低酸素性呼吸不全患者の非侵襲的パラメーターを使用してPACO2およびpHを推定するアルゴリズム

背景：低酸素性呼吸不全の子供の人工呼吸器管理は、血液ガスに依存する人工呼吸器プロトコルの恩恵を受ける可能性があります。pHまたはP（ACO2）の正確な非侵襲的推定値により、頻繁な人工呼吸器の変化が可能になり、肺保護換気戦略を最適化できます。これらのモデルが非常に正確である場合、閉ループ人工呼吸器システムの開発を促進できます。人工呼吸器のサポート、パルスオキシメトリー、および末端二酸化炭素圧（P（ETCO2））の測定からpHとP（ACO2）を推定するためのアルゴリズムを開発およびテストしようとしました。また、デッドスペースの変更の代理が予測を改善できるかどうかを判断しようとしました。 方法：アルゴリズムは、以前に公開された調査から2つのデータセットを使用して開発およびテストされました。ベースラインモデルは、P（ETCO2）とP（ACO2）またはPH（Henderson-Hasselbalch方程式を使用）の間の以前に観察された関係を使用して、P（ETCO2）からp（ETCO2）からP（ACO2）を推定しました。他の利用可能な非侵襲的測定を組み込んだ多変量ガウスプロセス（MGP）モデルを開発しました。 結果：トレーニングデータセットの274人の子供からの2,386の観察結果があり、テストデータセットには83人の子供から658人の観察がありました。ベースラインモデルは、観察されたP（ACO2）80％の±7 mm Hg内でP（ACO2）を予測しました。MGPモデルはこれを±6 mm Hgに改善しました。MGPモデルが35〜60 mm HgのP（ACO2）を予測すると、80％の予測間隔が±5 mm Hgに狭くなりました。ベースラインモデルは、観察されたpH 80％の時間の±0.07以内のpHを予測しました。MGPモデルはこれを±0.05に改善しました。 結論：肺損傷患者の臨床的意思決定を促進するためにpHとP（ACO2）を推定する予測モデルの概念的な最初のステップを実証しました。これらのモデルは、人工呼吸器プロトコルに組み込まれた場合、実践者が高い人工呼吸器サポートを使用するときに寛容な高capniaを維持することを奨励する際にある程度の適用性を持つ可能性があります。追加データを使用した改良性は、モデルの精度を改善する場合があります。

BACKGROUND: Ventilator management for children with hypoxemic respiratory failure may benefit from ventilator protocols, which rely on blood gases. Accurate noninvasive estimates for pH or P(aCO2) could allow frequent ventilator changes to optimize lung-protective ventilation strategies. If these models are highly accurate, they can facilitate the development of closed-loop ventilator systems. We sought to develop and test algorithms for estimating pH and P(aCO2) from measures of ventilator support, pulse oximetry, and end-tidal carbon dioxide pressure (P(ETCO2)). We also sought to determine whether surrogates for changes in dead space can improve prediction. METHODS: Algorithms were developed and tested using 2 data sets from previously published investigations. A baseline model estimated pH and P(aCO2) from P(ETCO2) using the previously observed relationship between P(ETCO2) and P(aCO2) or pH (using the Henderson-Hasselbalch equation). We developed a multivariate gaussian process (MGP) model incorporating other available noninvasive measurements. RESULTS: The training data set had 2,386 observations from 274 children, and the testing data set had 658 observations from 83 children. The baseline model predicted P(aCO2) within ± 7 mm Hg of the observed P(aCO2) 80% of the time. The MGP model improved this to ± 6 mm Hg. When the MGP model predicted P(aCO2) between 35 and 60 mm Hg, the 80% prediction interval narrowed to ± 5 mm Hg. The baseline model predicted pH within ± 0.07 of the observed pH 80% of the time. The MGP model improved this to ± 0.05. CONCLUSIONS: We have demonstrated a conceptual first step for predictive models that estimate pH and P(aCO2) to facilitate clinical decision making for children with lung injury. These models may have some applicability when incorporated in ventilator protocols to encourage practitioners to maintain permissive hypercapnia when using high ventilator support. Refinement with additional data may improve model accuracy.