使用模糊神经网络，为急性呼吸窘迫综合征患者构建呼吸机调整的神经模糊连续协议表示

《Scientific Reports》：Build a neuro-fuzzy continuous protocol representation for ventilator adjustments in acute respiratory distress syndrome patients using fuzzy neural network

　　

摘要

急性呼吸窘迫综合征 (ARDS) 正在增加，原因包括：加重动脉低氧血症的 2019 冠状病毒病 (COVID-19)、吸入烟雾以及导致液体在肺泡中积聚的损伤。已经制定了标准的临床标准来定义 ARDS 严重程度，而滴定方案指导呼吸机设置。柏林定义方案根据 \(PaO_2/FiO_2\) 比率对 ARDS 诊断严重程度进行分类，而呼气末正压 (PEEP) 滴定则受 ARDS 网络 (ARDSNet) 低 PEEP 和高 PEEP 标尺的指导。然而，医生手动实施离散查找表所带来的挑战包括阈值边界处的阶梯不连续性、性能准确性和及时干预。随着重症监护室 (ICU) 患者数量的增加，医生可能会被工作量压垮，从而无法有效控制机械通气参数。参数设置上的任何微小变化或延迟都可能导致错误的结果。因此，本研究的目的是在设置呼吸机参数过程中应用人工智能来指导医生。模糊神经网络 (FNN) 用于训练并将未模糊化的 ARDSNet PEEP 滴定表转换为模糊化的连续推理面。在这项计算研究中，模型性能使用 5 折交叉验证进行评估，并在未见的中间 \(FiO_2\) 设定值 (\(FiO_2 \in \{0.35, 0.45, 0.55, 0.65, 0.75, 0.85, 0.95\}\)) 上进行了测试，验证均方根误差 (RMSE) 达到 0.018 cm H\(_2\)O，平均绝对误差 (MAE) 达到 0.012 cm H\(_2\)O，且 \(R^2 = 0.9998\)。结果表明，与未模糊化表相比，模糊化 ARDSNet PEEP 模型的输出非常准确，同时消除了 \(FiO_2\) 增量之间的突然阶梯变化。比较分析表明，ANFIS 提供了平滑的 \(C^1\)-连续参数转换，而没有线性插值的边界斜率不连续或三次样条的过冲振荡。减轻临床医生工作量和减少错误的潜力代表了未来前瞻性临床试验的一个假设。