；所述呼吸机波形分析单元基于所述呼吸机的波形数据，识别异常波形数据，确定当前管路积水情况；
气道廓清模块，用于根据智能分析结果，确定是否需要启动伊洛亨排痰呼吸模式；
模型预测模块，用于构建基于患者当前的呼吸状态、肺部痰液堵塞情况和当前管路积水情况的回归模型，对各项参数数据进行特征融合，得到综合特征值；
判断模块，用于基于所述综合特征值，判断是否达到预警值，当达到预警值时，通知医护人员进行人工处理。
2.根据权利要求1所述的一种智能化呼吸支持与气道廓清辅助系统，其特征在于，所述呼吸状态包括正常呼吸频次和异常呼吸频次；
当分析判断血氧饱和度、氧分压和二氧化碳分压数据均处于正常范围时，则当前患者的呼吸状态为正常呼吸频次；
当分析判断血氧饱和度、氧分压和二氧化碳分压数据中任一项处于异常范围时，则当前患者的呼吸状态为异常呼吸频次；此时，启动伊洛亨排痰呼吸模式，根据实时获取的血氧饱和度、氧分压和二氧化碳分压数据，调整呼吸机参数。
3.根据权利要求1所述的一种智能化呼吸支持与气道廓清辅助系统，其特征在于，所述肺部影像数据分析单元包括：
数据获取子单元，用于实时获取患者的肺部影像数据；
数据处理子单元，用于对所述肺部影像数据进行智能化分析处理，判断当前支气管肺堵塞率，当支气管肺堵塞率大于预设阈值时，启动伊洛亨排痰呼吸模式，根据实时确定的支气管肺堵塞率，调整呼吸机参数。
4.根据权利要求3所述的一种智能化呼吸支持与气道廓清辅助系统，其特征在于，对所述肺部影像数据进行智能化分析处理，判断当前支气管肺堵塞率，包括：
根据所述肺部影像数据得到原始像素矩阵；
基于四邻域的邻接关系确定肺部影像数据中的支气管肺堵塞区域，并对支气管肺堵塞区域进行标记，得到支气管肺堵塞面积的堵塞区域像素矩阵；
根据所述原始像素矩阵和所述堵塞区域像素矩阵计算得到支气管肺堵塞率。
5.根据权利要求4所述的一种智能化呼吸支持与气道廓清辅助系统，其特征在于，基于四邻域的邻接关系确定肺部影像数据中的支气管肺堵塞区域，并对支气管肺堵塞区域进行标记，包括：
基于四邻域的邻接关系根据患者正常状态下的肺部影像数据标记患者的支气管区域；
确定相似性阈值范围，对于每个像素点，遍历其四个邻域像素点，分别与当前像素点比较灰度值；
若当前像素点与某个邻域像素点的灰度值差异在相似性阈值范围内，则将它们标记为同一个区域；若不在相似性阈值范围内，则标记为不同区域；
针对新标记的邻域像素点，继续遍历其四个邻域像素点，并递归地进行灰度值比较和区域标记；
继续重复以上步骤，直到所有像素点都被处理完毕，确定患者的支气管区域；
同理，确定支气管区域中的支气管肺堵塞区域，并进行标记。
6.根据权利要求1所述的一种智能化呼吸支持与气道廓清辅助系统，其特征在于，所述呼吸机波形分析单元基于所述呼吸机的波形数据，识别异常波形数据，确定当前管路积水情况，包括：
波形获取子单元，用于获取患者的呼吸波形数据；
波形处理子单元，用于对所述呼吸波形数据进行智能化分析处理，识别异常波形数据，当识别到波形数据异常时，启动伊洛亨排痰呼吸模式，根据实时获取的呼吸波形数据，调整呼吸机参数。
7.根据权利要求1所述的一种智能化呼吸支持与气道廓清辅助系统，其特征在于，所述伊洛亨排痰呼吸模式包括：在常频正压通气模式的基础上叠加高频振荡通气，形成新的具备泡沫驱动排痰的通气波形；新的通气波形能够使病变肺泡内痰液泡沫化，泡沫粘液随着常频正压部分排出肺泡；
所述常频正压通气模式包括间歇指令通气模式或控制指令通气模式。
8.一种智能化呼吸支持与气道廓清辅助方法，应用权利要求1-7任一项所述的一种智能化呼吸支持与气道廓清辅助系统，其特征在于，包括：
获取实时参数数据；所述实时参数数据包括患者类型、患者的血氧饱和度、氧分压、二氧化碳分压数据、肺部听诊影像数据以及呼吸机的波形数据中的一种或多种；
根据所述患者类型对所述实时参数数据进行分析：对所述血氧饱和度、氧分压和二氧化碳分压数据进行分析，确定患者当前的呼吸状态；对所述肺部听诊影像数据进行智能分析识别肺部痰液堵塞情况；基于所述呼吸机的波形数据，识别异常波形数据，确定当前管路积水情况；
根据智能分析结果，确定是否需要启动伊洛亨排痰呼吸模式；
构建基于患者当前的呼吸状态、肺部痰液堵塞情况和当前管路积水情况的回归模型，对各项参数数据进行特征融合，得到综合特征值；
基于所述综合特征值，判断是否达到预警值，当达到预警值时，通知医护人员进行人工处理。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求8所述的一种智能化呼吸支持与气道廓清辅助方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求8所述的一种智能化呼吸支持与气道廓清辅助方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410971859.0A CN118873117A (zh) | 2024-07-19 | 2024-07-19 | 一种智能化呼吸支持与气道廓清辅助系统、方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410971859.0A CN118873117A (zh) | 2024-07-19 | 2024-07-19 | 一种智能化呼吸支持与气道廓清辅助系统、方法、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118873117A true CN118873117A (zh) | 2024-11-01 |
Family
