编辑推荐：
为解决机械通气患者拔管决策难题，研究人员构建基于边缘计算（Edge Computing）与机器学习（ML）的拔管预测框架，采用随机森林（RF）和 XGBoost 模型分析呼吸机实时数据。结果显示 XGBoost 性能更优，且边缘架构减少 83.33% 数据传输，为临床提供高效决策支持。
在重症监护领域，机械通气患者的拔管时机判断一直是临床难题。错误的拔管决策可能导致严重并发症、延长 ICU 住院时间并增加医疗成本。随着医疗物联网（IoMT）的发展，实时监测与数据分析技术为解决这一问题提供了新方向，但传统云架构因数据传输延迟和服务器负载限制，难以满足实时决策需求。因此，如何结合边缘计算与机器学习技术，构建高效稳定的拔管预测系统，成为提升重症患者救治效率的关键课题。
中国台湾彰化基督教医院与中兴大学等机构的研究人员开展了相关研究，旨在开发基于边缘计算的机器学习模型，通过分析呼吸机实时数据预测拔管成功率。该研究成果发表在《Scientific Reports》，为临床拔管决策提供了创新的技术方案。
研究采用树莓派 4 Model B 作为边缘设备，基于 Python 平台整合 Pandas、NumPy 和 Scikit-learn 等库。关键技术方法包括：①数据采集：收集台湾某医院 233 例患者的 demographic 和临床数据，包含 3.5 小时连续生理记录，涵盖潮气量（Vte）、呼吸频率（RR）、气道峰压（Ppeak）等 6 项呼吸参数；②数据预处理：通过 1-300 秒时间间隔的均值计算降低噪声；③特征选择：利用信息增益法筛选关键特征，确定原始 6 项参数均为有效输入；④模型训练与评估：采用 Holdout 交叉验证（6:4、7:3、8:2）和十折交叉验证，对比随机森林（RF）和 XGBoost 模型性能。
研究结果
模型性能对比
在不同验证方案中，XGBoost 总体表现优于 RF。例如在 M1 验证（6:4 分割）中，RF 在 120 秒均值数据下达到最佳精度，而 XGBoost 在 180 秒均值时表现更优，且除部分时间间隔外，XGBoost 的 ROC 曲线下面积（AUC）均高于 RF。十折交叉验证（M4）显示，XGBoost 在 1 秒、120 秒和 300 秒均值数据下精度优于 RF，验证了其稳定性。
时间效率与数据传输优化
边缘计算架构显著提升预测效率。随着数据采集间隔延长，模型推理时间大幅缩短。例如 RF 在 1 秒均值时预测耗时 407 秒，而 300 秒均值时仅需 1 秒；XGBoost 耗时更短，300 秒均值时 < 1 秒。此外，边缘设备本地处理数据使服务器数据传输量减少 83.33%，降低了网络延迟和服务器负载。
特征重要性与模型鲁棒性
信息增益分析表明，吸入氧浓度（FiO?）和气道峰压（Ppeak）是拔管预测的关键特征，其信息增益值随时间间隔延长而增加。使用全部 6 项特征时，模型精度最高可达 99.93%，验证了原始参数组合的有效性。
结论与意义
本研究成功构建边缘计算驱动的拔管预测系统，证实 XGBoost 在医疗时序数据处理中优于 RF，且边缘架构显著提升系统稳定性与效率。该方案无需额外生命体征监测，仅通过呼吸机物联网数据即可实现实时预测，为临床提供了低成本、高兼容性的决策工具。研究结果有助于减少拔管失败率、缩短 ICU 住院时间并优化医疗资源配置，为重症监护领域的 AI 应用奠定了基础。尽管研究仅基于单中心数据，但其提出的技术框架为多中心验证和临床转化提供了重要参考，未来可进一步整合患者个性化变量以提升预测精度。
