ICP与激光多普勒脑血管反应性指标评估脑自动调节能力的比较
本研究为回顾性队列分析,纳入40例中重度颅脑创伤患者的61段记录,每段约30分钟至1小时,同步采集ICP、MAP、CPP、激光多普勒皮层脑血流(LDF-CBF)及同侧大脑中动脉经颅多普勒血流速度。计算ICP来源的PRx、PAx、RAC,TCD来源的Mx、Mx_a、Sx、Sx_a、Dx、Dx_a,以及LDF来源的Lx、Lx_a,采用Pearson相关、Friedman检验、主成分分析、凝聚层次聚类和k均值聚类分析各指标间关系。结果显示LDF来源的Lx/Lx_a与TCD来源的Mx/Mx_a和Dx/Dx_a在所有分析中最为关联,而与ICP来源的PRx、PAx、RAC仅远端关联;Sx/Sx_a则与ICP来源指标更密切。作者认为TCD的Mx/Mx_a是皮层小血管/微血管脑血管反应性的更好替代指标,但LDF已不再用于临床,结论需谨慎解读。
要点
- 在40例中重度颅脑创伤患者的61段记录中,LDF来源的Lx与TCD来源的Mx相关系数r=0.561(p<0.0001),与Dx的r=0.492(p<0.0001),提示Mx/Mx_a和Dx/Dx_a与皮层小血管自动调节能力最接近。
- ICP来源的PRx、PAx、RAC之间呈中至强相关(r均≳0.5,p均<0.05),但与LDF来源的Lx/Lx_a仅远端关联,提示基于ICP的指标可能不反映皮层微血管自动调节。
- Sx/Sx_a与ICP来源的PRx、PAx、RAC聚类/共变,而与LDF来源指标分离,作者认为这可能与收缩期搏动成分对ICP信号贡献更大有关(原文称需确认)。
- 作者结论认为,在常用床旁自动调节指标中,TCD的Mx(尤其Mx/Mx_a)与LDF来源的Lx/Lx_a最相关,是皮层小血管/微血管脑血管反应性的较好替代指标。
- 本研究为小样本回顾性队列,LDF探头已不再用于临床,统计方法主要为探索性,作者指出结论强度有限。
适用人群与场景
- 本研究人群为40例中重度颅脑创伤患者(61段记录),均因中重度TBI或轻度TBI后恶化需在神经重症监护病房接受镇静和机械通气。
- 记录期间均接受标准ICP导向治疗,ICP目标<20 mm Hg,CPP目标>60 mm Hg,床头抬高30°;难治性ICP升高(ICP>25 mm Hg持续15分钟)时给予甘露醇bolus,原文未报告具体剂量。
- 无患者因难治性ICP接受治疗性低温。
研究设计与关键结果
- 研究类型为回顾性队列分析,样本量40例患者、61段记录,平均年龄31.1±15.3岁,入院GCS中位数5(IQR 4–7),6个月GOS中位数2(范围1–5)。
- 每段记录约30分钟至1小时,同步采集ICP、MAP、CPP、LDF-CBF及同侧大脑中动脉TCD血流速度,计算ICP来源(PRx、PAx、RAC)、TCD来源(Mx、Mx_a、Sx、Sx_a、Dx、Dx_a)和LDF来源(Lx、Lx_a)的连续自动调节指标。
- Pearson相关显示LDF来源指标与TCD来源指标更相关:Lx与Mx r=0.561(p<0.0001),Lx与Dx r=0.492(p<0.0001);Mx与PRx r=0.346(p=0.006)。
- ICP来源指标之间呈中至强相关(r均≳0.5,p均<0.05);Sx/Sx_a与ICP来源指标中度相关。
- PCA、AHC和KMCA均显示Lx/Lx_a与Mx/Mx_a、Dx/Dx_a聚类/共变,而Sx/Sx_a与ICP来源指标聚类/共变;AHC的cophenetic相关系数为0.77。
- Friedman检验显示各指标不全相同(p<0.0001,Q=301.204),按监测来源分组后组内各指标也不同。
- KMCA根据Elbow法确定最优聚类数为4,聚类结果与AHC、PCA和Pearson分析一致。
证据类型、等级与局限
- 证据类型:回顾性队列分析(对前瞻性维护数据库的回顾性分析)。
