Abstract
呼吸机参数的设置与调节，需要依靠大量临床数据和丰富的经验。本文针对由于临床患者状态时变性、突变性而导致呼吸机参数决策困难的问题进行了探讨，依据模糊控制规则和神经网络，提出一种基于专家知识的呼吸机参数设置与无级自适应调节策略。本文依据该方法和临床患者实时生理状态，生成了具有连续性与平滑性的机械通气决策解集，自动地向医护人员提供明确的参数调节建议。该方法解决了呼吸机有级调节控制精度低、动态品质差等问题，可以更合理地处理多输入的控制决策问题，并提高了患者的通气舒适性。
Keywords: 呼吸机, 参数设置, 自适应通气, 无级调节
Abstract
The setting and adjustment of ventilator parameters need to rely on a large amount of clinical data and rich experience. This paper explored the problem of difficult decision-making of ventilator parameters due to the time-varying and sudden changes of clinical patient’s state, and proposed an expert knowledge-based strategies for ventilator parameter setting and stepless adaptive adjustment based on fuzzy control rule and neural network. Based on the method and the real-time physiological state of clinical patients, we generated a mechanical ventilation decision-making solution set with continuity and smoothness, and automatically provided explicit parameter adjustment suggestions to medical personnel. This method can solve the problems of low control precision and poor dynamic quality of the ventilator’s stepwise adjustment, handle multi-input control decision problems more rationally, and improve ventilation comfort for patients.
Keywords: Ventilator, Parameter setting, Adaptive ventilation, Stepless adjustment
0. 引言
针对患者因通气、换气功能障碍而引起的呼吸衰竭，利用呼吸机实现机械通气是最广泛使用的治疗方法之一[1]。不适当的呼吸机参数设置会延长通气时间，导致患者死亡率增加，因此呼吸机参数的选择是影响治疗效果的关键因素。由于呼吸机的设置与调节较为复杂，医护人员需要具备相当丰富的专家知识[2]。临床医生需要根据患者当前的生理状态，兼顾患者的通气舒适性，及时做出控制决策以调整呼吸机参数。他们还需要清楚了解呼吸机的特性以及患者基础疾病的进展情况和治疗预期[3]，而且当患者的生理状况随着病程发生变化时，医护人员需要实时调整通气策略[4]。因此，对于未经过长期培训的医护人员，呼吸机参数设置与调节是一项复杂而艰巨的任务。
近年来，为解决上述问题，呼吸机参数控制决策系统陆续被开发出来[5-9]，最先是一些基于机械通气规则的系统被提出并应用于临床试验[8-9]。2011年Mahmud等[10]提出了基于本体论的针对呼吸机撤机的决策系统；次年，Hatko等[11]应用图形指南语言，以流程图为导向表示机械通气相关医学知识；2017年，Hernández-Torruco等[12]应用三个基于规则的分类器来构建格林-巴利综合征并发症的诊断模型；2021年，Battaglini等[13]总结机械通气治疗经验，抽取出针对急性呼吸窘迫综合征患者个性化机械通气的10条规则。这些基于规则的决策系统通常面向特定疾病[14-15]，或仅支持某些特定的通气模式[2, 16]。与此同时，一些基于生理模型的决策支持系统也被陆续提出[17]，目的是通过模拟患者的真实生理状态，指导医护人员对呼吸机进行参数设置与调节[6-7]。如肺参数自动估算系统[18-20]和呼吸机设置决策系统[7, 21-23]等系统就是以双肺气体交换模型为基础，通过监测患者的呼吸参数，结合患者的其他生理参数，实时分析患者肺部状态和气体交换情况，进而指导医护人员调节呼吸机参数。然而，基于生理模型的决策支持系统需要借助众多生理参数，其中许多参数不易获取，导致实际决策结果存在偏差。
虽然目前已经提出了多种方法来辅助优化决策呼吸机参数的设置与调节，如基于临床的机械通气指南[24-26]和上述决策支持系统，但由于患者临床状态的时变性、突变性，使得呼吸机参数控制决策系统距离临床应用还有很长的距离[27]。而且根据临床经验，像潮气量等某些参数，其临床设置值往往高于指南建议值[28-29]，为决策知识基准的建立也带来了难度。因此，呼吸机参数控制决策系统的建立，需要依靠大量临床数据和丰富的经验[21]。本文提出一种基于专家知识的呼吸机参数设置与无级自适应调节策略，根据患者实时变化的生理状态，自动地向医护人员提供明确的参数调节建议，提高患者机械通气的安全性与舒适性，同时显著减少操作培训时间。
1. 系统总体设计
呼吸机参数控制决策系统通过实时监测患者生理状态数据和呼吸机运行参数，借助血气分析结果和诊断专家知识，做出呼吸机参数调节指导性建议。如图1所示，医护人员可以通过人机交互界面查看、检索呼吸机参数的推荐设置与调节值；同时，决策系统与呼吸机控制系统可以直接相连，直接控制呼吸机进行参数调节。在呼吸机参数控制决策系统中，呼吸机临床应用指南和使用规则被整理成机械通气规则专家知识库；借助模糊控制规则和神经网络解释专家知识库，即呼吸机操作知识被训练成可满足不同通气场景的呼吸机参数调节关系曲线；再汇总关系曲线形成机械通气决策解集，从而使专家知识转化为计算机可理解、可处理的呼吸机参数推荐值。
图 1.
