可扩展宽度学习通过比较分析验证改良氧驱雾化吸入法在气道表面麻醉中的应用
摘要
在临床实践中，支气管镜检查通常在气道表面麻醉下进行，麻醉效果与检查的顺利进行以及相关不良事件的发生率和严重性密切相关。为提升气道表面麻醉效果，本文开发了一种改良氧驱雾化吸入方法。该方法源自传统的氧驱雾化吸入方法，改进之处在于精细选择雾化器并精确控制氧气流速。
为验证MONI方法的优势，本研究通过数据实验将其与传统ONI方法进行比较。将接受支气管镜手术的患者分为两组：一组接受MONI麻醉，另一组接受ONI。在手术过程中记录了六项关键临床指标。随后使用机器学习模型对分组数据进行对比分析。研究提出了一种参数可扩展的宽度学习系统架构，用于从原始数据中提取特征，并通过最小化损失函数值来确定最佳分析模型。将虚拟输入节点的数量和隐藏层神经元的数量均设为可调参数以优化模型。目标临床指标的评分数据输入系统，转换后用于BLS网络训练，并用于生成预测。BLS输出预测的比较分析显示，MONI组记录的数据表现优于ONI组。
此外，验证了最优模型对于预测具有显著性，并可以解释网络输出数据如何与六个临床指标中的每一项相关联。因此，我们得出结论，所提出的MONI方法可以切实增强气道表面麻醉的效果，这将有助于肺结核的诊断。可扩展的BLS模型有望为检测过程提供先进的人工智能支持，从而为有效预防传染病做出贡献。
引言
肺结核是一种通过呼吸道传播的慢性传染病，严重影响着民众的健康。其确诊依赖于在呼吸道标本中发现结核分枝杆菌。在临床实践中，通常使用患者的痰液或肺泡灌洗液作为病原学标本，但痰标本量少，可能不足以反映整个肺部生理状态，因此肺泡灌洗液在呼吸内科中经常使用。然而，肺泡灌洗液的检测阳性率往往高于实际值，导致病理判断准确性低。为解决此问题，对于PTB患者，提倡使用在线支气管镜检查作为快速检测的首选，结合肺泡灌洗取样的判断，从而提高病原学诊断的准确性。
支气管镜检查允许现场观察气管走形和气管黏膜，以进一步评估患者的肺部状况。它是诊断结核病和评估其病情的关键主要手段之一。然而，支气管镜检查是一种微创检查，期间患者可能出现咯血、心律失常、气道痉挛和缺氧等不良反应。因此，支气管镜检查需要事先进行气道表面麻醉。多项研究表明，气道麻醉的有效性与支气管镜操作的顺利程度、相关不良事件的发生及其程度直接相关。因此，在支气管镜检测和治疗前做好气道表面麻醉工作非常重要。
利多卡因是目前用于气道表面麻醉的主要药物。将利多卡因输送到气道进行麻醉的常用方法是将其雾化到临床氧气蒸汽中，然后随着氧气驱动的雾化吸入进入气道。根据目前的临床指导，ONI的具体操作程序如下：患者取坐位或半卧位。使用氧气驱动雾化器，填充10毫升氧气，准备雾化2%利多卡因溶液。氧气注入流速控制在6-8升/分钟，以将液体利多卡因吹成雾化状态。临床医生指导患者通过口深吸、鼻慢呼的方式吸入雾化气体，持续15-20分钟。这使利多卡因得以充分雾化并进入气道和肺部。
然而，在长期的临床实践中，发现ONI方法存在一些不可避免的缺点。首先，氧气注入流速的控制没有精确的量化值，只有一个模糊的范围。因此，医务人员只能根据个人经验知识调整氧流量。其次，接受ONI的患者容易出现一些不良反应，如恶心、呕吐、胸闷、气短等，导致患者配合雾化的能力下降。第三，含利多卡因的雾气倾向于黏附在患者的面部、眼结膜、口鼻，导致吸入药量减少，并且药物可能对结膜组织造成不良影响。最重要的是，很难为每位患者确定有效的药物剂量，因为每位患者都存在个体差异。实际上，沉积在肺部的雾化利多卡因颗粒剂量是影响麻醉效果的重要因素。因此，药物剂量的不确定性是ONI麻醉无效或效果不佳的直接原因。