- 局限:小样本回顾性队列;患者损伤模式异质,短记录期间ICU治疗存在变化,可能影响信号异质性和质量,直接影响慢波和自动调节指标分析;初始数据年代久远(20世纪90年代初),可用的患者人口学和颅内损伤模式/负荷信息有限,无存档影像,无法评论合并症或损伤模式/负荷对各指标的影响;患者未随机化,仅为唯一同时具有ICP、LDF和TCD高频信号时间序列链接的队列,结论强度有限。
- 局限:LDF-CBF探头已不再用于人类临床,难以用更新、更大的患者队列确认分析,只能依赖此类回顾性数据或仍使用LDF的动物研究。
- 局限:自动调节指标分析所用统计方法主要为探索性,并非100%确证所描述的关系;PCA、AHC、KMCA为探索性多变量技术,需进一步前瞻性聚焦评估。
- 局限:在比较不同监测设备来源指标的背景下使用Friedman检验存在争议,分析假设所有指标测量同一生物学构念(自动调节能力),组间方差分析结果应谨慎解读。
- 局限:作者指出Lx与Sx/Sx_a及ICP来源指标的关系需确认(原文称requires confirmation)。
对床旁实践的改变
- 作者认为,在常用床旁自动调节指标中,TCD来源的Mx(尤其Mx/Mx_a)与LDF来源的Lx/Lx_a最相关,是皮层小血管/微血管脑血管反应性的较好替代指标。
- 作者认为,Sx/Sx_a和ICP来源指标与LDF来源的皮层小血管脑血管反应性分离,Mx/Mx_a/Dx/Dx_a作为皮层小血管/微血管脑血管反应性评估的替代指标更好。
- 作者指出,目前人类脑自动调节的“金标准”尚不明确,PRx作为最常用的自动调节指标,基于全局ICP测量,与皮层指标似乎不密切关联。
- 作者提出,未来可在仍使用LDF的动物模型中比较现有和新兴多模态监测的连续脑血管反应性指标与LDF来源指标,以更准确刻画与皮层自动调节能力相关的监测变量,并可能为人类提供LDF的替代测量技术。
- 原文未据此给出推荐。
提炼说明
- 原文未涉及「诊断标准与关键阈值」「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20 节 · 点击展开
引言
对创伤性脑损伤(TBI)患者自主调节/脑血管反应性的连续评估,侧重于计算表征全身和脑血管动力学的生理变量之间的移动Pearson相关系数[1–3]。这些指数通过比较脑血容量(CBV)/脑血流量(CBF)替代指标的慢波变化与血管内驱动力、平均动脉压(MAP)或脑灌注压(CPP)得出[1, 3]。常用于监测CBV和CBF慢波的替代指标是颅内压(ICP)和基于经颅多普勒(TCD)的CBF速度(CBFV)。这些生理变量各种组合之间的相关系数携带了与这些信号之间相位差相关的信息[3, 4]。正相关系数和负相关系数通常分别表示自主调节能力/脑血管反应性“受损”和“完整”。
压力反应性指数(PRx)由ICP和MAP得出,平均血流指数(Mx)由经颅多普勒得出的CBFV和CPP得出,是TBI中最常被引用的两个脑血管反应性连续指数。PRx[5]和Mx[6]均存在与发病率和死亡率相关的临界阈值,两者之间的指数间相关性为中等程度(r值最高报道为0.58)[7]。然而,使用多模态监测的其他自主调节/脑血管反应性连续指数也已被采用[3],其验证水平参差不齐。鉴于产生这些指数所使用的监测技术不同,它们携带的生理信息不同,可能无法提供关于脑自主调节/血管反应性的相似信息。
尽管已不再用于临床,激光多普勒血流测定(LDF)能够获得小血管/微血管(MV)CBF的连续直接测量[8–11]。该设备需要插入硬膜下腔,利用反射光信号中的多普勒频移来计算探头所在区域的皮质CBF[8]。鉴于可以获得这种脑MV血流的直接测量,值得探讨Mx和其他TCD得出的脑血管反应性指数(这些指数基于单一血管区域——通常是大脑中动脉[MCA]——的区域性CBF速度)与MV自主调节能力之间的关系。
