文献速递重症综合管理与镇静镇痛儿科与产科急症复苏、休克与脓毒症

识别儿科重症监护病房血流动力学不稳定高风险患者的临床预测模型

A clinical prediction model to identify patients at high risk of hemodynamic instability in the pediatric intensive care unit.
PubMed 文献 · Crit Care · 2017-11-20
一句话结论在PICU患儿中,基于生命体征、实验室和呼吸机参数开发的AdaBoost模型可在干预前1–12小时预测血流动力学不稳定,AUROC在训练集和验证集均为0.81,优于单纯收缩压或休克指数模型。

该研究利用美国单中心PICU 2003–2011年7052例患儿数据训练AdaBoost-abstain模型,并在英国单中心PICU 2009–2015年970例患儿中验证,预测血流动力学干预(液体复苏>10 ml/kg/h或启动血管活性药物)需求。模型在训练集和验证集的AUROC均为0.81,优于基于收缩压(0.58/0.67)或休克指数(0.63/0.65)的模型。模型输出0–1的血流动力学不稳定指标(HII),可映射为绿/黄/红三级风险。作者认为该模型可嵌入临床信息系统以识别高风险患者,但需前瞻性验证其临床价值。

要点

  • 模型在训练集(美国7052例)和验证集(英国970例)的AUROC均为0.81,预测血流动力学干预优于收缩压模型(0.58/0.67)和休克指数模型(0.63/0.65)。
  • 验证集在干预前1小时和12小时的敏感性分别为0.76和0.66,特异性0.70和0.71,NPV 0.90和0.87,阳性LR 2.65和2.27(阈值概率>0.57)。
  • 训练集中模型最有判别力的预测因子为休克指数、pH、平均气道压和标准化尿量(ml/kg/h)。
  • 模型在五个年龄组(1–12月、1–3岁、3–6岁、6–12岁、12–20岁)表现相似,验证集平均AUROC 0.81(SD 0.06)。
  • 在首次干预为血管活性药物的亚组中,模型在训练集和验证集的AUC分别为0.88和0.87。

适用人群与场景

  • 美国单中心PICU 2003–2011年收治的患儿(训练集7052例)和英国单中心PICU 2009–2015年收治的患儿(验证集970例)。
  • 仅纳入每个患者的首次入院;排除入住PICU最初6小时内出现血流动力学不稳定的患者。

诊断标准与关键阈值

  • 血流动力学不稳定定义为接受血流动力学干预:液体复苏(胶体或晶体液>10 ml/kg/小时)或启动血管活性药物(多巴胺、多巴酚丁胺、肾上腺素、去甲肾上腺素、去氧肾上腺素或血管加压素)。
  • 血流动力学稳定定义为整个PICU住院期间未接受上述任何临床干预。
  • 模型输出血流动力学不稳定指标(HII),为0–1的评分,代表患者发生血流动力学不稳定的概率;映射为绿(低风险)、黄(中风险)、红(高风险)三级。
  • 训练集最优阈值:概率>0.47判定为血流动力学不稳定;验证集最优阈值:概率>0.57判定为血流动力学不稳定。

处置流程与药物剂量

  • 模型输入21个特征:生命体征(心率、无创或有创收缩压、无创或有创平均血压、呼吸频率、SpO2、体温)、实验室指标(pH、PaO2、aBE、INR、白蛋白、血糖、血红蛋白、红细胞、BUN)、呼吸机参数(平均气道压、FiO2)、标准化尿量(ml/kg/小时)和年龄。
  • 算法至少需要心率和年龄才能输出结果;建议心率和血压通过自动化接口以每分钟1次的频率提供,若生命体征按小时护士记录频率提供,算法仍可输出预测评分。
  • 实验室测量最小频率为24小时,血压和呼吸机测量最小频率为1小时;若最近24小时(实验室)或1小时(血压)内无测量,则视为缺失。