为改善麻醉效果，需要解决的一个关键问题是如何增加雾化利多卡因在肺部的有效沉积剂量。许多研究工作揭示主要影响因素包括：雾化颗粒的大小、患者配合吸入的方式、雾化器的喷雾特性。在临床应用中，颗粒大小与氧气驱动雾化器的流速有关。如果单位时间内吸入的雾化利多卡因剂量过大，患者吸收量过多，会感到不适。过强的药物吸入会刺激患者的喉咙，引起咳嗽、胸闷、头晕等症状。适合患者的雾化器特性主要由主治医生或操作护士根据标准化的诊疗流程或其基础专业知识决定。
针对这些因素，本文提出了一种改良的ONI方法。旨在通过量化雾化药物的颗粒大小并调节氧气流速以实现药物雾气的适量释放，从而改进氧驱雾化吸入方法。这些改进的主要目标是增强气道表面麻醉的疗效并降低患者不良反应的发生率。在临床实践中，训练医生和护士了解技术改进，并向患者及其家属普及基础知识以提高普遍认知，以提升患者接受PTB检查和治疗时的舒适度。
为验证改良氧驱雾化吸入方法在气道表面麻醉方面取得的改善效果，本研究在支气管镜诊断过程中监测患者的生理反应。因此，以接受MONI诊断的患者的一组临床数据为目标。同时，也收集了接受传统ONI检测的患者的另一组数据进行对比分析。研究了数据分析方法，以验证MONI相对于ONI方法的改进。机器学习模型已被应用。
宽度学习系统因其高度灵活性、网络构建简单和计算快速而广受欢迎。它已广泛应用于图像去噪、机械控制、生态农业环境等多个领域。在BLS训练过程中，通过横向扩展输入神经元比堆叠隐藏层更容易改进模型。因此，BLS在处理一批复杂数据时具有降低模型维度的优势。然而，BLS的训练仍然依赖于数据驱动。越来越多的研究证据表明，BLS模型在其训练过程中会自动生成大量横向扩展的神经元。过多的冗余神经节点可能导致训练速度下降和模型泛化能力降低。因此，参数调优对于BLS模型优化的控制至关重要。
在本研究中，提出了一种可扩展的BLS网络架构用于数据分析，以验证使用MONI方法进行气道表面麻醉的效果。为了模型增强，结构参数被设计为可调以进行可扩展的优化。可扩展宽度学习的一个关键特性是生成合适数量的扩展神经元，这些神经元与原始输入节点结合形成最终的虚拟输入层。将参数可扩展的网络模型应用于验证MONI方法的改进，通过特征提取、网络激活和转换预测的联合训练实现。开展数据实验以验证所提出的方法学，作为对PTB等传染病检测和预防的科学支持。
改良氧驱雾化吸入方法
伦理声明
研究方案经某中心医学伦理委员会批准，伦理批准号：KY2023-018-01。某中心医学伦理委员会豁免了知情同意的要求。本研究根据《赫尔辛基宣言》以及中国的相关指南和规定进行。所有受试者的隐私均受到保护。仅研究者有权查阅个人医疗记录，并在数据管理过程中采用匿名化处理。
操作程序
在传统ONI方法的基础上，更多地考虑了影响吸入药物有效剂量的因素，从而提出了MONI方法。MONI的主要贡献特征在于雾化器的参数量化选择和氧气流速的定向量化控制。
-
雾化器的选择。在选择前了解雾化器的参数至关重要。咬嘴型雾化器是便携式医疗应用中流行的型号。直接影响患者舒适度的两个关键参数包括雾化器的总容量和吸入口的气溶胶直径。积累的经验表明，咬嘴型雾化器的规格调节为容量10毫升，吸入口直径为1-5微米，可以良好释放雾化药物颗粒。对于少数患者无法使用咬嘴型雾化器的特殊情况，可以选择密封性良好的面罩作为替代，以减少药物扩散到面部和眼睛。
-