先前的一项研究[12]显示了Lx(LDF-CBF与CPP之间的相关性)与Mx之间有趣的差异,但未探讨与其他基于TCD的指数(如Sx——收缩期血流速度与CPP之间的相关性,以及Dx——舒张期血流速度与CPP之间的相关性)的关系。此外,现有数据未就PRx(以及其他基于“整体”ICP得出的脑血管反应性指数)与MV自主调节能力之间的关系提供指导。虽然使用热扩散导管可以对MV CBF进行局灶性连续评估,但鉴于需要反复重新校准以及所衍生母体信号中存在中等程度噪声[12],其在较长时间内评估MV行为方面的应用受到限制。然而,鉴于在所有可用的床旁连续监测设备中,MV血流最接近营养性灌注,这些关系对于帮助验证和解读受伤大脑中较间接的血管生物学指标至关重要。
这项回顾性队列研究的目的是探讨各种常用床旁自动调节/脑血管反应性指数之间的关系,以确定哪些指数最能近似反映皮层小血管/微血管的自动调节能力。我们采用多种多变量协方差评估检验来评估这些关系,类似于我们团队近期关于基于多模态监测的连续自动调节/脑血管反应性指数的协方差/聚类分析发表文献[13]。
方法
患者人群
本研究纳入的患者人群是先前已描述过的队列中的一个亚组[8, 11]。该患者队列是最初前瞻性研究的主要目标为通过LDF评估TBI患者局部CBF的队列,已获得当地剑桥卫生局研究伦理委员会批准。通过对该队列的回顾性分析,我们发现原始监测信号包含的数据足以让我们确定各种自动调节能力/脑血管反应性指数,并评估来自不同监测设备的衍生指数之间的关系。本研究纳入的所有记录会话均包含以下监测设备:ICP、MAP、CPP、LDF-CBF,以及基于TCD的与ICP和LDF监测同侧的大脑中动脉(MCA)CBFV。
本研究为对前瞻性维护的数据库队列进行的回顾性分析,共分析了61次独立记录。大多数记录持续时间约为30分钟至1小时。两个队列中的所有患者均患有中重度TBI,或初始因轻度TBI入院后病情恶化,需要在剑桥Addenbrooke医院神经科学重症监护病房接受镇静和机械通气进行临床治疗。记录期间接受的治疗包括标准的ICP导向治疗,ICP目标值低于20 mm Hg,CPP目标值高于60 mm Hg。所有患者均采用床头抬高30°的护理体位。对于难治性ICP升高,给予甘露醇推注给药(用于ICP > 25 mm Hg持续15分钟的情况)。从现有记录来看,没有患者因难治性ICP接受治疗性低温治疗。
年龄、损伤严重程度和出院时临床状态的数据在该数据库监测时即已记录,未尝试重新查阅临床记录以获取额外信息。由于所有数据均从医院记录中提取并完全匿名化,无法获得患者身份识别信息,也未寻求患者本人或代理人的正式知情同意。
信号采集
通过各种有创和无创方法的组合获取多种信号。动脉血压(ABP)通过连接压力传感器(Baxter Healthcare Corp. CardioVascular Group, Irvine, CA)的桡动脉或股动脉置管获取。ICP通过脑实质内应变计探头(Codman ICP MicroSensor; Codman & Shurtleff Inc., Raynham, MA)获取。
基于激光多普勒血流监测(LDF)的脑血流量(CBF)是通过将MBF3D双通道激光多普勒血流仪(Moor Instrument Ltd,英国德文郡)放置于硬膜下腔、与颅内压(ICP)监测探头同侧来获得的。LDF探头采用低能量激光(0.5–1.5 mW),光波产生于近红外光谱范围(780–820 nm)。LDF信号以14.6 kHz的频率记录。所有探头在插入前均经过预先校准。关于插入技术和校准方法的详细信息可参见Kirkpatrick等人1994年的研究[8]。
最后,大脑中动脉(MCA)脑血流速度(CBFV)的经颅多普勒(TCD)评估通过Doppler Box(DWL Compumedics,德国辛根)或Neuroguard(Medasonic,美国加利福尼亚州弗里蒙特)进行。在这些监测时段内,每位患者均获取了单侧MCA记录(与ICP和LDF监测探头同侧)。