Overall technical route
总体技术路线
2. 关键技术与方法
2.1. 专家知识库构造
专家知识库是参数控制决策的基础，是呼吸机操作规则的集合。如图2所示，专家知识库分为机械通气设置、目标和规则三部分。机械通气设置知识定义了呼吸机通气模式和初始参数，负责根据患者病情为患者选择合理的呼吸机通气模式和初始参数。机械通气目标知识定义了通气各项目标，能够根据患者的生理状态判断机械通气治疗的有效性，即依据氧合、通气、酸碱平衡这三类参数是否处于正常阈值，判断患者的生理状态是否正常。机械通气规则知识定义了参数调节规则，用于指导呼吸机参数调节，规则会根据患者生理状态的变化而变化，对呼吸机参数的调节顺序和数值给出指导建议。专家知识库的参数应包含所有与患者治疗相关的呼吸机参数以及与患者呼吸功能相关的生理状态参数，受限于当前技术水平以及专家知识经验储备量，应根据专家知识的增加而扩充。
图 2.
Structure of expert knowledge base
专家知识库结构图
2.2. 专家知识模糊化
模糊系统训练专家知识库，运用模糊逻辑将专家知识转化为计算机可理解、可操作的呼吸机控制参数和数值。本文的模糊控制规则基于呼吸机压力支持和容量支持两类通气模式，设定了10个输入参数和7个输出参数。10个输入参数分别是血氧饱和度（oxygen saturation，SaO2）、吸入氧浓度（fraction of inspiration oxygen，FiO2）、呼气终末正压（positive end expiration pressure，PEEP）、动脉血二氧化碳分压（partial pressure of carbon dioxide in artery，PaCO2）、动脉酸碱值（potential of hydrogen，pH）、吸气峰压（peak inspiratory pressure，PIP）、潮气量（tidal volume，VT）、呼吸频率（respiratory rate，RR）、吸呼比（inspiratory to expiratory ratio，I∶E）和呼气末二氧化碳分压（partial pressure of carbon dioxide in endexpiratory gas，PetCO2）的测量值，7个输出参数分别是分钟通气量（minute ventilation，MV）、吸入气体压力（inspiratory pressure，Pinsp）以及FiO2、PEEP、VT、RR、I∶E的调节值FiO2’、PEEP’、VT’、RR’、I∶E’，如表1所示。每一个输出参数都由相应的几个输入参数来控制，均对应决策支持系统中的一个子系统，且每一个子系统都有单独的控制规则。
表 1. Correspondence between input and output parameters.
输入与输出参数对应关系表
| 编号 | 输出参数 | 所需输入参数 |
| 1 | FiO2’ | FiO2、SaO2 |
| 2 | PEEP’ | FiO2、SaO2、PEEP |
| 3 | MV | PaCO2、pH、PIP |
| 4 | VT’ | VT、RR |
| 5 | RR’ | VT、RR、PetCO2 |
| 6 | I∶E’ | I∶E、PIP |
| 7 | Pinsp | VT、RR、PetCO2 |
模糊规则用于描述专家知识并引入参数变量和值的概念，参数变量分为输入、输出变量。参数变量具有多个值，每个值对应一个隶属函数。模糊分割的个数即值的个数，模糊分割的个数决定了模糊规则的个数。如图3、图4所示，本文采用三角形隶属函数（triangle membership function，trimf）和梯形隶属函数（trapezoidal membership function，trapmf）两种隶属度函数，将输入、输出划分为区间结构，每个区间都有相对应的模糊参数值。本文采用一种传统的模糊参数值表示方式，区间包括负大二级（negative big level 2，NB2）、负大一级（negative big level 1，NB1）、负大（negative big，NB）、负中（negative medium，NM）、负小（negative small，NS）、零（zero，ZE）、正小（positive small，PS）、正中（positive medium，PM）、正大（positive big，PB）、正大一级（positive big level 1，PB1）、正大二级（positive big level 2，PB2）、最大（maximum，MAX），如图4所示。trimf为形状由参数a、b、c确定的三角形曲线，如式(1)所示：
图 3.
