文献速递心脑血管急症重症综合管理与镇静镇痛

创伤性脑损伤中个体化颅内压阈值的最佳脑血管反应性阈值:CAHR-TBI 队列研究

Optimal cerebrovascular reactivity thresholds for the determination of individualized intracranial pressure thresholds in traumatic brain injury: a CAHR-TBI cohort study.
PubMed 文献 · Crit Care · 2025-10-06
一句话结论在365例中重度TBI患者中,基于PRx推导个体化颅内压阈值时,+0.05是最佳脑血管反应性阈值,可预测6个月死亡与有利结局;PAx和RAC未找到理想阈值。

该回顾性多中心阈值分析利用加拿大高分辨率TBI研究协作组365例中重度TBI患者数据,比较PRx、PAx和RAC三种脑血管反应性指标在-1至+1范围内(0.05递增)推导个体化颅内压阈值的表现。以6个月GOS结局的卡方值、推导产出率及与脑生理损伤负荷的相关性综合判断,PRx +0.05是唯一对死亡和有利结局均达统计学显著的阈值(死亡χ2=5.48,有利结局χ2=7.79,产出率61.37%);PAx和RAC未能确定理想阈值。作者认为该阈值可为未来持续个体化颅内压算法开发提供依据,但尚不适用于实时床旁决策。

要点

  • 在365例中重度TBI患者中,PRx +0.05是唯一对6个月死亡(χ2=5.48)和有利结局(χ2=7.79)均达统计学显著的个体化颅内压推导阈值,产出率61.37%。
  • PAx和RAC未能确定理想推导阈值:PAx卡方峰值在-0.20但属完整反应性范围,+0.55产出率仅26.03%;RAC -0.45与损伤负荷相关性不一致。
  • PRx +0.05推导的个体化颅内压与%时间CPP<60mmHg(ρ=0.17,p=0.009)、%时间CPP>70mmHg(ρ=-0.20,p=0.002)、%时间PAx>0.25(ρ=0.49,p<0.001)相关。
  • 亚组分析中,<40岁和男性队列最佳阈值仍为PRx +0.05,但≥40岁和女性队列未产生任何统计学显著结果。
  • 作者指出该研究使用患者整个记录期推导个体化颅内压,尚不清楚所识别的阈值是否适用于持续推导的个体化颅内压。

适用人群与场景

  • 纳入CAHR-TBI协作组中成人(≥18岁)中重度TBI患者,定义为入院GCS<13,来自四所大学附属医院ICU,接受有创生理监测。
  • 患者按脑创伤基金会(BTF)指南接受标准治疗,包括有创监测ICP和动脉血压,维持ICP低于20或22 mmHg、CPP高于60 mmHg;按当地实践,升高的CPP通常不治疗。
  • 脑血管反应性和近红外光谱(NIRS)区域脑氧饱和度(rSO2)监测未用于临床决策。
  • 生理数据记录自ICU入院并放置有创监测装置后开始,最好在伤后24小时内,持续至治疗医师停止有创监测。
  • 出院后6个月随访采用格拉斯哥结局量表(GOS)评估长期结局;31例因失访无6个月GOS评分。

诊断标准与关键阈值

  • 个体化颅内压阈值推导算法:对患者整个记录期的ICP与脑血管反应性指标拟合局部加权散点平滑(LOESS)模型,按ICP范围每0.01 mmHg增量估计反应性指标并计算95%置信区间,将LOESS曲线与设定阈值首次相交且相交后曲线持续高于阈值至少10 mmHg(或相交后数据范围不足10 mmHg时持续至数据范围末端)的ICP值确定为个体化颅内压阈值。
  • 研究运行PRx、PAx和RAC三种指标,阈值从-1至+1以0.05递增(每个指标41个阈值,共123种指标-阈值组合)。
  • 过滤版个体化颅内压(iICP.ci)仅纳入LOESS图中95%置信区间小于0.2 a.u.的个体化颅内压值。
  • 结局二分:存活(GOS>1)vs死亡(GOS=1);有利结局(GOS>3)vs不利结局(GOS≤3)。
  • 仅个体化颅内压推导产出率大于15%的指标-阈值对纳入卡方值列表和绘图,因更小产出率可能产生不可靠统计。

研究设计与关键结果

  • 研究类型:回顾性多中心阈值分析,利用CAHR-TBI研究协作组2011至2021年(卡尔加里大学)、2019至2024年(曼尼托巴大学)、2017至2022年(马斯特里赫特大学)、2014至2019年(不列颠哥伦比亚大学)的数据。
  • 样本量:共365例患者(卡尔加里大学120例、曼尼托巴大学125例、马斯特里赫特大学51例、不列颠哥伦比亚大学69例);中位年龄38岁(IQR 24–55),约78%为男性,中位GCS 6(IQR 4–7),64%在6个月随访时存活,50%评估为有利结局,生理数据记录中位时长约97小时(IQR 51–173)。
  • PRx推导个体化颅内压:对死亡预测产生最大且唯一统计学显著卡方值的阈值为+0.05(χ2=5.48);对有利结局预测有五个阈值达统计学显著,+0.05产生最大卡方值(χ2=7.79),其他四个阈值均在+0.05附近;+0.05的推导产出率为61.37%,最大产出率73.97%见于PRx>+0.25但未产生统计学显著卡方值。
  • PAx推导个体化颅内压:对死亡预测最大卡方值见于-0.20(χ2=7.82),但该阈值属通常认为完整脑血管反应性范围(-1至约0);另在+0.35至+0.60间存在统计学显著阈值簇,+0.45(χ2=7.06)和+0.55(χ2=7.33)仅略小于-0.20;对有利结局预测仅-0.20达统计学显著(χ2=8.68);-0.20、+0.45、+0.55的产出率分别为35.07%、34.25%、26.03%,远低于+0.05的最大产出率68.22%。
  • RAC推导个体化颅内压:对死亡预测最大卡方值见于-0.45(χ2=12.31),该阈值属通常认为完整脑血管反应性范围(-1至约-0.20);另三个阈值达统计学显著但卡方值较小(χ2=3.99–6.56);对有利结局预测仅-0.45达统计学显著(χ2=4.51);-0.45产出率34.52%,最大产出率44.93%见于-0.25。
  • PRx +0.05推导的个体化颅内压与损伤负荷指标的相关性:%时间CPP<60mmHg ρ=0.17(p=0.009);%时间CPP>70mmHg ρ=-0.20(p=0.002);%时间PAx>0.25 ρ=0.49(p<0.001);%时间RAC>0 ρ=0.30(p<0.001);%时间PbtO2<20mmHg无统计学显著相关。
  • 亚组分析:<40岁和男性队列最佳阈值与主卡方分析相同(PRx>+0.05);≥40岁和女性队列未产生任何统计学显著结果;GCS运动评分和Marshall CT评分二分未产生有意义结果。

