重症监护中闭环无创通气：当前证据与临床展望

《Frontiers in Anesthesiology》：Closed-loop non-invasive ventilation in critical care: current evidence and clinical perspectives

　　

摘要专业翻译 无创通气（non-invasive ventilation, NIV）是急性和围手术期呼吸支持的核心手段，但其有效性受到患者选择、界面漏气、患者-呼吸机异步（patient-ventilator asynchrony）、吸气努力过度以及治疗失败识别延迟等因素的制约。闭环（closed-loop）和自适应（adaptive）方法可通过允许呼吸机或决策支持系统根据生理反馈调整支持水平，部分解决上述局限性。本小型综述综合了与重症监护中NIV相关的闭环概念的最新证据，包括漏气补偿算法（leak-compensation algorithms）、自动触发与切换（automated triggering and cycling）、波形引导同步（waveform-guided synchronization）、比例辅助通气（proportional assist ventilation, PAV）与神经调节辅助通气（neurally adjusted ventilatory assist, NAVA）、容量保证压力支持（volume-assured pressure support）、呼吸驱动与努力监测，以及新兴的人工智能方法。现有文献提示，大多数临床可用的NIV技术应被视为部分闭环系统（partial closed-loop systems），而非完全自主的生理控制器。证据最为充分的是通过漏气适应算法、专用NIV呼吸机、NAVA和自动化波形引导切换改善患者-呼吸机交互，而闭环NIV改善重症成人患者中心结局的直接证据仍然有限。生理监测，尤其是吸气努力的早期评估，可能为未来旨在个体化支持并避免延迟插管的闭环NIV策略提供关键输入信号。人工智能、本体论（ontologies）、数字孪生（digital twins）和强化学习（reinforcement learning）可能加速相关发展，但其当前作用主要处于临床前或概念阶段。未来试验应测试经临床监督、受安全约束的系统，整合呼吸机波形、气体交换、漏气、舒适度、驱动和失败预测。

论文主体内容总结

什么应被视为闭环NIV

闭环通气应被理解为一种控制架构，而非单一的专有呼吸机模式。Chatburn和Mireles-Cabodevila根据预设目标的实现方式，将呼吸机目标定位方案（targeting schemes）分类为设定点（set-point）、双重（dual）、伺服（servo）、自适应（adaptive）、最优（optimal）和智能（intelligent）类型。Lellouche和Brochard强调，PAV、NAVA、ASV和SmartCare代表了具有不同输入、响应时间和临床目标的先进闭环系统。Van der Staay和Chatburn进一步表明，“最优”目标定位取决于目标函数：在成人ARDS的等效模拟通气效率条件下，ASV的预期潮气量约为7.4 mL/kg，AVM2约为6.2 mL/kg，MFV约为6.7 mL/kg，不同代价函数产生了不同的最优频率。因此，自动化内嵌了特定的生理目标，而非取代临床判断。

对于NIV而言，这一分类体系具有重要意义，因为“闭环NIV”这一术语可能被过度使用。AVAPS和iVAPS根据通气目标调整吸气压力，但不监测努力或失败风险；漏气补偿算法修改触发和流量估计，但不选择临床目标；NAVA提供与膈肌电活动（electrical activity of the diaphragm, EAdi）成比例的伺服辅助，但不决定NIV是否仍然适用。一个成熟的系统可能应为分层多速率结构：快速逐次呼吸环路处理漏气、触发和切换，而较慢环路针对通气、努力、气体交换和失败风险。稳定性需要考虑传感器延迟、生理延迟、信号噪声、患者间及患者内变异性、竞争性目标以及非线性或路径依赖行为。在呼吸系统中，压力-容积滞后可反映复张/去复张和黏弹性行为，说明对给定压力的反应可能取决于先前状态。在生理闭环设备中，传感器延迟和动态不确定性可能损害控制器稳定性，支持有界变化速率、故障安全或回退模式以及临床医生覆盖。反馈输入应区分直接测量的设备信号（气道压力、设备流量）、模型衍生估计（漏气、患者流量、潮气量、力学）以及额外的生理测量或替代指标（EAdi、食管压、P0.1、SpO₂、超声），这些信号在测量途径、对伪差或估计误差的敏感性以及时间分辨率方面有所不同。

