呼吸机闭环控制技术研究进展及应用

薛昊轩，陈正龙，李宪龙，张春元，沙敬新，胡兆燕

闭环控制技术[1~3]在机械通气中的应用已有数十年之久，从无法实现自主触发通气的简单闭环呼吸机到目前基于患者生理反馈控制技术的生理闭环呼吸机。简单闭环呼吸机相比于生理闭环呼吸机在自动化与人机同步性方面有明显的不足[4]：大部分简单闭环控制技术主要依赖临床医生的经验向患者提供设定体积（或者压力）的气体，但设定值是否满足患者的真实需求还需要呼吸机对吸入气体的实际量进行闭环监测；其次，决定机械通气成功的重要因素之一是患者对该技术的耐受性，这与患者和呼吸机之间的同步性密切相关。在实际使用中，患者的自主呼吸活动与呼吸机设定参数二者间可能很难实现最佳组合，从而导致无效通气、气体交换障碍、肺过度扩张、呼吸功增加和患者不适等副作用。因此现代呼吸机[5，6]在设计上越来越多地融入生理闭环控制（physiological closedloop control，PCLC）的概念，即呼吸机监测患者的某些生理参数，并根据患者不断变化的需求自动调整输出如潮气量（Vt）、吸气压力或呼吸频率（f）等。呼吸机通过自动控制自行设定符合患者需求的通气方案，减少临床医生的参与度。目前，国内外已有很多学者对呼吸机的PCLC技术进行了研究，但是很少有文献对其进行系统地总结。由此，笔者首先介绍了闭环控制技术，在此基础上引出PCLC技术，并总结出PCLC技术的4大优势；然后对几种典型的呼吸机自动控制技术进行总结，并对其发展趋势进行分析与展望。

1 呼吸机生理闭环控制技术的概念

闭环控制技术是将系统的当前时刻的输入、前一时刻的输出及患者的状态变量通过特定算法来获得下一时刻输出的控制技术。简单地说，在闭环系统中，某些状态变量及输出被反馈回路用来控制系统下一时刻一个（或多个）输出。就图1所示的呼吸机PCLC技术来说，临床医生设定“指令量”，如Vt、f和吸气压力等呼吸参数；“控制传输单元”为微处理器用以计算和处理被控制信号；“执行器”接收“控制传输单元”输出并将其转换为激励信号，用以调节施加于“患者传输单元”的被控变量（呼吸参数）；“测量传输单元传感器”通过监测患者的实际呼吸参数，并产生反馈信号，这些反馈信号与“指令量”在“比较单元”通过特定算法（比如经典的比例-积分-微分算法、模糊控制算法或者自适应控制算法等）输出误差信号至“控制传输单元”。如果图1所示“测量传输单元传感器”检测到的是患者的生理变量，如呼气末二氧化碳分压（partial pressure of end-tidal carbon dioxide，PetCO2）、脉搏血氧饱和度（pulse oxygen saturation，SPO2）等，则该系统又可称为PCLC技术[7，8]。

图1 PCLC技术示意图Fig.1 Diagram of PCLCtechnique

传统机械通气技术在进行同步辅助通气治疗时依赖于传感器对患者气道内压或流速进行监测，但易受患者情绪、咳嗽、呼吸肌疲劳等因素影响，引起人机不同步，导致通气时间延长。传统机械通气治疗过程中，临床医生的决策与判断需要依据大量的患者生理变量参数，加上可能的人员短缺、长时间的工作，因此很难避免决策判断的失误，相比之下，PCLC技术的优势有如下4点。①反应快速、诊断精准。通气时，由于患者吸气直接受自身呼吸中枢调控，通过生理信号反馈给呼吸机从而达到触发送气，在时间反应层面上最大限度地提高了人机同步性[9，10]；②有助于减轻医护人员的工作量；③个性化机械通气。根据不同患者的通气需求制定最优通气方案，减少并发症和镇静药物的使用，提高患者的舒适感；④在专家缺席、环境偏远的情况下，仍然可以提供适当的护理。接下来，笔者就目前市面上几种典型的呼吸机PCLC技术进行综述，以对此有深入、系统的理解。