氧气流速的控制。雾化器中填充10毫升2%利多卡因溶液。以受控速度将氧气吹入雾化器，与利多卡因充分混合，然后进入患者气道。由氧气驱动雾化形成的利多卡因雾颗粒的大小决定性取决于氧气气流的压力和速度。气流越快，药物颗粒越小，释放的雾化药物量越大。多项研究表明，当沉积在肺部的雾化药物最佳颗粒直径为1-5微米时，表面雾化麻醉效果最佳；6升/分钟的氧气流速有利于将雾化颗粒直径维持在1-5微米，且不会降低雾化效果。因此，选择6升/分钟的氧气流速作为最佳驱动雾化速度，并且在实际操作中，速度以从慢到适当的方式逐渐调至6升/分钟，以将麻醉药物喷洒成预期的最佳雾化气溶胶形态。适当控制氧气流速有望提高雾化颗粒在气道的沉积率，从而增加雾化药物的有效剂量，进而改善气道表面麻醉的效果。
MONI的操作步骤与传统ONI相似，但通过程序控制设备参数和氧气流量。操作前，主治医生或主责护士向目标患者解释氧气驱动雾化吸入的目的。如果患者对治疗感到紧张或情绪不稳定，医生/护士会与患者交谈，缓解其紧张情绪。这类似于心理准备。
开始时，指导患者清洁口腔，并保持坐位或半卧位。然后教导患者按照MONI方法以下列步骤吸入雾化的利多卡因气溶胶。
雾化期间，患者需要将咬嘴型雾化器贴合在嘴上，并轻柔吸气，使雾化器紧密贴合口周且保持气密无泄漏。吸入过程中不应倾斜或摇晃雾化器，以减少产生气泡，从而降低药物的吸入效率。
首先，患者吸入气溶胶，并收缩腹部使胸部最大程度扩张。这样，药物颗粒随着吸入动作容易通过主气道和左右支气管进入双肺。接下来，患者需要屏气2-3秒，使吸入的气溶胶颗粒沉积在气道的所有分支中。
然后，患者可以通过鼻子缓慢呼气，闭口，逐渐放松腹部，使药物自然传递到远端细支气管，从而增加药物的有效吸入剂量。
总体而言，缓慢的口吸和鼻呼动作应以每分钟8-10次的频率保持连续循环。整个雾化过程应持续15-20分钟，以良好地驱动声门打开，使支气管镜更容易顺利通过声带。如果患者感觉不适，中间可以短暂休息0.5-1分钟。
评价项目及其评分
氧气驱动雾化麻醉的效果直接影响后续支气管镜介入手术或检查的顺利进行。良好的麻醉效果可以缩短手术/检查时间，提高患者接受PTB筛查和治疗时的舒适度，并减少患者术中和术后不良反应的发生率。
支气管镜检查通常在雾化完成后约15分钟开始。通过收集一系列记录支气管镜进入患者气道时患者生理反应的临床观察项目来评估雾化麻醉的效果。这些项目包括：声门开放状态、支气管镜通过声带的顺畅度、患者咳嗽次数，以及支气管镜检查期间患者的其他反应记录。此外，还记录患者术中的血氧饱和度和心率次数。
声门开放状态：声门是介入医疗导管进入气管、支气管和肺部的门户。支气管镜必须通过此门户才能工作。声门的开放状态对支气管镜操作非常重要。雾化麻醉是促使声门放松并良好开放的一种方式。但不同的麻醉效果会导致不同的声门开放状态。操作者根据标准化标准观察可视化图像并进行记录。OSG的代表性视觉案例被视为标准化示例。良好或相当好的OSG支持进行支气管镜检查，而差（包括非常差）的情况则不适合操作。
支气管镜通过声带的顺畅度：这是操作者的一种操作反馈触觉感受。医生在操作过程中将支气管镜推入气道。他的手会从镜管感受到其移动是顺畅还是受阻，然后进行记录。
患者咳嗽次数：记录支气管镜检查期间患者咳嗽的次数。标准化方式是将次数定性划分：无咳嗽（绝对不咳）、偶咳（少于5次）和频咳（多于5次）。
支气管镜检查期间患者的其他反应记录：分为5种不同情况。（情况一）无反应；（情况二）轻度反应（如轻微疼痛的面部表情）；（情况三）中度反应（如中度疼痛的面部表情和轻微的摇头）；（情况四）言语抗议和剧烈摇头；（情况五）身体抗议行为，如用手脚阻挡。