所有记录的信号均通过模数转换器(DT9801;Data Translation,马萨诸塞州马尔伯勒)进行数字化,以50赫兹(Hz)或更高的频率采样,并使用WREC软件(华沙理工大学)记录,随后使用ICM+软件(Cambridge Enterprise Ltd,英国剑桥,http://www.neurosurg.cam.ac.uk/icmplus)进行回顾性分析。所有信号伪迹在进一步处理或分析之前均已被去除。
信号处理
上述信号的采集后处理使用ICM+软件进行。脑灌注压(CPP)通过虚拟信号确定:CPP = MAP − ICP。收缩压动脉血压(ABPs)通过计算1.5秒窗口内的最大ABP来确定,每秒更新一次。同样,舒张压动脉血压(ABPd)也通过计算1.5秒窗口内的最小ABP来确定,每秒更新一次。收缩期血流速度(FVs)通过计算1.5秒窗口内的最大血流速度(FV)来确定,每秒更新一次。舒张期血流速度(FVd)通过计算1.5秒窗口内的最小FV来确定,每秒更新一次。平均血流速度(FVm)通过计算10秒窗口内的平均FV来确定,每10秒更新一次(即无数据重叠)。颅内压脉冲振幅(AMP)通过计算10秒窗口内ICP信号的基本振幅来确定,每10秒更新一次。对所有记录的信号计算了10秒移动平均值(每10秒更新一次以避免数据重叠):ICP、ABP(由此得出MAP)、ABPs、ABPd、CPP、FVm、FVs、FVd和LDF-CBF。
自动调节/脑血管反应性指数
自动调节/脑血管反应性指数的推导方式类似,此处以压力反应性指数(PRx)为例。使用连续30个10秒窗口(即5分钟数据)计算ICP与MAP之间的移动Pearson相关系数,每10秒更新一次。鉴于记录持续时间较短,选择10秒的更新周期。各指数计算的详细信息可参见补充材料附录A。
统计学
所进行的分析与我们此前关于多模态监测自动调节/脑血管反应性指数协变性的发表研究[13]中所执行的分析完全相同。本研究的唯一区别在于患者/记录数量略多,未进行脑组织氧合或近红外光谱(NIRS)监测,且存在LDF信号。
一般统计学
在每次记录期间,按每10秒至每10秒的基础提供数据。这些数据从ICM+提取至逗号分隔变量(CSV)文档中,并整理成一个连续的数据表(汇总所有患者的数据)。随后,我们确定了每个变量的单次记录总均值。统计分析在两个数据表上进行:每10秒至每10秒的数据和总均值数据。
统计分析使用XLSTAT(Addinsoft,纽约,美国;https://www.xlstat.com/en/)加载项包在Microsoft Excel(Microsoft Office 15,版本16.0.7369.1323)和R统计软件[14]中进行。对所有指数和测量变量使用Shapiro–Wilks检验进行正态性检验。所有指数和变量均被确定为非参数性质。所有描述p值的结果的α均设定为0.05。
自动调节/脑血管指数:相关性统计
为评估自动调节指数,我们采用Pearson相关系数矩阵评估各指数之间的相关性,该分析在对数据集进行Fisher变换后进行(鉴于各指数均为非参数分布)。这是分析中使用变换数据的唯一检验。
不同指数组合之间的分组方差使用Friedman检验(含和不含多重比较)评估,以考虑受试者内变异。所做的主要假设是所有指数测量的是同一生理变量(即自动调节)。Friedman检验在以下组别上进行:所有指数、ICP衍生指数(PRx、PAx、RAC)、TCD衍生指数(Mx、Sx、Dx、Mx_a、Sx_a、Dx_a)和LDF-CBF衍生指数(Lx、Lx_a)。鉴于含和不含多重比较的Friedman检验结果相似,我们在正文和补充材料中仅提及“含”多重比较的数据。
多变量聚类与协方差评估
最后,进行多变量统计以进一步阐明各指数之间的关联。目前,尚不清楚在基于时间序列的生理变量探索中哪种多变量聚类技术更优,因此我们选择采用一系列检验技术。采用三种不同的多变量方法以评估不同指数组合内的协方差。这样做是为了全面并提供对任何单项检验中可能出现的潜在聚类的确认。该分析与我们先前发表的研究中所进行的分析相同,该研究评估了众多基于监测的脑血管反应性连续指数之间的协方差和聚类[13]。