证据类型、等级与局限

  • 证据类型:回顾性多中心队列阈值分析(CAHR-TBI研究协作组)。
  • 作者结论:基于产出数据、结局预测能力和与脑生理损伤负荷的相关性,PRx +0.05被确定为最佳个体化颅内压推导阈值;PAx和RAC未能确定理想阈值。
  • 作者指出该研究识别的阈值不代表脑血管反应性本身最能预测结局的截断值,而仅反映推导个体化颅内压的最佳阈值。
  • 局限性:个体化颅内压使用患者整个记录期推导,尚不清楚所识别的理想阈值是否适用于持续推导的个体化颅内压;目前尚无持续个体化颅内压算法,一旦开发可能需要进一步阈值分析以确认所识别阈值在实时推导中的理想性。
  • 作者指出患者处于严重升高ICP的时间相对有限,可能影响将+0.05识别为最佳PRx阈值,因为多数数据点可能集中在较低ICP值及相应较低PRx值,该阈值处的统计强度可能部分反映数据集的基础分布而非明确的生理拐点。
  • 作者指出PAx和RAC推导产出率低于PRx,可能因ICU环境中ICP受到高度控制,AMP变异过小,不足以产生这些指标所需变异性以生成良好拟合的LOESS。
  • 作者指出这些产出率基于患者整个记录期,持续多窗口加权方法(临床应用所需)可能产生不同结果,建议未来个体化颅内压工作在这些指标被确认劣于PRx之前不排除它们。

对床旁实践的改变

  • 作者认为基于PRx +0.05推导的个体化颅内压可为未来算法开发中的阈值选择提供依据。
  • 作者指出该研究结果尚不适用于实时床旁个体化颅内压推导,因使用的是患者整个记录期数据。
  • 作者建议未来个体化颅内压工作不要排除PAx和RAC,直至进一步工作确认它们劣于PRx。
  • 作者指出需要更多工作评估RAC在推导个体化生理指标中的作用。

提炼说明

  • 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译19 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 Oct 6;29:420. doi: 10.1186/s13054-025-05619-w

背景

与脑急性生物力学创伤(通常称为创伤性脑损伤(TBI))相关的毁灭性结局源于原发性和继发性损伤过程。原发性脑损伤是指事件发生时对脑造成的即时结构性损害,而继发性脑损伤是指初始损伤后脑生理紊乱所引起的持续损害[1]。由于原发性脑损伤相对不可逆,中重度TBI的管理主要集中于减轻继发性损伤过程,特别是颅内高压和脑缺血[2]。为了预防这两个高度有害的过程,当前管理指南推荐将颅内压(ICP)治疗性维持在20或22 mmHg阈值以下,并将脑灌注压(CPP)维持在60–70 mmHg的目标范围内[3, 4]。

过去几十年来,众多治疗进展显著提高了我们实现这些临床目标的能力。然而尽管如此,与中重度TBI相关的较差发病率和死亡率几乎没有改善[1, 5, 6]。这一不足的可能解释是当前管理范式的“一刀切”方法,其未能考虑个体表型和脑生理的动态性质。越来越多的文献表明,人群中损伤反应存在显著异质性[7–12]。此外,已有研究表明,大量脑生理损伤负担对当前基于指南的管理策略无反应,且治疗反应在个体患者之间可能差异极大[12–16]。这揭示了当前管理方法的显著局限性,并呼吁开发可针对个体患者量身定制的个性化医学方法。

患者特异性ICP阈值已成为一个有前景的个性化医学概念,其借鉴了脑灌注压最佳值(CPPopt)背后的相同基本原则。这些个体化ICP(iICP)阈值最早由Lazaridis及其同事于2014年提出,当时作者将ICP与压力反应性指数(PRx;ICP与平均动脉压[MAP]之间的相关性)作图,并手动确定PRx持续紊乱(PRx > + 0.20)之后的ICP值[17]。他们发现iICP可在约68%的患者中识别,并证明与基于指南的ICP阈值相比,其预测长期结局的能力更强。六年后,Zeiler及其同事扩展了这项工作,开发了一种准确率为83.2%的半自主算法[18]。使用多中心队列,作者能够在65.3%的患者中识别iICP,并发现高于iICP阈值的平均每小时ICP剂量比高于传统20或22 mmHg阈值的剂量更能预测死亡率。

尽管这些先前研究的结果令人鼓舞,但两项研究至少部分依赖人工检查图表来识别iICP,从而阻碍了未来开发可在患者床边实施的连续iICP推导算法。此外,两项研究均仅使用PRx和+0.20的阈值来推导iICP,这引出了一个问题:替代的脑血管反应性指标和阈值是否可能更有效地用于推导iICP。这一点尤其值得关注,因为基于ICP脉冲振幅(AMP)的指标,如脉冲振幅指数(PAx——AMP与MAP之间的相关性)和RAC指数(AMP(A)与CPP(C)之间的相关性(R)),在某些亚组人群中已被认为与长期结局的关联比PRx更强[19–21]。