血氧饱和度：血液中氧合血红蛋白占总血红蛋白的百分比。它是诊断低氧血症的重要定量指标。医学标准根据BOS值分三个区间评估个体：超过95%的区间确保个体血氧饱和；[90%, 95%)区间意味着个体血氧未饱和，但没有明显的异常行为症状；低于90%的区间则表明个体BOS不足并患有低氧血症，可能导致头晕、乏力、气短等缺氧症状。
心率次数：计算每分钟心跳次数。正常HRC为60-100次/分钟。支气管镜介入会引起患者的紧张和恐惧，导致心率不稳定，严重时会引起心肺功能障碍或诱发某些心血管疾病。因此，在支气管镜检查期间，对HRC进行持续正常监测。如果患者心跳快于正常，可接受比正常高20%的范围。如果心跳慢于正常，下降10次是可耐受的界限。当HRC超出可接受范围时，应立即暂停检测。对于数据记录，除正常外，HRC范围[50, 60)和(100, 120]被视为可接受的正常范围，其他则为异常。
在实践中，OSG和SBP的记录来自操作者（即主治医生）。CPC和ROR是护士对患者反应的常规记录。BOS和HRC来自医疗专用仪器。
假设这6个项目可用于数字评分，首先对传统ONI和MONI方法的有效性和效率进行评分，然后比较气道表面麻醉的效果。这些数据将联合用于综合评价气道表面麻醉的效果。为了数据分析，这些记录的评价项目通过数字评分针对不同情况进行重新标度，以支持机器学习方法和建模策略的实施。设计了五星评分标准。最差的手术相关情况评1分，最佳情况评5分，中间情况按等间隔评分。各项目及其相应的重新标度评分值如下表所示；特别对于OSG评分，我们特意将其分为两个评分等级，其中“相当好”和“好”等级均评5分，因为它们支持支气管镜检查，而“差”和“非常差”等级均评1分，因为它们不适合操作。
数据采集
这是一项回顾性研究。实验数据来自诊断期间患者的临床观察。数据采集时间为2023年4月至2024年3月，地点为中国广西某中心。根据患者的病史，选择了患有PTB等呼吸道传染病的患者。实际上，共选择了200名参与者。这些患者年龄在18至60岁之间。为开展对比实验，随机选择其中100名患者分组进行MONI操作，其余100名患者分组进行ONI。如上所述，MONI和ONI的实际操作步骤相似；主要区别在于MONI方法严格量化控制氧气流量和雾化器的固有参数。
参与者在操作前禁食4-6小时，最后2小时禁水。然后医生或护士指导并协助患者分别按照MONI或ONI步骤进行氧气驱动雾化麻醉。雾化后，主责护士将患者送至手术室。途中，护士告知患者操作要点、可能出现的身体反应以及正确的应对方式。护士还负责缓解患者的紧张情绪，并鼓励他们在接受治疗时积极配合医生。
在手术室，患者应在颈仰卧位平卧于检查台。护士用口罩轻轻覆盖患者眼睛，以保护其免受后续使用的冲洗液影响。接着，护士为患者进行鼻导管氧气吸入。MONI时根据评分控制中等氧流量，ONI时则根据患者身体状况调整。同时，对患者进行持续的血氧饱和度监测和心率监测。
支气管镜操作的仪器设置如图所示。它由某机构内镜系统和某机构电子支气管镜组成。支气管镜在介入人体前需要按照《软式内镜清洗消毒技术规范》（中国卫生行业标准，编号WS 507–2016）的说明进行清洁和严格消毒。通常，支气管镜管通过鼻子进入患者的气管气道系统。进入鼻子前，支气管镜前端充分润滑以减少对气道表面的摩擦。
路径上，镜管通过声门进入主气道，选择进入左侧或右侧分支，直至下一个分支。结合CT扫描标记，支气管镜快速定位相关位置并识别可能的病变，镜管将在该区域进行灌洗、进行显微观察并拍摄高分辨率照片。同时，镜管将吸出气道分泌物，并将灌洗液标本带出体外进行体外医学病理分析。支气管镜在体内的整个介入过程通常少于10分钟。镜管将沿原路从体内撤出，同时监测通过评分项目评估的患者生理状况。