Schematic diagram of fuzzy segmentation of input parameters
输入参数模糊分割示意图
图 4.
Schematic diagram of fuzzy segmentation of output parameters
输出参数模糊分割示意图
 |
1 |
其中，a和c确定三角形的底边两端点位置，对应图3、图4中输入和输出参数取值范围的两端点数值，参数b确定三角形的顶点位置，对应当图3、图4中输入和输出参数的隶属度函数数值为1时参数的取值。trapmf为形状由参数a、b、c、d确定的梯形曲线，如式(2)所示：
 |
2 |
其中，a和d确定梯形下底边两端点位置，对应图3、图4中输入和输出参数取值范围的两端点数值，而b和c确定梯形上底边两端点位置，对应图3、图4中输入和输出参数的隶属度函数数值为1时参数的取值。
通常模糊规则的形式是“IF前件THEN后件”。以输入参数FiO2、SaO2对应输出参数FiO2’为例，具体的模糊规则如表2所示。表2中偏高、正常等词代表了图3输入参数各个模糊集合对应的模糊参数值，图4中ZE、NS等词代表了输出参数各个模糊集合对应的模糊参数值。以表2排序第一的组合为例，模糊规则的具体描述可以表示为：如果SaO2为偏高，FiO2为偏低，则FiO2’为零。
表 2. Fuzzy rules for FiO2.
FiO2模糊规则
| SaO2 | FiO2 | FiO2’ | SaO2 | FiO2 | FiO2’ | |
| 注：SaO2、FiO2为输入参数，FiO2’为输出参数 | ||||||
| 偏高 | 偏低 | ZE | 低 | 偏低 | MAX | |
| 偏高 | 正常 | NS | 低 | 正常 | PB2 | |
| 偏高 | 偏高 | NM | 低 | 偏高 | PB | |
| 偏高 | 高 | NM | 低 | 高 | PS | |
| 偏高 | 最大 | NM | 低 | 最大 | ZE | |
| 正常 | 偏低 | ZE | 很低 | 偏低 | MAX | |
| 正常 | 正常 | ZE | 很低 | 正常 | PB2 | |
| 正常 | 偏高 | ZE | 很低 | 偏高 | PS | |
| 正常 | 高 | ZE | 很低 | 高 | PS | |
| 正常 | 最大 | ZE | 很低 | 最大 | ZE | |
| 偏低 | 偏低 | PB | — | — | — | |
| 偏低 | 正常 | PB | — | — | — | |
| 偏低 | 偏高 | PB | — | — | — | |
| 偏低 | 高 | PS | — | — | — | |
| 偏低 | 最大 | ZE | — | — | — | |
在建立好模糊参数变量及其隶属度值并构造完成模糊规则之后，可执行模糊推理计算。本文采用Mamdani模糊推理算法，通过模糊推理得到模糊输出值，随后采用加权平均法将模糊输出集合去模糊化，转化为精确量化的呼吸机参数调节值。本文模糊逻辑规则的制定基于MATLAB中的模糊推理规则编辑器完成，规则制定完成后可生成系统的输入与输出参数关系曲面图，如图5所示。
图 5.
Fuzzy control decision diagram
模糊控制决策图
2.3. 参数调节关系曲线拟合
由图5可以看出，机械通气规则模糊化后并不会得到平滑的输入输出关系曲线。为满足呼吸机参数无级调节的需求，需要借助神经网络训练模糊控制规则，使控制规则得到进一步的优化。如图6所示，首先基于上述模糊控制规则搭建模糊控制决策系统，依据模拟的不同患者生理状态，生成大量生理状态参数，输入控制决策系统中，系统接收到参数后计算出呼吸机对应的参数调节值。将系统的输入、输出参数对应组合存储到仿真通气数据库，上述模糊规则以数据的形式体现。随后将数据库作为样本数据集输入至搭建好的神经网络进行训练，训练后的神经网络用于拟合获得参数调节关系曲线，所有曲线组合为机械通气决策解集。利用参数调节关系曲线，可以通过输入生理监测参数，获得呼吸机控制参数调节值。
图 6.
