Abstract
近年来，可穿戴设备迎来了蓬勃发展，将可穿戴设备与临床结合是其重要的发展方向。本研究的目的是通过可穿戴设备连续监测心脏瓣膜手术患者在术前六分钟步行试验（6MWT）过程中的呼吸生理参数，建立术后肺部并发症（PPCs）预测模型。纳入四川大学华西医院心脏大血管外科53名心脏瓣膜疾病患者，以术后是否出现PPCs作为分组依据，分析SensEcho可穿戴设备采集的6MWT连续呼吸生理参数，计算呼吸参数和血氧饱和度参数的组间差异，并构建预测模型。结果显示使用可穿戴设备连续性监测6MWT中呼吸生理参数对心脏瓣膜手术患者PPCs具有较好的预测趋势。本研究为可穿戴设备与临床结合提供了一种新型参考模式。
Keywords: 六分钟步行试验, 连续性监测, 心脏瓣膜手术, 术后肺部并发症, 预测模型
Abstract
In recent years, wearable devices have seen a booming development, and the integration of wearable devices with clinical settings is an important direction in the development of wearable devices. The purpose of this study is to establish a prediction model for postoperative pulmonary complications (PPCs) by continuously monitoring respiratory physiological parameters of cardiac valve surgery patients during the preoperative 6-Minute Walk Test (6MWT) with a wearable device. By enrolling 53 patients with cardiac valve diseases in the Department of Cardiovascular Surgery, West China Hospital, Sichuan University, the grouping was based on the presence or absence of PPCs in the postoperative period. The 6MWT continuous respiratory physiological parameters collected by the SensEcho wearable device were analyzed, and the group differences in respiratory parameters and oxygen saturation parameters were calculated, and a prediction model was constructed. The results showed that continuous monitoring of respiratory physiological parameters in 6MWT using a wearable device had a better predictive trend for PPCs in cardiac valve surgery patients, providing a novel reference model for integrating wearable devices with the clinic.
Keywords: 6-Minute Walk Test, Continuous monitoring, Cardiac valve surgery, Postoperative pulmonary complications, Predictive model
0. 引言
心脏手术后10%～25%的患者会出现术后肺部并发症（postoperative pulmonary complications，PPCs）[1-2]，会显著降低患者的功能能力，增加短期和长期死亡率[3]，还会使患者住院费用显著增加，停留重症监护病房和住院的时间延长[4]。因此，术前对接受心脏瓣膜手术患者进行PPCs相关风险评估，对临床治疗方案的制定、预后的判断、并发症的预测、治疗效果的评价以及医疗资源需求的估计等方面具有重要作用。目前临床通常采用六分钟步行测试（6-Minute Walk Test，6MWT）判断患者心肺功能和预后，在一定程度上有助于预测PPCs[5]。然而，在实际临床应用中，大多数只关注六分钟步行距离（6-Minute Walk Test Distance，6MWD）这一静息指标，尚未关注步行过程中连续呼吸生理数据中隐含的生理和病理信息，这可能会忽视早期的恶化迹象而发生不良事件[6]。造成这种现状的一个重要因素就是目前缺少成熟的6MWT过程监测与记录手段以及相关的临床研究，无法明确6MWT过程中的连续动态生理信号与PPCs的关系。然而，生理参数的变化与患者的身体状态紧密相关。AL-Khalidi等[7]的研究表明呼吸参数的频繁改变反映了受损的心肺和神经功能。即使是轻度呼吸异常的患者都存在发生呼吸衰竭的风险。因此，对心脏手术患者在6MWT过程中实施呼吸参数的实时动态监测对临床医生和护理人员来说都势在必行。
近年来，可穿戴设备已逐步应用于临床领域，尤其是新冠疫情的暴发进一步推动了可穿戴设备在疾病管理中的发展与应用。目前大多数商用可穿戴设备已经可以提供心率、血氧以及耗能等相对准确的信息以反映身体活动情况[8]。Cheong等[9]的综述发现使用基于生理特征的偏差，利用可穿戴设备结合人工智能统计分析技术建立了可以及早发现COVID-19感染的异常检测模型，其受试者操作特征（receiver operating characteristic，ROC）曲线的阳性检出率可达75%～94.4%。此外，国际领先的Apple Watch也正聚焦于基于生理信号的房颤检测研究[10]。Escobar-Linero等[11]检索近十年文献发现可穿戴设备已大量应用于心血管系统事件和呼吸系统事件等。这些都表明目前可穿戴设备正在加速向与临床应用结合的方向迈进。
综上所述，本研究设想能够通过可穿戴六分钟步行试验系统收集6MWT过程中的连续呼吸生理数据和血氧数据并对心脏瓣膜手术患者PPCs进行预测，发展PPCs预测模型，检验特征参数和模型的有效性并分析探索其临床应用价值。
1. 资料与方法
1.1. 研究对象
纳入2021年8月至2022年1月在四川大学华西医院心脏大血管外科单一医疗团队进行胸骨正中切开心脏瓣膜手术患者。所有参与者均取得了书面知情同意书。排除标准为：① 急诊手术；② 满足6MWT禁忌症[5]；③ 因不良事件或其他不可预见的情况而被迫终止；④ 可穿戴设备发出的信号不可读或质量差。最终符合上述标准的患者共53例。根据是否出现PPCs将患者分为非术后肺部并发症组（No-PPCs）和术后肺部并发症组（PPCs）。
1.2. 监测设备
本研究中使用的六分钟步行系统是基于医疗级可穿戴设备SensEcho（见图1）（海思瑞格科技有限公司，北京，已获得中国食品药品监督管理局认证）研制的数字化六分钟步行系统[12-13]，可以采集六分钟步行试验前-中-后的连续生理数据，包括胸呼吸、腹呼吸、单导联心电、血氧饱和度、体位和体动等信号。
图 1.
