文献速递重症综合管理与镇静镇痛呼吸衰竭与机械通气消化、代谢与肾脏急症

STeP评分:基于全国ICU数据库的脓毒症患者气管切开预测模型开发与验证

Development and validation of the STeP score for predicting tracheostomy in patients with sepsis using a nationwide ICU database: a retrospective observational study.
PubMed 文献 · J Intensive Care · 2025-11-14
一句话结论在ICU脓毒症机械通气患者中,基于入ICU 24小时内8个变量构建的STeP评分可早期分层14天内气管切开风险,高危组发生率27.1%。

本研究利用日本全国ICU数据库(JIPAD)回顾性纳入2018至2022年成人脓毒症(SOFA≥2,排除病毒性肺炎)机械通气患者7357例,开发并验证预测14天内气管切开的STeP模型及简化评分(0-17分)。模型在训练队列AUC 0.76,时间验证队列AUC 0.74,外部验证队列AUC 0.71;简化评分验证队列AUC 0.73。低(≤2分)、中(3-6分)、高(≥7分)危组气管切开率分别为4.0%、13.6%、27.1%。作者认为该评分可用于早期风险分层、临床沟通和资源规划,并提供网页计算器。

要点

  • STeP评分0-17分,低危≤2分、中危3-6分、高危≥7分,验证队列气管切开率分别为4.0%、13.6%、27.1%。
  • 简化STeP评分验证队列AUC 0.73(95%CI 0.71-0.76),优于SOFA(AUC 0.56)和APACHE II(AUC 0.61),差异有统计学意义(p<0.001)。
  • STeP模型在时间验证队列AUC 0.74(95%CI 0.71-0.77),外部验证队列AUC 0.71(95%CI 0.61-0.81)。
  • 决策曲线分析显示STeP模型在阈值概率10%至35%区间净获益最大,但作者强调该统计效用范围不应解读为直接手术决策阈值。
  • 竞争风险分析中STeP评分与气管切开仍显著相关(sHR 1.20,95%CI 1.17-1.24,p<0.001)。

适用人群与场景

  • 纳入:2018年4月1日至2023年3月31日紧急入ICU(非择期手术)、诊断为脓毒症(感染诊断编码且SOFA评分≥2)、需要机械通气的成人患者。
  • 排除:入ICU时已行气管切开、入ICU后超过24小时才开始机械通气、数据不完整(如入ICU时气管切开状态或机械通气信息缺失)、主要诊断为病毒性肺炎、以及未行气管切开即在ICU死亡的患者。

诊断标准与关键阈值

  • 脓毒症定义:主要诊断编码提示感染且SOFA评分≥2。
  • STeP评分风险分层:低危≤2分,中危3-6分,高危≥7分。
  • 主要结局:入ICU后14天内行气管切开。

研究设计与关键结果

  • 研究类型:基于日本全国ICU数据库(JIPAD)的回顾性观察性研究,纳入7357例患者(训练队列5374例,验证队列1983例),1013例(13.8%)行气管切开。
  • STeP模型基于LASSO选择的8个预测变量(手术状态、BMI<18.5 kg/m2、ICU再入、入ICU来源、呼吸道感染主要诊断、GCS评分、APACHE II评分、PaCO2),训练队列AUC 0.76(95%CI 0.74-0.78),验证队列AUC 0.74(95%CI 0.71-0.77)。
  • 简化STeP评分范围0-17分,验证队列AUC 0.73(95%CI 0.71-0.76);低、中、高危组气管切开率分别为4.0%、13.6%、27.1%。
  • 验证队列校准斜率0.88(95%CI 0.76-1.02),截距−0.14(95%CI −0.39-0.11),Brier评分0.111(95%CI 0.101-0.120)。
  • 外部验证(8家2022年新加入医院,n=170)AUC 0.71(95%CI 0.61-0.81);GLMM纳入医院随机效应后AUC 0.81(95%CI 0.79-0.84),医院间随机效应标准差0.74,组内相关系数0.14。
  • 竞争风险分析(n=2337,气管切开276例,气管切开前ICU死亡310例,无气管切开存活出院1496例)显示STeP评分与气管切开显著相关(sHR 1.20,95%CI 1.17-1.24,p<0.001)。

证据类型、等级与局限

  • 证据类型:回顾性观察性研究,遵循TRIPOD指南进行模型开发与验证。
  • 局限:未纳入解剖性气道狭窄和排痰能力等数据;JIPAD仅记录ICU期间是否行气管切开,缺乏ICU出院后数据;各机构气管切开实践差异可能影响模型性能;基于日本全国ICU数据库,医疗体系、文化规范和临床实践不同可能限制国际推广;主要结局可能受机构实践、医师裁量和资源可用性影响,模型可能反映实践模式而非真实临床需求;未采用机器学习建模方法;排除气管切开前ICU死亡患者可能引入选择偏倚,STeP评分仅估计存活至可考虑手术患者的风险;未来需在国际环境中检验适用性,并探索替代结局定义。

