综述：利用机器学习预测机械通气成功脱机的系统评价

（编辑推荐）本综述系统评估了机器学习（ML）在预测机械通气（MV）脱机结局中的应用，涵盖XGBoost、随机森林（RF）等11项研究（n=18 336）。结果显示，XGBoost的曲线下面积（AUC）表现最优（91%-94%），而人工神经网络（ANN）精度达77%-80%。研究强调ML模型可整合临床、实验室数据提升预测效能，但需进一步探索Transformer等新架构。

　　

Abstract
机器学习（ML）模型作为先进计算工具，近年被广泛应用于预测机械通气（MV）脱机成功率。本文通过系统评价11项研究（18 336例患者），发现提升算法（如XGBoost、LightGBM）和随机森林（RF）使用频率最高，而XGBoost在AUC比较中表现最优（94%）。研究同时指出，当前领域存在数据集规模小、缺乏Transformer等新架构应用的局限性。

Background
MV是维持呼吸衰竭患者生命的关键手段，但长期使用可能导致呼吸机相关性肺损伤（VILI）和肌肉萎缩。全球MV标准化使用率差异显著（美国614/10万 vs 英国131/10万），且脱机失败率在老年患者中高达12%-18%。传统方法如自主呼吸试验（SBT）和闭环脱机系统（如SmartCare）依赖生理反馈，而ML通过分析临床、实验室及呼吸机参数，为脱机决策提供数据驱动支持。

Methods
研究检索了PubMed、EMBASE等数据库至2024年5月，纳入评估ML预测成人MV脱机成功的同行评审文献。质量评估采用改良Joanna Briggs Institute量表，结果显示70%研究获满分。最终纳入的11项研究中，模型验证以5折和10折交叉验证为主。

Results

• 模型性能：ANN准确率77%-80%，多层感知机（MLP）达87%准确率和94%精确度，卷积神经网络（CNN）AUC为91%-94%。
• 算法比较：XGBoost在多数研究中表现最优，其AUC显著高于逻辑回归等传统模型。
• 数据特征：预测变量集中于 demographics、血气分析、呼吸机参数（如PEEP_max）及实验室指标（如血清白蛋白）。

Discussion
尽管ML模型（尤其XGBoost）展现出高预测效能，但存在以下挑战：

1. 数据局限性：样本量小（最小研究n=142）且多为单中心数据；
2. 算法多样性不足：缺乏对Transformer、图神经网络（GNN）等新架构的探索；
3. 临床转化壁垒：模型可解释性差，且未与ICU现有系统（如EPIC）集成。

Conclusions
ML（尤其XGBoost）为MV脱机预测提供了高精度工具，但未来需扩大数据集、纳入新兴算法并加强临床验证。研究者建议开展多中心前瞻性试验，结合实时生理信号（如ECG^RR间期变异）以进一步提升模型鲁棒性。