The SensEcho wearable device
SensEcho可穿戴设备
1.3. 监测流程以及数据预处理与特征提取
根据时间对6MWT进行阶段划分：步行开始前1 min为静息阶段；步行过程中为步行阶段；步行结束后1 min为恢复阶段。本研究统一设定为术前一天进行6MWT。进行测试前，将SensEcho穿戴在每位患者身上。随后，在6MWT开始前1 min保持坐立静息状态，采集静息阶段生理数据，之后患者在物理治疗师指导下，根据美国胸科学会指南[5]标准方案完成6MWT（见图2）。如果出现以下任何症状：胸痛、意识丧失、无法忍受的呼吸困难、跌倒、大汗淋漓和面色苍白，则终止步行测试，将之解释为无法全程独立完成步行测试并排除。步行结束后要求患者继续穿戴SensEcho设备并保持坐立静息状态1 min，采集恢复阶段连续生理数据。
图 2.
6MWT and continuous respiratory physiology monitoring process
6MWT及连续性呼吸生理监测流程
数据采集完毕后，进行处理分析。SensEcho设备可同步记录患者心电信号，但一方面考虑到现有样本量无法同时满足纳入呼吸信号以及心电信号进行数据建模分析；另一方面，本研究主要目的为监测呼吸生理信号以识别异常呼吸生理状态对PPCs的预测作用，纳入心电信号偏离本研究主题。因此，本研究仅针对呼吸生理信号进行分析和处理，主要纳入数据包括呼吸频率（breath rate，BR）、潮气量（tidal volume，TV）、分钟通气量（minute ventilation volume，MVV）、腹呼吸贡献度（abdominal-contribute，Abo-contribute）和脉搏氧饱和度（pulse oxygen saturation，SpO2）。
首先使用带宽为0.1～1 Hz的带通滤波器对呼吸信号进行滤波，去除运动伪迹、高频干扰以及工频干扰，然后使用Khodadad法检测呼吸波形的波峰与波谷[14]。然后，根据采集的连续呼吸信号波形，逐呼吸地计算BR、TV、MVV、Abo-contribute，得到各呼吸参数的时间序列[15-16]，参数定义如下：① BR：即每分钟的呼吸次数，通过逐呼吸计算呼吸波形波峰与波峰之间的时间间距得到；② TV：即每次呼吸吸入或呼出的气量，通过逐呼吸计算呼吸波形的幅度得到；③ MVV：即每分钟进或出肺部的气体总量，为呼吸频率与潮气量的乘积；④ Abo-contribute：即腹部的容积变化量占潮气量的比值。以10 s的滑动时间窗口进行滑动平均，然后计算各呼吸参数的衍生参数（特征定义见表1）。血氧饱和度参数根据测量的连续血氧饱和度的时间序列（见图3）计算得到，具体特征定义见表1。
表 1. Characteristics of respiratory physiological parameters of 6MWT.