对床旁实践的改变

  • 作者认为STeP评分可用于入ICU 24小时内对脓毒症机械通气患者进行气管切开风险分层,支持早期沟通、资源规划和多学科协调。
  • 作者强调STeP评分旨在辅助而非替代个体化临床决策,临床医生应避免对所有高危患者统一推荐早期气管切开或在低危患者中延迟必要手术。
  • 作者指出决策曲线分析中10%-35%的阈值概率范围反映统计效用,不应解读为直接手术决策阈值,临床实践通常需要更高概率阈值。
  • 作者认为该模型主要作为决策支持工具用于早期家庭讨论、资源规划和多学科照护协调,而非直接手术指导。

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:J Intensive Care. 2025 Nov 14;13:64. doi: 10.1186/s40560-025-00833-8

背景

脓毒症是医疗保健各领域——包括急诊、重症监护和普通内科——都会遇到的危重病症,与高发病率和死亡率相关[1]。随着人口老龄化,其重要性持续增加[2]。超过40%的脓毒症患者因各种原因需要插管和呼吸机支持[3],包括脓毒症急性呼吸窘迫综合征导致的呼吸衰竭、脓毒性休克和意识障碍[4]。其中部分患者因长期机械通气、意识水平下降或与咳痰能力受损相关的气道清除困难而需要行气管切开术。气管切开术不仅在呼吸管理中发挥关键作用,还在重症监护病房(ICU)资源利用和患者预后方面具有重要作用。在适当时机进行气管切开术可促进更早脱离机械通气、缩短ICU住院时间[5]、促进更早活动和康复,并通过减少镇静需求提高患者舒适度[6]。从医疗系统角度看,及时行气管切开术可支持更高效的资源分配和成本降低[7],尤其是在重症监护能力日益紧张的背景下。

尽管气管切开术具有重要意义,但在脓毒症患者中实施气管切开术的决策在不同临床医生和机构之间仍存在很大差异。鉴于其对预后[8]、ICU住院时间以及与家属沟通的重大影响,早期预测气管切开术需求对广泛的医疗保健提供者具有临床意义,包括重症医学科医生、急诊科医生、住院医师、护士和照护者。除为临床决策提供依据外,早期预测还可通过尊重患者自主权和让家属有时间为此类复杂决策做好准备来支持伦理照护。

尽管已有大量研究探讨了危重症中气管切开术的预测[9–15],但仅有有限数量的研究专门针对脓毒症患者[16]。此外,在脓毒症背景下,现有研究主要识别了危险因素,而未开发预测模型。

本研究旨在利用ICU入院后24小时内可获得的临床信息,开发并验证一个预测脓毒症患者ICU入院后14天内行气管切开术的模型。

方法

研究设计和患者纳入标准

这项回顾性观察性研究使用了日本重症监护患者数据库(JIPAD)的数据,该数据库是一个收录日本ICU收治的危重症患者的全国性数据库。有关JIPAD的详细信息此前已有报道[17]。简言之,该数据库前瞻性收集数据,包括年龄、性别、合并症、血压、体温、格拉斯哥昏迷量表评分、实验室和血气数据、机械通气和儿茶酚胺使用情况,以及序贯器官衰竭评估(SOFA)和急性生理学与慢性健康状况评价II(APACHE II)等严重程度评分。本研究纳入2018年4月1日至2023年3月31日(对应日本2018—2022财年)期间紧急收入ICU——而非择期手术——被诊断为脓毒症且需要机械通气的患者。脓毒症的定义为提示感染的原发诊断编码[18]且SOFA评分≥2[19]。若患者在入ICU时已接受气管造口术,则予以排除。若患者在入ICU后超过24小时才开始机械通气,或数据不完整——如缺少入ICU时气管造口状态或机械通气相关信息——也予以排除。原发诊断为病毒性肺炎[18]的患者同样被排除,因为在COVID-19大流行期间,由于感染风险,存在避免或延迟气管造口术的倾向[20]。在ICU内死亡且未接受气管造口术的患者也被排除,假设其若存活可能需要进行气管造口术。此排除旨在尽量减少偏倚,并将分析集中于在ICU住院期间可能从气管造口术中获益的患者。应用这些排除标准后,患者被分为训练队列(2018—2021年)和验证队列(2022年)。本研究经广岛大学机构审查委员会批准(IRB编号:E2023-0274-02)。