针对这些不足,MAIN-HUB实验室(位于加拿大温尼伯)开发了一种自主算法,能够在测试数据集中以>99%的高准确率识别iICP[22],且无需人工检查。使用该算法进行了一项验证研究,证明了使用PAx和RAC推导iICP的可行性[22]。此外,还比较了基于PRx、PAx和RAC的iICP预测长期结局的能力,结果提示PRx在这方面可能提供最大的效用。然而,该研究仅分析了少数几个阈值。若不对这些指标使用全面的阈值范围进行深入比较,就不可能就哪个指标最适合推导iICP做出任何结论性陈述。此外,目前尚不清楚哪些阈值在识别iICP方面提供最大的效用。因此,在本研究中,我们基于产出数据、预测结局的能力以及与脑生理损伤负荷指标的关联,进行全面的阈值分析,以确定用于推导iICP的理想PRx、PAx和RAC阈值。

方法

研究设计

我们利用加拿大高分辨率-TBI(CAHR-TBI)研究协作组[23]现有的存档数据进行了一项回顾性多中心阈值分析。这一正在进行中的多中心研究协作组收集所有因有创生理监测而入住四所大学附属医院之一的重症监护病房(ICU)的成年(≥18岁)中重度TBI患者的高分辨率生理数据:Foothills医疗中心(卡尔加里大学)、温尼伯健康科学中心(曼尼托巴大学;曼尼托巴共享健康)、马斯特里赫特大学医学中心+(马斯特里赫特大学)和温哥华综合医院(不列颠哥伦比亚大学)。同时还收集人口学信息、入院特征、影像学发现和临床结局评分。所有数据均以完全去标识化的方式前瞻性记录,并存档于正在进行的经当地批准的数据库中。本分析时可获得以下时间段收集的数据:卡尔加里大学2011年至2021年,曼尼托巴大学2019年至2024年,马斯特里赫特大学2017年至2022年,不列颠哥伦比亚大学2014年至2019年。

伦理

数据收集的各个方面以及中心之间的匿名数据传输均已获得各站点当地研究伦理机构的批准:卡尔加里大学联合健康研究伦理委员会(CHREB,H20-03759)、曼尼托巴大学生物医学研究伦理委员会(BREB,H2017:181、H2017:188、H2020:118、B2023:001、H2024:217和H2024:266)、马斯特里赫特大学医学伦理委员会(16-4-243)以及不列颠哥伦比亚大学临床研究伦理委员会(CREB,REB20-0482)。所有方法均按照相关指南和法规执行。由于本研究的回顾性性质,且数据收集以完全匿名的方式进行,曼尼托巴大学生物医学研究伦理委员会豁免了获取知情同意的要求。

患者人群

纳入CAHR-TBI研究合作组的所有患者均遭受了中重度TBI,定义为入院格拉斯哥昏迷量表(GCS)评分低于13。患者按照脑创伤基金会(BTF)指南接受标准治疗,包括有创监测ICP和动脉血压(ABP),以及将ICP维持在20或22 mmHg以下、脑灌注压(CPP)维持在60 mmHg以上[3, 4]。按照当地实践,CPP升高通常不予治疗。此外,临床决策中未考虑脑血管反应性或基于近红外光谱(NIRS)的区域脑氧饱和度(rSO₂)监测。生理数据记录在ICU入院并放置有创监测设备后开始,最好在损伤后24小时内启动,并持续至主治医师停止有创监测为止。出院后,患者在6个月随访预约时使用格拉斯哥结局量表(GOS)评估长期结局。

生理数据收集

连续ICP监测使用置于额叶的脑实质内压力探头(Codman ICP MicroSensor,Codman & Shurtlef Inc.,Raynham,MA,USA;NEUROVENT-TEMP,RAUMEDIC,Helmbrechts,Germany;Camino ICP Monitor,Natus,Middleton,WI,USA)或脑室外引流(EVD;Medtronic,Minneapolis,MN)进行。ABP使用连接压力换能器(Baxter Healthcare Corp. CardioVascular Group,Irvine,CA,USA;Edwards,Irvine,CA,USA)的桡动脉或股动脉管路监测,换能器在耳屏水平调零[24, 25]。在部分患者中,还监测了rSO2和/或脑组织氧分压(PbtO2)。在此类情况下,使用了NIRS区域血氧仪(INVOS 5100 C或7100,Covidien-Medtronic,Minneapolis,MN)和置于额叶的脑实质内脑组织氧合探头(Licox Brain Tissue Oxygen Monitoring System;Integra LifeSciences Corp.,Plainsboro,New Jersey)。所有高频、全波形生理数据均从床旁ICU监护仪以时间序列形式记录,频率至少为100 Hz,使用重症监护监测“Plus”软件(ICM+)(Cambridge Enterprise Ltd,Cambridge,UK,http://icmplus.neurosurg.cam.ac.uk),通过直接数字数据传输或模数转换(DT9804/DT9826,Data Translations,Marlboro,MA,USA)完成。

信号处理

采集后信号处理使用 ICM + 软件进行。信号伪差清除由数据收集团队在本研究目的或方法学构思之前完成。伪差去除采用手动和自动技术。这包括剔除具有不合理数值的数据段,不合理数值定义为颅内压(ICP)低于 0 mmHg 或高于 100 mmHg,或动脉血压(ABP)高于 300 mmHg 的数值。缺乏波形形态(即静态信号)的数据段也被移除。此类数据段代表各种非生理性事件,如桡动脉管路冲洗、监护仪断开和患者移动。对于使用脑室外引流(EVD)监测 ICP 的数据集,引流开放伪差通过手动清除。

在彻底清除伪差后,对 ICP 脉搏波形基波振幅按连续 10 秒间隔进行傅里叶分析以得出 AMP [26, 27]。随后应用 10 秒非重叠移动平均滤波器对 ICP 和 ABP(生成 MAP)进行降采样,以聚焦于与脑血管运动相关的频率范围并限制呼吸周期的影响 [5, 28, 29]。CPP 使用以下公式计算:CPP = MAP – ICP。