6MWT呼吸生理参数及其定义
| 参数 | 定义 |
| 注：*本研究中潮气量由SensEcho设备的胸带和腹带测量的呼吸幅度相加得到，单位为未经校准的任意单位，仅表示相对大小；**本研究中分钟通气量的单位为未经校准的任意单位，仅表示相对大小 | |
| 呼吸频率BR | |
| base | 步行前平均呼吸频率 |
| acc-time | 步行过程中平均呼吸频率上升至75%最大值花费时间 |
| slope | 步行过程中平均呼吸频率上升至75%最大值的加速斜率 |
| max | 步行过程中最大呼吸频率 |
| time>20 | 步行过程中呼吸频率>20次/分持续时间 |
| end | 步行结束时呼吸频率 |
| recovery | 步行结束后平均呼吸频率 |
| cv | 步行过程中的呼吸变异性 |
| 潮气量TV* | |
| in-base | 步行前平均吸气潮气量 |
| ex-base | 步行前平均呼气潮气量 |
| in-mean | 步行过程中平均吸气潮气量 |
| ex-mean | 步行过程中平均呼气潮气量 |
| in-recovery | 步行结束后平均吸气潮气量 |
| ex-recovery | 步行结束后平均呼气潮气量 |
| in-cv | 步行过程中的吸气潮气量变异性 |
| ex-cv | 步行过程中的呼气潮气量变异性 |
| 分钟通气量MVV** | |
| in-base | 步行前平均吸气通气量 |
| ex-base | 步行前平均呼气通气量 |
| in-max | 步行过程中最大吸气通气量 |
| ex-max | 步行过程中最大呼气通气量 |
| in-acc-time | 步行前平均吸气通气量上升至75%最大值花费时间 |
| ex-acc-time | 步行前平均呼气通气量上升至75%最大值花费时间 |
| in-slope | 步行前平均吸气通气量上升至75%最大加速斜率 |
| ex-slope | 步行前平均呼气通气量上升至75%最大加速斜率 |
| 腹呼吸贡献度Abo-contribute | |
| base | 步行前平均腹呼吸贡献度占比 |
| mean | 步行过程中平均腹呼吸贡献度占比 |
| recovery | 步行后平均腹呼吸贡献度占比 |
| cv | 步行过程中腹呼吸贡献度变异性 |
| 氧饱和度SpO2 | |
| base | 步行前氧饱和度平均值 |
| min | 步行过程中最小氧饱和度 |
| desaturation area | 步行过程中氧饱和度水平与基线氧饱和度水平所围成的面积 |
| end | 步行结束时氧饱和度 |
| recovery | 步行后平均氧饱和度 |
| SpO2-6MWD | 步行过程中平均氧饱和度×6分钟步行距离 |
图 3.
Respiratory physiological signal acquisition process
呼吸信号图
1.4. 临床数据及结局定义
所有临床数据均由研究人员使用数据收集表从心脏外科手术患者数据库中收集。数据类型如下：a）人口基线数据：包括年龄、性别、体质指数、吸烟史。b）术前风险评估：包括术前纽约心脏协会分类、左室射血分数、欧洲心脏手术风险评估。c）术前功能能力：第一秒用力呼出容积（forced expiratory volume in the first second，FEV1）、用力肺活量（forced vital capacity，FVC）、FEV1/FVC、最大通气量（maximum ventilatory volume，MVV）和最大吸气压（maximum inspiration pressure，MIP）。d）合并症：慢性肾功能不全、高血压、贫血、冠心病、神经系统障碍、糖尿病、充血性心力衰竭、低氧血症、既往心脏手术、通气功能障碍以及吸气肌无力。e）手术类型：根据手术的复杂程度进行分类，定义为三大类：① 非冠脉搭桥的孤立性手术；② 两项主要的手术方式；③ 三项或更多主要的手术方式[17]。f）术中数据：包括手术时间、体外循环时间和主动脉阻断时间。对所有患者采用墨尔本评分进行评估，直至术后第14天[18]。满足四项及以上判断为PPCs。
1.5. 统计分析
本研究使用Python3.7对连续生理信号进行处理，然后导入SPSS 20.0统计软件进行数据统计学分析处理。对于上述变量以均值±标准差或中位数（四分位间距）进行表示，正态性数据组间比较使用两样本t检验，偏态性数据组间比较使用非参数秩和检验。分类变量以n（%）表示，组间比较使用χ2检验和Fisher确切概率法。
本研究使用逻辑回归分析来调查呼吸生理参数对PPCs的影响。根据采集的连续呼吸波形信号，逐呼吸地计算出上述定义的各阶段呼吸生理参数值。我们定义结局事件为二分类变量，使用单变量分析确定显著预测因素。通过对两组患者在步行试验过程中连续呼吸生理参数特征差异进行排序，纳入两组连续呼吸生理参数中P<0.05的参数进行多因素逻辑回归分析。Box-Tidwell测试用于评估连续性变量对数的线性假设。多重共线性假设通过皮尔逊相关系数统计和检验方差膨胀系数以及具有相同相关变量和独立变量的多元回归模型的公差进行评估。使用对数似然比检验模型的总体显著性。Hosmer-Lemeshow拟合优度χ2检验用于评估模型的适当性。所有假设的统计检验均为双侧检验，检测水准为0.05。
2. 结果
2.1. 两组患者临床特征分析
本研究所纳入的53例患者中共有19例患者出现PPCs。与No-PPCs组相比，两组人群在性别、年龄、吸烟史、左室射血分数、合并症、手术类型与手术时间等指标的差异均无统计学意义（P>0.05），基线具有可比性（见表2）。
表 2. Clinical information of patients in both groups.