The process of curve fitting
曲线拟合过程
以输出参数Pinsp为例，Pinsp输出值由三个输入参数VT、RR、PetCO2控制。先将其中两个输入参数按照其不同值组合成为解集点，参照图3将RR范围定义为0~26 次/min，VT范围为7~16 mL/kg，获得270个解集点，参数VT和RR组合的解集点如图7a所示。再拟合PetCO2与Pinsp的参数调节关系曲线，如图7b所示为RR=15次/min、VT=12 mL/kg时PetCO2与Pinsp参数调节关系曲线。向训练好的神经网络依次输入270组数据，每组都包含PetCO2与Pinsp的参数调节关系曲线。这样可以面向三个独立参数进行控制，有效避免了患者生理状况较为复杂时的控制决策困难，做到即使患者出现细微生理状态差异，也存在对应的不同的呼吸机参数调节结果。
图 7.
Parametric modulation curves between VT, RR, PetCO2 and Pinsp
VT、RR、PetCO2与Pinsp参数调节关系曲线
a. VT和RR组合解集点；b. PetCO2与Pinsp参数调节关系曲线
a. solution points of VT and RR combinations; b. parametric modulation curves between PetCO2 and Pinsp
3. 结果与讨论
通过对比图5与图7b可以看出，图5曲面图实质为离散点的集合，而经过神经网络训练后的模糊控制规则可以拟合出如图7b所示的平滑连续曲线，呼吸机依据该参数调节关系曲线可实现无级控制调节。为了更好地讨论平滑参数调节关系曲线的作用，以输入FiO2、SaO2控制输出FiO2’为例，将模糊控制规则和参数调节关系曲线结合临床数据进行验证。为此，本文选取了课题合作医院ICU中进行机械通气治疗的42位患者数据，该42位患者分别患有慢性阻塞性肺病、睡眠呼吸暂停综合征、支气管哮喘等各种呼吸系统疾病，符合本文为不同患者提供呼吸机参数设置与调节策略的宗旨。该42位患者在ICU中接受了超过48 h的机械通气治疗并脱离危险期，并在治疗过程中多次接受FiO2、SaO2采集。该实验结果中得到的FiO2’建议值如图8所示，经呼吸科医生判定后认为符合临床治疗规范。本文采用SPSS24.0软件分析数据，对该配对样本模糊建议值和曲线建议值的差值进行正态性检验，P<0.05，因此采用非参数检验进行验证。Wilcoxon Signed Ranks Test的结果Z值为–2.469，渐进法计算的P值为0.014，二者差值有统计学意义，即曲线建议值和模糊建议值不同。通过两者的对比，发现参数调节关系曲线相比于单纯应用模糊控制规则，对于FiO2’的单次调节幅度更小，更接近于无级调节。特别是对于编号为21号的患者，42例受试者中唯一一例模糊建议值与曲线建议值调整方向相反的情况，当时患者血氧饱和度为94.2%，模糊建议值为降低吸入氧浓度，曲线建议值为增加吸入氧浓度，实际对患者采取增加吸入氧浓度的方式使其血氧饱和度提高至正常值98%，在调节幅度很小的情况下，曲线建议值对于正向调节还是负向调节的把控更为精准，给出了更为合理的建议。
图 8.
Comparison of recommended values for FiO2 regulation
FiO2调节建议值对比
4. 结论
本文介绍了一种基于专家知识的呼吸机参数设置与无级自适应调节策略，旨在通过模糊系统对专家知识库中的呼吸机参数设置与调节规则进行提取和数值化，获得可以应用于不同通气场景的机械通气决策解集。该解集可以不断根据患者的生理状态变化，自动为呼吸机参数设置与调节提供建议。为进一步提高患者的通气舒适性，借助神经网络对模糊控制规则进行了训练与细化，通过神经网络训练建立呼吸机参数调节关系曲线，可以有效支持呼吸机无级调节，解决呼吸机有级调节控制精度低、动态品质差、通气舒适性不高等问题。经过验证，融合模糊规则与神经网络的呼吸机参数调节关系曲线，能够把控细节，更合理地处理多输入的控制决策问题。目前，本文提出的仅是一种临床治疗策略，患者的主观治疗感受与真实生理状态变化是衡量该策略有效性与实用性的重要标准。因此，日后将结合临床试验，对该策略进行进一步的验证与改善。
重要声明
利益冲突说明：本文全体作者均声明不存在利益冲突。
作者贡献声明：王永言为论文主要撰写人，完成论文的构思和稿件的写作；连宪辉、王帅、张继国参与数据收集、图表绘制和论文修改；马嵩华、胡天亮参与论文的设计、核改与指导；马德东参与论文的指导与审校。
Funding Statement
山东省科技计划项目（2015GGE27208）
Contributor Information
嵩华 马 (Songhua MA), Email: msh_1216@sdu.edu.cn.