有创通气领域的证据基础同时显示了该概念的潜力和局限。一项系统综述发现，闭环通气可能改善过程指标并减少工作人员工作量，尽管对临床结局的影响因系统和人群而异。大型ACTiVE试验报告，与方案化的常规有创通气相比，早期INTELLiVENT-ASV并未增加无呼吸机天数，尽管通气质量有所改善且严重气体交换紊乱更少。这些发现与NIV相关，因为它们警示不应假设更好的自动化必然转化为以患者为中心的获益。

漏气补偿、触发和切换：NIV的首个实用环路

NIV中最具体的闭环问题是漏气。在台架模型中，Vignaux等人证明漏气通过增加触发延迟和触发工作量、降低加压能力以及延迟切换来损害ICU呼吸机功能；NIV专用模式部分纠正了这些效应，但性能差异很大，部分呼吸机反而加重了漏气相关功能障碍。在一项多中心临床研究中，急性呼吸衰竭NIV期间严重异步很常见：异步指数（asynchrony index）大于10%见于43%的患者，漏气幅度与无效努力和延迟切换相关。随后一项随机交叉临床研究显示，NIV算法减少了漏气相关异步，但总体异步并未一致改善，因为部分算法增加了过早切换。这些研究确立了闭环NIV的核心原则：如果算法在生理上未整合，纠正一种形式的异步可能产生另一种异步。

Carteaux等人通过比较ICU、转运和专用NIV呼吸机的台架和临床研究扩展了这一点。专用NIV呼吸机的异步指数低于使用或不使用NIV算法的ICU呼吸机，主要原因是更好地处理了漏气和自动触发。最近的台架证据和2026年关于患者-呼吸机交互的综述证实，现代设备在漏气处理方面仍存在差异，非故意漏气仍是触发和切换不一致的主要决定因素。触发和切换异步，包括无效努力、自动触发以及延迟或过早切换，应结合漏气幅度、压力/流量波形形态、呼吸力学和支持水平进行解释，而非仅依据总体异步指数。因此，在有意和无意漏气条件下准确估计患者流量仍是先进NIV控制的先决条件。

切换（cycling-off）尤为重要。Calderini等人表明，在面罩漏气存在的情况下，时间切换吸气压力支持（time-cycled inspiratory pressure support）相比常规流量切换NIV改善了严重低氧性呼吸衰竭患者的人机交互。Tassaux等人随后在阻塞性肺疾病的插管患者中显示，增加呼气触发阈值减少了延迟切换、内源性PEEP、非触发呼吸和吸气肌工作量。尽管后一项研究并非在NIV期间进行，其生理机制直接适用于COPD和其他阻塞性疾病中的NIV算法。Chen等人在肺模拟器中测试了无创压力支持通气期间的自动切换，发现Auto-Trak在模拟力学和漏气条件下比常规切换方法具有更好的同步性。

波形引导同步与比例辅助

迈向临床可用闭环NIV的关键步骤是能够在无创监测条件下从呼吸机波形推断患者努力时机。Mojoli等人开发了一种使用气道压力和流量、以食管压为参考的波形方法，可准确检测呼吸努力、触发延迟、切换延迟和过早切换。同一团队随后在15名困难脱机患者中测试了自动化实时波形引导切换。与标准切换相比，自动化减少了切换延迟、无效努力和总异步时间。其表现与方案定义的专家调整呼气触发灵敏度相当或更优，但受限的专家干预排除了将其解释为优于全面专家呼吸机管理。尽管在无创压力支持期间进行，这些研究为NIV提供了机制桥梁，在NIV中连续无创努力时机检测将特别有价值。

NIV直接证据也在出现。Renaud等人在台架模型中评估了NIV期间自动化实时波形分析算法，报告在漏气条件下改善了患者-呼吸机同步。该研究高度相关，因为它测试了针对扭曲压力和流量信号的可变漏气所定制的技术解决方案。然而，该研究使用单一呼吸机、校准回路漏气而无面罩界面，以及三种预定义的模拟呼吸力学条件，因此证据仍属临床前性质，无法确定跨设备或临床NIV条件下的性能。仍需临床试验确定自动化波形引导NIV是否能减少不适、插管、镇静使用或无效支持时间。