为评估脑血管反应性,衍生了三项基于 ICP 的指数(PRx、PAx 和 RAC)。PRx 计算为 300 秒 ICP 与 MAP 窗口之间逐分钟更新的 Pearson 相关系数 [30–32],而 PAx 和 RAC 分别使用 AMP 与 MAP、以及 AMP 与 CPP 以类似方式计算 [19, 27]。为评估脑顺应性,还衍生了代偿储备指数(RAP;AMP(A)与 ICP(P)之间的相关性(R))[27, 33]。最后,遵循脑生理学研究的常见做法 [31, 34, 35],包括所有关于 iICP 的现有工作 [17, 18, 22],所有数据降采样至逐分钟分辨率以提高计算效率,并为每位患者输出为逗号分隔值文件。

iICP 推导

MAIN-HUB 实验室近期开发了一种自主算法,使用 R 统计计算软件(R Core Team (2020). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/)推导 iICP [22]。简而言之,该算法执行以下操作。首先,对患者数据集(整个记录期间)拟合局部加权散点图平滑(LOESS)模型,介于 ICP 与 PRx 之间(可使用任何脑血管反应性指数替代 PRx)。接下来,对数据集 ICP 范围(ICP 最小值至最大值)每 0.01 mmHg 增量估计 PRx。还使用自助法为每个估计值计算 95% 置信区间。然后绘制建模数据,将 LOESS 曲线与设定 PRx 阈值(可选择 − 1 至 + 1 之间的任何值)之间的第一个交点确定为 iICP 阈值,该交点之后曲线保持在阈值以上至少 10 mmHg(或当交点后范围小于 10 mmHg 时持续至数据范围末端)。交点后保持在阈值以上的这一要求起到防止识别曲线仅短暂跨越阈值的点的作用。在 Winnipeg 数据集上测试时,经手动检查发现该算法准确率超过 99% [22]。该算法生成的示例 LOESS 曲线见图 1。

为本研究之目的,使用源自MAIN-HUB实验室的自定义iICP推导算法,基于三种基于ICP的脑血管反应性指数(PRx、PAx和RAC)以及从−1到+1、以0.05为增量的阈值(每个指数41个阈值,共123种指数-阈值组合)运行。还创建了iICP的滤波版本,命名为iICP.ci,其仅纳入在其LOESS图中与小于0.2 a.u.的95%置信区间相关的iICP值。

图1 使用ICP与脑血管反应性关系的LOESS曲线识别iICP的示例 使用以下条件推导iICP:(A)PRx > 0.35,(B)PAx > 0.25,(C)RAC > 0。这些阈值是根据当前文献中关于用于预后预测的关键CVR阈值的一部分数值选择的,但并未被普遍接受。虚线表示用于iICP推导的脑血管反应性阈值。垂直红线表示识别出的iICP值。每条曲线周围的灰色区域表示95%置信区间。AMP = ICP的脉冲振幅,CPP = 脑灌注压,CVR = 脑血管反应性,iICP = 个体化颅内压阈值,LOESS = 局部加权散点平滑,PAx = 脉冲振幅指数,PRx = 压力反应性指数,RAC = AMP(A)慢波与CPP(C)之间的相关性(R) 查看原图 ↗

统计分析

统计分析在R统计计算软件中使用以下软件包进行:purrr、ggplot2和gridExtra。首先,对每例患者计算所有生理变量的均值,以及高于/低于文献定义阈值的时间百分比。此外,按照Zeiler及其同事所 laid out 的方法[18],计算ICP高于基于指南的阈值20 mmHg和22 mmHg以及高于各版本iICP的平均每小时剂量。生理变量和人口学数据在适用时以中位数和IQR或原始计数进行汇总。随后为各指数-阈值对生成直方图,以展示它们为患者队列产生的iICP值分布。还计算了各指数-阈值对的iICP推导产出率。

接下来,根据患者6个月GOS评分将其二分为存活(GOS > 1)与死亡(GOS = 1)以及有利(GOS > 3)与不利(GOS ≤ 3)。随后使用序贯卡方方法比较使用各种指数-阈值对推导出的iICP的预后预测能力,类似于既往研究脑血管反应性指数关键阈值的研究[31, 36–38]。为每个指数-阈值对构建序贯2 × 2表,按结局(存活 vs. 死亡或有利 vs. 不利)以及按其平均ICP是否高于或低于其计算出的iICP值对患者分组。随后计算每个2 × 2表的Pearson卡方值并制表。接下来,将各指数-阈值对所得的卡方值与其各自的iICP推导产出率一起绘制。仅对iICP产出率大于15%的指数-阈值对制表并绘制其卡方值,因为产出率较小者可能产生不可靠的统计结果。具有最大统计学显著卡方值的指数-阈值对被确定为能够产生最具长期结局预测能力的iICP者。

接下来,对每个指数-阈值组合,计算高于其所推导iICP的平均每小时剂量与各种脑生理损伤负荷指标之间的Spearman秩相关系数:CPP < 60mmHg的时间百分比、CPP > 70mmHg的时间百分比、PRx > 0.25的时间百分比、PAx > 0.25的时间百分比、RAC > 0的时间百分比,以及PbtO2 < 20mmHg的时间百分比。使用这些指标是因为它们反映了脑生理损伤负荷的不同方面,因此能够为特定iICP方法在多大程度上有效帮助减少继发性脑损伤提供有价值的见解。随后,将iICP推导产出率大于15%的指数-阈值组合的相关系数和p值列成表格。对iICP.ci重复进行卡方分析和Spearman秩相关检验,以评估仅纳入与小置信区间相关的iICP值时的差异。最后,使用以下二分类进行亚组卡方分析:年龄(< 40岁 vs. ≥ 40岁)、性别(男性 vs. 女性)、GCS-运动评分(≤ 3 vs. > 3)和Marshall计算机断层扫描(CT)评分(≤ 3 vs. > 3)。对于所有统计检验,统计显著性阈值设定为p < 0.05。

