文献速递消化、代谢与肾脏急症重症综合管理与镇静镇痛

急性胰腺炎危重患者「ICU死亡或ICU停留延长」预测模型:基于ANZICS-CORE数据库2003-2020年队列分析

A prediction model for 'ICU mortality or prolonged ICU stay' in critically unwell patients with acute pancreatitis: insights from a 2003-2020 cohort analysis using the ANZICS-CORE database.
PubMed 文献 · Crit Care · 2025-08-06
一句话结论超过四分之一的急性胰腺炎ICU患者呈高风险轨迹,预测模型使用入住ICU后24小时内常规数据,但敏感性低(0.54)。

该研究为回顾性队列分析,使用澳大利亚和新西兰重症监护学会成人患者数据库,纳入2003年至2020年因急性胰腺炎入住ICU的成人患者13275例。主要结局为高风险轨迹(ICU死亡或ICU停留>7天),发生率为26.8%。ICU停留延长与ICU死亡率(OR 1.57)、医院死亡率(OR 1.69)及资源使用增加相关。预测模型(Model 2)的AUROC为0.827,准确性79.5%,但敏感性仅0.54,特异性0.916;APACHE III评分、PaO2:FiO2比值和早期机械通气是最重要的预测变量。作者认为该模型若在未来研究中得到证实,可能有助于对更严重疾病患者进行预后富集。

要点

  • 在13275例因急性胰腺炎入住ICU的成人中,26.8%呈高风险轨迹(ICU死亡或ICU停留>7天),21.6%ICU停留>7天,7.7%死于ICU。
  • ICU停留>7天与ICU死亡率(OR 1.57,95%CI 1.43-1.73)、医院死亡率(OR 1.69,95%CI 1.56-1.83)及机械通气(OR 5.99)、升压药支持(OR 3.27)、透析(OR 4.12)风险增加相关。
  • 预测模型(Model 2)使用入住ICU后24小时内常规数据,AUROC 0.827,准确性79.5%,但敏感性0.54、特异性0.916,高风险患者可能被早期漏识别。
  • APACHE III评分、PaO2:FiO2比值和早期机械通气是模型中最具预测力的变量;仅用这三个变量的Model 5性能与Model 2几乎相同。
  • ICU停留延长组出院直接回家比例更低(67% vs 80%),转至康复机构/其他急性设施(25% vs 14%)或养老院(9% vs 3%)比例更高。

适用人群与场景

  • 纳入标准:年龄≥18岁、入住ICU时诊断为「急性胰腺炎」的成人患者,仅纳入首次ICU入住,排除ICU再入住。
  • 研究场景:澳大利亚和新西兰ICU,2003年1月至2020年12月,数据截尾至2020年12月以避开COVID-19大流行影响。

诊断标准与关键阈值

  • 高风险轨迹定义:ICU死亡或ICU停留>7天(即≥168小时);低风险轨迹定义:存活出ICU且ICU停留≤7天。
  • 预测模型输出:基于入住ICU后24小时内常规数据预测高风险轨迹概率。

红旗征与不能漏的情况

  • ICU停留>7天与ICU死亡率(OR 1.57,95%CI 1.43-1.73)、医院死亡率(OR 1.69,95%CI 1.56-1.83)及需要器官支持风险增加相关。
  • 预测模型敏感性低(0.54),高风险患者可能在入住ICU早期被漏识别,作者指出可通过选择不同预测阈值来平衡敏感性和特异性。