首先,使用Spearman型PCA进行主成分分析(PCA),选择该方法以考虑数据集中的非参数数据分布(显著性设定为p < 0.05)。PCA已在其他文献中详细描述,最适合作为变量数量较多的小患者队列的“探索性”统计方法[15, 16]。PCA的目的是突出哪些变量组合解释了整个数据集内的总体方差,从而哪些变量可能相关并值得通过其他方法进一步研究。我们建议读者参阅所引用的PCA相关文献以获取更多信息[15, 16]。
第二和第三,还进行了凝聚层次聚类(AHC)和基于k均值的聚类分析(KMCA)(使用欧几里得距离)。这些检验提供了变量之间相似性的总体评估,根据通过欧几里得距离评估的彼此之间的平均距离,将它们分组为聚类(或如AHC中所见的树状图上的茎)。
对于AHC,树状图中产生的聚类之间相关性的统计强度使用共表型相关系数[17]进行量化。共表型相关系数通过计算AHC的原始欧几里得距离矩阵与共表型距离矩阵之间的Spearman相关性得出。共表型距离定义为分别包含两个索引的两个聚类之间的距离以及两个聚类合并的点(即,它代表树状图上分支点出现的高度)。共表型相关系数被认为是AHC树状图与原始数据集(即变量之间的基线距离矩阵)相比维持成对距离程度的估计。
对于KMCA,聚类数可由研究者设定。我们利用KMCA的“肘部法”来确定最终分析的适当聚类数。肘部法包括计算所有可能的k均值聚类。随后,通过绘制组内平方和与聚类数的关系图,可以选择一个拐点(或“肘部”),在该点处图显示出最显著的斜率变化。这被认为是最终分析的“最合适”聚类数。
结果
患者人口统计学特征
本研究共纳入40名患者,共61次记录。平均年龄为31.1 ± 15.3岁,入院格拉斯哥昏迷评分中位数为5(IQR 4–7)。这些患者6个月格拉斯哥结局评分中位数为2(范围1–5)。鉴于数据的年代(即20世纪90年代初),可用的患者人口统计学和损伤特征信息有限。没有可用的归档影像信息来让我们确定损伤模式。关于该队列亚组的进一步临床详情可在该队列的其他出版物中找到[8, 11]。图1展示了一名接受LDF监测的患者在平台波期间信号和自动调节/脑血管反应性指数反应的示例。
自动调节/脑血管反应性指数分析
指数间相关性
我们通过皮尔逊相关矩阵比较了指数间的相关性,分别针对10秒×10秒数据和总均值数据。两种数据表的皮尔逊矩阵及p值矩阵见补充材料的附录B。值得注意的是,ICP衍生指数(PRx、PAx和RAC)显示出中等至强的技术间相关性(所有r ≳ 0.5,所有p < 0.05)。TCD衍生指数(Mx、Mx_a、Dx、Dx_a、Sx、Sx_a)也呈现类似趋势。Mx与PRx相关(r = 0.346,p = 0.006)。Sx和Sx_a与ICP衍生指数呈中等相关。最后,LDF衍生指数与TCD指数的相关性更强(Mx:r = 0.561,p < 0.0001;Dx:r = 0.492,p < 0.0001)。因此,与其他指数相比,皮层小血管/微血管自动调节能力可能更适合由TCD衍生的Mx/Mx_a和Dx/Dx_a来近似评估。这些关系在两种数据表中均得到证实。
分组方差分析:Friedman检验
通过各种自动调节指数的相似性通过Friedman检验(含和不含多重比较)进行评估,预检验假设为每个指数评估的是生理学的同一方面——自动调节。在10秒×10秒和总均值数据表中,Friedman检验均证实各指数并非全部相同(p < 0.0001,Q = 301.204)。进一步对各监测器特异性指数组(即衍生指数根据其监测信号来源分组:ICP、TCD等)应用Friedman检验。监测器内Friedman检验同样证实每个指数实际上各不相同。两种数据表的Friedman检验结果汇总(含多重比较)见补充材料附录C。
主成分分析
对两种数据表均进行了Spearman主成分分析(PCA),结果相似。共识别出11个主成分(PC)(也称为因子[F]),前5个主成分约占数据集中总方差的90%。主成分特征值数据、碎石图和变量特异性载荷见补充材料附录D。