确定理想阈值

利用iICP推导产出率、卡方分析和Spearman秩相关检验的结果,确定了用于iICP推导的理想PRx、PAx和RAC阈值。由于负的指数值通常被认为代表脑血管反应性完整的状态,我们决定不将任何低于0的PRx或PAx阈值视为对推导iICP具有生理相关性。对于RAC,我们改为选择−0.20作为截断点,因为近期文献提示RAC可能具有更负的转变点(在反应性完整与受损之间)[32, 39]。采用此方法是为了防止确定极不可能具有生理意义的阈值,因为理论上,“完整”范围内的阈值不会被期望能有效识别脑血管生理损伤。

结果

患者人群

共纳入来自CAHR-TBI研究协作组的365例患者(120例来自卡尔加里大学,125例来自曼尼托巴大学,51例来自马斯特里赫特大学,69例来自不列颠哥伦比亚大学)。所有纳入患者均有ICP和ABP记录;然而,PbtO2和基于NIRS的rSO2数据分别仅有106例和137例患者可用。31例患者因失访而缺少记录的6个月GOS评分。该队列的中位年龄为38岁(IQR:24–55),约78%的患者为男性。队列的中位GCS为6分(IQR:4–7),64%的患者在6个月随访时存活,50%被评估为预后良好。生理数据记录的中位持续时间约为97小时(IQR:51–173)。该患者队列的人口统计学和脑生理学完整汇总见表1。展示各阈值下为队列产生的iICP和iICP.ci值分布直方图(仅包含产出率大于15%者)可分别见补充附录A-C中关于PRx、PAx和RAC的内容。总体而言,阈值越大,经小置信区间(iICP.ci)过滤后保留的iICP值越少。

表1 患者队列人口统计学和脑生理学汇总 查看原表 ↗

卡方结局分析和推导产出率

iICP的卡方阈值分析结果列于补充附录D-F(分别为PRx、PAx和RAC),并绘制于图2。iICP.ci的结果列于补充附录G-I(分别为PRx、PAx和RAC),并绘制于补充附录J。31例未记录6个月GOS评分的患者被排除在此部分分析之外。

对于基于PRx的iICP,在死亡率预测中产生最大且唯一具有统计学显著性卡方值的阈值为+0.05(χ2=5.48)。对于良好结局预测,有五个阈值能够达到统计学显著性;然而,+0.05(χ2=7.79)同样在此处产生了最大的卡方值。此外,其他四个阈值均落在+0.05的邻近范围内。该阈值的iICP推导产出率为61.37%。使用PRx>+0.25时产出率最大(73.97%);然而,该阈值在本分析中未能产生具有统计学显著性的卡方值。对iICP.ci推导的检验产生了类似结果;但在死亡率预测(χ2=5.86)和良好结局预测(χ2=8.10)中,+0.05均与略大的卡方值相关,且所有阈值的产出率均较低(+0.05的产出率为54.79%)。

对于基于PAx的iICP,在死亡率预测中产生最大卡方值的阈值为−0.20(χ2=7.82)。然而,应注意该阈值落在通常被认为代表脑血管反应性完整的阈值范围内(−1至约0)。与PRx产生单一明显峰值不同,我们在PAx图上观察到另一个具有统计学显著性的阈值集群,位于+0.35至+0.60之间。尽管这些阈值产生的卡方值(χ2=3.89–7.33)小于−0.20的卡方值,但+0.45(χ2=7.06)和+0.55(χ2=7.33)的卡方值仅略小。在检验良好结局预测时,仅−0.20(χ2=8.68)能够产生具有统计学显著性的卡方值。−0.20、+0.45和+0.55的iICP产出率分别为35.07%、34.25%和26.03%,显著低于阈值+0.05所对应的最大产出率68.22%。在检验iICP.ci推导时,死亡率预测(χ2=10.19)和良好结局预测(χ2=9.43)均仅在−0.20处观察到单一明显峰值。与PRx一样,推导iICP.ci时所有阈值的产出率再次较小(−0.20、+0.45和+0.55分别为29.86%、12.88%和9.59%)。

对于RAC,使用−0.45阈值推导的iICP在预测死亡率时产生最大的卡方值(χ2 = 12.31)。需要注意的是,该阈值落在通常被认为代表脑血管反应性完整的RAC阈值范围内(−1至约−0.20)。另外三个阈值也达到统计学显著性;然而,所有这些阈值都落在−0.45的相对邻近范围内,并产生显著更小的卡方值(χ2 = 3.99–6.56)。对于良好预后预测,仅−0.45产生具有统计学显著性的卡方值(χ2 = 4.51)。−0.45的iICP产出率为34.52%,仅比与阈值−0.25相关的最大产出率44.93%低10%以上。对iICP.ci推导的检验产生了几乎相同的模式,除了−0.45在死亡率预测(χ2 = 16.33)和良好预后预测(χ2 = 7.43)中的卡方值均更大,且所有阈值的产出率均更低(−0.45为25.48%)。

图2 使用各种脑血管反应性阈值推导的iICP的卡方结局图。AMP = ICP的脉冲幅度,CPP = 脑灌注压,ICP = 颅内压,iICP = 个体化颅内压阈值,MAP = 平均动脉压,PAx = 脉冲幅度指数(AMP与MAP之间的相关性),PRx = 压力反应性指数(ICP与MAP之间的相关性),RAC = AMP(A)慢波与CPP(C)之间的相关性(R)。灰色点表示各阈值在推导iICP时的产出百分比。黑色和红色点表示各阈值在产出百分比大于15%时预测结局(存活 vs 死亡或良好 vs 不良)的卡方值。红色点表示达到统计学显著性的阈值,p < 0.05。灰色区域代表通常被认为脑血管反应性完整的范围。 查看原图 ↗