结局

主要结局为入ICU 14天内行气管造口术。

模型开发与验证

共收集75个变量,包括患者人口学特征、入ICU后最初24小时内的生命体征、实验室数据、严重程度评分,以及机构层面特征,如ICU认证床位数和专职护士人数(补充表S1)。训练队列中预测变量的缺失数据范围为0.00%至4.71%,验证队列中为0.00%至4.03%(补充表S2)。缺失值采用非参数插补法进行插补,分别应用于训练数据集和验证数据集以保持其独立性。

为了构建一个简约且可解释的模型,我们首先应用了带有L1正则化的逻辑回归,也称为最小绝对收缩和选择算子(LASSO),使用十折交叉验证从75个变量中选择候选预测因子。分类变量进行哑变量编码,参照类别设置如下:正常体重指数(BMI)(针对BMI分组)、急诊科(针对入院来源)和无使用(针对血管升压药水平)(补充表S1)。最优正则化参数(lambda)采用一倍标准误规则确定,以获得更简约的模型[21]。随后,LASSO选择的变量用于拟合多变量逻辑回归模型,作为最终预测模型[22–24]。模型性能在独立验证队列中通过计算受试者工作特征曲线下面积(AUC)进行评估。AUC在0.7至0.8之间被认为具有良好的区分度,而AUC > 0.8被视为优秀[25]。模型校准另外通过校准图和Brier评分进行评估。在校准图中,预测概率被分为10个固定十分位数,并绘制每个分箱内观察到的事件率。使用局部估计散点图平滑法拟合校准曲线,并计算95%置信区间(CI),以可视化预测概率与观察概率之间的一致性。为定量评估校准,通过将结局对经logit变换的预测概率进行回归,估计校准斜率和截距。模型开发和验证按照个体预后或诊断多变量预测模型的透明报告(TRIPOD)指南进行[26]。

敏感性分析

作为外部验证的敏感性分析,我们使用了2018年至2021年间不属于JIPAD登记处但于2022年新纳入的机构数据。使用训练队列开发的逻辑回归模型应用于此外部数据集,并计算AUC。为确保受试者工作特征分析的可靠性,我们排除了病例数少于10例或无气管切开事件的机构,因为此类情况下AUC估计将不稳定或无法定义。在另一项敏感性分析中,为考虑机构间变异,我们构建了带有logistic链接的广义线性混合模型(GLMM),将机构作为随机效应纳入。所有固定效应协变量与先前使用训练数据集开发的多变量逻辑回归模型中使用的协变量相同。模型的区分性能使用AUC进行评估。

我们还进行了一项敏感性分析,将结局重新定义为ICU住院期间的气管切开,而非ICU入院后14天内。预测模型的区分性能使用ROC分析进行评估。

简化评分系统的开发

为增强我们模型的临床可解释性和床旁适用性,我们开发了一个名为脓毒症气管切开早期预测(STeP)评分的简化风险评分,该评分衍生自最终的多变量逻辑回归模型。

在检查最终模型的β系数后,将系数乘以四并四舍五入至最接近的整数,以便于临床解读并创建基于整数的STeP评分。对于标准化连续变量,截断值使用队列均值和标准差从原始量表确定,使得分值分配反映大约1个标准差(SD)和2个标准差与均值的差异,具体取决于β系数的方向和大小。

此外,根据训练队列中STeP评分的分布,使用三分位截断值将患者分为三个风险类别,使每组患者数量大致相等。

在验证队列(2022年入院患者)上进行了Fine–Gray竞争风险回归,以估计气管造口术的亚分布风险比(sHR),将气管造口术前ICU死亡和未行气管造口术而存活出院均视为竞争事件[27]。该分析使用验证数据集进行,未应用基于气管造口术前ICU死亡的排除标准,仅纳入具有计算STeP评分所需完整数据的患者。构建了以STeP评分作为连续协变量的单变量模型。报告了sHR及其95%置信区间。

统计分析

连续变量以中位数(四分位距:IQR)报告,分类变量以数量(百分比)报告。两组间连续变量的比较使用Mann–Whitney U检验,分类变量的比较使用卡方检验。为提供STeP评分判别性能的背景信息,我们将其与STeP完整模型及临床实践中广泛使用的常规ICU严重程度评分(SOFA、APACHE II)进行了比较。STeP模型、STeP评分、SOFA和APACHE II预测气管造口术的AUC使用DeLong检验进行比较。所有分析使用R 4.4.2版本(R Foundation for Statistical Computing,维也纳,奥地利)进行,显著性阈值设定为p < 0.05。此外,我们使用R Shiny开发了一个基于网络的应用程序,以便基于最终多变量模型(STeP模型)和简化评分系统(STeP评分)进行个体化风险计算。

