|
今天与大家一起交流关于呼吸动力学图，基于动态学习/确定学习算法利用气流信号生成的可视化「蝶翼图」。它产生的背景及目的是什么？它的实现方法又是如何的？我们将慢性阻塞性肺疾病（Chronic obstructive pulmonary disease,COPD）（以下简称慢阻肺病）患者与健康志愿者的呼吸动力图进行对比，结果如何？在哮喘患者中，它又有哪些特征？我们将一一与同道进行分享。 目前缺乏方便评价肺动态过度充气和肺气肿的方法，这个大背景下产生了呼吸动力学图，它的目的是评估运动过程中持续气流变化 我们知道慢阻肺病是一种严重危害人类健康的常见病，严重影响患者的生存质量，是导致死亡的重要原因。2018年，王辰院士牵头完成的流行病学调查显示，我国20岁以上的成人慢阻肺患病率为8.6%，40岁以上人群患病率高达13.7%，估算我国患者近1亿人[1]。有研究显示，慢阻肺病是我国2016年第5大死亡原因[2]，2017年第3大伤残的主要原因[3]。世界卫生组织（WHO）预测，至2060年死于慢阻肺病及其相关疾病患者人数将高达540万人/年[4]。 慢阻肺病的主要特征是不能完全可逆的气流受限和肺过度充气。其中动态过度充气（dynamic hyperinflation,DH）与运动相关，DH可出现在任何严重程度的慢阻肺病患者中。运动过程中，分钟通气量、潮气量、呼吸频率均逐渐增加，呼气时间缩短。GOLD 2023[5]再次强调了慢阻肺病前期的概念，强调存在肺功能正常或轻度异常（但仍不符合慢阻肺病诊断标准）的患者，但存在肺气肿或功能限制等结构异常。目前大多数关于慢阻肺病的研究都依赖于CT和肺功能检测，然而，肺功能检测对轻度肺气肿、慢阻肺病前期等早期病变识别的灵敏度有限，而CT又面临辐射、成本高、无法院外应用等缺点，且肺功能和CT都无法良好反映患者运动过程中的持续气流的变化。 因此，目前我们缺乏方便评价肺动态过度充气和肺气肿的方法，缺乏院外应用的肺功能持续监测方法，特别是无负荷或低负荷的检测方法以及呼吸系统疾病家庭监测缺乏有效的急性加重预测手段。 呼吸动力学图是什么？基于动态学习/确定学习算法利用气流信号生成的可视化「蝶翼图」 「动态学习」是近年来提出的一种适用于动态环境的机器学习新方法。山东大学控制科学与工程学院王聪教授团队致力于动态环境机器学习（确定学习）、动态模式识别、振动故障诊断、基于模式的智能控制、及在心脏疾病、骨科疾病、航空发动机领域的应用研究。针对产生周期或回归轨迹的非线性动态系统，动态学习可以实现对其未知系统动态的局部准确建模。 基本要素包括：1、使用径向基函数（Radialbasisfunction，RBF）神经网络；2、对于周期（或回归）状态轨迹满足部分持续激励（Persistent excitation，PE）条件；3、在周期（或回归）轨迹的邻域内实现对非线性系统动态的局部准确神经网络逼近(局部准确建模) [6]。 呼吸信号本质上是由呼吸系统这一复杂非线性动态系统产生的非平稳信号，具有周期或回归特性。经采样得到的呼吸信号采样数据序列，利用动态学习算法可对其进行动力学建模。 该呼吸信号的采样，通过患者在睡眠监测仪记录下进行6分钟步行试验（6 minute walk test,6MWT）完成，具有如下特点及优势： 6MWT是一种通过实验室运动试验来评估活动程度的限制的测试，因为它简单又可靠，是用于评估肺疾病患者运动能力的标准程序，可以评估各种疾病患者的功能状况和预后，如肺动脉高压、充血性心力衰竭或慢阻肺病，常被用于评估肺部疾病患者的运动能力。 6MWT称为次最大高强度恒定负荷锻炼，患者尽可能步行6分钟，并记录步行距离(以米为单位)、脉搏血氧饱和度、呼吸困难评分等。 在慢阻肺病患者中，步行距离与个人与健康相关的生活质量、症状、CPET评估的峰值工作能力或肺功能呈中度相关。最重要的是，步行距离是慢阻肺病患者长期存活的替代标志，即使他们处于疾病最晚期。因此，在我们的研究中，6MWT被用来评估运动耐力，是因为它使用的广泛性以及它与日常生活活动的相关性。 6MWT距离作为运动能力次高水平的衡量标准可以量化。但6MWT更多关注心脏病患者，慢阻肺病患者针对性指标不足，其中收集的试验过程中的鼻气流数据蕴含着丰富的反映肺脏功能的病理和生理信息，然而目前对这一类数据分析认识仍存在不足。