德东 马 (Dedong MA), Email: ma@qiluhuxi.com.
References
- 1.Epstein S K Weaning from ventilatory support. Curr Opin Crit Care. 2009;15(1):36–43. doi: 10.1097/MCC.0b013e3283220e07. [DOI] [PubMed] [Google Scholar]
- 2.Dojat M, Brochard L, Lemaire F, et al A knowledge-based system for assisted ventilation of patients in intensive care units. J Clin Monit Comput. 1992;9(4):239–250. doi: 10.1007/BF01133619. [DOI] [PubMed] [Google Scholar]
- 3.Tehrani F T, Roum J H Flex: A new computerized system for mechanical ventilation. J Clin Monit Comput. 2008;22(2):121–130. doi: 10.1007/s10877-008-9113-4. [DOI] [PubMed] [Google Scholar]
- 4.Tzavaras A, Weller P, Spyropoulos B. A neuro-fuzzy controller for the estimation of tidal volume and respiration frequency ventilator settings for COPD patients ventilated in control mode// 2007 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Lyon: IEEE, 2007: 3765-3768.
- 5.Morris A H Developing and implementing computerized protocols for standardization of clinical decisions. Ann Intern Med. 2000;132(5):373–383. doi: 10.7326/0003-4819-132-5-200003070-00007. [DOI] [PubMed] [Google Scholar]
- 6.Rutledge G W, Thomsen G E, Farr B R, et al The design and implementation of a ventilator-management advisor. Artif Intell Med. 1993;5(1):67–82. doi: 10.1016/0933-3657(93)90006-O. [DOI] [PubMed] [Google Scholar]
- 7.Rees S E, Allerod C, Murley D, et al Using physiological models and decision theory for selecting appropriate ventilator settings. J Clin Monit Comput. 2006;20(6):421–429. doi: 10.1007/s10877-006-9049-5. [DOI] [PubMed] [Google Scholar]
- 8.East T D, Heermann L K, Bradshaw R L, et al. Efficacy of computerized decision support for mechanical ventilation: results of a prospective multi-center randomized trial. Proc AMIA Symp, 1999: 251-255.
- 9.Lellouche F, Mancebo J, Jolliet P, et al A multicenter randomized trial of computer-driven protocolized weaning from mechanical ventilation. Am J Resp Crit Care. 2006;174(8):894–900. doi: 10.1164/rccm.200511-1780OC. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 10.Mahmud F B, Yusof M M, Noah S A. Ontological based clinical decision support system (CDSS) for weaning ventilator in intensive care unit (ICU)// International Conference on Electrical Engineering and Informatics (ICEEI). Bandung: IEEE, 2011: 1-5.
- 11.Hatko R, Schädler D, Mersmann S, et al Implementing an automated ventilation guideline using the semantic wiki KnowWE// ten Teije A. Knowledge engineering and knowledge management. EKAW 2012. Lecture notes in computer science. Berlin, Heidelberg: Springer. 2012;7603:363–372. [Google Scholar]
- 12.Hernández-Torruco J, Canul-Reich J, Román D L. Rule based classifiers for diagnosis of mechanical ventilation in Guillain-Barré Syndrome// Hernández-Torruco J, Canul-Reich J, Román D L. Advances in intelligent systems and computing. Cham: Springer, 2017, 620: 181-188.