PPCs组和No-PPCs组患者的临床信息对比分析
| 临床特征 | PPCs（n = 19） | No-PPCs（n = 34） | P值 |
| 人口统计学 | |||
| 年龄/岁 | 58.00 ± 9.97 | 57.68 ± 10.74 | 0.92 |
| 性别[n（%）] | |||
| 女性 | 9（47.37） | 9（26.47） | 0.11 |
| 男性 | 10（52.63） | 25（73.53） | |
| 体质指数/（kg/m2） | 22.41 ± 6.16 | 24.83 ± 3.63 | 0.08 |
| 吸烟史[n（%）] | 4（21.05） | 12（35.29） | 0.36 |
| 术前风险评估 | |||
| EuroSCORE II | 4.05 ± 2.66 | 3.21 ± 2.21 | 0.22 |
| 左室射血分数（%） | 57.84 ± 14.38 | 61.97 ± 8.95 | 0.20 |
| 纽约心功能分级[n（%）] | |||
| II | 8（42.11） | 19（55.88） | 0.30 |
| III | 10（52.63） | 15（44.12） | |
| IV | 1（5.26） | 0（0） | |
| 合并症[n（%）] | |||
| 慢性肾功能不全 | 1（5.26） | 1（2.94） | 0.59 |
| 高血压 | 6（31.58） | 9（26.47） | 0.69 |
| 贫血 | 1（5.26） | 0（0） | 0.36 |
| 冠心病 | 3（15.79） | 5（14.71） | 1.00 |
| 神经系统障碍 | 3（15.79） | 2（5.88） | 0.34 |
| 糖尿病 | 2（10.53） | 7（20.59） | 0.29 |
| 充血性心力衰竭 | 13（68.42） | 28（80.35） | 0.31 |
| 低氧血症 | 8（42.11） | 10（29.41） | 0.35 |
| 既往心脏手术 | 1（5.26） | 0（0） | 0.36 |
| 通气功能障碍 | |||
| 阻塞性 | 3（15.79） | 3（8.82） | 0.66 |
| 限制性 | 9（47.37） | 19（55.88） | 0.55 |
| 混合性 | 2（10.53） | 2（5.88） | 0.61 |
| 吸气肌无力 | 7（36.84） | 12（35.29） | 0.91 |
| 功能能力 | |||
| FEV1（%） | 73.35 ± 19.67 | 79.41 ± 17.75 | 0.25 |
| FVC（%） | 73.02 ± 18.64 | 77.09 ± 16.05 | 0.41 |
| MIP（%） | 66.94 ± 17.42 | 66.00 ± 17.63 | 0.85 |
| FEV1/FVC（%） | 78.76 ± 9.10 | 80.62 ± 8.52 | 0.46 |
| 6MWD/m | 403.16 ± 70.56 | 432.09 ± 93.08 | 0.25 |
| 手术方式[n（%）][21] | |||
| 非冠脉搭桥的孤立性手术 | 9（47.37） | 19（55.88） | 0.49 |
| 两项主要的手术方式 | 8（42.11） | 14（41.18） | |
| 三项或更多主要的手术方式 | 2（10.53） | 1（2.94） | |
| 术中数据 | |||
| 手术时间/min | 273.26 ± 56.01 | 263.12 ± 65.21 | 0.57 |
| 体外循环时间/min | 126.42 ± 43.12 | 120.50 ± 40.19 | 0.62 |
| 主动脉阻断时间/min | 86.58 ± 27.94 | 85.79 ± 29.46 | 0.93 |
2.2. 两组患者6MWT过程呼吸生理参数对比分析
对表1中所列的呼吸和血氧生理参数进行组间对比分析，结果见表3。可以看出，两组患者在BR-max、MVV-in-base、Abo-contribute的差异具有统计学意义。PPCs组BR-max［（30.04±3.85）次/分 vs.（32.60±4.69）次/分，P=0.04］、MVV-in-base［32 818.09±19 995.29 vs. 47 605.13±21 783.77，P=0.02］、Abo-contribute占比［base，（0.34±0.14）% vs.（0.43±0.15）%，P=0.04；mean，（0.35±0.19）% vs.（0.46±0.20）%，P=0.04；recovery，（0.35±0.19）% vs.（0.46±0.20）%，P=0.04］均较低。两组人群TV、SpO2等呼吸生理参数差异未见统计学意义（P>0.05）。
表 3. Characteristics and differences in continuous respiratory physiological parameter monitoring during the walking test in the two groups.