2 典型呼吸机生理闭环控制技术综述

2.1 适应性支持通气技术

适应性支持通气 （adaptive support ventilation，ASV）技术是瑞士哈美顿医疗公司（Hamilton Medical）推出的一种专利闭环通气模式。在该项技术中，呼吸机依据患者PetCO2、气道阻力和呼吸系统顺应性等参数，按照逐次呼吸的方式调节Vt和f，该技术的原理图[11]如图2所示。在ASV[12~14]中，临床医生根据患者自身的理想体质量估计通气需求，同时呼吸机根据患者的理想体质量和分钟通气量百分比（percentage of minute ventilation，%MinVol）计算所需的分钟通气量，%MinVol的设定是通过监测患者的PetCO2水平手动调整。分钟通气量计算公式如下：

图2 ASV技术示意图Fig.2 Diagram of ASV technique

对于成年人，分钟通气量=理想体质量×%Min-Vol/1 000

对于非成年人，分钟通气量=理想体质量×%MinVol/500

ASV算法的优势在于最大限度地减少呼吸功率，为患者提供自然舒适的呼吸，从而刺激自主呼吸，加速脱机。ASV算法使用以下公式来计算最佳呼吸频率：

上面的等式中：MV是每分钟通气量（L/min）；QD是死腔（L）；Z是根据呼气流量-容积曲线的斜率计算的呼气时间常数；f是计算得出的最佳呼吸频率（呼吸次数/分钟）。计算并得到MV和f之后，可获得所需的潮气量Vt=MV/f。此外该算法将计算值与已知的安全阈值进行比较来检查计算值的安全性，在必要时对其进行调整并保持在安全范围内。理论上讲在这种模式下，患者如果没有自主呼吸，呼吸机会提供强制呼吸；如果触发呼吸，呼吸机会提供额外的压力支持（pressure support，PS），以保证所需的Vt。

ASV技术的主要优点是依据患者不断变化的呼吸力学定制治疗方案。在实际操作中，临床医生根据患者的理想体质量设置目标每分钟通气量、吸入氧浓度（fraction of inspired oxygen，FiO2）等通气参数，呼吸机结合目标值及患者的呼气末气道正压（positive end-expiratory pressure，PEEP）、Vt等呼吸力学指标自动选择通气模式，随着患者呼吸程度的变化而改变辅助通气支持水平，达到理想的通气目标值，减少肺损伤。ASV技术的不足在于分钟通气量无法实时调节，并且PEEP和FiO2需要手动调节。此外，尽管该系统被设计为引导自然呼吸，但它不具备自动脱机的功能。

2.2 SmartCare（智能护理）技术

SmartCare技术是专为自动脱机而设计的协议驱动系统（protocol-driven systems）控制技术，德尔格医疗器械有限公司（Dräger Medical）呼吸机Evtia系列使用此技术。该技术的示意图[11]如图3所示。SmartCare技术使用PS模式作为主要通气模式，同时监测3个呼吸指标作为闭环输入，即PetCO2、Vt、f，并将这3个指标维持在一定范围内，进而使患者处于通气“舒适区”。

图3 SmartCare技术示意图Fig.3 Diagram of SmartCare technique

SmartCare技术[15]每2~4 min自动调整PS水平，以维持预先设定的f、Vt和PetCO2，针对慢性阻塞性肺疾病 （chronic obstructive pulmonary disease，COPD）患者、气管内插管与气管切开插管及主动和被动湿化的患者分别采用不同的算法。上述的3个呼吸指标中，标准模式下患者f应保持在12~28次/分钟，Vt在250 mL以上（如果患者的体质量超过50 kg，则为300 mL），PetCO2应低于55 mmHg（对于慢性二氧化碳滞留患者为65 mmHg）。倘若PetCO2和Vt在规定范围内，f在28~35次/分钟，则PS水平增加0.196 kPa（2 cmH2O）；f超过35次/分钟，PS将增加0.392 kPa（4 cmH2O）；倘若f低于12次/分钟，PS水平将减少0.392 kPa（4 cmH2O）。当f不变，Vt减少或PetCO2增加时，PS水平相应升高。在调整PS水平时，该系统还考虑了患者在舒适区的持续时间。这意味着，如果患者在舒适区的时间更长，系统会在脱机期间更积极地降低PS水平。呼吸暂停会导致系统恢复到辅助/强制模式。