PC1(记为F1)和PC2(记为F2)的载荷双标图见附录C。如双标图所示,ICP衍生指数(PRx、PAx和RAC)聚集在双标图的同一象限,对PC1和PC2的总体方差均有贡献。此外,就其对整个数据集方差的贡献而言,PRx/PAx/RAC似乎与基于TCD的Sx和Sx_a相关。类似地,基于TCD的指数(Mx、Mx_a、Dx和Dx_a)共定位于双标图中与PC1最相关的区域。LDF指数(Lx、Lx_a)与TCD衍生的Mx/Mx_a/Dx/Dx_a共变,证实了皮尔逊分析中所见的相关性。
凝聚层次聚类
对两种数据表均进行了凝聚层次聚类(AHC),结果相同。图2展示了生成的树状图。值得注意的是基于ICP、TCD和LDF指数的聚类。ICP指数与Sx和Sx_a共聚类,如皮尔逊和PCA检验所示。类似地,基于TCD的Mx/Mx_a和Dx/Dx_a与Lx/Lx_a共聚类,如皮尔逊和PCA检验所示。总均值AHC的共表型相关系数为0.77,表明聚类具有中等至强的显著性。10秒×10秒数据的树状图见补充材料附录E。
K均值聚类分析
对两个数据表均进行了KMCA,产生了相同的聚类结果。基于“肘部法”,确定KMCA的最佳质心数为4。各指数的聚类结果与AHC、PCA和Pearson检验中所见相似。KMCA及聚类表的详细信息见补充材料附录F。
讨论
通过分析这套TBI LDF数据集,我们得以更好地界定人体内各种ICP/TCD/LDF自动调节指数之间的关系。首先,在Pearson、PCA、ACH和KMCA分析中均可见ICP、TCD和LDF-CBF衍生指数的技术内相关性。这一结果并不令人意外,因为源自同一信号的指数本应相互关联。其次,基于LDF-CBF的Lx和Lx_a被发现与基于TCD的Mx/Mx_a和Dx/Dx_a的关联比与Sx/Sx_a或ICP衍生指数的关联更为密切。这在所有分析形式中均得到证实。这表明基于TCD的“血管性”指标(Mx/Mx_a和Dx/Dx_a)能更好地近似反映皮层小血管/微循环的自动调节。第三,Sx/Sx_a似乎与ICP衍生指数(PRx、PAx和RAC)的关联更为密切,这在所有分析形式中均得到证实。这也在我们先前发表的工作[13]中可见。这可能源于CBFV的峰值搏动性收缩期成分对ICP信号的贡献强于平均或舒张期CBFV。此外,当CBF到达皮层小血管时,峰值收缩期搏动性成分对区域LDF-CBF信号的影响较小,此时该信号更可能依赖于平均血流或舒张期血流参数,这并不令人意外。然而,这仍需进一步证实。
局限性
应强调一些重要的局限性。首先,这是一项规模较小的回顾性患者队列研究。患者的损伤模式具有异质性,并且在短暂的记录期间受到重症监护病房治疗/处理变化的影响。这可能影响了信号的异质性和质量,从而直接影响慢波和自动调节指数分析的结果。此外,鉴于原始数据的年代(即20世纪90年代初),我们所能获得的患者人口学资料和颅内损伤模式/负担信息有限。可用的纸质记录有限,且无存档影像资料。因此,我们无法就各种患者合并因素或损伤模式/负担因素对各种自动调节指数的影响作出评论。此外,这些患者未以任何方式进行随机化,而仅仅是一个在时间序列上同步连接了ICP、LDF和TCD高频信号的独特队列,从而得以进行一项有趣的回顾性分析。因此,从我们的分析中所能得出的结论强度有限。然而,尽管如此,我们确实相信所进行的分析对协方差和指数间关系的洞察超越了轶事性认识,为中/重度TBI患者重症监护管理的所有相关人员提供了有价值的信息。其次,LDF-CBF探头已不再用于人类临床,因此尽管趋势有趣,但用更新、更大的患者队列来证实该分析仍很困难。因此,不幸的是,我们只能依靠像这样的回顾性数据集或仍使用LDF的动物研究,来分析仍常用监测设备与基于LDF的皮质/小血管CBF之间的关系。其使用减少源于成本、维护、有创置入和测量的局灶性。更不用说红细胞通量测量所产生的相对嘈杂的信号。尽管如此,它们提供了关于皮质脑血流及随后的脑血管反应性的有用且独特的信息。