通过动态学习及呼吸动力学图的生成，我们可对此部分数据信息进行深入处理和分析。 肺功能检查用于评估慢阻肺等疾病时，可获得VC、FVC、MVV等反映过度充气的数值指标，可获得V-T图、气速指数等，但需要患者配合指令完成用力呼吸。其面临的困境是：部分患者可能因年龄大、反应能力下降等原因而配合不佳；部分患者可能因反复用力深大呼吸造成呼吸性碱中毒风险。 与肺功能检查相比，呼吸动力学图生成可利用睡眠监测仪等设备所采集的呼吸气流信号，用非定标的相对呼吸运动信号进行数据分析，采样过程无需干预，无需患者配合，可有效避免上述问题，具有较强的可实现性和安全性。 哪些步骤可帮助我们实现呼吸动力学图？通过这种方法我们得到哪些具有特征性的图像？ 一、受试者佩戴睡眠监测仪，进行6分钟步行试验，采集实验过程中受试者的呼吸鼻气流信号（图示如下）。 二、使用高增益观测器，将1维呼吸信号转换为2维信号（图示如下）。 三、利用上述动态学习算法上述2维信号系统动态进行局部准确神经网络建模，获得关于该2维信号的动力学特征（图示如下）。 四、将建模结果可视化表示，得到呼吸动力学图，形似蝶翼，分为左翼和右翼，左翼代表呼气相，右翼代表吸气相（图示如下）。 通过以上方式，我们得到了如下特征性图像： 1. 健康对照组：呼吸动力学图左右对称，且几乎不随着运动发生变化（图1）。 图1 健康志愿者呼吸动力学图-左右翼对称
2. 慢阻肺病患者：由于运动带来的通气需求和呼吸频率增加，患者用力呼气会导致气道内的等压点向外迁移。这将导致呼气时气道过早压缩和关闭，缩短呼气时间并加剧空气滞留。因此，患有慢阻肺病或肺气肿的患者在呼气时大多会经历气流受限，主要表现为运动期间的呼气性呼吸困难。其呼吸动力学图中大部分患者出现了明显的左翼缺损（图2），且左翼缺损持续存在，并逐渐加重，表明慢阻肺病患者存在的阻塞性通气障碍，并且随着运动，动态过度充气逐渐加重。 对于肺功能正常或轻度异常（但仍不符合COPD诊断标准）而CT显示存在肺气肿的患者，其呼吸动力学图不同于正常人的左右翼对称，而是出现了明显的左翼缺损（图3），这体现了呼吸动力学图较肺功能检查的敏感性，同时呼吸动力学图又具备经济便捷、无辐射等优点，可部分替代CT检查，为早期诊断慢阻肺及慢阻肺前期提供了可能。 对于不同程度的慢阻肺患者，呼吸动力学图均存在左翼缺损。对于轻度阻塞性通气功能障碍更敏感，临床应用价值更高（图4）。对于中至中重度阻塞性通气功能障碍病人，在左翼缺损基础上，运动过程中呼吸动力学图可出现右翼缺损（图5-6）。 图3 肺功能结果正常而CT显示肺气肿的患者 图4 轻度阻塞性通气功能障碍患者 图6 中度阻塞性通气功能障碍患者
3. 哮喘患者：哮喘的主要特征是气道对多种刺激呈现的高反应性和可变的可逆性气流受限，目前常用的气流受限客观检查包括：支气管舒张试验、支气管激发试验、呼气流量峰值（peak expiratory flow，PEF）及其变异率测定。各检查均存在一定的局限性，其中，支气管舒张试验需在试验前停用支气管扩张剂、激素等药物，测定患者基本肺功能，之后吸入支气管扩张剂，并在舒张剂生效时再次进行肺功能的测定，整个过程需多次测定肺功能，且需要患者配合度高。 支气管激发试验只适用于非哮喘发作期、FEV1在正常预计值70%以上病人的检查。PEF测定所需峰值电流仪携带方便、操作简单，但也有易出现操作不规范，读数不准确的缺点。通过呼吸气流信号生成的呼吸动力学图，表现出右翼缺损的特点，有助于临床诊断和评估，且支气管哮喘患者和咳嗽变异性哮喘患者的肺功能图像表现出一定差异（图7-8），为咳嗽变异性哮喘的诊断提供了便捷无创的筛查手段，尽早识别出咳嗽变异性哮喘等明确相关诊断，有助于患者病情的早期干预和控制，相关研究仍在进行中。 图8 咳嗽变异性哮喘