研究设计与关键结果

  • 研究类型:回顾性队列研究,训练集来自美国单中心PICU(2003–2011年,7052例),验证集来自英国单中心PICU(2009–2015年,970例)。
  • 训练集血流动力学不稳定发生率为42%(2945例不稳定,4107例稳定);验证集为24%(235例不稳定,735例稳定)。
  • 训练集交叉验证:干预前1小时和12小时的AUROC分别为0.80和0.70,敏感性0.66和0.50,特异性0.78和0.77,PPV 0.68和0.62,NPV 0.76和0.68,阳性LR 5.22和3.26(阈值概率>0.47)。
  • 验证集:干预前1小时和12小时的AUROC分别为0.81和0.74,敏感性0.76和0.66,特异性0.70和0.71,PPV 0.45和0.42,NPV 0.90和0.87,阳性LR 2.65和2.27(阈值概率>0.57)。
  • 与收缩压模型相比,本模型平均提高AUROC约15%;与休克指数模型相比提高约11%。
  • 训练集中70%的不稳定事件首次干预为液体复苏(>10 ml/kg/小时),30%为血管活性药物;在首次干预为血管活性药物的亚组中,模型在训练集和验证集的AUC分别为0.88和0.87。
  • 仅使用生命体征或仅使用实验室指标时AUROC分别为0.71和0.70,两者结合时AUROC为0.77;机械通气患者AUROC为0.78,非机械通气患者为0.77。
  • 当有创测量或呼吸机参数缺失时,模型分类性能仅下降2%。

证据类型、等级与局限

  • 证据类型:回顾性队列研究,模型开发与验证。
  • 局限性:原文指出两个PICU患者群体存在差异,美国PICU动脉置管比例51%,英国PICU为12%;英国PICU机械通气比例66%,美国PICU为39%。
  • 局限性:原文指出基于临床干预定义血流动力学不稳定事件,干预常发生在患者转入PICU之前,该信息在数据库中不可用,通过仅纳入入住PICU后至少稳定6小时的患者来减轻该问题。
  • 局限性:原文指出模型在两家医院的回顾性数据上训练和验证,虽结果有前景,仍需前瞻性验证以确认发现。
  • 局限性:原文指出需要进一步使用来自美国及其他国家不同医院PICU的数据验证模型。

对床旁实践的改变

  • 作者认为该模型可在临床干预前数小时识别PICU中有血流动力学不稳定风险的患者,且分类性能优于基于收缩压或休克指数的模型。
  • 作者认为该算法可处理缺失值而无需插补、可对年龄依赖特征进行调整、可整合不同来源临床数据生成单一风险评分,该评分可用于智能分配临床资源和识别高风险患者。
  • 作者认为该模型虽主要训练用于预测血流动力学干预,但同一模型可用于追踪患者对治疗的反应,此问题需进一步研究和前瞻性研究回答。
  • 作者指出前瞻性研究需确定在ICU向临床医生运行算法并显示风险评分的临床价值,结局可包括至血流动力学干预时间、无呼吸机天数、住院时间和死亡率;将预测算法整合到临床工作流程中是研究设计的重要部分。

提炼说明

  • 原文未涉及「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12 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. 2017 Nov 20;21:282. doi: 10.1186/s13054-017-1874-z

背景

已有研究表明,在多种临床情境中,对休克进行早期识别和治疗可降低儿童死亡率[1]。然而,儿童休克的诊断基于患者病史、生命体征、体格检查和实验室数据的综合判断,可能较为困难。其中一个挑战在于,包括血压、心率和呼吸频率在内的临床测量指标的正常范围值会随着儿童的生长发育和年龄变化而不同,因此,如果临床医生希望将这些测量值用作临床恶化的早期指标,就需要按年龄进行调整并综合评估[2, 3]。此外,血压等常用于评估不稳定性指标的测量值,往往因儿童体内非常有效的生理代偿机制而维持在正常范围内,直至血流动力学恶化进程的极晚期,而此后恶化会非常迅速地加速[4]。