与脑生理性损伤负荷指标的关联

用于iICP推导的PRx阈值的Spearman秩相关检验结果可见于表2。对于CPP < 60mmHg的时间百分比,阈值0(ρ = 0.22,p = 0.002)和+ 0.35(ρ = 0.22,p < 0.001)产生最强的相关系数;而+ 0.05产生的相关性略弱(ρ = 0.17,p = 0.009)。对于CPP > 70mmHg的时间百分比,0(ρ = −0.22,p = 0.002)和+ 0.65(ρ = −0.22,p = 0.004)具有最强的相关性,然而,+ 0.05也产生了相对较强的相关性(ρ = −0.20,p = 0.002)。对于PAx > 0.25的时间百分比和RAC > 0的时间百分比,−0.20均产生最强的相关性(ρ = 0.58,p < 0.001;ρ = 0.37,p < 0.001),而+ 0.05产生的相关性略为中等(ρ = 0.49,p < 0.001;ρ = 0.30,p < 0.001)。最后,对于PbtO2 < 20mmHg的时间百分比,没有任何阈值能够产生具有统计学显著性的相关性。iICP.ci的结果可见于补充附录K。

对于基于PAx得出的iICP,Spearman秩相关检验的结果可见表3。阈值+0.55能够在CPP<60mmHg的时间百分比(ρ=0.29,p=0.005)和CPP>70mmHg的时间百分比(ρ=−0.22,p=0.03)两方面产生最强的相关性。对于这两项损伤负荷指标,−0.20均未能产生统计学显著的相关性。对于PRx>0.25的时间百分比,+0.05产生了最强的相关性(ρ=0.48,p<0.001),优于−0.20(ρ=0.33,p<0.001)和+0.55(ρ=0.34,p<0.001)。对于RAC>0的时间百分比,+0.40产生了最强的相关性(ρ=0.39,p<0.001),+0.55产生的相关性仅略弱(ρ=0.36,p<0.001)。没有任何阈值能够得出的iICP与PbtO2<20mmHg的时间百分比具有统计学显著的相关性。iICP.ci的结果可见补充附录L。

对于使用RAC得出的iICP,Spearman秩相关检验的结果可见表4。对于CPP<60mmHg的时间百分比、CPP>70mmHg的时间百分比以及PRx>0.25的时间百分比,能够产生最强相关性的阈值分别为+0.30(ρ=0.51,p<0.001;ρ=−0.43,p<0.001;ρ=0.48,p<0.001);然而,应当注意该阈值下iICP的得出率仅为16.71%。在这三项脑生理损伤负荷指标中,在卡方分析中确定的阈值−0.45仅能与CPP<60mmHg的时间百分比产生统计学显著的相关性(ρ=0.29,p=0.001)。对于PAx>0.25的时间百分比,+0.20能够产生最强的相关性(ρ=0.62,p<0.001)。最后,对于PbtO2<20mmHg的时间百分比,−0.25是唯一能够产生统计学显著相关性的阈值(ρ=−0.33,p=0.015)。iICP.ci的结果可见补充附录M。

表2 使用不同PRx阈值得出的iICP与脑生理损伤负荷指标之间的Spearman秩相关分析 查看原表 ↗
表3 使用不同PAx阈值得出的iICP与脑生理损伤负荷指标之间的Spearman秩相关分析 查看原表 ↗
表4 使用不同RAC阈值得出的iICP与脑生理损伤负荷指标之间的Spearman秩相关分析 查看原表 ↗

亚组分析

当按年龄将患者二分为<40岁和≥40岁两组时的卡方分析结果可见补充附录N-P。按性别二分时的结果可见补充附录Q-S。GCS-运动项二分的结果可见补充附录T-V。基于Marshall CT评分二分的结果可见补充附录W-Y。在<40岁和男性队列中表现最佳的阈值与主卡方分析中表现最佳的阈值相同(PRx>+0.05)。然而,≥40岁和女性队列未能产生任何统计学显著的结果。GCS-运动项和Marshall CT评分的二分均未产生任何有意义的结果。

讨论

确定关键阈值

在本研究中,我们进行了全面的阈值分析,以期确定在推导 iICP 方面最具实用价值的脑血管反应性阈值。从 PRx 开始,在卡方结局分析中出现了一个明显的阈值,+0.05。这是唯一能够在死亡率和良好结局预测两方面均产生统计学显著卡方值的阈值。尽管它未能与脑生理损伤负荷指标产生最强的 Spearman 秩相关,但它能够产生相对较强的相关性,而且也没有其他阈值能够 consistently 产生最强的相关性。此外,+0.05 的 iICP 推导产出率相对较高,为 61.37%,仅比观察到的最大产出率低约 12%。基于上述发现,我们将 +0.05 确定为基于 PRx 推导 iICP 的可能最佳阈值。然而,值得注意的是,如表 1 所示,患者在 ICP 严重升高状态下的时间相对有限。这可能影响了将 +0.05 确定为最佳 PRx 阈值,因为大多数数据点可能集中在较低的 ICP 值处,并由此(鉴于 ICP 与 PRx 之间的关系)集中在较低的 PRx 值处。因此,在该阈值处观察到的统计学强度可能至少部分反映了数据集的潜在分布,而非明确的生理拐点。

对于基于 PAx 的 iICP,卡方分析提示阈值为 −0.20,因为它是绘图时产生最大峰值的阈值。此外,它是在使用严格置信区间 iICP.ci 过滤 iICP 时唯一产生统计学显著卡方值的阈值。然而,该阈值落在通常被认为代表反应性完整的范围内(−1 至约 0),因此,如方法部分所讨论,它不太可能是推导 iICP 的生理相关阈值。尽管在死亡率预测图上于 +0.55 处观察到另一个峰值,其卡方值仅略小于 −0.20 的卡方值,但该阈值未能在良好结局预测中产生统计学显著的卡方值。当使用小置信区间 iICP.ci 过滤 iICP 时,它也未能达到统计学显著性。在 Spearman 秩相关检验中,−0.20 确实与任何损伤负荷指标产生了最强的相关性,甚至未能与 CPP < 60mmHg 的时间百分比和 CPP > 70mmHg 的时间百分比均产生统计学显著相关性。另一方面,+0.55 能够在这两项脑生理损伤负荷指标上产生最强的相关性,并且在 PRx > 0.25 的时间百分比和 RAC > 0 的时间百分比两方面均产生相对较强的关联。这对该阈值而言似乎 promising;然而,考虑到已确定的用于结局预测的最高临界 PAx 阈值为 +0.25 [36, 38],+0.55 相当高。此外,与 +0.55 相关的 iICP 推导产出率极低,仅为 26.03%。因此,对于基于 PAx 的 iICP 推导,似乎没有明确的理想阈值。