研究设计与关键结果

  • 研究类型:回顾性队列分析,使用ANZICS-CORE成人患者数据库,纳入13275例因急性胰腺炎入住ICU的成人患者;60%为男性,平均年龄59±18岁,平均APACHE III 56±26。
  • 主要结局:2860例(21.6%)ICU停留>7天,1022例(7.7%)死于ICU,3557例(26.8%)呈高风险轨迹。
  • ICU停留>7天与ICU死亡率(OR 1.57,95%CI 1.43-1.73,p<0.001)、医院死亡率(OR 1.69,95%CI 1.56-1.83,p<0.001)、机械通气(OR 5.99,95%CI 5.21-6.90,p<0.001)、升压药支持(OR 3.27,95%CI 2.82-3.79,p<0.001)、透析(OR 4.12,95%CI 3.63-4.68,p<0.001)相关。
  • 预测模型(Model 2,n=542,2017年起数据)性能:准确性79.5%,Cohen K=0.49,AUROC 0.827(图2A标注0.827),Brier评分0.148;高风险轨迹预测敏感性0.54、特异性0.916;低风险轨迹精确率80.8%,高风险轨迹精确率75.2%。
  • 变量重要性:APACHE III评分、PaO2:FiO2比值、入住第1天是否接受有创通气为最具预测力的协变量。
  • 出院去向:ICU停留延长组直接回家比例67% vs 80%(p<0.001),转至康复机构/其他急性设施25% vs 14%(p<0.001),转至养老院9% vs 3%(p<0.001)。
  • 疾病负担:按中位ICU停留计算,ICU床位日从2004年157天增至2020年3335天;按总ICU停留小时计算,从2004年404天增至2020年7204天。

证据类型、等级与局限

  • 证据类型:回顾性观察性研究,使用前瞻性收集的临床质量登记数据(ANZICS成人患者数据库),遵循STROBE和TRIPOD报告规范。
  • 模型内部验证:10折交叉验证;校准图分析;Brier评分0.148。
  • 局限:回顾性分析,不能证明因果关系;数据受ANZICS-APD收集变量限制,未报告胰腺坏死;未进行正式的先验样本量计算,模型可能把握度不足,增加过拟合或预测偏倚风险;虽使用交叉验证进行内部验证,外部验证是重要下一步;替代建模方法如限制性立方样条可能更好处理非线性关系;APACHE III的使用限制模型在未采用该系统的机构中的应用;数据集不能按亚特兰大分类系统分类;数据集仅代表澳大利亚和新西兰ICU患者,不同国家ICU资源可用性和收治阈值可能不同,模型需在其他队列中测试;数据集无法获得长期患者中心结局如再入院或6或12个月死亡率。
  • 作者结论:预测模型若在未来研究中得到证实,可能为更严重疾病患者的预后富集提供机会。

对床旁实践的改变

  • 作者认为,该预测模型有助于准确分层低风险队列,可能实现更早识别适合较低强度治疗的患者,在资源有限环境中尤其有用。
  • 作者指出,模型低敏感性增加高风险患者在入住ICU早期被低估识别的风险;可通过选择不同预测阈值来平衡敏感性和特异性。
  • 作者认为,改善模型敏感性可能有助于识别高风险患者,从而促进未来临床试验更有针对性地招募(而非纳入低风险轨迹患者),并可能实现更针对性的管理,包括更积极建立肠内营养、更早气管切开和活动以减少去适应、更精准的胰腺特异性干预时机以及改善医院内资源规划。
  • 作者指出,仅使用三个最具影响力协变量的Model 5性能与Model 2几乎相同,鉴于所需数据简单,可能适用于更广泛场景(包括资源有限中心),值得未来研究探索。
  • 作者认为,鉴于预测模型敏感性低(依赖常规实验室检查),加入新型生物标志物可能改善危重急性胰腺炎患者的结局分层,但免疫生物标志物的作用需进一步研究。

指南或共识出处

  • STROBE观察性研究报告规范
  • TRIPOD预测模型开发研究报告规范

提炼说明

  • 原文未涉及「处置流程与药物剂量」,故未列出这些栏目。
全文中译15 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:Crit Care. 2025 Aug 6;29:347. doi: 10.1186/s13054-025-05590-6