- 13.Battaglini D, Sottano M, Ball L, et al Ten golden rules for individualized mechanical ventilation in acute respiratory distress syndrome. J Intens Med. 2021;1(1):42–51. doi: 10.1016/j.jointm.2021.01.003. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 14.Sittig D F, Pace N L, Gardner R M, et al Implementation of a computerized patient advice system using the HELP clinical information system. Comput Biomed Res. 1989;22(5):474–487. doi: 10.1016/0010-4809(89)90040-2. [DOI] [PubMed] [Google Scholar]
- 15.McKinley B A, Moore F A, Sailors R M, et al Computerized decision support for mechanical ventilation of trauma induced ARDS: results of a randomized clinical trial. J Trauma Acute Care. 2001;50(3):415–425. doi: 10.1097/00005373-200103000-00004. [DOI] [PubMed] [Google Scholar]
- 16.Strickland J H, Hasson J H A computer-controlled ventilator weaning system. Chest. 1991;100(4):1096–1099. doi: 10.1378/chest.100.4.1096. [DOI] [PubMed] [Google Scholar]
- 17.王春飞, 陈战 一种基于模型的机械通气模糊逻辑决策系统. 生物医学工程学杂志. 2016;33(4):786–793. [PubMed] [Google Scholar]
- 18.Rees S E, Kjærgaard S, Thorgaard P, et al The automatic lung parameter estimator (ALPE) system: non-invasive estimation of pulmonary gas exchange parameters in 10-15 minutes. J Clin Monit Comput. 2002;17(1):43–52. doi: 10.1023/A:1015456818195. [DOI] [PubMed] [Google Scholar]
- 19.Smith B W, Rees S E, Karbing D S, et al. Quantitative assessment of pulmonary shunt and ventilation-perfusion mismatch without a blood sample// International Conference of the IEEE Engineering in Medicine & Biology Society. Lyon: IEEE, 2007: 4255-4258.
- 20.Thomsen L P, Karbing D S, Smith B W, et al Clinical refinement of the automatic lung parameter estimator (ALPE) J Clin Monit Comput. 2013;27(3):341–350. doi: 10.1007/s10877-013-9442-9. [DOI] [PubMed] [Google Scholar]
- 21.Allerød C, Karbing D S, Thorgaard P, et al Variability of preference toward mechanical ventilator settings: A model-based behavioral analysis. J Crit Care. 2011;26(6):637.e5–637.e12. doi: 10.1016/j.jcrc.2011.01.006. [DOI] [PubMed] [Google Scholar]
- 22.Karbing D S, Allerød C, Thomsen L P, et al Retrospective evaluation of a decision support system for controlled mechanical ventilation. Med Biol Eng Comput. 2012;50(1):43–51. doi: 10.1007/s11517-011-0843-y. [DOI] [PubMed] [Google Scholar]
- 23.Allerød C, Rees S E, Rasmussen B S, et al A decision support system for suggesting ventilator settings: retrospective evaluation in cardiac surgery patients ventilated in the ICU. Comput Meth Prog Bio. 2008;92(2):205–212. doi: 10.1016/j.cmpb.2008.07.001. [DOI] [PubMed] [Google Scholar]
- 24.Network A R D S Ventilation with lower tidal volumes as compared with traditional tidal volumes for acute lung injury and the acute respiratory distress syndrome. New Engl J Med. 2000;342(18):1301–1308. doi: 10.1056/NEJM200005043421801. [DOI] [PubMed] [Google Scholar]
- 25.Marini J J, Gattinoni L Ventilatory management of acute respiratory distress syndrome: a consensus of two. Crit Care Med. 2004;32(1):250–255. doi: 10.1097/01.CCM.0000104946.66723.A8. [DOI] [PubMed] [Google Scholar]
- 26.Deja M, Hommel M, Weber-Carstens S, et al Evidence-based therapy of severe acute respiratory distress syndrome: an algorithm-guided approach. J Int Med Res. 2008;36(2):211–221. doi: 10.1177/147323000803600201. [DOI] [PubMed] [Google Scholar]
- 27.Mao C, Wong D T, Slutsky A S, et al A quantitative assessment of how Canadian intensivists believe they utilize oxygen in the intensive care unit. Crit Care Med. 1999;27(12):2806–2811. doi: 10.1097/00003246-199912000-00033. [DOI] [PubMed] [Google Scholar]
- 28.Young M P, Manning H L, Wilson D L, et al Ventilation of patients with acute lung injury and acute respiratory distress syndrome: has new evidence changed clinical practice? Crit Care Med. 2004;32(6):1260–1265. doi: 10.1097/01.CCM.0000127784.54727.56. [DOI] [PubMed] [Google Scholar]
- 29.Esteban A, Ferguson N D, Meade M O, et al Evolution of mechanical ventilation in response to clinical research. Am J Resp Critical Care. 2008;177(2):170–177. doi: 10.1164/rccm.200706-893OC. [DOI] [PubMed] [Google Scholar]