结果

患者特征

患者流程图见图1。在研究期间纳入JIPAD数据库的275,828名患者中,12,735名符合纳入标准。其中,以下患者被排除在分析之外:在ICU死亡且未接受气管造口术的患者(n = 1854),入ICU时已行气管造口术的患者(n = 872),入ICU后超过24小时才启动机械通气的患者(n = 481),以及主要诊断为病毒性肺炎的患者(n = 2171)。最终,7357名患者纳入研究。其中,5374名患者构成训练队列,1983名构成验证队列。患者特征见表1。

图1 患者筛选流程图。JIPAD 日本重症监护患者数据库;MV 机械通气 查看原图 ↗
表1 训练队列和验证队列的基线特征 查看原表 ↗

气管造口术预测模型的开发

共有来自85家机构的5374例患者纳入开发队列,其中737例(13.7%)在ICU入住后14天内接受了气管切开术。为构建预测模型,我们首先使用LASSO logistic回归进行变量选择,采用十折交叉验证,识别出8个预测因子(补充图S1)。随后使用这些选定的变量拟合多变量logistic回归模型。该模型被命名为STeP模型,以强调其促进ICU脓毒症患者气管切开早期预测的目的。STeP模型包括与患者特征相关的因素(手术状态、BMI < 18.5 kg/m2和ICU再入院)、入院相关变量(入院来源和呼吸道感染的主要诊断)、生理状态(格拉斯哥昏迷量表评分)、严重程度评分(APACHE II评分)以及实验室数据(动脉血二氧化碳分压[PaCO2])。STeP模型中预测因子的系数如补充图S2所示,相应的比值比及95%置信区间汇总于表2。STeP模型表现出良好的判别性能,在开发队列中AUC为0.76(95% CI,0.74–0.78)(图2)。

表2 基于LASSO所选变量的多变量logistic回归结果 查看原表 ↗
图2 预测模型在训练队列和验证队列中的受试者工作特征(ROC)曲线。A 训练队列的ROC曲线。蓝色曲线代表模型性能,AUC为0.76(95% CI 0.74–0.78),表明判别良好。B 时间验证队列(2022年)的ROC曲线。模型表现一致,AUC为0.74(95% CI 0.71–0.77)。C 外部验证队列的ROC曲线,该队列由2022年新参与的医院组成。模型显示出可接受的判别能力,AUC为0.71(95% CI 0.61–0.81),支持其跨机构的可推广性。ROC 受试者工作特征;AUC 受试者工作特征曲线下面积 查看原图 ↗

STeP模型用于气管切开的验证

验证队列由来自89家机构的1983例患者组成,其中276例(13.9%)接受了气管切开术。将STeP模型应用于该队列,得出AUC为0.74(95% CI,0.71–0.77),表明性能一致(图2b)。使用校准图和Brier评分评估STeP模型的校准度。校准图显示各十分位数间预测结果与观察结果之间具有良好的一致性(图3)。校准斜率为0.88(95% CI,0.76–1.02),截距为− 0.14(95% CI,− 0.39–0.11)。Brier评分为0.111(95% CI,0.101–0.120),提示总体校准可接受。

作为敏感性分析,我们使用2022年开始在JIPAD登记系统中进行患者登记的8家医院的数据进行了外部验证。应用STeP模型,我们使用受试者工作特征分析评估了其在该外部验证队列(8家机构,n = 170)中的预测性能。模型得出的AUC为0.71(95% CI,0.61–0.81),表明判别良好(图2c)。

在一项单独的敏感性分析中,我们构建了一个GLMM,纳入医院层面的随机截距,同时保留与原始模型相同的固定效应。GLMM的AUC为0.81(补充图S3)。医院特异性随机效应的标准差为0.74,组内相关系数为0.14,提示气管切开率存在中等程度的医院间变异(补充表S3)。

图3 STeP模型在验证队列中的校准图。x轴表示气管切开的预测概率,y轴显示接受气管切开患者的观察比例。黑点表示预测风险每个固定十分位数内观察到的事件率,点的大小反映每个分箱中的患者数量。仅显示包含至少15例患者的分箱的点。蓝色曲线表示局部估计散点图平滑(LOESS)校准线,灰色阴影区域表示95%置信区间。该图还显示了校准斜率、校准截距和Brier评分,以及各自基于1000次bootstrap样本估计的95%置信区间。STeP 脓毒症气管切开早期预测 查看原图 ↗