在协议驱动系统中，PS水平是根据临床指南和SmartCare技术通气规则逐步调整的。由于规则是固定的且使用PS模式，因此无法保证提供足够的机械通气。换言之，如果患者的自主呼吸减弱或气道阻塞恶化，增加PS水平也无法为患者提供足够的机械通气。

2.3 神经调节辅助通气技术

神经调节辅助通气 （neurally adjusted ventilator assist，NAVA）技术[16，17]是一种较新的通气模式，尤其是在反馈信号获取方面，与其他闭环控制技术相比有根本的不同，这是因为该技术中的闭环控制器是患者大脑的一部分。也就是说，控制呼吸的电信号通过膈神经从大脑传递到膈肌，如图4 NAVA技术的触发原理[18]所示，NAVA技术通过安装在食道导管上的电极监测膈肌的电信号（electromyogram of diaphragm，Edi）来调整呼吸机的通气设置。信号处理方面，NAVA技术使用的Edi通过滤波器消除由运动伪影、心电图（electrocardiogram，ECG）信号和其他来源引起的噪声，再经过处理、放大，然后施加到呼吸机上。理论上讲，如果从Edi中有效地去除噪声，且每次呼吸的开始和结束都由Edi控制，将从时间层面上大大降低人-机异步性。同时NAVA技术通过检测Edi强度提供与患者吸气努力成比例的气道压力，减轻患者呼吸肌的工作负担。此模式的设置相对简单，不需要了解患者的呼吸力学，只需设置一个“增益”（代表Edi放大的强度），并根据患者吸气肌收缩产生的压力来设置一定比例的气道压力：

图4 NAVA技术的触发原理Fig.4 Trigger mechanism diagram of NAVA technique

其中：P（t）是吸气压力随时间的函数；M是NAVA支持水平（放大系数）；Edi（t）是膈肌电信号作为时间的函数。

尽管NAVA技术的优势很明显，但实际使用仍然存在一些问题：放置在食道导管中的电极容易受到患者咳嗽、分泌物等的影响；较长时间的机械通气过程中能否保证信号的质量和稳定性；最后，NAVA技术用于膈神经驱动完整的患者，如果给患者服用镇静剂和神经抑制剂，则不能使用该技术。NAVA技术是一种非常有潜力的通气模式，但它仍然是一种实验性的通气模式，需要更多的临床数据来证明对患者的真正益处。

2.4 闭环自动氧控制技术

闭环自动氧控制（closed-loop automatic oxygen control，CLAC）技术[19~21]主要是针对需要氧疗[22]的患者。特别是在早产儿群体中，过量或者长期的氧气补充会造成全身氧化损伤并且易引起肺部、眼睛和中枢神经系统的长期并发症；氧气不足也对大脑、肺血管、动脉导管通畅和其他器官和组织有不良的影响。目前，主流的操控方式为手动控制FiO2，这是一项十分耗时的任务，治疗效果极易受到医护人员的精神状态、工作安排及现场环境的影响。因此推出了CLAC技术[23]，它由3个基本模块组成，即脉搏血氧饱和度仪、控制算法（FiO2控制器）和气路（气体输送）。脉搏血氧饱和度仪可以无创、连续地测量新生儿血液中的氧含量，提供准确、可靠的SPO2测量值；模块通过控制算法计算SPO2水平，预测趋势并实时调节供氧量，这是目前手动控制无法完成的。简单讲，脉搏血氧饱和度仪测量得到SPO2并将其反馈到控制器，进而调节FiO2。开始时，根据患者的情况，所有动脉血氧分压（arterial partial pressure of oxygen，P aO2）和FiO2的设定值和阈值都是由医务人员设定。控制算法根据设定值，再结合所监测患者SPO2值，逐次呼吸地确定所需FiO2水平。若突发SPO2急剧下降，控制算法通过分步控制程序可在几秒钟内纠正低氧血症，以应对迅速下降的SPO2水平；若SPO2下降缓慢，采用分步控制程序与比例积分微分算法（proportional-integral-derivative，PID）相互结合的方法，对低氧血症和高氧血症微调，既保证了对低氧血症的快速反应，又避免了P aO2的大幅波动和高氧血症。FiO2控制器具有内置的伪影检测器和报警电路，可保护其免受SPO2错误测量的影响。