早期预警评分是设计用于初步评估和识别高危患者的临床决策支持系统。这些系统最初是为成人使用而开发的,尽管近期也有一些针对儿童的研究;这些系统的目的是识别住院病房区域而非ICU中具有恶化风险的患者[5–7]。使用生物标志物进行早期风险分层是另一种有前景的方法,可识别发病和死亡风险较高的患者,这些患者可能适合更积极的干预或纳入临床试验[8],但该技术仍处于起步阶段,因为尚无法进行即时床旁检测。

本研究的目的是构建并验证一个系统模型,用于早期预测已入住儿科重症监护病房(PICU)的儿童是否需要血流动力学干预(即血流动力学不稳定)。这被定义为为改善心血管状态而给予的临床干预(即液体推注> 10 ml/kg/小时和/或开始使用血管活性药物)。

方法

使用美国一家医院PICU收治患者的数据集进行模型的训练、交叉验证和测试。模型开发完成后,使用来自英国一家PICU的另一数据集对模型性能进行验证。

用于模型训练和测试的数据集回顾性获取自电子流程图(Philips CareVue,Waltham,MA,USA)和由儿科重症监护医师维护的人口统计学数据库(Microsoft Access,Redmond,WA,USA)。该数据集包括洛杉矶儿童医院(CHLA)2003年至2011年PICU收治的13,583/17,598名患者/就诊记录。一名患者可能多次入住PICU,因此每名患者可能产生不止一次就诊记录。然而,分析中仅纳入每名患者的首次入院记录。在排除不符合图1所示纳入标准的患者后,数据集最终包含7052名患者。

用于验证的数据集是从Philips Intellispace重症监护与麻醉(ICCA)系统中回顾性获取的。该数据集包括2009年至2015年英国伦敦圣玛丽医院儿科重症监护病房(PICU)收治的2094/2435名患者/就诊记录的档案。分析中仅纳入每位患者的首次入院记录。在排除不符合图1所示纳入标准的患者后,数据集最终包含970名患者。

圣玛丽数据集作为服务评估项目导出,该项目获帝国理工学院医疗保健NHS信托批准——无需个人知情同意。儿童医院洛杉矶分院(CHLA)获得了机构审查委员会(IRB)批准——无需个人知情同意。本研究对所有记录进行了完全去标识化处理。

两个数据集均来源于未标注数据库;因此,没有血流动力学不稳定的金标准可供使用。取而代之的是,采用临床医生的特定干预措施来界定血流动力学不稳定事件。不稳定的判定标准是基于一组经验丰富的重症监护医师的强烈共识制定的。每次就诊被标记为血流动力学不稳定(即暴露组)或血流动力学稳定(即对照组)。

如果患者接受了血流动力学干预,则该次就诊被标记为血流动力学不稳定。血流动力学干预包括液体复苏(即给予单次快速输注液体(胶体或晶体液)> 10 ml/kg/小时)或启用血管活性药物(即多巴胺、多巴酚丁胺、肾上腺素、去甲肾上腺素、去氧肾上腺素或血管加压素)。血流动力学干预的发生时间定义为首次干预(单次快速输液或血管活性药物)的时间。入住PICU后前6小时内血流动力学不稳定的患者被排除在分析之外。如果患者在整个PICU住院期间未接受任何上述临床干预,则被标记为血流动力学稳定。每位患者仅考虑一次临床干预。训练或验证数据集中的每位患者均关联一组36个变量(特征),包括生命体征、实验室值和呼吸机参数。每个特征均在血流动力学干预之前的24小时观察窗口内提取。观察窗口内的最后一次测量值用作该特征的值。如果在观察窗口内未找到特定特征的测量值,则该特征被赋值为缺失值(即非数值(NaN))。对照组遵循类似的流程。由于该组没有血流动力学干预,变量在患者住院期间的随机观察窗口内提取。患者可能在非常接近的时间(即相差10–20分钟内)进行有创(即动脉置管)和无创(即血压袖带)血压测量。在这种情况下,无创血压测量被排除在分析之外,改用有创血压测量。复合特征由其他变量的组合衍生而来。休克指数由心率(HR)和收缩压(SBP)衍生:

氧合指数(OI)和氧饱和度指数(OSI)由平均气道压(MAP)、FiO2以及PaO2或SpO2衍生:

表1按面板和组件测试分类列出了所有变量(模型输入)。所有变量均经过合理性筛选,以检查其值是否处于生理有效范围内;即超出生理范围的值被赋为缺失值。在训练过程中,分类器(AdaBoost)学习了每个变量的年龄依赖性风险阈值,并补偿了不同年龄组间特征值正常范围的变异性。在血流动力学干预开始时提取的数据用于分类器的训练。该数据集被分为90%用于训练和交叉验证,10%用于测试。

分类器训练完成后,在血流动力学干预开始前24小时观察窗口内(即1–12小时)提取的变量上对算法的性能进行了测试和验证。算法性能通过不同预测时间点ROC曲线下面积(AUROC)来衡量。

用于模型训练和测试的最终数据集(即CHLA)包含36个变量,不稳定发生率为42%(2945例血流动力学不稳定,4107例血流动力学稳定)。用于算法验证的最终数据集(St Mary's Hospital)包含36个变量,不稳定发生率为24%(235例血流动力学不稳定,735例血流动力学稳定)。表2显示了按暴露组(血流动力学不稳定)和对照组(血流动力学稳定)分层的汇总统计量。

图1 训练/验证数据集中就诊排除标准的流程图。ICU 重症监护病房 查看原图 ↗
表1 训练(和验证)数据集的特征(测量单位及记录该特征的患者百分比)。 查看原表 ↗
表2 按暴露组和对照组分层的汇总统计量。 查看原表 ↗

模型开发

采用AdaBoost分类器进行模型开发。AdaBoost是一种非常有效的机器学习技术,通过较简单(“弱”)分类器的加权多数投票来构建强大的集成分类器。在本研究中,弱分类器是简单的决策 stump,基于单个特征(如心率)与患者年龄的组合来预测血流动力学状态(稳定/不稳定)。因此,每个弱分类器可视为基于患者年龄和另一特征的查找表。在每个弱分类器中纳入患者年龄使我们能够学习年龄依赖性风险阈值,并补偿不同年龄组间特征值正常范围的变异性。例如,一名休克指数(SI)为1.2的14岁儿童比SI值相同的1岁儿童具有更高的血流动力学不稳定风险(见附加文件1:图S1)。

采用了一种略微改进的AdaBoost分类器[9](AdaBoost-abstain)来处理缺失特征。某些在测量时对血流动力学不稳定具有高度预测性的特征,如乳酸,在训练数据集中有86%或更多的患者 encounters 中缺失。AdaBoost-abstain不是完全丢弃偶尔测量的特征或插补缺失值,而是允许每个弱分类器在其依赖特征缺失时放弃投票。因此,弱分类器产生三种输出之一(血流动力学稳定、血流动力学不稳定或未投票(放弃))。AdaBoost-abstain使用10折交叉验证进行训练和测试。每一折的大小大致相等,且类别比例与整个数据集大致相同。

结果

训练期间将36个特征输入AdaBoost-abstain分类器,分类器仅选择了21个。在这21个选定特征中,SI、pH、平均气道压和标准化尿量(ml/kg/小时)是模型最具判别力的预测因子。在使用训练数据集的交叉验证结果中,模型在血流动力学干预前1小时和12小时预测血流动力学不稳定的AUROC为0.80(0.70),敏感性为0.66(0.50),特异性为0.78(0.77),阳性预测值(PPV)为0.68(0.62),阴性预测值(NPV)为0.76(0.68),阳性似然比(LR)为5.22(3.26)。括号中的值对应于血流动力学干预前12小时的表现。选择最佳阈值(即概率>0.47将一次 encounter 分类为血流动力学不稳定),使得敏感性(召回率)和精确率相等。PPV和NPV根据42%的血流动力学不稳定患病率进行了调整。