支气管镜操作由主治医生负责，并由一名手术护士协助。主责护士通常在场监测患者的反应并记录操作数据。操作完成后，要求患者在观察室休息半小时。医务人员观察患者是否有任何可能的不良反应，如咳嗽、恶心、呕吐、胸闷、气短或气道痉挛，并记录这些数据作为术后数据。
总之，每次对患者进行的支气管镜操作都会生成一组数据，作为一个记录样本。数据包括OSG、SBP、CPC、ROR、BOS和HRC等多个变量。分别收集MONI组数据和ONI组数据。但仅阅读原始数据不容易辨别哪种方法对雾化麻醉更优。需要研究方法来挖掘数据特征的信息，以便有效比较MONI和ONI的麻醉效果。
数据分析方法学
气道表面麻醉的效果与记录的术中和患者生理数据密切相关。此类数据表现出明显的多层次特征和多样性。鉴于评估麻醉有效性的全面性和复杂性，需要先进的机器学习（或统计）方法进行数据分析。本研究旨在基于宽度学习系统构建一个架构机器学习模型。该模型建立时其参数可调以进行优化，以便通过自动参数调整进行智能分析，从而增强气道表面麻醉有效性的评估。
BLS模型基于收集的OSG、SBP、CPC、ROR、BOS、HRC六个评分项目的数据进行训练。为了模型优化，将BLS网络的特征提取、网络激活和转换预测部分结合起来自适应地调整其结构参数。通过使用可扩展的BLS模型，ONI和MONI方法之间的比较评估有望发展成为数据驱动的智能分析方式。
宽度学习网络架构
宽度学习系统是具有随机权重的全连接网络的扩展架构，通过生成一个额外的层来拓宽输入数据；此处，该额外层称为扩展层。BLS网络的结构如图所示。记录的患者数据通过输入层导入BLS网络。典型的FCNRW是通过神经感知器的变换映射将输入数据直接传送到隐藏层。相比之下，BLS的特殊功能是将输入数据传送到扩展层，以便对输入数据进行细致解释。输入层和扩展层组合成一个更新的输入层，称为虚拟输入层，以广泛积累输入数据信息。接下来，虚拟输入层中包含的数据被展平、丢弃并进行一系列感知器计算，连接到隐藏层进行特征选择，然后将信息变量进行Softmax激活转换，产生最终输出。
在算法细节上，假设输入数据为X，其中N代表采样的患者数量，P指向输入层接收每个记录的P个变量数据的节点数。如第2.2节所述，关注患者有6个评分项目，这意味着数据有六个不同的变量，因此P恒定值为6。扩展层通过映射生成一系列扩展输入节点，其中扩展节点的数量是可调的，用于必要的模型优化。从输入层到扩展节点的映射公式化表示。
根据BLS原理，输入数据X和扩展输入数据Z组合起来进行融合计算，遵循FCNRW结构流程。因此，整个虚拟输入层中积累的数据被映射到隐藏层，并以神经感知器计算的方式进行特征提取。
最后，从隐藏层选择出的计算特征被转换到Softmax单元进行定量回归或定性聚类计算。由于BLS网络能够识别数据的有效特征，因此这些特征被视为信息性的。因此，在Softmax中应用简单的线性模型可能适合进行预测。假设BLS的最终输出是Y，可以线性预测为。
为了评估雾化麻醉对气道表面的效果，需要用记录的数据训练BLS架构模型。模型训练目标是优化权重以观察Y的最大值。原因是Y源自六个记录评估项目的数字化评分，而评分标准使用较高的分数标记较好的情况。因此，模型的训练可以转化为解决以下优化问题。
从上述建模推导过程可以轻松得出，BLS模型可用于数据驱动的气道表面雾化麻醉效果评分。具体地，对于第n个患者，输入数据仅应用于目标样本。预测执行以下方程。
激活函数