预测模型对脓毒症患者气管切开的效能

在验证队列中进行了决策曲线分析,所得图形见补充图S4。分析表明,STeP模型在10%至35%的阈值概率范围内提供了最大的净获益。

简化风险评分系统的开发

LASSO选择的全模型(STeP模型)中保留的八个预测因子最终被纳入简化STeP评分(图4)。

所得STeP评分范围为0至17。

在验证队列中,没有患者的评分高于15,观察范围跨度为0至15。按评分划分的患者分布及相应气管切开率总结于图5。气管切开率随评分升高呈阶梯式增加,表现出良好的单调性和临床可解释性。根据训练队列中STeP评分的分布,患者被分为三个风险类别:低风险(STeP评分≤2)、中等风险(3–6)和高风险(≥7)。选择这些截断值旨在近似三分位划分,同时保持评分的整数性质。在验证队列中,相应的气管切开率分别为低风险组4.0%、中等风险组13.6%和高风险组27.1%。该评分系统提供了一种简单实用的工具,可利用常规可得的床旁变量来估计气管切开风险。重要的是,接受气管切开的患者比例随着STeP评分升高而持续增加,如图5所示,表明该模型即使在风险组内也具有分层风险的潜在效用。STeP评分在验证队列中表现出良好的区分能力,AUC为0.73(95% CI,0.71–0.76)(补充图S5),支持其作为床旁工具、基于ICU入院后24小时内可得数据对脓毒症患者进行气管切开风险评估的潜在效用。

我们在验证队列中比较了STeP评分与STeP模型(全模型)的预测性能。尽管STeP评分(0.73)与STeP模型(AUC = 0.74)之间的AUC差异较小,但经DeLong检验具有统计学显著性(p = 0.034)。尽管如此,STeP评分在预测气管切开方面优于传统严重程度评分,包括SOFA(AUC = 0.56)和APACHE II(AUC = 0.61),这些差异经DeLong检验同样具有统计学显著性(p < 0.001)(补充图S5)。

在一项额外的敏感性分析中,将结局重新定义为整个ICU住院期间的气管切开,按气管切开状态分层患者的基线特征总结于补充表S4。在该分析中,完整STeP模型和简化STeP评分均表现出良好的区分度,AUC分别为0.73和0.72(补充图S6)。

作为考虑死亡竞争风险的敏感性分析,进行了Fine–Gray回归,将ICU入科后14天内气管切开作为感兴趣事件,将气管切开前死亡和未行气管切开而转出ICU作为竞争风险。第14天后仍在ICU存活且未行气管切开的患者在该时间点进行删失。最终分析纳入n = 2337例患者,其中276例接受了气管切开,310例在ICU内于接受该操作前死亡,1496例未行气管切开而存活出院。即使在考虑死亡和ICU转出的竞争风险后,STeP评分仍与气管切开显著相关(sHR,1.20;95% CI,1.17–1.24;p < 0.001)(补充表S5)。补充图S7展示了按STeP评分预测的气管切开累积发生率,表明评分较高的患者随时间推移累积发生率显著增加。

图4 STeP评分构成与分值分配。简化STeP评分所纳入的八个变量各自根据多变量logistic回归模型中β系数的大小及临床可解释性被赋予0、1、2或3分。总分范围为0至17分,评分越高表明需要气管切开的风险越大。STeP 脓毒症气管切开早期预测;ED 急诊科;ICU 重症监护病房;GCS 格拉斯哥昏迷量表;BMI 体重指数;PaCO2 动脉血二氧化碳分压;APACHE II 急性生理学与慢性健康状况评价II 查看原图 ↗
图5 简化STeP评分与气管切开率之间的关联。本图展示了验证队列(2022年;n = 1983)中简化STeP评分与观察到的接受气管切开患者比例之间的关系。每个点代表给定评分的气管切开率,点的大小与患者数量成比例(仅显示n ≥ 10的评分)。蓝线代表局部估计散点图平滑(LOESS)曲线,阴影区域表示95%置信区间。尽管某些个别评分(如评分10)显示出轻微偏离,但总体趋势呈上升态势,表明气管切开风险通常随STeP评分升高而增加。STeP 脓毒症气管切开早期预测 查看原图 ↗

讨论

在重症监护病房(ICU)中需要侵入性呼吸机管理的脓毒症患者中,我们开发了一个模型来预测ICU入院后14天内行气管切开术,其AUC为0.76——通常被认为提示良好性能。该模型在时间验证队列(AUC=0.74)和外部验证队列(AUC=0.71)中均表现出相当的预测能力。本研究特别关注脓毒症患者,并利用大规模、多中心数据构建了一个综合预测模型。与Rodrigues等人[16]的早期研究不同——该研究在单中心回顾性队列中使用传统统计学和机器学习方法识别气管切开术的潜在危险因素——本研究使用了涵盖7000余例患者的全国性多中心数据集。完整模型中选择的变量包括与呼吸状态相关的指标(PaCO2)、意识水平(格拉斯哥昏迷量表评分)、严重程度评分(APACHE II)以及呼吸系统是否为原发感染部位。因急诊手术入院的患者中观察到的较低风险可能反映了适当的感染源控制,如及时引流,以及这些患者生理上足够稳定以耐受手术干预。这些特征为脓毒症的特点,有助于模型的可解释性。决策曲线分析提示,当临床医生考虑对预测风险约为10–35%的患者启动气管切开术相关讨论或准备时,STeP模型最为有用。重要的是,这些统计效用范围不应被解释为直接的操作决策阈值,因为鉴于气管切开术的侵入性及相关风险,临床实践通常需要更高的概率阈值。该模型主要旨在作为决策支持工具,用于早期家庭讨论、资源规划和多学科护理协调,而非直接的操作指导。