关于呼吸动力学图的应用与展望，我们认为： 1.呼吸动力学图可识别出肺功能正常，但CT可明确诊断肺气肿的患者，比肺功能检查更加敏感，替代部分CT检查确诊慢阻肺前期。对于轻度阻塞性通气功能障碍更敏感，临床应用价值更高； 2.通过本研究的确定学习方法生成的呼吸动力图，使平静呼吸波形（包括非定量呼吸波形）诊断慢阻肺成为可能； 3.通过确定学习，自由呼吸波来源的呼吸动力学图可以达到用力肺活量、分钟通气量获得的肺动态过度充气有效评价； 4.哮喘和慢阻肺有着完全不同的图形特点，有助于鉴别诊断。为咳嗽变异性哮喘的诊断提供便捷无创的筛查手段； 5.呼吸动力学图使家庭监测信息靠时间序列数据完成医用设备才能获得的信息，为呼吸系统疾病家庭监测及急性加重预测提供了新思路； 6.动态学习算法得到了美国贝尔实验室Debasis Mitra教授在ResearchGate上具名推荐。基于动态学习的呼吸动力学图实现了医学信息维度切换效果，时间维度信息完成了呼吸力度变化提供的信息，有助于边界肺功能的鉴别评价。 1.Wang C, Xu J, Yang L, et al. Prevalence and risk factors of chronic obstructive pulmonary disease in China(the China Pulmonary Health[CPH] study): a national cross-sectional study[J]. Lancet, 2018. 391(10131): 1706 -1717. 2.GBD 2016 Causes of Death Collaborators. Global, regional, and national age-sex specific mortality for 264 causes of death,1980 -2016: a systematic analysis for the Global Burden of Disease Study 2016[J]. Lancet , 2017390 (10100): 1151-1210. 3.Zhou M, Wang H, Zeng, et al. Mortality, morbidity, and risk factors in China and its provinces,1990 -2017: a systematic analysis for the Global Burden of Disease Study 2017[J]. Lancet,2019 ,394(10204):1145 -1158. 4.Global initiative for chronic obstructive lung disease. Global strategy for the diagnosis, management, and prevention of chronic obstructive pulmonary disease (2021 REPORT). 5.Global initiative for chronic obstructive lung disease Global strategy for the diagnosis, management, and prevention of chronic obstructive pulmonary disease (2023REPORT) 6.孙庆华,王磊,王聪,等. 基于确定学习及心电动力学图的心肌缺血早期检测研究[J]. 自动化学报,2020,46(9):1908-1926. DOI:10.16383/j.aas.c190899. 山东大学齐鲁医院呼吸与危重症医学科副主任（主持工作），主任医师，医学博士，内科学及护理学专业博士生导师。中国医师协会呼吸医师分会优秀中青年医师；国家健康科普专家库第一批成员；国际电工委员会生物数字融合系统评估组（IEC/SMB/SEG12）专家；中国医学装备协会呼吸病学装备技术专委会常务委员；中国医师协会睡眠医学专业委员会委员；《生物医学工程研究》常务副主编；中华预防医学会呼吸病预防与控制专委会委员；中国康复医学会呼吸专委会委员；山东生物医学工程学会呼吸装备专委会主任委员；山东生物医学工程学会理事兼副秘书长 医疗数字孪生专委会主任委员等。 山东大学控制科学与工程、生物/智能医学工程专业博士生导师，国家杰出青年科学基金获得者，国家万人计划科技创新领军人才，连续多年入选爱思唯尔中国高被引学者榜单。曾担任IEEE神经网络汇刊、自动化学报编委；现担任自动化学报（英文刊）编委，中国自动化学会故障诊断、控制理论等专业委员会委员。 山东大学控制科学与工程学院硕士生导师，山东大学控制学院智能医学工程研究中心成员；中国医学装备协会呼吸病学装备技术专委会会员；教育部学位论文评审专家；山东省放射免疫IR工作委员会常务委员；山东省级名师师资库专家。
|