两组患者步行试验过程中连续呼吸生理参数监测特征和差异
| 呼吸生理参数特征 | PPCs（n = 19） | No-PPCs（n = 34） | P值 |
| 注：*以均值 ± 标准差的方式表示；**以中位数（四分位间距）表示 | |||
| BR | |||
| base/（次/分）* | 21.93 ± 3.51 | 23.03 ± 4.57 | 0.37 |
| acc-time/min** | 18.00（4.00～58.00） | 29.50（10.00～46.75） | 0.33 |
| slope/（次/分2）** | 0.29（0.10～1.19） | 0.26（0.12～0.64） | 0.54 |
| max/（次/分）* | 30.04 ± 3.85 | 32.60 ± 4.69 | 0.04 |
| time>20/s* | 322.16 ± 82.85 | 321.68 ± 83.23 | 0.98 |
| end/（次/分）* | 24.52 ± 5.23 | 26.53 ± 4.76 | 0.16 |
| recovery/（次/分）* | 21.44 ± 3.77 | 23.11 ± 5.68 | 0.26 |
| cv* | 10.32 ± 4.56 | 10.75 ± 4.79 | 0.75 |
| TV | |||
| in-base* | 1 873.33 ± 1 275.59 | 2 121.86 ± 926.04 | 0.42 |
| ex-base* | 1 845.77 ± 1 611.43 | 2 138.69 ± 1 052.74 | 0.43 |
| in-mean* | 2 044.95 ± 1 696.16 | 2 006.02 ± 936.93 | 0.93 |
| ex-mean* | 2 049.89 ± 1 689.31 | 2 003.78 ± 929.35 | 0.91 |
| in-recovery* | 2 717.48 ± 1 892.8 | 2 410.32 ± 1 194.56 | 0.53 |
| ex-recovery* | 2 779.91 ± 1 855.95 | 2 404.09 ± 1 135.52 | 0.43 |
| in-cv* | 28.98 ± 11.25 | 28.36 ± 17.09 | 0.89 |
| ex-cv* | 29.36 ± 11.31 | 28.09 ± 18.42 | 0.79 |
| MVV | |||
| in-base* | 32 818.09 ± 19 995.29 | 47 605.13 ± 21 783.77 | 0.02 |
| ex-base* | 35 033.33 ± 24 508.84 | 45 630.04 ± 22 194.61 | 0.11 |
| in-max* | 78 121.24 ± 55 710.55 | 82 345.4 ± 29 982.15 | 0.72 |
| ex-max* | 79 144.41 ± 55 995.07 | 80 694.08 ± 31 150.62 | 0.90 |
| in-acc-time** | 147.00（74.00～230.00） | 108.50（67.75～177.00） | 0.34 |
| ex-acc-time** | 142.00（70.00～229.00） | 95.50（54.00～221.75） | 0.53 |
| in-slope** | 1 854.99（263.46～10 786.06） | 936.68（511.49～2 066.16） | 0.26 |
| ex-slope** | 2 325.39（272.68～8 172.19） | 791.41（506.29～1 851.63） | 0.21 |
| Abo-contribute | |||
| base（%）* | 0.34 ± 0.14 | 0.43 ± 0.15 | 0.04 |
| mean（%）* | 0.35 ± 0.19 | 0.46 ± 0.20 | 0.04 |
| recovery（%）* | 0.35 ± 0.19 | 0.46 ± 0.20 | 0.04 |
| cv** | 0.59（0.19～1.12） | 0.30（0.18～0.83） | 0.25 |
| SpO2 | |||
| base（%）* | 95.34 ± 1.15 | 95.67 ± 1.37 | 0.37 |
| min（%）* | 91.21 ± 2.84 | 92.38 ± 3.44 | 0.21 |
| desaturation area/（分钟·%）* | –317.06 ± 783.53 | –270.79 ± 831.03 | 0.84 |
| end（%）* | 93.99 ± 3.81 | 95.1 ± 1.99 | 0.25 |
| recovery（%）* | 94.68 ± 3.67 | 95.46 ± 1.63 | 0.29 |
| SpO2-6MWD（%·m）* | 36 770.42 ± 6 509.63 | 39 858.88 ± 8 476.72 | 0.17 |
2.3. PPCs预测分析
本研究采用多因素逻辑回归分析对PPCs进行预测。根据组间差异分析，初步纳入协变量为BR-max、MVV-in-base、Abo-contribute-base、Abo-contribute-mean以及Abo-contribute-recovery（P<0.05）。上述变量均在建模过程中设置为连续性变量。通过多因素逻辑回归分析，最终确定BR-max（P=0.02）、Abo-contribute-base（P=0.04）、Abo-contribute-recovery（P=0.04）在多变量模型中被视为重要因素。模型具有统计学意义（χ2=13.53，P<0.01）。结果显示该模型具有良好预测性能，敏感性89.5%，特异性61.8%，曲线下面积（area under curve，AUC）=0.79，95%CI 0.66～0.91（见图4）。
图 4.