图5所示为一种双闭环控制技术原理图，该模块结合了ASV技术和CLAC技术。“数字处理器”检测和处理通过“二氧化碳浓度监测仪”和“脉搏血氧饱和度仪”测量得到的PetCO2和SPO2值[24]，同时结合患者气道阻力和呼吸顺应性数据一起用于计算“时序控制电路及信号发生器”的控制信号；SPO2数据被进一步处理，以计算和生成用于“空氧混合调节器”的控制信号，该控制信号控制患者每次呼吸的吸入气体中的氧气浓度。也就是说，闭环通气控制器获取患者的生理参数，如SPO2、PetCO2、气道阻力和呼吸顺应性，自动调整f和Vt等。在这个过程中，减小呼吸功率，调节呼吸比（I/E），允许呼气时肺的有效排空，避免了气体滞留在肺内和发展成为内源性PEEP。根据Tehrani F等[25]假设，闭环通气控制器所提供f和Vt可以减少患者呼吸功，缓解呼吸肌负荷，刺激了自然呼吸。

图5 双闭环控制技术原理图Fig.5 Mechanism diagram of double-loop control technique

CLAC技术的主要问题是缺乏一种公认的最优氧气管理策略和FiO2控制策略。只要缺乏最优FiO2控制的知识，就不可能实现完全安全有效的CLAC。因此，需要对最佳给氧策略进行更多的研究。

3 总结与展望

笔者主要综述了PCLC的基本概念及其在呼吸机设计中的具体应用，并对ASV技术、SmartCare技术、NAVA技术和CLAC技术进行了简要介绍。相比于传统的呼吸机，采用PCLC技术的呼吸机在提高人-机同步性、实现个性化机械通气、临床机械通气决策辅助，以及降低重症监护病房（intensive care unit，ICU）医护人员劳动强度等方面有着极大的优势。表1总结了国内外知名品牌呼吸机型号，以及其所采用的PCLC技术类型与特点。这些智能呼吸机能够解读通气期间患者的气道压力和流量波形，并自动调整流量波形、吸气峰值流量、Vt和f等通气参数，确保气体输送与患者需求的一致性。

表1 国内外知名品牌呼吸机的型号、闭环类型及特点Tab.1 Models,closed-loop types and characteristics of well-known ventilators in the world

随着人工智能与大数据技术的高度发展，未来呼吸机的设计将呈现新的趋势。首先，专为完成特定任务[如新生儿通气、成年人通气、无创通气（non-invasive ventilation，NIV）和运输]而设计的专用呼吸机的时代将一去不复返，未来的呼吸机将能够完成所有这些任务，甚至比专用呼吸机更好。其次，未来的智能型呼吸机还能够与所有其他床边技术进行电子集成，采样各种生理变量，并使用模糊逻辑来确定患者的实时情况。这些信息将被输入到神经网络，依据患者病情选择最佳治疗方案。神经网络可以访问信息量巨大的数据库，其中包含专家规则和不同患者对各种通气策略的实际治疗情况。因此，智能呼吸机不仅可以与当前患者的互动中学习，还可读取数据库中的已有数据并为数据库做出贡献。最后，未来的呼吸机对医护人员也十分友好，它们将极大地减轻ICU的工作量，降低因操作失误或手动设置通气参数不当[26]所导致的死亡率和发病率，提高患者机械通气的护理质量。