NAVA代表了不同策略：它不是从气动波形推断神经时机，而是使用EAdi触发、切换并比例辅助每次呼吸。Piquilloud等人显示，与常规压力支持相比，面罩NIV期间NAVA改善了患者-呼吸机交互。Longhini等人随后显示，优化的NIV-NAVA设置可改善舒适度和同步性。随机临床证据缓和了这些生理学发现：在de novo急性呼吸衰竭成人中，NAVA减少了异步和NIV相关并发症，但未减少NIV失败或28天死亡率。在AECOPD中，NAVA和ASV的NIV失败、异步和90天死亡率相似，尽管ASV需要更少的临床医生调整。2026年一项ASV联合IntelliSync与压力支持通气在AECOPD中的可行性试验发现舒适度更高、住院时间更短，NIV失败率数值较低但无统计学意义，需更大规模试验。PAV和PAV+在概念上仍然相关，因为它们根据患者努力和力学按比例调整支持，但重症监护NIV中的证据不如有创辅助通气成熟。

容量保证和自适应压力模式

容量保证压力支持模式并非完整的闭环NIV系统，但它们代表了一种临床可用的自适应NIV形式。AVAPS在预设范围内调整吸气压力支持以维持目标潮气量，而iVAPS针对肺泡通气目标，部分设备可纳入自动EPAP。Shah等人将这些模式总结为双水平NIV的扩展，旨在当力学或努力随时间变化时稳定通气。在急性高碳酸性呼吸衰竭中，Briones Claudett等人报告了BiPAP S/T-AVAPS的临床经验，支持急性环境中自适应压力目标定位的合理性。在慢性高碳酸性COPD中，AVAPS和iVAPS研究提示在气体交换、症状和生活质量方面的潜在获益，尽管人群、设备治疗设置差异显著。

该主题最新的综合是Gregory等人2026年的系统综述和荟萃分析。在11项涉及急性高碳酸性呼吸衰竭或类似急性护理指征成人的比较研究中，AVAPS与BiPAP相比插管风险更低，但无明确的短期死亡率获益，生理结局和住院时间相似。然而，仅三项研究提供了完整插管数据；证据混合了随机和观察性设计，以COPD人群为主，结局时间点不一，存在低至中度偏倚风险。因此，合并发现应被解释为AVAPS在特定急性高碳酸性人群中的证据，而非闭环NIV作为一个类别改善临床结局的证据。AVAPS仍是一个以容量为目标的压力适应环路，不直接测量患者努力、呼吸困难、同步性或失败进展。

努力、驱动和失败预测作为缺失的环路输入

当前NIV自动化的主要局限在于，大多数系统对压力、流量、容积和漏气作出反应，而非患者的损伤性努力或NIV失败概率。这一缺口具有临床重要性。无创呼吸支持可减少呼吸功，但持续高呼吸驱动和努力可能促进呼吸肌疲劳、心血管损害、氧输送失衡，以及潜在的患者自身造成的肺损伤。同一综述文献强调，当无创支持失败时，延迟插管仍是伤害的核心机制。

吸气努力监测因此可能成为闭环NIV的关键输入。Tonelli等人研究了接受NIV的de novo低氧性呼吸衰竭患者，发现前2小时内通过食管压评估的吸气努力缓解是NIV结局的早期准确预测因子。该研究尤为相关，因为它将生理监测与临床可操作的决策联系起来：NIV是否充分卸载了患者，抑或仅仅是推迟了插管。Telias和Spadaro综述了监测呼吸驱动和努力的方法，包括食管压、气道闭塞压、EAdi和超声，同时强调需要结合呼吸肌功能和呼吸机设置解释这些信号。Cammarota等人进一步将食管压、EAdi、电阻抗断层成像、肺超声和呼吸肌超声定位为急性呼吸衰竭期间肺和呼吸肌个体化保护的先进床旁工具。

未来的NIV控制器因此应从同步环路转向损伤规避环路。此类系统不仅最小化触发延迟或实现目标潮气量，还将旨在维持充分卸载，同时避免过大的潮气量、过大的负胸膜压波动、高呼吸频率、恶化的气体交换和不良舒适度。临床输出有时可能不是呼吸机调整，而是更换界面、增加监测强度或进行插管的建议。