我们不仅开发了STeP模型——一个稳健且经外部验证的预测模型——还创建了一个简化风险评分(STeP评分)并实现了一个基于网络的计算器,为脓毒症护理中的实时临床决策提供了一个实用且可推广的工具。虽然与完整模型相比,STeP评分的AUC略低,但其简单性和易用性使其成为床旁应用的实用工具。我们根据STeP评分建立了三个气管切开术风险类别:低风险(STeP评分≤2)、中等风险(3–6)和高风险(≥7)。虽然高风险组的气管切开术率为27.1%,但这相当于验证队列中总发生率(13.9%)的近两倍。鉴于气管切开术是选择性实施且常常延迟,约30%的事件率仍代表有意义的风险富集,并可能帮助临床医生在适当患者中优先开展气管切开术的讨论和准备。简化STeP评分与气管切开术率之间近乎线性的关系(图5)对临床医生具有高度参考价值。尽管如此,分为三个风险组也具有实际优势,因为它简化了沟通、便于床旁决策,并允许在研究中进行比较分层。

此外,我们将结局重新定义为整个ICU住院期间行气管切开术,并进行敏感性分析,结果支持了我们研究发现的稳健性;该分析显示,完整模型和简化STeP评分均具有一致的区分能力。

预测气管切开术的需求本质上具有挑战性;然而,我们的研究结果表明,使用ICU入住后24小时内可获得的指标可以以合理的准确性进行估计。这对临床实践具有重要意义,包括患者沟通、ICU床位管理和手术规划。

既往比较早期与晚期气管切开术的研究结果不一致,尤其是在死亡率方面[28, 29]。这种不一致可能部分归因于缺乏对真正需要气管切开术患者的适当识别[30]。具体而言,缺乏稳健的风险分层系统可能导致纳入异质性患者人群,从而稀释早期气管切开术对最可能获益者的潜在益处。通过能够早期识别最可能需要气管切开术的患者,我们的预测模型可能有助于在未来研究中优化患者选择并指导临床决策,从而可能阐明及时气管切开术的益处。

本研究存在若干局限性。第一,气管切开术的确定涉及解剖性气道狭窄和痰液清除能力等因素[31],但这些数据未纳入我们当前的预测系统。虽然此类信息可能会提高气管切开预测模型的准确性,但JIPAD数据库中并无这些数据,且在ICU入院后24小时内本质上难以获取。第二,JIPAD数据库仅记录ICU住院期间是否实施了气管切开术,缺乏ICU出院后所进行操作的数据。第三,气管切开实践可能因机构而异;实施该操作的决定最终由主治医师酌情决定,且各机构政策差异很大。因此,模型的性能可能因环境而异,其可推广性应结合这种变异性来解读。尽管组内相关系数为0.14表明气管切开决策存在中等程度的机构间变异,我们的多变量逻辑回归模型——在未纳入机构层面信息的情况下构建——仍表现出可接受的预测性能(AUC = 0.74)。鉴于其简便性和易于实施,尤其是在无法获得机构标识符的情况下或在新参与机构中,STeP模型仍是早期临床决策的实用工具。第四,本研究基于日本全国性ICU数据库,这可能限制研究结果对其他具有不同医疗体系、文化规范和临床实践的国家的可推广性——尤其是在气管切开时机和阈值方面。由于气管切开的决定可能受系统特异性因素(如机构政策、临床医生酌情权和资源可及性)的影响,STeP模型可能反映日本背景下的独特实践模式。因此,将该评分应用于国际人群时需谨慎。然而,大样本量、纳入多样化医院类型以及方法学严谨性支持该模型的内部效度。未来研究应检验STeP评分在国际环境中的适用性,以确立其更广泛的可应用性。第五,本研究的主要结局——ICU入院14天内实施气管切开术——可能受机构实践、医师酌情权和资源可及性的影响,而非仅由临床必要性决定。因此,我们的模型可能反映 prevailing 实践模式而非真实临床需求,可能限制其在不同临床环境中的可推广性。未来研究应探索更直接捕捉气管切开临床指征的替代结局定义。第六,本研究未采用基于机器学习的建模方法。我们的主要目标是创建一个透明且可解释的工具,无需专业软件即可在床旁应用。虽然机器学习方法可能提供略高的准确性,但它们往往缺乏透明度且难以实时实施,因此我们优先考虑实用性和临床医生的信任。最后,为了使用早期ICU数据构建简单且可解释的逻辑回归模型,我们排除了在ICU中于气管切开前死亡的患者,这可能引入选择偏倚,因为其中一些患者若存活更长时间可能需要进行气管切开。因此,STeP评分仅在存活足够长时间以考虑该操作的患者中估计气管切开风险,可能限制其对所有脓毒症通气患者的可推广性。为探讨早期死亡作为竞争风险的影响,我们使用包含气管切开前死亡患者的验证数据集进行了Fine–Gray竞争风险分析。我们采用竞争风险分析而非传统生存分析,因为气管切开前的ICU死亡和未行气管切开的ICU出院是竞争事件,这些事件排除了ICU住院期间实施该操作的可能性,而不仅仅是删失事件。Fine–Gray模型提供了临床上可解释的累积发生率估计,考虑了危重患者在ICU住院期间面临多种竞争性结局的现实。该分析证实,即使将死亡作为竞争事件纳入考量,STeP评分仍与气管切开显著相关。这些发现支持该评分的稳健性。尽管我们随后在验证队列中进行的竞争风险分析在一定程度上解决了这一问题,但从一开始就纳入此类竞争风险可能进一步增强方法学稳健性。未来研究可考虑在模型开发阶段整合竞争风险框架,以潜在提高准确性和可推广性。最终,需要强调的是,STeP模型估计的是以ICU存活为条件的气管切开风险,而非普遍预测所有通气患者的气管切开。在临床实践中,这意味着该模型最适合应用于已度过初始危重阶段的患者,并可为资源规划和气管切开讨论时机等决策提供信息。