基于RAC的iICP的卡方分析似乎提示−0.45为理想阈值,因为该阈值在死亡率和良好结局预测方面均产生了最明显的卡方峰值。然而,经Spearman秩相关检验,该阈值未能与CPP>70mmHg时间百分比、PRx>0.25时间百分比以及PbtO2<20mmHg时间百分比产生统计学显著相关。此外,该阈值完全处于RAC值的负值范围内,因此不太可能代表用于推导iICP的生理相关阈值。尽管+0.30能够与CPP<60mmHg时间百分比、CPP>70mmHg时间百分比以及PRx>0.25时间百分比产生最强的相关性,但它在卡方分析中未能与结局预测产生任何统计学显著关联。此外,+0.30的推导产出率极低(16.71%),使其无法用于iICP推导。由于缺乏任何有意义的结果,无法确定基于RAC的iICP的理想阈值。此外,鉴于该指数解释的复杂性(RAC不仅提供脑血管反应性的信息,还提供脑代偿储备的信息)[20],RAC用于推导iICP的效用总体上仍高度不明确。因此,需要更多工作来评估RAC在推导个体化生理指标中的作用。

本研究首次对用于推导iICP的脑血管反应性阈值进行了全面比较。与既往使用任意选定阈值推导iICP的研究不同,我们深入评估了阈值选择如何影响iICP的性能。这项工作将为未来工作,特别是算法开发中的阈值选择提供参考。然而,需要澄清的是,本研究中确定的阈值并不代表其本身对结局最具预测价值的脑血管反应性截断值。相反,它们仅反映了推导iICP的最佳阈值,即所定义的能够产生与临床结局和多模态脑生理学最强相关的iICP值的阈值。

其他发现

通过这一阈值分析,我们得出了多项值得强调的其他有趣观察结果。首先,本研究的结果并未完全符合近期文献中为三种脑血管反应性指数所确定的关键结局预测阈值。这对于PAx和RAC尤为如此,因为我们未能为这些指数确定理想阈值。当前文献提示,PAx和RAC的关键阈值范围分别为0至+0.25和−0.10至+0.05 [36, 38]。这些关键阈值是通过脑血管反应性指数作为独立参数(而非用于推导iICP)与长期结局之间的关联研究、使用类似的卡方分析确定的。按理可以预期这些关键阈值也会被确定为推导iICP的理想阈值;然而,情况似乎并非如此。对于PRx,文献普遍指向+0.25至+0.35范围内的关键阈值用于死亡预测 [31, 36, 38]。然而,也有一些文献支持+0.05的阈值。在Sorrentino及其同事的一项研究中,+0.05被确定为预测良好结局的关键阈值 [31]。此外,大量临床前动物文献提示,PRx在0左右可检测到自动调节的下限 [32, 40–42]。这些研究为我们在此确定的PRx阈值提供了一定的信心。

其次,与PRx相比,PAx和RAC与较低的iICP推导产出率相关。这反映了近期比较三种指数用于CPPopt推导的研究发现 [43, 44]。对此的一种可能解释是,由于ICU环境中ICP受到高度控制,AMP的变异可能过小,无法产生这些指数所需的变异性以生成良好拟合的LOESS。这可能导致识别出较少的iICP值(较低产出率)或识别出不准确的iICP值,两者均会削弱iICP预测结局的能力。因此,PRx很可能代表了用于推导iICP的最实用的脑血管反应性指数,因为低产出率将显著限制iICP的任何临床效用。然而,我们无法就这种产出率差异的 underlying reasoning 做出任何结论性陈述。此外,需要注意的是,这些产出率是使用患者的整个记录期间产生的,而连续多窗口加权方法推导iICP(这在临床应用中将是必要的)可能产生不同的结果。因此,我们建议未来的iICP工作不应排除这些指数,直至进一步工作确认它们在iICP推导方面劣于PRx。

接下来,在卡方分析中观察到,对于基于PRx的iICP,良好预后预测倾向于产生比死亡率预测更大的卡方值,而对于基于RAC的iICP,则产生比死亡率预测更小的值。这表明基于PRx的iICP在预测良好预后方面优于预测死亡率,而基于RAC的iICP在预测死亡率方面优于预测良好预后。此外,对于死亡率预测,基于RAC的iICP产生的卡方值大于基于PAx的iICP,而基于PAx的iICP产生的卡方值大于基于PRx的iICP。另一方面,对于良好预后预测,基于PRx和基于PAx的iICP产生的卡方值大于基于RAC的iICP。这表明基于RAC的iICP可能最能预测死亡率,但在预测良好预后方面最差。

关于iICP.ci,有趣的是,在较高阈值下,被过滤掉的iICP值多于较低阈值下(见补充附录A-C)。这表明在较高阈值下,对所识别iICP准确性的信心降低。与未过滤的iICP相比,iICP.ci在预后预测中通常也产生更大的卡方值,但产出率较低。这表明基于置信带大小的iICP可能具有更强的预后预测能力,但以产出率为代价。最后,年龄和性别的亚组分析未能确定任何能够在≥40岁年龄组和女性组中达到显著性的阈值。这可能潜在地表明,各种患者特异性因素可以影响iICP的效用,以及用于其推导的理想脑血管阈值。然而,这一发现可能是组间样本量差异的结果。需要进一步研究来探究患者人口学特征、损伤严重程度和治疗方案对iICP推导的作用。