引言

因急性胰腺炎(AP)入住重症监护病房(ICU)与高死亡率和发病率相关。我们最近开展了一项大型回顾性研究,纳入2003年至2020年间入住澳大利亚和新西兰ICU的急性胰腺炎重症患者。我们观察到ICU急性胰腺炎入院的年发病率呈上升趋势,但在18年间死亡率、ICU住院时间(LOS)或ICU治疗费用均无改善趋势[1]。在整个研究期间,平均ICU住院时间(7天)始终高于中位数(3天),提示分布呈偏态。这可能表明存在一个规模可观的离群队列,其疾病更为严重(如坏死性并发症)或存在持续性危重症,这些患者面临长时间ICU住院的风险。ICU住院时间延长与死亡率和资源使用增加相关,并与幸存者的长期躯体和心理后遗症相关[2, 3]。目前用于急性胰腺炎的严重程度评分(如Glasgow-Imrie评分或BISAP评分)或用于危重症患者的评分(如APACHE评分或SOFA评分)通过死亡风险来预测严重程度。然而,这些评分在对更严重疾病的分层方面存在局限[4]。迄今为止,尚无评分被开发用于预测急性胰腺炎患者ICU住院时间延长的风险。

更好地理解与急性胰腺炎患者ICU住院时间延长相关的因素,可能有助于早期识别不良结局风险较高的患者亚组。这或许能够实现更好的资源分配、更有针对性的干预以及未来临床试验中更优的受试者选择。因此,本研究的目的是检验以下假说:急性胰腺炎危重症患者ICU住院时间延长与死亡率和医院资源使用增加相关。第二个目的是利用常规ICU入院数据开发一个预测模型,以对高风险轨迹的风险进行分层,我们将高风险轨迹定义为ICU死亡或ICU住院时间延长的复合结局。

方法

研究设计

这是一项回顾性观察性研究,数据来自澳大利亚和新西兰重症监护学会(ANZICS)成人患者数据库(APD)的前瞻性收集数据。ANZICS APD是由ANZICS结局与资源评价中心(ANZICS-CORE)收集的临床质量登记数据集,用于对澳大利亚和新西兰各地ICU实践和结局进行基准评价。该数据库包含超过350万例去标识化患者病例,来自澳大利亚98%的ICU和新西兰67%的ICU提交的数据。该数据库收集人口学和合并症相关数据,以及ICU最初24小时的疾病严重程度数据,还包括ICU内和住院结局,包括死亡率、住院时间和再入院。2016年,该数据集扩展纳入ICU住院期间所提供治疗和并发症的附加信息(表S1补充附录)[5]。收集了2003年1月至2020年12月所有APD入院数据。截止日期设定为2020年12月,以减轻COVID-19大流行对ICU收治实践和资源使用的混杂影响。伦理批准获自澳大利亚墨尔本Alfred医院人类研究伦理委员会(HREC 286/21)。数据按照观察性研究STROBE报告指南和预测模型开发研究TRIPOD报告指南进行分析和报告[6, 7]。

纳入标准

纳入所有入院诊断为“急性胰腺炎”的成人(年龄≥18岁)患者病例。入院诊断由主治重症监护医师在收入ICU时提供,并有相应的APACHE III诊断代码与入院病例匹配。仅纳入首次ICU入住;任何ICU再入院均从分析中排除。

结局

主要结局是因AP收入ICU的患者中高风险轨迹的发生频率。我们将高风险轨迹定义为“ICU内死亡或ICU住院时间>7天”,将低风险轨迹定义为“存活出院且ICU住院时间≤7天”。7天截止值得到既往ICU住院时间延长定义的支持[8–10]。此外,它代表一个临床实用的时间点,在我们既往研究中它代表住院时间分布的上四分位数[1]。次要结局包括器官支持需求、住院死亡率、住院时间、出院去向以及ICU住院时间和床位占用的年度趋势(定义列于补充数据中)。