尽管存在这些局限性,我们模型的实际应用为个体化气管切开决策提供了一个有用的框架,并为未来的干预性研究奠定了基础。重要的是,STeP评分旨在辅助而非替代个体化临床决策。临床医生应谨慎避免该评分的不当使用——例如,对所有高风险患者统一推荐早期气管切开,或对低风险个体推迟必要的手术。决策应始终在每位患者整体临床状况、预后和偏好的背景下做出,理想情况下通过与患者或其家属的共同决策进行。为便于实时临床应用,我们使用R Shiny平台将所开发的模型实现为基于网页的计算器(补充图S8)。该工具能够在床旁预测ICU脓毒症患者的气管切开风险,并可在https://sepsis-tracheostomy.shinyapps.io/stepscore/ 免费在线访问。在未来的研究中,该预测模型可用于识别可能从气管切开中获益的高风险患者。使用该模型进行风险分层可支持前瞻性或干预性研究,旨在评估高风险患者亚组中气管切开时机的临床影响(例如,早期与晚期),最终阐明及时气管切开是否可能改善特定人群的结局。

结论

在ICU中需要呼吸机管理的脓毒症患者中,我们开发了一个用于早期预测气管切开需求的模型,以及一个便于床旁使用的简化评分系统。这些工具可能有助于及时的风险分层、临床沟通和资源规划。

补充信息

附加文件1(补充表1. LASSO回归模型中包含的所有候选预测变量的汇总)

附加文件2(补充表2. 训练队列和验证队列中每个变量的缺失数据比例)

附加文件3(补充表3. 用于敏感性分析的GLMM估计的医院层面变异汇总)

附加文件4(补充表4. 按整个ICU住院期间是否行气管切开分层的患者基线特征)

附加文件5(补充表5. 使用STeP评分对ICU气管切开进行的Fine–Gray竞争风险分析)

附加文件6(补充图1. LASSO模型中的变量重要性以及λ与所选变量数量之间的关系。(A) LASSO逻辑回归的交叉验证图。以二项偏差均值对正则化参数的对数(log(λ))作图。两条垂直虚线分别表示使平均偏差最小的λ值(lambda.min,左侧)以及在最小值一个标准误范围内的最大λ值(lambda.1se,右侧)。最终模型采用一倍标准误规则进行选择。使用十折交叉验证确定最优λ。(B) LASSO正则化路径。每条曲线代表一个预测变量随log(λ)变化的系数轨迹。基于一倍标准误规则纳入最终模型的预测变量以红色高亮显示。(C) LASSO模型所选预测变量的系数。柱形表示每个变量对模型贡献的大小和方向。正系数以蓝色显示;负系数以红色显示。LASSO,最小绝对收缩和选择算子;APACHE II,急性生理学与慢性健康状况评价II;ICU,重症监护病房;BMI,体质指数;PaCO2,动脉血二氧化碳分压;GCS,格拉斯哥昏迷量表)