ROC curves of continuous respiratory physiological parameters for predicting PPCs
连续呼吸生理参数预测PPCs的ROC曲线
3. 讨论
本研究基于可穿戴设备对心脏瓣膜手术患者进行连续性呼吸生理监测，并对PPCs的发生进行了预测。结果显示心脏瓣膜手术PPCs发生率为35.8%，这与全球范围内心脏外科手术PPCs发生率的研究数据保持一致[19]。逻辑回归模型最终确定BR-max、Abo-contribute-base、Abo-contribute-recovery为PPCs的重要预测因子，模型具有良好的预测性能（AUC=0.79）。
在过去的几十年中，可穿戴设备已广泛应用于日常医疗保健监测。最近，可穿戴设备在疾病恶化预警和康复评估等方面显示出巨大潜力[20]。例如，连续监测氧饱和度以判断是否发生运动性诱导低氧饱和度事件，有助于预测慢性阻塞性肺疾病患者预后情况[21]。众所周知，PPCs是导致手术患者出现短期和长期预后不良、生活质量低下的一个重要因素[3]。因此，术前进行PPCs风险评估已成为围手术期患者管理的标准内容和实现加速外科康复的常规临床路径。
既往在临床环境中使用6MWD以评估患者运动能力[5]，但由于单独的6MWD测量可能不足以进行准确的临床分析，因此随着算法、传感器技术的快速发展，一些研究人员开始专注于利用可穿戴设备在6MWT期间获取连续性生理数据以揭示隐藏的信息[22]。我们的研究首次使用可穿戴设备连续性监测患者6MWT中的呼吸生理数据，然后进一步使用多维呼吸生理参数发展心脏瓣膜手术患者PPCs预测模型，从而识别患者异常呼吸生理状态，为物理治疗师制定个性化物理治疗处方提供结构化报告以及理论依据。
研究发现BR-max可以预测PPCs发生，这可能是因为BR反映了机体执行运动的难易程度[23-24]。Aliverti[25]认为在剧烈运动中保持高频率呼吸肌工作，可导致呼吸肌疲劳并启动代谢反射，引起肢体骨骼肌血管收缩，加剧疲劳程度并反馈加强疲劳感知，表现为持续高强度运动的受限。PPCs组患者在运动过程中出现更低的BR-max，可能代表着患者的步行能力受到呼吸的限制。另一方面，我们发现胸腔和腹腔活动幅度对潮气量的相对贡献度是预测PPCs发生的重要因素。通常在静息情况下，胸腔和腹腔对潮气量的相对贡献度分别为60%～70%和30%～40%[26]，而腹腔对潮气量的相对贡献度可以从自主呼吸期间的40%增加到腹式呼吸期间的67%[27]。腹式呼吸运动可以改善腹部对潮气量的贡献度，有助于空气分布至肺基底部，改善肺不张患者肺部特定区域的通气。患者在运动过程中会采取不同呼吸模式，涉及不同分区的呼吸肌激活。腹式呼吸有利于减少呼气末容积[28]。在相同运动负荷下，呼吸肌耗氧量更低，有助于骨骼肌竞争更多耗氧量以促进活动和减少疲劳感知[29]。因此，在运动过程中出现腹腔呼吸贡献度低下的患者可能采取了异常呼吸模式而增加身体耗氧，导致发生PPCs的风险增加。
19世纪60年代，可穿戴技术的概念首先由Edward O Thorp提出[30]，从那时起，可穿戴技术就受到了全世界研究人员的广泛关注。可穿戴设备在商业领域已经取得了巨大进步，可以帮助进行身体运动检测以及心率检测等，已成为日常生活和健身市场的重要组成部分。可穿戴设备可以通过便携式医疗或健康电子设备的形式直接穿戴于患者身体上，用于感知、记录、分析、调节和干预，对疾病的诊断和治疗具有重要意义。前期已有研究初步探索了可穿戴设备的临床适用范围，包括健康和安全监测、慢性病管理、疾病诊治以及康复。例如Ryvlin等[31]利用可穿戴设备检测全身强直阵挛发作，帮助临床医生优化抗癫痫治疗并降低癫痫猝死的风险。Hsu等[32]使用多位置可穿戴传感器对神经系统疾病患者的步态特征进行分析和分类，以指导康复运动方案的选择。我们的研究首次利用可穿戴设备连续性监测心脏瓣膜手术患者呼吸生理参数，建立了预测PPCs的预测模型（AUC=0.79），并发现了容易导致患者出现PPCs的异常呼吸模式。通过连续性监测6MWT过程中呼吸生理参数的方式可以早期评估患者运动状态下的呼吸模式并结合康复干预，有助于减少患者出现肺部不良事件的可能性。这预示着连续性生理监测与人工智能的结合有着更为广阔的临床使用场景，还可以用于探索合并呼吸系统疾病患者的通气监测[33]以及居家的长程睡眠监测[34]等众多领域。
本研究作为一项回顾性的单中心研究，存在样本量相对较小的局限性。我们以研究对象出现肺部并发症作为观测的结局指标。根据实验结果，PPCs组患者步行过程中Abo-contribute-mean为（0.35±0.19）%，No-PPCs组患者为（0.46±0.20）%，设双侧α=0.05，把握度为90%。利用PASS 15软件计算得到的PPCs组患者样本量N=19例，No-PPCs组患者样本量N=19例，本研究纳入人群数量初步达到统计学最低样本量。另一方面，由于样本量较小，对于SpO2等其他呼吸生理参数的检验效能可能不足，从而未显示出统计学意义。因此，应谨慎解读结果。后续研究将进一步扩大样本量，探究多种呼吸生理参数的预测意义。
综上所述，本研究基于六分钟步行试验系统连续性监测心脏瓣膜手术患者呼吸生理数据预测PPCs，通过提取多维呼吸生理参数发现，在步行过程中最大呼吸频率较低、腹呼吸贡献度占比低的心脏瓣膜手术患者更容易出现PPCs。随着传感器以及数据分析技术的发展和临床实际需求的增加，可穿戴设备将在医疗领域发挥更大的作用。
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突。
作者贡献声明：王渝强、罗泽汝心、王佳晨负责招募受试者、数据分析和论文撰写；王佳晨、张健指导方法理论和试验设计；郭应强、张政波、喻鹏铭指导论文撰写。
伦理声明：本研究通过了四川大学华西医院伦理委员的审批（伦理编号：20211023）。
Funding Statement
四川省科技厅重大项目基金（2022YFS0112）
The Major Project of the Science and Technology Department in Sichuan province China
Contributor Information
政波 张 (Zhengbo ZHANG), Email: zhengbozhang@126.com.