统计分析

每位患者的ICU住院时间以从进入ICU到转出ICU的小时数计算。我们进行了一项描述性分析,比较低风险与高风险轨迹的患者。该分析包括基线人口学特征、ICU入院参数和治疗相关变量、ICU和住院死亡率以及出院去向。随后,我们比较了ICU住院时间≤7天与>7天患者的特征(不考虑ICU生存状态),以减轻死亡对ICU住院时间相关结局的竞争风险。另对ICU存活者与ICU非存活者(不考虑住院时间状态)进行了额外分析。计算风险比以比较住院时间≤7天与>7天患者之间ICU死亡率、住院死亡率和需要ICU器官支持的相对风险。我们在同一时期ANZICS-CORE数据库的整个成人队列中检查了住院时间>7天的患者比例,并对内科和急诊外科入院队列进行了亚组分析。

对于描述性分析,频率以例数和百分比报告,平均值以中位数及四分位距(IQR)或均值及标准差(SD)报告。显著性检验采用参数连续变量的t检验、非参数连续变量的Mann-Whitney U检验和分类变量的卡方检验确定。p值<0.05被认为具有显著性。比值比以95%置信区间报告。描述性分析使用SPSS(版本30.0.0.0 IBM 2024)进行。

预测模型的开发

该模型的目的是利用常规ICU入院数据,促进早期(ICU入院后24小时内)对低风险或高风险轨迹进行分层。结局定义为(1)7天内从ICU存活出院(低风险结局)或(2)在ICU死亡或ICU住院时间≥7天(高风险结局)。7天标记定义为168小时,低风险结局组住院时间<168小时,高风险队列住院时间≥168小时。

我们选择了20个变量纳入模型,这些变量有文献支持或临床合理性依据其与AP导致的ICU住院时间延长或死亡率增加相关(表S2补充附录)。仅选择了ICU入院后24小时内可获得的变量,这与早期分层ICU结局的目标一致。为确保共线变量不影响模型性能,我们在开发预测模型之前使用方差膨胀因子(VIF)评估了共线性。除尿素(2.33)、肌酐(2.26)和APACHE III评分(3.71)外,所有变量的VIF均低于2。然而,由于这些水平仍表现出相对较低的共线性,因此无需进一步调整。

预测模型使用所有年份的数据开发。对于每个数据集,均进行了完整病例分析和链式方程多重插补分析(使用R中的mice包[11])。进行了十轮多重插补。由于缺失数据量大,插补对模型预测能力几乎没有或没有带来益处,可能是因为违反了随机缺失假设。使用R中的caret包[12],采用10折交叉验证的逻辑回归模型来拟合和评估数据对结局的预测能力。对于所有数值协变量,原始值及其对数均作为潜在协变量纳入。这种方法适用于高度偏态的数值变量,并允许对非线性进行适度调整。使用10折交叉验证评估预测能力可确保预测指标不会因过拟合而夸大。变量重要性采用基于置换的模型准确性方法评估,使用R中的vip包[13]。该指标表示当给定变量从模型中排除时预测准确性的预期下降。变量重要性结果基于50次模拟运行。预测模型的输出是预测高风险与低风险结局的概率。

预测模型分析、计算和敏感性分析使用R统计软件(版本3.16 R Core Team 2021)进行。

结果

样本特征

2003年1月至2020年12月期间,ANZICS APD报告了2,408,762名患者的2,529,172次ICU入住事件。其中,14,190例的入院诊断为急性胰腺炎;排除861例再入院和54例年龄<18岁的患者,剩余13,275例患者纳入分析(图1)。整个队列的中位住院时间为68小时(IQR 33–144)。在13,275例患者中,10,415例(78.4%)ICU住院时间≤7天,2860例(21.6%)>7天。研究期间ICU死亡1022例(7.7%)。9718例(73.2%)ICU住院时间≤7天且存活(低风险轨迹),3557例(26.8%)死亡或ICU住院时间超过7天(高风险轨迹)。

