【神麻人智】环境压力下中央性低血容量的监测——人工智能有何作用？

摘要

运动的第一步是需要直立姿势。血液从胸部向身体下部的重力移位导致中央血容量（central blood volume ，CBV）下降，这是左心室直接支配的胸腔内血容量部分。由于姿势改变、运动或失血后CBV 和每搏量 （left ventricular stroke volume ，SV） 减少，导致左心室充盈减少，会出现直立性低血压。当运动终止时，腿部肌肉泵功能丧失，CBV不再维持。由此导致的心输出量 （cardiac output，CO） 减少和外周血管容量仍较大之间的不平衡可能引起运动后低血压 （post-exercise hypotension，PEH）。量化CBV的设备并不容易获得，并且很难显示健康受试者中CBV变化幅度。在生理实验室中，CBV可以通过姿势来改变，例如下半身“负压”或低于大气压（sub-atmospheric pressure ，LBNP）或是被动抬头倾斜（passive head-up tilt ，HUT），并同时测量血流和氧合的相关生物医学参数。随着穿戴式传感器和机器学习方法的使用可更好地预测结果，并指导治疗。近十年来，一直在努力开发算法并将人工智能（artificial intelligence ，AI）应用于血流动力学监测领域。环境应激如运动、出血情况下量化和监测CBV以及麻醉期间姿势和中央性低血容量之间的相关性都已取得进展，这对健康受试者和临床患者提供了很大的参考价值。

介绍

CBV定义为直接提供给左心室的胸腔内血容量。它受体位影响，无论是HUT还是主动站立，由于重力原因血液从胸部转移到身体下部，静脉回流因此减少。血容量非线性积聚在腿部容量血管中，并分布到组织间隙，循环容量进一步下降。CBV也可能由于剧烈体育运动或失血相关的应激而降低，并伴有不耐受直立位。在军事和平民创伤伤亡环境中，出血是导致脑血流量（cerebral blood flow，CBF）减少并加重体位性低血压的主要原因。通常液体管理决策是基于血压（blood pressure，BP）和心率（heart rate，HR）等传统参数，这些参数被认为是休克的主要指标，但它们通常不能反映血液或液体的流失。血压和氧气供给之间几乎没有关系，而组织需要的是动脉血流而不是动脉压。在本篇小型综述中，从姿势、运动和麻醉状态方面介绍人类中央性血容量不足，期望在生理学实验室和手术室中能及早发现中央性血容量不足。

姿势与运动

锻炼的第一步就是将身体直立。站立本身的行为涉及运动，表现为肌肉交感神经兴奋、通气、氧气消耗和心输出量的增加。站立时血液从胸部到身体下部的移位导致CBV和CO下降，以及心脏压力反射的敏感性下降，这些通常在1分钟内发生。直立与坐姿状态下的锻炼对心脏前负荷的影响表现为划船机运动时心率低于跑步机跑步时的心率。同样，直立姿势还会影响大脑的动脉供应和静脉回流。CBV在姿势改变时变化幅度的大小与运动能力有关，因为CBV决定了CO，并且与运动期间最大摄氧量直接相关。运动导致的心率反应不仅与活动时肌肉质量有关，还与运动过程中的身体姿势有关。在患有体位性直立性心动过速综合征（postural orthostatic tachycardia syndrome，POTS）的受试者中，姿势的改变导致心率增加>30次/分，伴有直立不耐受，但未发生直立性低血压，并且对特定水平的运动具有心率增快反应，导致运动能力降低。也称为直立性心动过速综合征或直立性不耐受，它表现为疲劳、头晕等症状。

运动后低血压和恢复

1898年，伦纳德·希尔（Leonard Hill）明确指出，劳累后血压下降到正常的速度远远快于脉搏频率，并在剧烈的肌肉运动后，血压会降低到低于正常静息血压。一旦运动停止，腿部肌肉泵就不再有助于维持静脉回流。升高的心输出量迅速恢复到基线，但先前肌肉中的血管扩张依旧持续。这导致PEH的发生，即CO降低和外周血管血流仍保持高水平之间的暂时不平衡。在从运动恢复的最初10分钟内，由于血压的快速降低，脑血管自动调节的效果较差。此外，运动后肺内一氧化碳扩散容量（pulmonary diffusion capacity for carbon monoxide，DLCO）降低，膜扩散能力和毛细血管血容量受到影响。运动后DLCO减少的约50%归因于肺血容量的减少。这一点，再加上肌肉泵丧失导致的静脉回流减少，在直立和仰卧位时更为重要，可能是引起运动后体位性眩晕症状的原因，这种症状可能会发展为完全性血管迷走神经性晕厥。单次有氧运动已经足以产生PEH。在高血压临界值受试者中，单次有氧运动后的血压下降与8周有氧训练后的血压下降之间呈显著正相关。PEH发展的一个主要诱因是在高温下长时间运动，导致高热和脱水，体重减轻，CO降低，肌肉和皮肤血流显著减少。最近的一项荟萃分析表明，与女性相比，男性的PEH更厉害，PEH与年龄呈负相关。对于体位不耐受的运动员，直立体位时与PEH相关的体位性眩晕的恢复是通过物理方法来实现，例如腿部拉伸、弯曲和收缩下半身肌肉，这些措施和肌肉泵功能可以促进静脉回流。在健康受试者中，腿部拉伸动作可以降低体循环阻力，并升高中心静脉压（central venous pressure，CVP）、SV和CBF。应用阻抗阈值装置提升胸内负压来增加回心血量或下肢加压服等外部装置，或许可以减少运动后的晕厥前症状和体征。

CBV的评估

要体现健康受试者中CBV应该具有的幅度以及如何量化它是复杂的。在仰卧位，由于最大SvO2是稳定的，所以健康人的血容量是正常的。在从仰卧位到直立位期间，随重力移位，每减少100ml血液，SvO2减少1%。在人类和动物中，胸部电阻抗（thoracic electrical (bio-) impedance，TI）提供了CBV变化的非侵入性指标。在麻醉的猪中，TI大小的变化准确检测血容量不足。将SvO2、TI和锝-99m标记的自体红细胞核素显像进行了比较。SvO2需要中心静脉通路，核素显像在手术期间不实用，并且不可能随着体位改变而使用，而TI是非侵入性的，但对肝脏的姿势敏感，应通过小心电极放置来避免。另一个最佳方法是利用环境压力来调整CBV，同时量化胸腔血容量（TI）、全身（CO）、区域（脑）血流量和供氧量生物医学参数来评估。增加或减少CBV被广泛应用于模拟正常人体出血时心脑血管受影响的研究。中央性低血容量分级是由姿势介导的，包括主动站立、HUT或通过LBNP模拟直立，加上或不加HUT来加重模拟重力负荷。与直立姿势的假设相比，LBNP诱导静脉形成，并增强腿部细胞间隙液的外渗，减少血浆容量和CBV。与LBNP相比，失血的血流动力学反应相似，不同之处在于，在HUT期间，经颅多普勒血流速度显示CBF减少的更多（图 1）。这可能是由于呼气末二氧化碳分压的降低更为显著，以及重力对HUT脑灌注压的影响。

表1

（A–D）脑血管反应对持续 5 分钟 LBNP−50 mmHg（黑圆）或 70◦ HUT（灰色三角形）的变化。脑灌注压力（CPP），血管面积阻力指数（RAP），脑血流速度（CBFv），呼气末CO2（PetCO2），下半身“负压”或低于大气压（LBNP）。与静息相比，p < 0.05;LBNP与HUT相比，*p < 0.05;与静息相比，‡p < 0.05。

下方图表：在10名健康志愿者中，共进行了60次LBNP-50 mmHg-试验（每个受试者每个测量日进行3次试验）。单个（灰色）和平均（黑色）对LBNP的血流动力学反应。数据归一化到休息的最后2分钟。MAP、心率、SV、CO、总外周阻力（total peripheral resistance，TPR）。LBNP的最后2分钟与休息的最后2分钟相比，*p < 0.05。

方法患者CBV的监测

事实上，由于缺乏术中低血压的通用定义，术中低血压发生率根据所选阈值有很大差异。有人认为，这种定义是一个单独的临界值，而没有准确地从基于人口的数据中得出。急诊病房和手术室患者的传统监护包括心率、血压、心电图和外周血氧饱和度，但它们作为早期中央性血容量不足的预测因子作用相当有限。血压的压力感受性反射使其对一升以内的失血不敏感，因此无法通过血压监测评估容量状态。随着中央性低血容量的进展，心脏前负荷下降，低于临界点，而无法维持足够的CO，并且当血管舒缩达到极限时BP下降。在第二次世界大战期间，人们反复观察到伦敦市严重失血的空袭受害者表现出相对心动过缓，而不是预期的心动过速。HR在早期阶段的变化很小，当最终超出“正常”范围时，已经发展为低血容量性休克。由于这些局限性，目前有可穿戴传感器和先进的机器学习技术等方法，旨在尝试发现更广泛应用的敏感指标。

基于机器学习的中央性低血容量检测

在过去十年中，人们正努力使用AI及开发更多算法应用于民用和军事的血流动力学检测领域。基于AI的心血管监测应用正在取得进展。例如，低血压预测指数（HPI），一种基于机器学习的动脉低血压临床预测，已在手术室环境中使用。它基于动脉波形特征，并声称可以预测术中低血压;来自最近临床研究的现有证据总结如下。Maheshwari等人报告，提前15分钟确定低血压发生的敏感性为88%（85-90%），特异性为87%（85-90%）（ROC曲线下面积为0.95）。事实上，大约50%的警报没有进行治疗，这是由于警告时间过短，复杂的治疗算法，或者只是临床医生忽略了警报。HPI指导没有降低<65 mmHg的低血压发生率，且该研究也没有包括手术操作引起的低血压。在另一项非盲法随机临床试验中，患者被随机分配接受HPI早期预警系统或是标准治疗组（每组n = 34），两组的目标平均血压至少为65 mmHg。干预组低血压的时间加权平均值中位数为0.10 mmHg [四分位距（IQR），0.01–0.43 mmHg）]，而对照组为0.44 mmHg（IQR，0.23–0.72 mmHg）。干预组每位患者的中位低血压时间为8分钟（IQR，1.3-26分钟），而对照组为33分钟（IQR，12-60分钟）。在255名接受大手术患者的双中心回顾性分析中，HPI在低血压事件发生前5分钟预测了低血压，敏感性和特异性分别为85.8%（95%CI，85.8-85.9%）和85.8%（95%CI，85.8-85.9%）（曲线下面积，0.926 [95%CI，0.925-0.926]）。术中HPI指导下的监测并没有降低术后低血压的时间加权平均值。这些临床研究中对低血压的警告通常比之前在离线验证研究中所报道的15分钟短。

手术患者CBV的减少是由无感出汗、出血或血液积聚在身体依靠部位而引起的，这些血液通过区域麻醉或沙滩椅位引起或增强。图 2，表B，总结了无创BP波形的建模。在健康受试者的模拟出血过程中，容积参数和CBF速度血流动力学为中央性低血容量的监测进展提供了最敏感的指标（图 2，表C）。应该意识到，AI机器学习算法不需要临床治疗患者过程中演化而来的动态学习过程。此外，也不需了解临床情况，也不能提供任何有意义的病理生理学信息。从本质上讲，该算法对于导致术中低血压早期预警的决策过程没有深入了解。最后，临床医生需要解释和决定预测的低血压发生是否可以忽略或需要干预。另一个需要克服的障碍是证明基于机器学习的低血压发生预测是否真的确实提高了治疗质量。在实验室模型中，无法验证人类CBV的更大减少量。当意识到在即将到来的休克的第二阶段，当CBV减少约30%时，Bezold-Jarisch或血管迷走神经反射可能会终止交感神经活动。在这些条件下，HR反应偏离了传统上预期的心动过速。从对LBNP患者心血管反射活动的实验中可以明显看出，受试者对类似程度的LBNP暴露所产生的心血管反射模式是多种多样的和不可预测的，可从主要对心率有影响而发展为外周血管阻力的持续增加（图 1，下图）。临床医生需要低血压预测算法来实现更精确和更早地预警。这需要更好的方法来识别血管抑制和心脏抑制的区别，特别是在代偿机制已经耗尽时即将到达心血管衰竭的前期阶段。未来的AI建模应该考虑到容量丧失与心血管反应之间的非线性关系，以及人体系统对环境压力反应的个体差异。

图2

（A） 分级定义：静息基线 -0级。LBNP（50 mmHg）定义为1级，其中最后25%为晕厥前期的终末期LBNP（2级）。（B）具有五个基本点（A-E）的单个动脉压曲线。从这些点可以估计模型参数。其伴随的时间点用小写字母表示。切线用罗马数字表示。关注区域用阴影表示。（C）在42名（27名女性）健康受试者中，LBNP逐渐降低CBV，直到晕厥前期发作。该图代表了单个受试者六个模型的输出结果这是与血压曲线动力学模型（#1，top）相比较。在本研究中，MCAv（大脑中动脉血流速度）搏动高度模型（左下角）的误差最小。请注意，所有模型结果都随着LBNP持续时间的增加而增加。

编译，校对：王俞婷，汪乐天    

打赏