鹏铭 喻 (Pengming YU), Email: 13438201451@126.com.
References
- 1.Szelkowski L A, Puri N K, Singh R, et al Current trends in preoperative, intraoperative, and postoperative care of the adult cardiac surgery patient. Curr Probl Surg. 2015;52(1):531–569. doi: 10.1067/j.cpsurg.2014.10.001. [DOI] [PubMed] [Google Scholar]
- 2.Hulzebos E H J, Helders P J M, Favié N J, et al Preoperative intensive inspiratory muscle training to prevent postoperative pulmonary complications in high-risk patients undergoing CABG surgery: a randomized clinical trial. JAMA. 2006;296(15):1851–1857. doi: 10.1001/jama.296.15.1851. [DOI] [PubMed] [Google Scholar]
- 3.Ibañez J, Riera M, Amezaga R, et al Long-term mortality after pneumonia in cardiac surgery patients: a propensity-matched analysis. J Intensive Care Med. 2016;31(1):34–40. doi: 10.1177/0885066614523918. [DOI] [PubMed] [Google Scholar]
- 4.Garcia-Delgado M, Navarrete-Sanchez I, Colmenero M Preventing and managing perioperative pulmonary complications following cardiac surgery. Curr Opin Anaesthesiol. 2014;27(2):146–152. doi: 10.1097/ACO.0000000000000059. [DOI] [PubMed] [Google Scholar]
- 5.ATS Committee on Proficiency Standards for Clinical Pulmonary Function Laboratories ATS statement: guidelines for the six-minute walk test. Am J Respir Crit Care Med. 2002;166:111–117. doi: 10.1164/ajrccm.166.1.at1102. [DOI] [PubMed] [Google Scholar]
- 6.Roberts M M, Cho J G, Sandoz J S, et al Oxygen desaturation and adverse events during 6-min walk testing in patients with COPD. Respirology. 2015;20(3):419–425. doi: 10.1111/resp.12471. [DOI] [PubMed] [Google Scholar]
- 7.AL-Khalidi F Q, Saatchi R, Burke D, et al Respiration rate monitoring methods: A review. Pediatr Pulmonol. 2011;46(6):523–529. doi: 10.1002/ppul.21416. [DOI] [PubMed] [Google Scholar]
- 8.Gupta A, Chakraborty C, Gupta B. Advanced telemedicine system for remote healthcare monitoring// Rashid T A, Chakraborty C, Fraser K. Advances in telemedicine for health monitoring: Technologies, design and applications. London: The Institution of Engineering and Technology, 2020: 163-185.
- 9.Cheong S H R, Ng Y J X, Lau Y, et al. Wearable technology for early detection of COVID-19: A systematic scoping review. Prev Med, 2022: 107170.
- 10.Demkowicz P C, Dhruva S S, Spatz E S, et al Physician responses to apple watch-detected irregular rhythm alerts. Am Heart J. 2023;262:29–37. doi: 10.1016/j.ahj.2023.04.008. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 11.Escobar-Linero E, Muñoz-Saavedra L, Luna-Perejón F, et al Wearable health devices for diagnosis support: Evolution and future tendencies. Sensors. 2023;23(3):1678. doi: 10.3390/s23031678. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 12.Xu Haoran, Yang Zhicheng, She Yingjia, et al. Physio6: A sensor-based monitoring system for 6-minute walking test in the era of COVID-19// 2021 7th IEEE International Conference on Network Intelligence and Digital Content (IC-NIDC). Beijing: IEEE, 2021: 133-137.