所提出的宽度学习系统试图训练跨层神经节点之间的连接权重以进行优化。调整过程最初由从输入数据（即医务人员对样本患者的记录）中提取的信息驱动。值得注意的是，激活函数影响数据的传递和输出。
如上所述，函数用于激活感知器以进行映射X→Z来生成扩展数据；用于映射[X, Z]→H将数据传递到隐藏神经元；用于映射H→Y计算输出数据。通过考虑每一层的输入和通过各层转换的期望输出信息，分别将ELU函数、Sigmoid函数和Leaky ReLU函数应用于、和来训练和测试可扩展的BLS架构。
可扩展BLS建模的指标
使用上述提出的方法，通过将六个记录的临床项目（即OSG、SBP、CPC、ROR、BOS和HRC）的评分数据输入BLS网络架构，并读取网络输出来评估MONI方法和传统ONI方法。从算法过程可知，最终输出数据Y被认可为全面包含了从六个项目中提取的特征信息。它可用于评估气道表面麻醉效果的分组数据。
为了验证Y的结果数据是否适合评估BLS架构的性能，通过借鉴Spearman秩相关系数的概念提出了一个损失函数。该函数以类似于Spearman方程的负项构建。
其中代表{OSG, SBP, CPC, ROR, BOS, HRC}中的每个项目；表示在按Spearman秩升序排序后，Y和之间的秩差；用于计算一个向量的第二范数，该向量的元素记录了所有目标样本的第k个评分项目；是相关的评估项目数量；在本研究中，K=6；运算符意味着对这6个项目进行累积求和。由于较高的Spearman相关系数表明Y具有更好的可解释性；相应地，损失值（等同于Spearman方程的负项）在计算值较小时更有利于优化模型。
此外，显著性检验对于比较MONI和ONI麻醉效果至关重要。该检验数值上基于参数可调的BLS模型的输出数据Y。在统计概念中，Friedman检验是一种可观的评估方法，用于验证比较两个维度一致的数据组的显著差异。它非常适合于完成本研究中的比较任务。实际上，分别计算MONI组和ONI组的方差值，然后推导出F值。理论上，可以从Friedman检验表中识别出边界F值。MONI和ONI比较的显著性检验可以通过直接比较计算的样本F值与表确定的边界F值来执行。对于结论，意味着MONI组数据和ONI组数据之间没有显著差异；否则，表明两组数据之间存在显著差异。
模型设计与参数调优
来自临床记录的样本数据可用于使用所提出的可扩展BLS架构方法进行分析。为了方便比较，MONI组数据和ONI组数据分别输入模型进行网络感知器训练。每组应用100个样本大小的数据用于BLS模型训练。BLS在输入层生成6个神经元节点以接收OSG、SBP、CPC、ROR、BOS和HRC的重新标度评分。
在建模中，输入数据首先用于生成一系列扩展节点以形成扩展层。此生成过程应用基于感知器的转换方式，与ELU激活函数一起工作。扩展节点的数量计划为从3连续调谐到20以进行模型优化。每个扩展节点通过自适应权重自动调整从6个输入节点转换而来。随后，扩展层和原始输入层组合为拓宽的虚拟输入层，虚拟输入节点的数量设计为相应地可从9调谐到26。这是决定BLS模型数据驱动优化的结构参数之一。
接下来，虚拟输入层中的数据被进一步传送到隐藏层进行特征提取。在此期间，隐藏层设计为由可调数量的神经元节点组成。该架构充分测试了从1变化到8的结构变化。这是BLS模型可扩展训练的另一个重要参数。每个隐藏节点的信息特征以感知器模式从存储在可调数量的虚拟输入神经节点的一系列数据转换而来。Sigmoid函数应用于此转换的激活。