图1 患者筛选及纳入分析流程图 查看原图 ↗

低风险与高风险轨迹组比较

低风险和高风险轨迹组之间入院特征、ICU治疗和结局的比较见表1。高风险轨迹患者年龄更大,更可能为男性,且入ICU时疾病严重程度更高。该组中因医疗紧急响应呼叫而入ICU的比例显著更高,且住院期间需要器官支持的发生率显著更高。

ICU住院时间≤7天与>7天队列比较(不论生存状态)

一项比较ICU住院时间≤7天与>7天的患者(不考虑ICU生存状态)的分析显示了相似的结果模式(表S3补充数据)。住院时间延长的患者入院时疾病严重程度显著更高(APACHE III 69 ± 25 vs. 59 ± 18 p < 0.001),更可能为男性,并且因医疗急救响应呼叫而入院的频率显著更高。住院时间延长与ICU死亡率和住院死亡率风险增加相关(OR 1.57 95% CI 1.43–1.73 p < 0.001 和 OR 1.69 95% CI 1.56–1.83 p < 0.001)。此外,它与ICU住院期间需要任何器官支持的可能性增加相关:机械通气(OR 5.99 95% CI 5.21–6.90 p < 0.001)、正性肌力药/血管升压药支持(OR 3.27 95% CI 2.82–3.79 p < 0.001)和肾脏替代治疗(OR 4.12 95% CI 3.63–4.68 p < 0.001)。

表S4补充附录中展示了ICU存活患者与ICU死亡患者的对比分析。ICU存活者与未存活者之间的中位ICU住院时间相似,但未存活者的四分位距明显更宽,标准差更高。

表1. 低风险轨迹与高风险轨迹队列的基线特征比较 查看原表 ↗

出院去向

住院时间延长队列中直接出院回家的患者显著更少(80% vs. 67% p < 0.001),出院至康复机构/另一急性机构(14% vs. 25% p < 0.001)或养老院(3% vs. 9% p < 0.001)的比例显著更高(表S3补充附录)。

预测模型

数据集中各协变量的完整性存在较大差异,因为其中若干协变量仅从2016年起才被采集。各协变量的缺失数据比例见补充图S1。鉴于潜在重要预测协变量的缺失值比例较高,模型从两个数据集中开发。第一个数据集使用整个研究期间的数据点,但排除了缺失率极高的协变量(衰弱、乳酸、BMI和第1天有创通气——缺失率均大于60%)。第二个数据集仅纳入2017年及以后的数据。开发了两个模型,模型1使用整个数据集(n = 5,882),模型2仅使用2017年及以后的数据(n = 542)(表2)。

尽管两个模型之间的性能相当,但模型2的有效指标最佳,预测准确率为79.5%,高于随机机会预期的59.7%准确率。Cohen's Kappa值为0.49,表明比例模型所做的错误预测中约有一半现在可通过预测模型被正确分类。对于高风险结局预测,敏感性为0.54,而特异性为0.916。ROC曲线下面积(AUROC)为0.829,而校准图分析显示具有一致的准确性,Brier评分为0.148,但在较低端置信区间较宽(图2)。预测低风险轨迹的精确率为80.8%,而预测高风险轨迹的精确率为75.2%。低风险轨迹的F1评分为85.9%,高风险轨迹为62.9%。对于模型2,各协变量及其相关估计值大小、标准误、比值比和重要性报告于表3。预测能力最强的协变量为APACHE III评分、P:F比值以及患者第一天是否接受有创通气。

作为结局偏态的敏感性分析,使用模型2的数据集和协变量生成了两个额外模型。第一个为模型3,将结局LOS截止值设定为5天;第二个为模型4,将结局LOS设定为4天(均为n = 542)。与模型2相比,两者的准确性、特异性和精确率均降低,敏感性略有改善。进一步生成了模型5(使用原始7天LOS截止值),基于2017年及以后的数据集,仅使用三个最具影响力的协变量(n = 2264)。该模型显示出与模型2非常相当的预测性能。模型2、3、4和5的预测指标比较报告于补充数据中的表S5。对于模型3、4和5,其各协变量重要性的比较报告于补充表S6,协变量效应估计值大小和比值比的比较报告于表S7。模型2–5的区分度和校准曲线比较呈现于补充图S2,精确率-召回率曲线呈现于补充图S3。

