基于机器学习的远程呼吸疾病监测与评估算法开发及其在军事医学中的应用

　　为解决战场及转运途中呼吸状况实时监测难题，研究人员开展基于机器学习(ML)的CPAP(持续正压通气)治疗呼吸模式识别研究。通过随机森林分类器等模型分析呼吸压力、流量及胸腹周径数据，实现对正常、急促和深呼吸的准确分类(最高准确率达88%)。该技术为远程呼吸监测提供了AI驱动解决方案，对提升战场医疗资源受限条件下的呼吸评估能力具有重要意义。

　　

在军事医学和紧急医疗场景中，实时监测呼吸状态对早期发现临床恶化至关重要。当前呼吸监测主要依赖专业临床环境中的专科检测，这在战场医院或伤员转运途中难以实现。特别是对执行任务的军事人员而言，呼吸模式反映其呼吸做功情况，是判断呼吸状况恶化的关键指标。传统监测方式受限明显，亟需开发能够远程、实时评估呼吸状态的技术手段。

随着传感技术和人工智能的发展，通过机器学习算法分析呼吸生理信号成为可能。连续正压通气（CPAP） therapy 作为阻塞性睡眠呼吸暂停（OSA）的标准治疗方式，为整合机器学习算法提供了理想场景。OSA在美军现役人员中患病率较高（陆军达12.15%），且与睡眠剥夺导致的作战能力下降密切相关。因此，开发能够远程监测呼吸模式的算法不仅具有临床意义，更对维持部队战斗力具有重要价值。

这项发表在《Military Medicine》的研究由Negar Orangi-Fard博士、Alexandru Bogdan博士和Hersh Sagreiya博士合作完成，旨在开发和评估基于机器学习的算法，用于预测使用CPAP治疗患者的呼吸类型（正常、急促和深呼吸）。

研究人员采用了几项关键技术方法：使用PhysioNet公开数据集，包含30名健康成年人在三种呼吸状态下的呼吸压力、流量和动态胸腹周径测量数据；采用Fast Fourier Transform (FFT)算法从呼吸测量值中估算呼吸频率作为特征；比较了随机森林分类器、逻辑回归和支持向量机（SVM）三种机器学习模型；使用留一法(LOOCV)和k折交叉验证进行模型训练和评估。

数据来源于30名19-37岁健康成年人，通过CPAP面罩连接HEPA过滤器收集呼吸压力、流量数据，同时使用胸腹部监测带测量周径变化。MATLAB脚本以100Hz频率采样数据，捕获呼吸率和PEEP设置等变量。

研究结果显示，随机森林分类器在预测呼吸模式方面表现最佳。使用留一法交叉验证时，随机森林分类器在不包含呼吸频率特征时准确率达到85%，加入呼吸频率特征后准确率提升至88%。相比之下，k折交叉验证中，随机森林分类器在5折验证中准确率为75%，支持向量机采用RBF核函数在10折验证中准确率为76%，而逻辑回归准确率仅为42%。这表明无论采用何种数据分区和验证方法，随机森林分类器在此临床任务中 consistently outperforms 其他机器学习模型。

呼吸频率特征的加入虽然仅带来3%的准确率提升，但这一改善具有临床意义。呼吸频率作为呼吸状态的敏感生理指标，其加入增强了模型的鲁棒性，可能支持真实临床监测环境中呼吸恶化的早期检测。研究还发现，无论使用压力、流量还是潮气量信号，计算的呼吸频率保持稳定，只有微小变化，信号选择对呼吸频率估算准确性影响不显著。

在讨论部分，作者强调了该研究对军事医学的重要意义。根据武装部队健康监测部门的数据，2014至2019年间，现役陆军士兵中有87,404例OSA诊断，发病率达274.3-330.3例/每万人年。OSA与睡眠剥夺密切相关，会显著降低作战行动中的表现。这种远程监测技术对军事人员无论是在部署期间还是返回家园后都具有相关性。

研究也存在一些局限性。样本量较小（仅30名参与者），限制了研究结果的普适性；数据来自单一中心（坎特伯雷大学），可能引入站点特异性偏差；研究重点关注CPAP治疗，未来可扩展至其他氧输送设备；研究对象主要为执行受控呼吸任务的健康志愿者，未来需要纳入患有肺部合并症的患者以增强临床相关性。

结论部分指出，这项工作展示了使用基于机器学习的算法评估呼吸模式的模型开发和评估。呼吸模式与患者基础呼吸做功相关，CPAP提供了一种持续监测此呼吸模式并识别可能反映疾病急性加重的方法。随机森林分类器，特别是在加入呼吸频率作为特征时，在预测呼吸类型方面表现出高准确性。这些发现支持将呼吸评估从专业临床环境转向资源受限的军事场景的可行性。

为实现这一潜力，需要进一步在更大、更多样化的人群中进行验证，并探索其他机器学习技术。未来工作将专注于扩展数据集，整合额外的健康指标，并在现役部署环境中进行全面的前瞻性临床验证，以建立所提出的AI驱动呼吸监测系统的鲁棒性和可靠性。