局限性

尽管本阈值分析揭示了重要发现,但有几个值得注意的局限性必须加以说明。首先,本阈值分析的主要局限性在于我们使用患者的整个记录 period 生成iICP。因此,尚不清楚此处确定的理想阈值是否适用于连续推导的iICP。目前尚无连续iICP算法;然而,一旦开发出此类算法,可能需要进一步的阈值分析来确认所确定阈值用于实时推导iICP的理想性。

本研究的另一个局限性是卡方分析未能生成平滑的曲线图,即卡方值逐渐升高、在“理想”阈值处达到峰值、然后逐渐降低(类似于产出率曲线所见)。相反,生成的曲线图呈现带有突然尖峰的不规则曲线。这使人质疑产生最强卡方值的阈值是否具有生理学意义,而不仅仅是统计学异常。未来需要使用来自CAHR-TBI协作组之外的数据集(如来自CENTER-TBI和TRACK-TBI研究[45, 46]的高分辨率数据集)来验证我们的发现。

由于脑血流动力学在创伤性脑损伤(TBI)后恢复的不同阶段表现出显著变化,因此在患者入住重症监护病房(ICU)期间,用于推导个体化颅内压(iICP)的理想阈值极有可能随病程而变化[36, 47]。在本研究中,我们未考虑脑生理学的此类变化,从而限制了我们的发现。未来研究应考虑按患者入住ICU的时间对监测时段进行分层,以更好地理解脑生理学的这些变化如何影响最佳iICP的推导。其次,尽管本研究所使用的患者队列规模相当大,但其中仅有一部分患者有脑组织氧分压(PbtO2)记录可用(n = 106)。这可能使涉及该生理变量的任何检验效能不足,并可能解释为何仅有一对指数-阈值组合能够生成与PbtO2 < 20mmHg时间百分比具有统计学显著关联的iICP。未来需要在更大规模的PbtO2数据集上开展工作,以更好地阐明iICP与该重要脑生理参数之间的关联。

最后,本研究受限于CAHR-TBI数据库中可用数据的范围。例如,该数据库未记录患者是否接受了去骨瓣减压术,而近期文献提示该手术可能影响脑血管反应性[48]。该信息的缺失限制了我们校正这一潜在重要混杂变量的能力。此外,缺乏现代CT评分系统(如Rotterdam或Helsinki CT评分),以及使用格拉斯哥结局量表(GOS)而非更详细的扩展版本(GOSE),限制了我们的分析,并可能影响我们发现的精确性和可推广性。

未来方向

与传统的静态、基于人群的颅内压(ICP)阈值不同,患者特异性ICP阈值考虑了个体动态的脑自动调节状态,并可能在未来实现针对个体特定生理需求的定制化治疗。然而,尽管关于iICP的初步发现令人鼓舞,但目前关于该概念的文献有限。此外,iICP概念的当前状态不利于临床应用。首先,当前算法需要患者的整个记录期,仅能计算“事后”阈值,无法用于指导治疗。此外,它只能为某一数据集生成单一阈值,因此未考虑患者入住ICU期间脑生理学的动态性质。当前算法的另一个局限性在于其未能提供任何曲线拟合特征的评估。这使临床终端用户无法判断所输出iICP值的质量。

为规避这些缺陷,需要一种能够实时连续推导个体化颅内压(iICP)的算法。此类算法需要一种复杂的滑动多窗口加权方法,即在每个更新间隔(即每分钟),针对不同窗口长度生成LOESS图,基于多种因素(曲线形状、置信带、数据范围等)对图进行评分,并计算加权平均值以确定iICP值。类似策略已在近期版本的CPPopt中成功应用[35, 49]。该算法还应在每次iICP计算时呈现曲线拟合特征摘要,以便进行输出质量评估。此外,一旦创建了连续算法,还需要评估用于iICP推导的理想脑血管反应性(CVR)阈值是否在ICU住院的不同阶段(例如,最初24小时与后期)有所变化。这将为脑血管反应性受损和iICP行为如何随时间演变提供有价值的见解。

在此类连续iICP推导算法开发完成后,需要进行全面的结局分析,以初步了解连续推导的iICP的预后效用。此外,还需要评估iICP与脑生理性损伤负荷指标之间的关联,以阐明iICP导向治疗在减轻继发性脑损伤方面可能产生的影响。然而,要确凿确定iICP导向治疗是否提供任何真正的临床获益,需要进行临床试验。

接下来,如果iICP要在临床上得到应用,需要开展工作以实现床旁实施。这需要将任何持续更新的算法针对床旁环境的特定需求进行调整,并开发用户界面,使临床最终用户能够高效使用和调整输出值。最后,尽管iICP代表了一种有前景的个体化管理颅内压(ICP)的方法,但整合额外的个性化脑生理指标可能进一步增强该工具的精确性和实用性。这些指标包括CPPopt、最佳平均动脉压(MAPopt)和最佳双频指数(BISopt)。这些个性化指标结合起来可能有助于相互弥补局限性,支持神经重症监护床旁决策的更全面、更有效的策略。

结论

在本研究中,我们使用多中心数据集来确定用于iICP推导的最佳脑血管反应性阈值。基于产出数据、结局预测能力以及与脑生理性损伤负荷指标的关联,我们能够确定基于PRx的iICP推导阈值为+ 0.05;然而,我们无法为基于PAx或RAC的iICP确定理想阈值。尽管iICP具有前景广阔的潜力,但该概念以其当前形式受到使用患者整个记录周期的严重制约,阻碍了任何临床应用的可能性。因此,迫切需要开发一种使用滑动多窗口加权方法的连续iICP推导算法。一旦开发出此类算法,我们的发现需要验证,以确保其适用于连续推导的iICP。

补充信息

补充材料1

参考来源

  1. Stein KY, Griesdale D, Sekhon M, et al. Optimal cerebrovascular reactivity thresholds for the determination of individualized intracranial pressure thresholds in traumatic brain injury: a CAHR-TBI cohort study. Crit Care. 2025. PMID: 41053839. doi:10.1186/s13054-025-05619-w
  2. 全文:PMC12502327(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12502327/

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。