人工智能与未来闭环NIV

人工智能可能有助于整合难以通过基于规则的控制单独结合的异质数据流。然而，模型性能取决于变量和时间如何被表示。在呼吸机波形和电子健康记录应用中，特征选择、采样频率、聚合窗口、时间对齐、预测范围、缺失数据处理、标签定义和类别平衡决定了模型能学习何种生理学；逐次呼吸信号和30分钟趋势不是可互换的输入。当前通气领域的人工智能工作仍主要为回顾性、基于模拟或有创性而非NIV特异性，因此近期机遇在于信号解释、表型分型、失败预测和安全性测试，而非自主控制。

三条工作路线尤为相关。基于本体论的表示可能标准化跨电子健康记录、设备、适应证、参数和结局的NIV概念；Islam、Mosier和Subbian开发并评估了用于急性护理的本体论，以支持互操作性、基于规则的推理和未来决策支持。计算漏气估计可改善患者流量重建，这是准确波形解释和自动切换的先决条件。最后，强化学习和数字孪生可能允许在临床暴露前对呼吸机策略进行安全性测试。Yu等人提出了一种面向安全的离线强化学习框架，结合时间建模和数字孪生验证用于自动化机械通气。尽管并非NIV特异性且目前为预印本，它说明了未来算法为何必须具有不确定性意识、可审计性，并在生理学合理场景下验证。

对于重症监护NIV，AI驱动的闭环系统应被设计为受监督的临床工具，而非临床医生的自主替代品。临床医生应保持在环路中，尤其因为NIV失败是一种受气体交换、呼吸功、精神状态、血流动力学、分泌物负担、气道保护、患者目标和当地专业水平影响的临床诊断。AI可能识别人类遗漏的模式，但它也必须可审计、跨人群校准、对缺失数据稳健，并受安全规则约束。

讨论

闭环NIV最好被视为一个新兴的连续谱，而非成熟的治疗类别。最成熟的组成部分是漏气适应触发/切换、专用NIV算法以及比例或神经辅助。直接NIV研究支持改善同步性，部分研究中支持舒适度或更少的呼吸机调整，但随机NAVA/ASV证据未显示NIV失败的一致减少，最近的ASV-IntelliSync结果仍属可行性证据。AVAPS和iVAPS等自适应压力模式通过目标定位通气扩展了该概念，但结局证据仍不确定且依赖表型。近期的闭环NIV作用应为有界自动化：机器可优化快速变化的技术任务，如漏气补偿、触发、切换和比例辅助，而临床医生保留治疗目标、升级和插管决策的控制权。

这一区分具有临床重要性，因为NIV失败不是单一控制错误。过度依赖自动化可能掩盖恶化或延迟插管，而设计良好的自动化可能减少工作量、实践异质性和设置调整延迟。有创通气文献说明了这一平衡：闭环系统可改善过程质量而不一致地改善以患者为中心的结局。因此，当前证据不足以支持自主算法决定NIV的继续与否。未来研究应在临床一致的表型中评估明确的闭环功能，包括高碳酸性COPD、肥胖低通气综合征、心源性肺水肿、拔管后和术后支持以及经选择低氧性呼吸衰竭。

临床相关终点应包括舒适度、呼吸困难、吸气努力缓解、异步负担、输送潮气量、气体交换稳定性、工作人员工作量、插管、延迟插管和以患者为中心的结局。一项特别有信息量的试验应比较标准NIV与受监督的分层策略，该策略结合漏气补偿、自动切换、努力监测和明确的失败警报标准。系统应披露哪个反馈信号触发了调整或警报，并在预设安全限值内运行，使临床医生能区分技术优化与升级建议。

总之，当前证据支持闭环NIV的生理学合理性，但不支持自主管理或显著的临床结局获益。作者提出一种分层、多速率架构，其中快速技术环路管理漏气和同步，中间环路调节通气和卸载，较慢的监督层整合气体交换、舒适度、临床轨迹和失败风险。此类系统应保持临床医生监督、透明且受安全约束，直到前瞻性试验证明自动化在不延迟升级的情况下改善结局。