- 13.Xu Haoran, Li Peiyao, Yang Zhicheng, et al Construction and application of a medical-grade wireless monitoring system for physiological signals at general wards. J Med Syst. 2020;44:1–15. doi: 10.1007/s10916-019-1451-x. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 14.Khodadad D, Nordebo S, Müller B, et al Optimized breath detection algorithm in electrical impedance tomography. Physiol Meas. 2018;39(9):094001. doi: 10.1088/1361-6579/aad7e6. [DOI] [PubMed] [Google Scholar]
- 15.曹德森, 李德玉, 张政波, 等 随行生理监护系统设计及性能初步验证. 生物医学工程学杂志. 2019;36(1):121–130. doi: 10.7507/1001-5515.201709029. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 16.王佳晨, 梁洪, 王雅静, 等 基于可穿戴系统的呼吸模式参数量化分析研究. 生物医学工程学杂志. 2021;38(5):893–902. doi: 10.7507/1001-5515.202004047. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 17.Nashef S A M, Roques F, Sharples L D, et al EuroSCORE II. Eur J Cardiothorac Surg. 2012;41(4):734–745. doi: 10.1093/ejcts/ezs043. [DOI] [PubMed] [Google Scholar]
- 18.Reeve J C, Nicol K, Stiller K, et al Does physiotherapy reduce the incidence of postoperative pulmonary complications following pulmonary resection via open thoracotomy? A preliminary randomised single-blind clinical trial. Eur J Cardiothorac Surg. 2010;37(5):1158–1166. doi: 10.1016/j.ejcts.2009.12.011. [DOI] [PubMed] [Google Scholar]
- 19.Tanner T G, Colvin M O Pulmonary complications of cardiac surgery. Lung. 2020;198(6):889–896. doi: 10.1007/s00408-020-00405-7. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 20.Baig M M, GholamHosseini H, Moqeem A A, et al A systematic review of wearable patient monitoring systems–current challenges and opportunities for clinical adoption. J Med Syst. 2017;41:1–9. doi: 10.1007/s10916-016-0650-y. [DOI] [PubMed] [Google Scholar]
- 21.Misu S, Kaneko M, Sakai H, et al Exercise-induced oxygen desaturation as a predictive factor for longitudinal decline in 6-minute walk distance in subjects with COPD. Respir Care. 2019;64(2):145–152. doi: 10.4187/respcare.06169. [DOI] [PubMed] [Google Scholar]
- 22.Lin B S, Jhang R J, Lin B S Wearable cardiopulmonary function evaluation system for six-minute walking test. Sensors. 2019;19(21):4656. doi: 10.3390/s19214656. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 23.Nicolò A, Bazzucchi I, Felici F, et al Mechanical and electromyographic responses during the 3-min all-out test in competitive cyclists. J Electromyogr Kinesiol. 2015;25(6):907–913. doi: 10.1016/j.jelekin.2015.08.006. [DOI] [PubMed] [Google Scholar]
- 24.Nicolò A, Marcora S M, Sacchetti M Respiratory frequency is strongly associated with perceived exertion during time trials of different duration. J Sports Sci. 2016;34(13):1199–1206. doi: 10.1080/02640414.2015.1102315. [DOI] [PubMed] [Google Scholar]
- 25.Aliverti A The respiratory muscles during exercise. Breathe. 2016;12(2):165–168. doi: 10.1183/20734735.008116. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 26.Grimby G, Bunn J, Mead J Relative contribution of rib cage and abdomen to ventilation during exercise. J Appl Physiol. 1968;24(2):159–166. doi: 10.1152/jappl.1968.24.2.159. [DOI] [PubMed] [Google Scholar]
- 27.Grimby G, Oxhøj H, Bake B Effects of abdominal breathing on distribution of ventilation in obstructive lung disease. Clin Sci Mol Med. 1975;48(3):193–199. doi: 10.1042/cs0480193. [DOI] [PubMed] [Google Scholar]
- 28.Henke K G, Sharratt M, Pegelow D, et al Regulation of end-expiratory lung volume during exercise. J Appl Physiol. 1988;64(1):135–146. doi: 10.1152/jappl.1988.64.1.135. [DOI] [PubMed] [Google Scholar]
- 29.Aliverti A, Stevenson N, Dellaca R L, et al Regional chest wall volumes during exercise in chronic obstructive pulmonary disease. Thorax. 2004;59(3):210–216. doi: 10.1136/thorax.2003.011494. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 30.Amft O, Lukowicz P From backpacks to smartphones: Past, present, and future of wearable computers. IEEE Pervas Comput. 2009;8(3):8–13. doi: 10.1109/MPRV.2009.44. [DOI] [Google Scholar]
- 31.Ryvlin P, Ciumas C, Wisniewski I, et al Wearable devices for sudden unexpected death in epilepsy prevention. Epilepsia. 2018;59:61–66. doi: 10.1111/epi.14054. [DOI] [PubMed] [Google Scholar]
- 32.Hsu W C, Sugiarto T, Lin Y J, et al Multiple-wearable-sensor-based gait classification and analysis in patients with neurological disorders. Sensors. 2018;18(10):3397. doi: 10.3390/s18103397. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 33.Rutkowski S, Buekers J, Rutkowska A, et al Monitoring physical activity with a wearable sensor in patients with COPD during in-hospital pulmonary rehabilitation program: A pilot study. Sensors. 2021;21(8):2742. doi: 10.3390/s21082742. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 34.Gutierrez G, Williams J, Alrehaili G A, et al Respiratory rate variability in sleeping adults without obstructive sleep apnea. Physiol Rep. 2016;4(17):e12949. doi: 10.14814/phy2.12949. [DOI] [PMC free article] [PubMed] [Google Scholar]