機械的換気における患者換気の非同期を検出するための解釈可能な1D畳み込みニューラルネットワーク

背景と目的：患者 - ベンチレーター非同期（PVA）は、患者の必要性と機械的換気中に人工呼吸器が提供する支援との間の不一致の結果です。患者と人工呼吸器の間の相互作用が不十分であるため、臨床結果が劣っているため、発生を特定して修正する努力をする必要があります。ディープラーニングは、PVA検出に有望な能力を示しています。ただし、ネットワークの解釈可能性の欠如は、クリニックでのアプリケーションを妨げています。 方法：圧力制御換気モードおよび圧力サポート換気モードの下での4つの最も顕著なタイプ（二重トリガー、有効期限、早期サイクリングおよび遅延サイクリング）を検出するために、解釈可能な1次元畳み込みニューラルネットワーク（1DCNN）を提案しました。グローバルな平均プーリング（GAP）層を1DCNNモデルに組み込んで、分類を行うときに焦点を当てた呼吸波形のセクションを強調しました。ギャップ層によって引き起こされる性能の低下を補うために、拡張畳み込みとバッチ正規化が1DCNNモデルに導入されました。 結果：提案された解釈可能な1DCNNは、PVA検出の最先端のディープラーニングモデルと同等のパフォーマンスを示しました。圧力制御換気および圧力サポート換気モードの下での4種類のPVAの検出のF1スコアは0.96を超えていました。PVAの検出に使用される波形の重要なセクションが強調表示され、専門家によるそれぞれのタイプのPVAの理解とよく一致していることがわかりました。 結論：提案された1DCNNは、PVAの検出に役立ち、分類プロセスの解釈可能性を高めることができることを示唆しており、臨床医がディープラーニングテクノロジーから得られた結果をよりよく理解できるようにします。

BACKGROUND AND OBJECTIVE: Patient-ventilator asynchrony (PVA) is the result of a mismatch between the need of patients and the assistance provided by the ventilator during mechanical ventilation. Because the poor interaction between the patient and the ventilator is associated with inferior clinical outcomes, effort should be made to identify and correct their occurrence. Deep learning has shown promising ability in PVA detection; however, lack of network interpretability hampers its application in clinic. METHODS: We proposed an interpretable one-dimensional convolutional neural network (1DCNN) to detect four most manifestation types of PVA (double triggering, ineffective efforts during expiration, premature cycling and delayed cycling) under pressure control ventilation mode and pressure support ventilation mode. A global average pooling (GAP) layer was incorporated with the 1DCNN model to highlight the sections of the respiratory waveform the model focused on when making a classification. Dilation convolution and batch normalization were introduced to the 1DCNN model for compensating the reduction of performance caused by the GAP layer. RESULTS: The proposed interpretable 1DCNN exhibited comparable performance with the state-of-the-art deep learning model in PVA detection. The F1 scores for the detection of four types of PVA under pressure control ventilation and pressure support ventilation modes were greater than 0.96. The critical sections of the waveform used to detect PVA were highlighted, and found to be well consistent with the understanding of the respective type of PVA by experts. CONCLUSIONS: The findings suggest that the proposed 1DCNN can help detect PVA, and enhance the interpretability of the classification process to help clinicians better understand the results obtained from deep learning technology.