表2 高风险与低风险轨迹的多变量预测模型 查看原表 ↗
图2 (A) 预测模型2的受试者工作特征曲线,AUC 0.827。(B) 预测模型的校准图分析,95%置信区间,Brier 0.148 查看原图 ↗
表3 模型2中包含的协变量 查看原表 ↗
图3 澳大利亚和新西兰ICU中由SAP导致的每年ICU床日数。深色线:ICU床日数由ICU中SAP患者每年总小时数除以24计算得出。浅色线:ICU床日数由指定年份的中位住院时间乘以该年入院人数计算得出 查看原图 ↗

ICU中由AP导致的疾病负担

因AP入ICU的年度入院人数呈逐步增加,而中位LOS或LOS > 7天患者比例变化极小(补充附录表S7)。使用中位LOS值量化床位占用显示2004年为157个ICU床日,而2020年为3335个(2003年因该年仅3例患者入院而排除)。当分析每年总ICU床日数时,数字显著更高:2004年为404,而2020年为7204(图3)。

分析ANZICS-CORE数据库中研究期间的所有ICU入住病例(n = 2,347,888),217,605例(9.1%)的ICU住院时间(LOS)> 7天。在内科(n = 1,125,701)和急诊手术(n = 341,504)亚组中,分别有148,948例(13.2%)和41,456例(12%)的ICU LOS > 7天。)

讨论

在ICU中,超过25%的急性胰腺炎(AP)危重患者具有高风险轨迹。其中大多数归因于ICU LOS延长,并伴有死亡率和资源使用的增加。ICU入住时间延长的存活者住院时间更长,且更可能被转至康复机构或养老院。我们发现高风险轨迹预测模型具有较高的预测准确性、特异度和AUROC,但受限于较低的敏感度。在我们的模型中,最强的结局预测因素为APACHE III评分、P:F比值以及ICU入住最初24小时内对机械通气的需求。我们还观察到,AP带来的ICU资源负担日益加重,表现为入住人数增加和ICU床位占用率上升。

据我们所知,这是报告AP危重成人ICU LOS的最大规模研究,代表了前瞻性收集的数据,涵盖18年间超过250万例成人重症监护入住事件。我们采用了稳健的方法学,对模型进行了10折交叉验证,并在不同缺失数据阈值下试验了模型。我们在模型开发中进行了敏感性分析,并通过分析三个不同队列的基线特征,将死亡与LOS延长的竞争风险降至最低。ICU LOS是以患者和机构为中心的结局指标,具有可重复性且在未來研究中易于测量。由于方法学挑战,既往研究将ICU LOS作为连续变量建模一直存在困难[14],我们通过将LOS结局二分化来解决这一问题。

本研究支持既往研究结果,即AP危重患者面临更复杂的住院过程风险,死亡率和ICU及住院LOS延长发生率更高[15]。这对危重疾病迁延和住院导致的患者长期后遗症具有意义,并对资源使用方面产生重大机构影响。ICU入住人数不断增加,加之以患者为中心的不良结局高风险,凸显了该患者队列中未被满足的需求。