最后，隐藏层中的特征数据被移动到Softmax单元，根据方程计算网络输出值。Softmax中的激活应用Leaky ReLU函数。随后，通过方程获得损失值，以识别Y所认可的六个目标临床项目的信息。
BLS模型被设计为可扩展的，其两个关键结构参数可调。通过网络连接，生成了大量的感知器子模型，其中数千个连接权重自适应调整到其最优适用值。权重在建模训练过程中进行调整，并按照方程定义的计算规则进行优化。
结果与讨论
BLS模型参数优化后，发现MONI数据的最优BLS模型参数为Nvi=15和Nh=5，推导出最小损失值为2.253；而ONI数据的最佳模型获得最小损失值为2.677，结构参数为Nvi=18和Nh=6。确定了这两个优化的BLS结构。此外，通过自适应调整网络连接权重计算了模型的输出值。图6显示了100个MONI组样本输出值的蓝线和100个ONI组样本的红线。在图中，两条线之间的间隙用浅蓝色（蓝线高于红线）或黄色（红线高于蓝线）填充。从图6可以看出，对于个体（即患者个体），大多数样本的MONI数据输出值高于ONI数据，尽管仍有少数例外较低。通过可视化，代表MONI数据的蓝线平均值明显高于代表ONI数据的红线，且浅蓝色填充区域明显大于黄色填充区域。我们得出结论，优化BLS网络的预测值表明，从临床角度来看，MONI数据优于ONI数据，注意到BLS输出是从OSG、SBP、CPC、ROR、BOS和HRC六个重要临床项目的原始评分数据转换而来的综合信息。
此外，应用F检验验证了在此比较问题中MONI和ONI数据组之间的显著差异。基于从优化BLS模型观察到的输出数据Y的方差计算样本F值，分别针对MONI和ONI确定。计算出的等于2.237。并且很容易发现边界F值为2.198。的结果确保了MONI和ONI数据之间的差异是显著的，从而证明了从MONI数据的临床观察优于ONI数据的结论是可靠的。为了验证所提出的BLS网络的效率，我们使用某机构的统计软件进行了方差分析，这是一种与传统临床研究实践一致的标准统计方法。方差分析旨在验证两种方法在每个评分项目上差异的显著性。验证结果如表2所示。从表中我们可以了解到，通过对每个项目进行方差分析，MONI和ONI方法在SBP、CPC、BOS和ROR评分上的差异是显著的；对于这四个项目，验证了MONI方法明显优于ONI。然而，两种方法在OSG和HRC项目上的差异不显著。与方差分析相比，BLS优化方法能够通过对OSG、SBP、CPC、ROR、BOS和HRC六个临床项目的融合，进行综合建模的区分性结果。所提出的方法能够建立比传统统计方法更好的因子组合分析模型，传统方法依据每个项目单独分析。
通过参数可扩展BLS架构的特征提取，六个目标临床评分项目的信息通过网络转换并最终存储在输出数据Y中。为了揭示Y对每个项目的可解释性，我们计算了从最优BLS模型推导出的Y值与OSG、SBP、CPC、ROR、BOS和HRC六个项目中每一项之间的皮尔逊相关系数。图7显示了通过MONI数据训练的优化模型（子图(a)）和通过ONI数据训练的模型（子图(b)）的相关性结果。从图7可以看出，BLS信息转换的输出数据与SBP、CPC、ROR和BOS临床项目高度相关，而与OSG和HRC项目相关性较低。这些结果表明，所提出的可扩展BLS架构自适应地适用于快速从临床记录数据中提取特征信息，特别是对于SBP、CPC、ROR和BOS项目。