目前,空间分辨的基于NIRS的连续自动调节指数TOx(也称为COx)是除PRx之外唯一已在动物模型中针对自动调节下限进行验证的指数,其中LDF在该研究中提供了CBF的连续评估[18]。因此,这一TOx指数,即总氧合指数与CPP之间的相关性,可能是最接近基于LDF指数的替代指标。然而,这尚未被证实,因为我们不知道有任何包含ICP、LDF和NIRS监测的高频时间序列人体数据集。一个潜在的解决方案——尽管对临床应用未必是决定性的——将是在前述动物数据集中进行类似的协方差分析[18]。第三,自动调节指数分析中所使用的统计学方法主要是探索性的,并非对所描述关系的100%确证性验证。PCA、AHC和KMCA的使用是探索性多变量统计技术,旨在突显整个数据集中潜在的关注关系,进而推动对已识别的个别关系进行进一步的前瞻性聚焦评估。鉴于所提到的围绕LDF临床使用的局限性,该分析对于人体数据将不得不保持“探索性”。尽管如此,这些关系均在Pearson、PCA、AHC和KMCA中得到确认,可能表明各种聚类/相关性在单项多变量检验中不仅仅是偶然所致。除此之外,鉴于LDF在该情境中的持续应用,未来可在受控动物研究中对指数关系进行前瞻性评估。最后,在比较源自各种监测设备的各种指数的背景下使用Friedman检验是有争议的。我们假设所有指数均测量的是同一生物学构念——自动调节能力。该指数间方差分析的结果应谨慎解读。
未来考虑
基于目前关于人类脑自动调节的现有文献,尚不清楚什么定义了皮层微循环自动调节能力的“金标准”。最常用的自动调节指标是PRx,这是一种源自整体ICP测量的变量,根据我们上述的工作,它似乎与皮层指标并不密切相关。LDF有潜力定义皮层软脑膜/微循环反应性,尽管已不再受青睐,仅留下这些小型独特数据集为皮层自动调节提供有限的认识。
这些设备仍在动物研究中使用,这可能为比较现有的、常用的监测设备及其信号衍生的脑血管反应性连续指标提供下一个合理的途径。通过比较当前和新兴的基于多模态监测的脑血管反应性连续评估与动物模型中基于LDF的指标,我们可能能够更准确地表征哪些监测变量与皮层自动调节能力相关联,并可能为人类中LDF提供一种“替代”测量技术。
文献中尚未完全揭示,但对皮层微循环自动调节能力的认识可能被证明与现有的基于整体的评估(即PRx)有显著不同。皮层脑血管反应性的损害可能与整体结局指标有更多关系,甚至与TBI后长期或其他脑损伤后更细微的执行功能能力有更多关系。需要进一步的工作。
结论
在常用的床旁自动调节指标中,基于TCD的指标,特别是Mx,与LDF衍生的MV血流测量(Lx/Lx_a)关系最为密切。Sx/Sx-a和ICP衍生指标似乎均与基于LDF的皮层小血管脑血管反应性分离,使Mx/Mx-a/Dx/Dx-a成为评估皮层小血管/MV脑血管反应性的更好替代指标。Sx/Sx_a与ICP衍生指标共聚类/共变化,正如我们先前工作中所见。
电子补充材料
以下是电子补充材料的链接。补充材料1(DOCX 13 kb)
补充材料2(DOCX 34 kb)
补充材料3(DOCX 13 kb)
补充材料4(DOCX 189 kb)
补充材料5(DOCX 45 kb)
补充材料6(DOCX 94 kb)
参考来源
- Zeiler FA, Donnelly J, Cardim D, et al. ICP Versus Laser Doppler Cerebrovascular Reactivity Indices to Assess Brain Autoregulatory Capacity. Neurocrit Care. 2018. PMID: 29043544. doi:10.1007/s12028-017-0472-x
- 全文:PMC5948245(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC5948245/
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。