为改善该患者队列的结局,有必要对胰腺特异性并发症和长期危重症相关并发症进行风险分层。我们开发了一个模型,通过预测死亡和ICU住院时间延长的复合严重程度结局来解决这一问题。在我们的模型中,高风险轨迹的最强预测因素是入院时疾病严重程度高和急性肺损伤。我们的模型有助于对低风险队列进行准确分层,从而能够更早识别适合较低强度治疗的患者;这在资源匮乏的环境中可能特别有用。然而,该模型的低灵敏度增加了高风险患者在ICU入院早期被低估识别的风险。这与AP的其他严重程度评分系统具有相似的局限性[16],然而如图2A所示,可以选择不同的预测阈值以不同方式平衡灵敏度和特异度。提高模型的灵敏度可能有助于更好地识别高风险患者队列。这可能有助于未来针对AP新型干预措施的临床试验更有针对性地招募患者(而非纳入低风险轨迹的患者)。改善该患者队列的预后富集化,进而可能为高风险患者带来更有针对性的管理。这可能包括更积极地建立肠内营养、更早行气管切开和活动以减轻功能退化、更有针对性地安排胰腺特异性干预的时机,以及改善医院内的资源规划。模型5仅使用了三个最具影响力的协变量,其性能指标与模型2几乎相同。鉴于生成模型5所需数据的简单性,它可能适用于更广泛的环境(包括资源有限的中心),值得在未来研究中进一步探索。

本研究存在局限性。这是一项回顾性分析,因此研究结果无法证明因果关系。数据受限于ANZICS-APD收集的既定变量。胰腺坏死是影响急性胰腺炎(AP)结局的关键因素,但未作为数据集的一部分被报告。由于受数据点数量的限制,未进行正式的先验样本量计算。基于Riley等[17]提出的经过充分验证的样本量计算框架,我们的模型可能把握度不足,这可能会增加过拟合或预测偏倚的风险。然而,模型5仅使用了3个协变量,且样本量显著更大,性能指标几乎相同,提示模型2可能对样本量并不过度敏感。先验样本量计算应为今后进一步开发或验证该模型的研究提供参考。尽管使用了交叉验证对模型进行内部验证并减轻过拟合,但外部验证将是进一步评估模型可推广性的重要下一步。使用限制性立方样条的替代建模方法可能更好地处理非线性协变量关系,这将是未来研究的另一个方向。更复杂的建模还可以考虑聚类效应,这也应成为未来研究的另一个重点。然而,我们目前的方法在非线性建模灵活性与研究结果的可重复性之间取得了平衡,因为对数转换易于实施。虽然APACHE III系统在国际重症监护病房(ICU)中广泛使用,但将其纳入模型确实限制了该模型仅适用于采用APACHE III的系统。ANZICS-CORE数据集无法按照Atlanta分类系统进行分类,虽然大多数病例可能为重症,但我们数据集中较低的队列死亡率提示一部分患者仅为中度重症AP。最后,该数据集仅代表澳大利亚和新西兰ICU患者的结果,不同国家在ICU资源可及性和收治阈值方面可能存在差异。因此,该模型需要在其他队列中进行测试,以评估我们研究结果的可推广性。以患者为中心的长期结局,如再入院或6个月或12个月死亡率,在该数据集中无法获得,但应成为未来研究探索的重点。

鉴于我们的预测模型灵敏度较低(该模型依赖常规实验室检查),加入新型生物标志物可能改善重症AP患者的结果分层。多种免疫标志物已被认为与更严重AP的发病机制有关[18],实验数据提示它们可能比传统评分系统具有更好的预测准确性[19]。需要进一步研究免疫生物标志物的作用及其在该患者群体中准确分层患者病程轨迹的潜在作用。

结论

急性胰腺炎患者ICU住院时间延长与发病率、死亡率和医疗资源使用增加相关。使用ICU入院时常规收集数据的预测模型可能有助于早期识别高危患者,但受限于低灵敏度。我们的模型若在未来研究中得到证实,可能为更严重疾病患者的预后富集提供机会。

补充信息

补充材料 1。

参考来源

  1. Venkatesh K, Schlub TE, Barreto SG, et al. A prediction model for 'ICU mortality or prolonged ICU stay' in critically unwell patients with acute pancreatitis: insights from a 2003-2020 cohort analysis using the ANZICS-CORE database. Crit Care. 2025. PMID: 40770652. doi:10.1186/s13054-025-05590-6
  2. 全文:PMC12326670(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12326670/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。