网络输出值无法解释OSG和HRC数据的事实与传统某机构统计软件的方差分析结果一致。这些相关性结果证明了所提出的BLS网络优化方法的效率和可靠性。实际上，原因可以进一步解释。在接受临床手术时，患者可能存在心理紧张。这种紧张是由手术引起的，手术被视为对人体的一种异常侵入。它直接影响心率的不稳定性。同样，由于这种心理紧张，患者无法自然地放松声门，从而间接导致声门在响应专业医疗操作时不能良好地打开。相比之下，其他四个项目可以通过统计网络建模很好地解释，因为它们与患者接受手术时的生理反应高度不相关。通常，SBP、CPC和ROR项目与外科医生的技能高度相关，而BOS项目主要与气道表面麻醉的有效性相关。
相关性分析揭示了比较所提出的MONI方法和传统ONI方法的另一个方面。MONI和ONI两者都成功地通过高相关系数（>0.8）解释了SBP、CPC、ROR和BOS项目的检测，并且比较起来差异很小。然而，尽管数值不够高，OSG和HRC的相关性差异是显著的。这些差异验证了与ONI方法相比，MONI方法能够减少患者生理反应对手术监测的影响，并通过数据挖掘技术提高临床数据的信息有效性。
这些模型分析结果凸显了人工智能方法在支持操作过程中精确监测方面的有效性。BLS架构参数的可扩展调谐设计代表了将人工智能辅助临床支气管镜诊断引入的首次尝试，为发展支气管镜相关麻醉操作以进行精确临床评估提供了一种新方法。可扩展宽度学习模型的特性是生成适当数量的扩展神经元，将提取的特征作为信息信号传递以改进模型。然而，人工智能辅助的可扩展BLS模型存在局限性。首先，提取的特征难以与病理基础联系起来解释；结果是数据驱动的输出。其次，BLS结构参数完全根据临床观察项目可以数字化评分的假设，基于数据自动调整。在此基础上，具有自动调整参数的可扩展BLS训练使得在临床操作中启动实时数据分析变得方便。借助所提出方法的建模支持，可以进行数据实验，以促进在临床实践中验证针对PTB类传染病的检测和预防策略。通过对MONI和ONI方法评分项目的定量比较，我们验证了改良方法作为气道表面麻醉可接受的改进选择。该方法有望在临床麻醉操作中实现智能控制的出现和发展。
结论
在本研究中，通过数据计算实验对MONI和ONI方法在支持气道表面麻醉方面进行了比较分析。数据分别来自MONI组的100个临床病例和ONI组的100个临床病例。记录了每位患者的OSG、SBP、CPC、ROR、BOS和HRC六个临床项目。这些项目的评分数据被输入一个可扩展的BLS网络架构进行数据分析。通过BLS优化，综合解释六个相关项目信息的输出预测数据Y，用于评估MONI和ONI方法之间气道表面麻醉效果。结果显示，具有精确控制的MONI数据表现优于ONI数据。此外，通过统计F检验理论证明最优BLS模型具有显著性。随后，计算了BLS输出数据与六个临床评分项目之间的相关系数，以确认输出数据的可解释性。SBP、CPC、ROR和BOS项目的结果相关系数足够高，验证了网络模型和可扩展训练策略的可行性。
MONI和ONI在OSG和HRC相关性上的显著差异意味着，所提出的MONI方法可以通过使用基于BLS的网络架构进行数据建模，切实增强气道表面的麻醉效果。实验结果表明，研究自适应模型训练方法可能产生一种改进的检测传染病的方法。然而，BLS是一种数据驱动的建模架构，它假设临床观察可以数字化评分。输出预测结果表明，高分反映了MONI方法良好的麻醉效果，这验证了其在气道表面麻醉效果方面的改进。实际上，提取的BLS特征难以与病理解释联系起来。因此，需要更多工作来寻找符合病理基础的可解释统计模型，并需要更多指标来改进评分策略。
随着人工智能当前的发展，我们首次尝试对临床观察数据进行定量分析。所提出的可扩展BLS建模技术已被验证有益于PTB的临床检查。未来，我们期待更多“人工智能+临床/医疗”技术将为PTB和其他传染病的预防和诊断做出贡献。