ID=93230706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410971859.0A Pending CN118873117A (zh) | 2024-07-19 | 2024-07-19 | 一种智能化呼吸支持与气道廓清辅助系统、方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118873117A (zh) |
-
2024
- 2024-07-19 CN CN202410971859.0A patent/CN118873117A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102770070B (zh) | 用于实时评估肺力学的系统和方法 | |
| JP5053083B2 (ja) | 人工呼吸器支持を受けている患者の終末呼気陽圧（ＰＥＥＰｉ）を非侵襲的に予測するための方法及び機器 | |
| JP3819075B2 (ja) | 人工呼吸装置および人工呼吸装置を制御する方法 | |
| JP3955011B2 (ja) | 心拍出量を非侵襲的に測定する装置及び方法 | |
| CN104302338B (zh) | 用于通气治疗的装置和方法 | |
| US9468398B2 (en) | Method and apparatus for detecting and quantifying intrinsic positive end-expiratory pressure | |
| EP1534131B1 (en) | Method and apparatus for predicting work of breathing | |
| CA2861505C (en) | Method and apparatus for predicting work of breathing | |
| US11247009B2 (en) | Anomaly detection device and method for respiratory mechanics parameter estimation | |
| US20120215081A1 (en) | Method and Apparatus for Predicting Work of Breathing | |
| JP2009506825A (ja) | 肺活量を監視する方法と装置 | |
| US11389607B2 (en) | Ventilation apparatus for cardiopulmonary resuscitation with display of the trend in CO2 | |
| US20210244900A1 (en) | Method for operating a ventilator for artificial ventilation of a patient, and such a ventilator | |
| Rose et al. | Ventilation and oxygenation management | |
| CN118873117A (zh) | 一种智能化呼吸支持与气道廓清辅助系统、方法、设备及存储介质 | |
| KR101710901B1 (ko) | 환자의 상태 정보를 기초로 자율 구동되는 인공 지능형 의료용 석션기 및 인공 지능형 의료용 석션기의 제어 방법 | |
| US20030075178A1 (en) | Continuous gas leakage for elimination of ventilator dead space | |
| Schott et al. | Real-time computation of a patient's respiratory effort during ventilation | |
| US20240165353A1 (en) | Systems and methods for ultrasound-based assessment of regional respiratory parameters to guide lung protective ventilation | |
| de Jongh et al. | Technical aspects of the ventilator | |
| Neema et al. | Mainstream time-capnography: an aid to select an appropriate uncuffed endotracheal tube in small children | |
| Gosselink et al. | Physiotherapy and speech therapy in ventilated patients | |
| Hoffman et al. | Effect of tracheal gas insufflation during weaning from prolonged mechanical ventilation: a preliminary study | |
| Brearley | Critical care, respiratory assessment and support | |
| AU2002348458A1 (en) | Continuous gas leakage for elimination of ventilator dead space |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |