解码人机不同步：病理生理机制与人工智能算法新进展

解码人机不同步：病理生理机制与人工智能算法新进展【摘要】人机不同步（PVA）是机械通气中常见问题，20%~30%的机械通气患者存在严重PVA。PVA与机械通气及重症监护病房住院时间延长、撤机失败和病死率升高相关，并可增加呼吸肌负荷，诱发膈肌功能障碍和机械通气相关性肺损伤。其发生机制复杂，包括患者因素（肺部基础疾病、膈肌或中枢驱动异常等）和治疗因素（通气模式与参数设置不当、过深镇静/肌松等）。PVA常隐匿且随时间波动，常规查房和间断进行波形观察和评估易漏诊。基于呼吸机连续波形的采集和机器学习算法，可连续监测自动识别并分类PVA事件，量化PVA负荷。将该技术嵌入呼吸机或监护平台，有望实现PVA的早期识别与闭环干预，优化通气和镇静策略，改善患者预后。【关键词】呼吸，人工；人机不同步；人工智能；机制；识别人机不同步（patientventilationasynchrony，PVA）是机械通气中常见问题，严重PVA为不同步指数（asynchronyindex，AI）≥10%，占机械通气患者的20%～30%［1］。PVA增加呼吸肌负荷、诱发膈肌功能障碍和机械通气相关性肺损伤，并且与机械通气时长、ICU住院时间延长、撤机失败，甚至病死率升高相关［2］。PVA机制复杂，既包括肺部疾病、膈肌或中枢驱动异常等患者因素，也有通气模式不当、参数设置不合理，以及镇静、肌肉松弛药和液体管理不当等治疗因素。理解这些病理生理基础，有助于溯源PVA并实施针对性干预。PVA常隐匿且随时间波动，常规查房和间断波形观察易漏诊。基于压力、流量、容量波形的机器学习算法，可自动识别和分类事件、量化PVA负荷［3］。如将其嵌入呼吸机或监护平台，有望实现早期识别与闭环干预，优化通气和镇静策略，改善预后。1机械通气中PVA的神经生理基础与机制1.1自主呼吸调控机制自主呼吸节律主要由脑干呼吸中枢产生，同时受到大脑皮层/边缘系统输入、化学感受器反馈和觉醒-睡眠状态的共同影响［4-7］。动脉血气中PaCO2/pH与PaO2的短暂波动能迅速改变呼吸驱动的强弱和神经吸气时程；疼痛、焦虑、发热等可使驱动上升，而睡眠、镇静甚至肌肉松弛药则会抑制驱动，并使节律变慢、变浅。对机械通气患者而言，患者驱动常有起伏，但呼吸机的触发灵敏度、吸气流量与切换阈值多为预设且相对固定，两者出现不协调，易形成PVA。也正因这种“波动的驱动”与“固定的参数”并存，PVA常呈间歇性、时轻时重；仅靠查房时的间断波形浏览，容易漏诊或低估真实的PVA负荷。1.2呼吸机的呼吸调节方式机械通气通过控制或辅助方式部分/完全替代患者呼吸。容量控制以预设潮气量/流速为主，压力随顺应性与阻力变化；压力控制以目标压力为主，潮气量随力学与患者努力波动［8］。容量控制通气由于吸气流量的恒定，当气流速度达不到患者的需求时，即出现流量饥渴；压力辅助通气或者压力支持通气依赖触发灵敏度与呼气切换阈值，吸气时间设置过短或者压力支持不足易出现双触发，支持过高则可抑制驱动并诱发无效触发、周期过长等不同步［9］。因此，不同模式下“触发-吸气-切换”参数与患者驱动的匹配，是预防PVA的关键。比例辅助通气和神经调节通气辅助是近年来改善同步性的代表性进展：前者依据实时估算的顺应性/阻力按比例放大患者努力，后者以膈肌电活动（electricalactivityofthediaphragm，EAdi）触发并按神经驱动提供成比例的压力支持［10］。两者可降低触发与切换不同步并减少呼吸肌负荷，但对力学估计与电信号质量依赖较高，且支持水平仍需随病情、镇静深度与呼吸驱动动态调整。1.3PVA的神经生理基础当患者的自主呼吸驱动（神经信号/肌肉努力）与呼吸机的通气输出在时相或幅度上不匹配时，易出现PVA现象［2，11］。从发生环节看，PVA主要包括触发不同步、吸气供给不同步、反向触发和吸呼气切换不同步等。不同亚型常提示不同的源头机制［高驱动、内源性呼气末正压（intrinsicpositiveend-expiratorypressure，PEEPi）、过度/不足辅助或参数设置不当等］，因此“识别亚型”与“发生机制”同等重要。见图1。1.3.1触发不同步无效触发多由驱动不足或无法克服触发阈值（镇静过深、PEEPi、慢性阻塞性肺疾病空气滞留、过高支持抑制驱动等）导致［12］。自动触发或误触发常与触发过敏感、漏气或回路扰动相关。双触发多提示吸气时间或潮气量未满足神经吸气需求，高驱动时可出现潮气叠加并增加肺损伤风险［13］。深镇静下需警惕反向触发导致的“伪双触发”，较高驱动的反向触发同样增加肺损伤风险。1.3.2吸气供给不同步（流量失配）当患者需求高于机器供给时出现流量饥渴，波形可见吸气期压力凹陷/负压凹陷、吸气时间延长，并可诱发双触发；常见于ARDS保护性通气或疼痛、焦虑等高驱动状态［14-17］。相反，流速提供过冲多见于流速/压力设定过高，导致过度通气、早期切换和有效潮气量下降。1.3.3反向触发在被动或深镇静通气中，机械充气可通过牵张感受器“拖带”呼吸中枢，诱发与呼吸机周期耦合的膈肌收缩［18-20］。其典型表现为机械呼吸与神经努力呈稳定比例（常见1∶1，也可1∶2/1∶3）并具有相对固定的时间延迟，即相位锁定［20-22］。为避免将随机努力误判为反向触发，建议在连续多次（如≥5次）呼吸中观察到稳定的耦合比例与时序关系［23］；若努力与呼吸机周期缺乏稳定耦合，则更可能反映觉醒/高驱动下的偶发表现，不宜简单归为反向触发。反向触发的危害在于［24］：（1）可触发双触发/潮气叠加与更高跨肺压；（2）吸气期膈肌收缩可能引起呼吸摆动，导致区域通气不均与局部过度膨胀，从而增加机械通气相关性肺损伤风险；（3）可能造成呼吸肌离心性负荷并影响循环负荷。因此，床旁监测不仅要“识别有无”，更需评估其耦合模式及对潮气量与区域通气的影响。1.3.4吸呼气切换不同步过早切换（机械吸气时间短于神经吸气时间）易引发双触发或无效努力；延迟切换则表现为吸气末主动呼气、气道压双相波动或呼气流速突增，增加呼吸功并可能导致CO2潴留［25］。1.4监测难点与关键问题1.4.1PVA事件隐匿、波动大PVA受镇静深度、代谢负荷、体位变化/分泌物和通气参数调整影响明显，间断看波形无法监测真正的PVA负荷。1.4.2波形表型易重叠PVA在压力/流量波形上的表现高度相似。例如，高驱动导致的双触发和与反向触发牵连的双触发，单凭波形往往难以一眼分清，易产生误判。1.4.3单一信号难做机制归因即使确认存在无效触发，也无法解释原因。PEEPi、触发阈值设置不当、驱动不足、呼吸肌力低下等，都可能呈现相近的波形特征。很多情况下需要把力学信息与神经驱动/呼吸努力指标结合起来，才更接近真实机制。1.4.4金标准难以持续获得EAdi、食道压、电阻抗成像和膈肌超声等工具有助于分辨机制、评估呼吸摆动，但在导管/设备成本、操作负担、信号质量与可及性方面仍受限制，难以作为常规的长期连续监测手段。1.4.5跨设备、跨模式的泛化与部署仍是难题不同呼吸机在波形输出、内部算法、通气模式细节上存在差异，再加上临床场景异质性强、标注一致性不足，都会影响连续监测模型的可迁移性与落地效果。PVA体现的是“神经驱动-呼吸力学-呼吸机设定”三者在时间与幅度上的动态错配，且常以间歇、混合机制的方式出现。仅靠人工间断观察，很难同时做到稳定分型、负荷量化和原因分析，是当前监测与管理的主要瓶颈。近年研究开始把自动检测与决策支持嵌入呼吸机/监护平台，尝试通过实时提示、远程审核与参数优化形成闭环。2PVA的自动检测算法不同类型PVA的病理生理基础各异，但床旁通常只表现为短暂的压力、流量或EAdi波形异常，人工连续识别难度较大。相关算法的价值不仅在于提高检出率，也在于辅助区分事件表型及其潜在机制。然而，这些机制性差异在床旁常表现为细微、瞬时且高度个体化的波形变化，仅靠人工观察难以实现精准识别与归因。因此，亟须借助人工智能算法，从海量、连续的呼吸机波形乃至多模态生理信号中，自动解码PVA事件的类型、负荷及其潜在驱动机制。近年来，PVA自动检测技术已从早期基于固定规则的判别系统，逐步发展为融合生理先验知识、深度学习与多模态感知的智能分析框架（图2）。下文将系统梳理各类算法的核心原理、技术特点及其在机制解析中的应用潜力。2.1基于规则的检测方法基于规则的方法作为PVA自动检测的早期技术路径，其核心在于从机械通气波形中提取特征并设定判别阈值。Thille等［26］提出以呼气时间缩短作为双触发的识别特征，同时利用呼气相流速波形上升凸起与压力波形下降凹陷的组合特征检测无效吸气努力，奠定了该领域的方法学基础。随着研究的深入，该方法在4个方向取得重要进展：一是构建多维度波形幅度特征及其微分特性的综合指标体系［27］；二是引入傅里叶变换获取信号的频谱特性，通过谐波分析评估PVA程度［28］；三是采用非线性动力学熵度量指标量化波形序列的复杂度和随机性［29］；四是结合呼吸机工作参数与生理节律特征，实现反向触发等复杂PVA模式的识别［18］。此类方法具有解释性强、实现简单的优点，但受限于预设规则的刚性，在波形变异大、模式复杂的临床场景中泛化能力有限。该方法最适合判定规则明确、波形特征相对固定且受患者个体多样性影响较小的PVA类型，如反向触发的相位锁定识别和触发类型判断；而对于波形形态变异大、个体差异显著的场景，则难以适用。2.2基于传统机器学习的PVA检测方法为克服规则方法泛化能力不足的局限，研究者转向传统机器学习技术，通过特征工程与分类器训练相结合的方式构建检测模型。该方法的核心是设计能够有效反映PVA波形形态特点的特征参数。常用特征参数包括时域参数（吸气时间、呼气时间、吸气末时间点、流速峰值出现时间点、压力上升时间、峰值气道压力、呼气末正压等）、频域参数（频谱能量分布、功率谱密度、频谱熵等）和时频域参数（傅里叶变换、时频能量分布、小波能量系数等）。此外，从压力-流量平面提取的几何特征（如环面积、最大内接矩形等）［30-31］，以及模糊熵、近似熵等非线性动力学特征的引入，进一步丰富了特征表征能力［32］。集成学习策略通过融合多个基分类器的决策结果，在提升检测精度的同时增强了模型的稳定性和泛化能力［33］。然而，该类方法的性能高度依赖人工特征的质量：一方面，特征计算易受波形多样性和噪声干扰，准确性难以保证；另一方面，人工特征只能反映人为设定的波形形态特点，难以全面刻画波形形态。2.3基于深度学习的检测方法深度学习凭借其特征自动提取能力，在PVA检测领域展现出独特优势［34-37］，因而成为目前的主流方法。目前形成了2种典型技术范式：一是基于二维卷积神经网络（convolutionalneuralnetwork，CNN）的方法将一维呼吸信号转换为图像数据进行处理［38］；二是基于时序建模的方法采用循环神经网络、一维CNN或Transformer架构直接对波形序列进行建模，捕捉其时序依赖关系。在国际研究前沿，PVA检测方法呈现出多元化、纵深发展的态势。在小样本与跨域适应方面，荷兰埃因霍芬理工大学研究团队提出的VentGAN框架，利用生成对抗网络将标记的模拟通气波形与未标记临床数据进行对抗性融合，在保留原始时间标签的同时增强了波形的临床真实性与多样性，有效提升了检测方法的自动分类性能［39］。在可解释性与临床融合方向，澳大利亚墨尔本大学团队提出的Shapelet模型，基于形态基元的数据增强与融合统计特征的方法，即使在数据不平衡的情况下也能实现可解释性强且鲁棒的PVA事件检测［36］。在时序建模与端到端检测方面，美国洛杉矶儿童医院研究团队提出了一种基于谱图与CNN的新型检测方法，通过将通气波形转换为功率谱密度与相位谱图，并输入二维CNN模型，实现了对不同PVA亚型的高精度识别［40］。我国的PVA检测方法研究也取得了一系列进展。笔者团队提出的基于双层长短期记忆网络的PVA检测模型，能够有效捕捉波形中的长期依赖关系［34］；设计的一种可解释的一维CNN，通过梯度加权类激活映射可视化关键波形区域，提升了模型的临床可接受度［35］；提出的INTELLIPVA框架，融合了对比学习与主动学习，以极低的标注成本（每目标域仅需1000个标注样本）实现了跨呼吸机、跨通气模式的高精度PVA识别［41］。北京天坛医院采用基于Transformer的时间序列预测模块对呼吸波形进行特征提取与转换，并联合半监督CNN进行异常检测，通过迭代增加未标记数据及模型生成的伪标签至训练集，有效缓解了标注数据不足的问题［42］。东北大学团队提出的Mobiformer网络，采用卷积与自注意力融合的并行多尺度结构，结合相对位置编码与类激活映射可视化技术，构建了兼具高可解释性与轻量化特性的PVA检测模型，适用于嵌入式呼吸机平台部署［43］。当前基于深度学习的PVA检测研究，已从识别PVA波形特征到临床决策层面：具体表现为致力于提升模型在小样本与跨域场景下的实用性，增强决策过程的可解释性与临床可信度，以及探索轻量化部署方案。从方法创新上看，生成对抗网络、注意力机制、对比学习、半监督学习等先进机器学习思想的引入，正推动PVA检测系统向更智能、更强鲁棒性、更贴合临床工作流的方向演进。深度学习在跨医院、跨设备、跨通气模式等波形变异大、难以用有限人工特征准确表征的场景中优势显著，但其对高质量标注数据的依赖性极强，标注成本高、周期长，且模型训练与调参复杂度远超传统方法。未来深度学习模型应进一步嵌入呼吸生理先验（如吸气时间-神经驱动关系、呼吸摆动效应的时序特征），以支持对PVA事件的机制归因，而非仅停留在现象分类。2.4基于生理系统数学模型的检测方法基于生理系统的建模方法从呼吸力学基本原理出发，通过构建肺-气道-呼吸机系统的动力学方程实现PVA的识别与量化评估。该方法的核心优势在于其良好的生理可解释性和定量分析能力。此类模型依据呼吸运动方程建立，Poole等［44］采用单室线性肺模型，通过监测呼吸系统弹性性能的动态变化进行PVA检测；Chiew等［45］基于类似模型架构开发了气道压力波形迭代重建算法，实现了对吸气相PVA发生时刻及其强度的精确量化；vanDiepen等［46］构建的非线性肺-气道耦合系统与呼吸机联合模型，为算法验证提供了丰富的标注数据集；Zhou等［47］通过压力-容积环的迟滞特性分析与能量耗散评估，建立了PVA程度的客观测量方法。此类模型天然具备机制解释能力，可反演呼吸力学参数，是连接算法与病理生理的关键桥梁。然而，该类方法对波形质量要求较高，临床环境中存在的噪声、基线漂移、非理想波形等干扰因素难以准确建模，限制了其在实际临床场景中的普及应用。2.5多模态数据融合与混合方法单模态方法仅依赖气道压力、流速、潮气量等呼吸机输出信号，反映的是气道层面的通气结果，无法直接获取患者真实的呼吸驱动信息。多模态方法额外引入了患者自身的呼吸驱动信号：EAdi直接反映患者吸气起始时刻，食道压力可量化呼吸努力强度，肺电阻抗成像则可评估肺内通气分布的均匀性与局部滞后［48-51］。这些信息的引入显著提升了检测性能。Sinderby等［48］开发的神经机械同步性评估方法，通过精确对齐膈肌肌电信号与呼吸机压力波形的时间序列，实现了患者呼吸驱动与呼吸机支持时序关系的客观量化；Sauer等［51］基于自适应阈值算法自动识别表面肌电信号中的吸气努力起始点，在多种PVA类型的识别中表现出与参考标准良好的一致性。目前，多模态分析方法已从单纯的事件识别发展到对PVA严重程度的精确量化，为临床呼吸肌负荷评估提供了重要工具。混合方法通过有机结合不同技术路线的优势，在检测精度、可解释性和泛化能力方面实现协同提升。Pham等［52］提出的分层决策框架将规则推理与统计学习相融合，在反向触发识别中根据特征复杂度灵活选择检测策略；Bakkes等［53］通过生理模型与深度学习的协同，构建了基于U-net架构的检测系统，有效解决了深度学习训练中的数据瓶颈问题。INTELLI-PVA框架中的“混合两阶段分类器”也是混合方法的典范：先使用深度学习模型对形态相似的复合PVA类型进行粗分类，再通过规则算法依据触发特征对亚型（如反向触发与患者触发）进行细粒度判别，从而兼顾了模型的学习能力与对特定生理机制（如触发类型）的准确辨识［41］。这些混合策略既保留了规则系统和生理模型的解释性优势，又充分发挥了数据驱动方法的自适应能力。多模态与混合方法代表了PVA检测领域向高阶智能系统演进的关键方向。其核心是通过多源生理信息的互补融合，以及在架构层面将多种方法进行有机协同，系统性地超越单一模态或单一方法的性能瓶颈。一方面，模型驱动与数据驱动协同的混合框架，使深度学习负责复杂波形形态识别、规则方法负责明确触发特征判别、生理模型负责机制解释，三者形成互补；另一方面，多源生理信息的互补建模，从单模态的单纯信号分类走向因果结构建模，能够量化呼吸驱动强度与PVA严重程度，将PVA检测从分类问题提升至生理机制量化问题。通过上述系统性融合，能够在复杂临床场景下同步优化检测的灵敏度、判别精度与鲁棒性，以及临床决策支持的可信度，为发展下一代可解释、强泛化且临床可部署的智能呼吸监测系统提供了坚实的方法论基础。3对比分析与未来展望综合分析表明，各类方法呈现出明显的技术互补特性。基于规则的方法具有最佳的解释性和较低的实现门槛，但泛化能力有限；传统机器学习方法通过特征工程提升了鲁棒性，但仍受限于人工特征设计的不足；深度学习方法在特征学习方面优势显著，但存在模型透明度低和数据依赖性强的挑战；生理系统建模方法机制解释能力强，但受限于波形质量；多模态与混合方法通过融合多源信号与多种算法架构，在检测精度与机制解析能力上实现了综合提升。未来PVA算法需阐明不同病理状态下患者的中枢呼吸驱动特征、呼吸肌负荷能力和肺-膈肌力学耦合关系，尤其需借助算法解析以下关键机制问题：（1）如何区分高驱动和参数设置不当所致的PVA；（2）如何识别相位锁定型反向触发，并评估其导致的呼吸摆动效应与局部肺损伤风险；（3）如何量化无效触发背后的PEEPi水平或镇静深度影响。为此，应研发融合呼吸波形、EAdi、电阻抗成像、膈肌超声等多源信号的监测策略，增强算法对不同机制的判别能力。最后，在临床集成上，应将智能检测算法嵌入呼吸机平台，提高其对不同通气模式和患者状况的适配能力，并与镇静管理、撤机评估等流程协同，提升床旁操作便利性与流程整合度。参考文献[1]JiangG，MaJ，XuH，etal.Applicationprogressofmachinelearninginpatient-ventilatorasynchronyduringmechanicalventilation：asystematicreview［J］.CritCare，2025，29（1）：295.DOI：10.1186/s13054-025-05523-3.[2]BlanchL，VillagraA，SalesB，etal.Asynchroniesduringmechanicalventilationareassociatedwithmortality［J］.IntensiveCareMed，2015，41（4）：633-641.DOI：10.1007/s00134-015-3692-6.[3]PažoutJ，NěmýM，MikešJ，etal.SmartAlert：machinelearning-basedpatient-ventilatorasynchronydetectionsysteminintensivecareunits［J］.ComputMethodsProgramsBiomed，2025，269：108927.DOI：10.1016/j.cmpb.2025.108927.[4]YackleK，DoJ.Themultifunctionalityofthebrainstembreathingcontrolcircuit［J］.CurrOpinNeurobiol，2025，90：102974.DOI：10.1016/j.conb.2025.102974.[5]GuyenetPG，StornettaRL，SouzaG，etal.Theretrotrapezoidnucleus：centralchemoreceptorandregulatorofbreathingautomaticity［J］.TrendsNeurosci，2019，42（11）：807-824.DOI：10.1016/j.tins.2019.09.002.[6]IturriagaR，AlcayagaJ，ChapleauMW，etal.Carotidbodychemoreceptors：physiology，pathology，andimplicationsforhealthanddisease［J］.PhysiolRev，2021，101（3）：1177-1235.DOI：10.1152/physrev.00039.2019.[7]SouzaGMPR，StornettaDS，AbbottSBG.InteractionsbetweenarousalstateandCO2determinetheactivityofcentralchemoreceptorneuronsthatdrivebreathing［J］.JNeurosci，2025，45（1）：e1587242024.DOI：10.1523/JNEUROSCI.1587-24.2024.[8]ChackoB，PeterJV，TharyanP，etal.Pressure-controlledversusvolume-controlledventilationforacuterespiratoryfailureduetoacutelunginjury（ALI）oracuterespiratorydistresssyndrome（ARDS）［J］.CochraneDatabaseSystRev，2015，1（1）：CD008807.DOI：10.1002/14651858.CD008807.pub2.[9]LiuL，YuY，XuX，etal.Automaticadjustmentoftheinspiratorytriggerandcycling-offcriteriaimprovedpatient-ventilatorasynchronyduringpressuresupportventilation［J］.FrontMed（Lausanne），2021，8：752508.DOI：10.3389/fmed.2021.752508.[10]JonkmanAH，RauseoM，CarteauxG，etal.Proportionalmodesofventilation：technologytoassistphysiology［J］.IntensiveCareMed，2020，46（12）：2301-2313.DOI：10.1007/s00134-020-06206-z.[11]KyoM，ShimataniT，HosokawaK，etal.Patient-ventilatorasynchrony，impactonclinicaloutcomesandeffectivenessofinterventions：asystematicreviewandmeta-analysis［J］.JIntensiveCare，2021，9（1）：50.DOI：10.1186/s40560-021-00565-5.[12]GeorgopoulosD.Ineffectiveeffortsduringmechanicalventilation：thebrainwants，themachinedeclines［J］.IntensiveCareMed，2012，38（5）：738-740.DOI：10.1007/s00134-012-2497-0.[13]BaileyJM.Managementofpatient-ventilatorasynchrony［J］.Anesthesiology，2021，134（4）：629-636.DOI：10.1097/ALN.0000000000003704.[14]SousaM，MagransR，HayashiFK，etal.Clustersofdoubletriggeringimpactclinicaloutcomes：insightsfromtheepidemiologyofpatient-ventilatoraSYNChrony（EPISYNC）cohortstudy［J］.CritCareMed，2021，49（9）：1460-1469.DOI：10.1097/CCM.0000000000005029.[15]KemounG，DemouleA，DecavèleM.Howtopreventandhowtotreatdyspneaincriticallyillpatientsundergoinginvasivemechanicalventilation［J］.CurrOpinCritCare，2025，31（1）：47-56.DOI：10.1097/MCC.0000000000001232.[16]SchwartzsteinRM，CampbellML.Dyspneaandmechanicalventilation：theemperorhasnoclothes［J］.AmJRespirCritCareMed，2022，205（8）：864-865.DOI：10.1164/rccm.202201-0078ED.[17]JunhasavasdikulD，TeliasI，GriecoDL，etal.Expiratoryflowlimitationduringmechanicalventilation［J］.Chest，2018，154（4）：948-962.DOI：10.1016/j.chest.2018.01.046.[18]RodriguesA，TeliasI，DamianiLF，etal.Reversetriggeringduringcontrolledventilation：fromphysiologytoclinicalmanagement［J］.AmJRespirCritCareMed，2023，207（5）：533-543.DOI：10.1164/rccm.202208-1477CI.[19]AkoumianakiE，LyazidiA，ReyN，etal.Mechanicalventilation-inducedreverse-triggeredbreaths：afrequentlyunrecognizedformofneuromechanicalcoupling［J］.Chest，2013，143（4）：927-938.DOI：10.1378/chest.12-1817.[20]deVriesHJ，JonkmanAH，TuinmanPR，etal.Respiratoryentrainmentandreversetriggeringinamechanicallyventilatedpatient［J］.AnnAmThoracSoc，2019，16（4）：499-505.DOI：10.1513/AnnalsATS.201811-767CC.[21]ShimataniT，YoonB，HotzJC，etal.Reply：notallbreathsthatfollowaventilatorcyclearereversetriggering［J］.AnnAmThoracSoc，2021，18（7）：1264-1266.DOI：10.1513/AnnalsATS.202103-322LE.[22]MurrayB，SikoraA，MockJR，etal.Reversetriggering：anintroductiontodiagnosis，management，andpharmacologicimplications［J］.FrontPharmacol，2022，13：879011.DOI：10.3389/fphar.2022.879011.[23]李宏亮，周建新.反转触发：易被忽视的人机不同步［J］.中华重症医学电子杂志，2023，9（1）：19-24.DOI：10.3877/cma.j.issn.2096-1537.2023.01.004.[24]BaedorfKassisE，SuHK，GrahamAR，etal.Reversetriggerphenotypesinacuterespiratorydistresssyndrome［J］.AmJRespirCritCareMed，2021，203（1）：67-77.DOI：10.1164/rccm.201907-1427OC.[25]Suárez-SipmannF，VillarJ，FerrandoC，etal.MonitoringexpiredCO2kineticstoindividualizelung-protectiveventilationinpatientswiththeacuterespiratorydistresssyndrome［J］.FrontPhysiol，2021，12：785014.DOI：10.3389/fphys.2021.785014.[26]ThilleAW，RodriguezP，CabelloB，etal.Patient-ventilatorasynchronyduringassistedmechanicalventilation［J］.IntensiveCareMed，2006，32（10）：1515-1522.DOI：10.1007/s00134-006-0301-8.[27]BlanchL，SalesB，MontanyaJ，etal.ValidationoftheBetterCare®systemtodetectineffectiveeffortsduringexpirationinmechanicallyventilatedpatients：apilotstudy［J］.IntensiveCareMed，2012，38（5）：772-780.DOI：10.1007/s00134-012-2493-4.[28]GutierrezG，BallarinoGJ，TurkanH，etal.Automaticdetectionofpatient-ventilatorasynchronybyspectralanalysisofairwayflow［J］.CritCare，2011，15（4）：R167.DOI：10.1186/cc10309.[29]SarlabousL，Aquino-EsperanzaJ，MagransR，etal.Developmentandvalidationofasampleentropy-basedmethodtoidentifycomplexpatient-ventilatorinteractionsduringmechanicalventilation［J］.SciRep，2020，10（1）：13911.DOI：10.1038/s41598-020-70814-4.[30]GholamiB，PhanTS，HaddadWM，etal.Replicatinghumanexpertiseofmechanicalventilationwaveformanalysisindetectingpatient-ventilatorcyclingasynchronyusingmachinelearning［J］.ComputBiolMed，2018，97：137-144.DOI：10.1016/pbiomed.2018.04.016.[31]CasagrandeA，QuintavalleF，FernandezR，etal.Aneffectivepressure-flowcharacterizationofrespiratoryasynchroniesinmechanicalventilation［J］.JClinMonitComput，2021，35（2）：289-296.DOI：10.1007/s10877-020-00469-z.[32]GaoE，RistanoskiG，AickelinU，etal.Earlydetectionandclassificationofpatient-ventilatorasynchronyusingmachinelearning［C］//MichalowskiM，AbidiSSR，AbidiS.ArtificialIntelligenceinMedicine.Cham：Springer，2022：238-248.DOI：10.1007/978-3-031-09342-5_23.[33]RehmGB，HanJ，KuhnBT，etal.Creationofarobustandgeneralizablemachinelearningclassifierforpatientventilatorasynchrony［J］.MethodsInfMed，2018，57（4）：208-219.DOI：10.3414/ME17-02-0012.[34]ZhangL，MaoK，DuanK，etal.Detectionofpatient-ventilatorasynchronyfrommechanicalventilationwaveformsusingatwo-layerlongshort-termmemoryneuralnetwork［J］.ComputBiolMed，2020，120：103721.DOI：10.1016/pbiomed.2020.103721.[35]PanQ，ZhangL，JiaM，etal.Aninterpretable1Dconvolutionalneuralnetworkfordetectingpatient-ventilatorasynchronyinmechanicalventilation［J］.ComputMethodsProgramsBiomed，2021，204：106057.DOI：10.1016/j.cmpb.2021.106057.[36]LeXM，LuoL，AickelinU，etal.SHIP：ashapelet-basedapproachforinterpretablepatient-ventilatorasynchronydetection［C］//WuX.AdvancesinKnowledgeDiscoveryandDataMining.Singapore：Springer，2025：430-442.DOI：10.1007/978-981-96-8173-0_34.[37]PanQ，JiaM，LiuQ，etal.Identifyingpatient-ventilatorasynchronyonasmalldatasetusingimage-basedtransferlearning［J］.Sensors（Basel），2021，21（12）：4149.DOI：10.3390/s21124149.[38]LooNL，ChiewYS，TanCP，etal.Amachinelearningmodelforreal-timeasynchronousbreathingmonitoring［J］.IFAC-PapersOnLine，2018，51（27）：378-383.DOI：10.1016/j.ifacol.2018.11.610.[39]HaoL，BakkesTHGF，vanDiepenA，etal.Anadversariallearningapproachtogeneratepressuresupportventilationwaveformsforasynchronydetection［J］.ComputMethodsProgramsBiomed，2024，250：108175.DOI：10.1016/j.cmpb.2024.108175.[40]ObesoI，YoonB，LedbetterD，etal.Anovelapplicationofspectrogramswithmachinelearningcandetectpatientventilatordyssynchrony［J］.BiomedSignalProcessControl，2023，86（PtC）：105251.DOI：10.1016/j.bspc.2023.105251.[41]ZhangL，FengX，LuF，etal.INTELLI-PVA：informativesampleannotation-basedcontrastiveactivelearningforcross-domainpatient-ventilatorasynchronydetection［J］.ComputMethodsProgramsBiomed，2026，275：109203.DOI：10.1016/j.cmpb.2025.109203.[42]周益民，宁泽惺，罗旭颖，等.基于半监督卷积神经网络进行人机不同步的识别［J］.首都医科大学学报，2022，43（5）：734-739.DOI：10.3969/j.issn.1006-7795.2022.05.011.[43]ChenD，LinK，DengZ，etal.Aninterpretablemulti-scalelightweightnetworkforpatient-ventilatorasynchronydetectionduringmechanicalventilation［J］.Measurement，2023，222：113597.DOI：10.1016/j.measurement.2023.113597.[44]PooleSF，ChiewYS，RedmondDP，etal.Real-timebreath-to-breathasynchronyeventdetectionusingtime-varyingrespiratoryelastancemodel［J］.IFACProcVol，2014，47（3）：5629-5634.DOI：