附加文件7(补充图2. 最终多变量逻辑回归模型中所选变量的系数。(A) 所选变量的系数。该柱状图显示了最终多变量逻辑回归模型(STeP模型)中所选8个预测变量的系数。系数为正、表明气管切开可能性增加的变量以红色显示。系数为负、与气管切开可能性降低相关的变量以蓝色显示。系数值代表每个变量对预测模型贡献的大小和方向。(B) 连续变量的均值与标准差。该表显示了纳入最终多变量逻辑回归模型(STeP模型)的连续变量的均值和标准差。这些连续变量在拟合模型前采用z分数标准化(减去均值并除以标准差)进行标准化处理。ICU,重症监护病房;BMI,体质指数;APACHE II,急性生理学与慢性健康状况评价II;PaCO2,动脉血二氧化碳分压;GCS,格拉斯哥昏迷量表;STeP,脓毒症气管切开早期预测)

附加文件8(补充图3. 考虑院际变异性的GLMM的ROC曲线。该ROC曲线展示了GLMM的性能,该模型纳入医院水平随机截距以考虑院际变异性。该模型对气管切开的预测表现出良好的区分能力,AUC为0.81(95% CI,0.79–0.84)。该曲线使用包含医院标识符的验证数据集生成。ROC,受试者工作特征;GLMM,广义线性混合模型;AUC,受试者工作特征曲线下面积)

附加文件9(补充图4。验证队列中气管切开预测模型的决策曲线分析。本决策曲线分析展示了气管切开预测模型在验证队列中一系列阈值概率下的净获益。红色曲线代表模型的净获益,阴影区域表示其95%置信区间(CI),采用1000次Bootstrap重采样估计。该模型在10–35%的阈值范围内表现出最大的净获益,提示在该概率范围内它对于指导气管切开相关临床决策最为有效。)

附加文件10(补充图5。验证队列中STeP评分、STeP完整模型、SOFA和APACHE II的ROC曲线比较。这些ROC曲线展示了简化STeP评分、STeP模型(完整模型)、SOFA和APACHE II在验证队列中预测气管切开的区分能力。STeP评分的AUC为0.73(95% CI,0.71–0.76),表明区分能力良好。虽然STeP评分的AUC略低于STeP模型(AUC:0.740,95% CI,0.71–0.77),但经DeLong检验差异具有统计学意义(p = 0.034)。STeP评分优于SOFA(AUC:0.56,95% CI,0.52–0.59)和APACHE II(AUC:0.61,95% CI,0.58–0.65)(经DeLong检验每次比较p < 0.05)。ROC,受试者工作特征;STeP,脓毒症气管切开早期预测;AUC,受试者工作特征曲线下面积;SOFA,序贯器官衰竭评估;APACHE,急性生理学与慢性健康状况评价。)

附加文件11(补充图6。采用替代结局定义(整个ICU住院期间气管切开)进行敏感性分析的ROC曲线。图中展示了完整STeP模型和简化STeP评分的受试者工作特征(ROC)曲线。完整模型的AUC为0.73,简化评分的AUC为0.72,均表明区分能力良好。)

附加文件12(补充图7。按STeP评分分组的气管切开累积发生率,采用Fine–Gray回归估计。该图展示了ICU住院期间气管切开的预测累积发生率函数(CIF),按STeP评分分组(0、3、6、9、12和15)分层。该分析采用Fine–Gray竞争风险模型,将ICU死亡和未行气管切开的ICU出院均视为竞争事件。较高的STeP评分与较高的气管切开累积发生率相关。)

附加文件13(补充图8. 基于网络的STeP计算器截图(完整模型和评分)。(A)STeP模型(完整模型)的基于网络的计算器。完整模型(STeP模型)基于通过LASSO逻辑回归筛选出的8个变量计算气管切开的预测概率。(B)STeP评分的基于网络的计算器。简化评分系统(STeP评分)包含八个变量,总分范围为0至17分。根据训练队列中的评分分布,患者被分为三个风险类别:低风险(STeP评分≤2)、中等风险(3–6)和高风险(≥7)。ICU,重症监护病房;STeP,脓毒症气管切开早期预测;BMI,体重指数;GCS,格拉斯哥昏迷量表;PaCO2,动脉二氧化碳分压;APACHE II,急性生理学与慢性健康状况评价II。)

参考来源

  1. Kikutani K, Nishikimi M, Kyo M, et al. Development and validation of the STeP score for predicting tracheostomy in patients with sepsis using a nationwide ICU database: a retrospective observational study. J Intensive Care. 2025. PMID: 41239507. doi:10.1186/s40560-025-00833-8
  2. 全文:PMC12619163(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12619163/

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。