在训练数据集中,按五个年龄组(1–12个月以及1–3、3–6、6–12和12–20岁)和不同特征集(生命体征、实验室数据、呼吸机参数)评估了算法的分类性能。五个年龄组的分类性能(见表3)非常相似(平均AUROC=0.78,标准差(SD)=0.04,最小值=0.74,最大值=0.83)。当模型中仅包含生命体征或仅包含实验室值时,总体性能分别为AUROC 0.71和0.70。每组特征单独都是血流动力学不稳定的良好预测因子,但当生命体征和实验室值全部合并到一个模型中时,分类性能更好(AUROC=0.77)。还评估了机械通气对算法性能的影响。接受机械通气患者的分类性能(AUROC=0.78)与未接受机械通气患者(AUROC=0.77)非常接近。

表3 不同年龄组的算法性能。 查看原表 ↗

模型验证

在使用训练数据集学习模型参数后,最终模型使用来自不同儿科重症监护病房(PICU)(圣玛丽医院)的数据进行验证。该算法在验证数据集中的分类性能为:在血流动力学干预前1小时和12小时,AUROC为0.81(0.74),敏感性为0.76(0.66),特异性为0.70(0.71),PPV为0.45(0.42),NPV为0.90(0.87),阳性LR为2.65(2.27)。最佳阈值(即概率>0.57将一次就诊分类为血流动力学不稳定)的选择使得敏感性(召回率)和精确率相等。PPV和NPV根据24%的血流动力学不稳定患病率进行了调整。验证数据集上的分类性能在五个年龄组间非常相似(平均AUROC=0.81,SD=0.06,最小值=0.72,最大值=0.89)(见表3)。

与基于血压或基于SI的模型的比较

为检验所提出的模型在血流动力学不稳定早期检测方面优于基于收缩压或基于SI的模型的假设,在训练和验证数据集上评估了三种模型的分类性能。两个模型均使用相同的分类器按年龄进行调整。图2显示,平均而言,所提出的模型将基于收缩压模型的AUROC提高了近15%,将基于SI模型的AUROC提高了11%。

图2 模型在训练数据集上的性能。仅使用休克指数(SI),可以在临床干预前数小时检测到血流动力学不稳定,远早于依赖收缩压报警(AUC=0.63);但是,使用我们的模型(结合SI和其他测量指标)进一步改善了早期检测(AUC=0.81)。AUC曲线下面积,HII血流动力学不稳定指标 查看原图 ↗

仅预测对血管活性药物的需求

在训练数据集中标记为血流动力学不稳定的2945次就诊中,70%接受了>10 ml/kg/小时的液体推注,30%接受了血管活性药物。为评估模型是否偏向于以液体推注(>10 ml/kg/小时)作为首次干预,我们计算了模型在首次干预为血管活性药物的就诊中的性能。模型在训练(CHLA)和验证(圣玛丽)数据集中的性能分别为AUC=0.88/0.87。因此,模型在首次干预为血管活性药物的不稳定就诊中表现和泛化良好。

算法结构

该模型在ICCA Rel H中实现,作为临床决策支持流程表中包含的算法之一。该算法接收21个特征作为输入:生命体征(心率、无创或有创收缩压、无创或有创平均血压、呼吸频率、血氧饱和度(SpO2)、体温)、实验室测量值(pH、动脉血氧分压(PaO2)、动脉碱剩余(aBE)、国际标准化比值(INR)、白蛋白、血糖、血红蛋白、红细胞(RBC)、血尿素氮(BUN))、呼吸机测量值(平均气道压、吸入氧浓度(FiO2))、标准化尿量和年龄(图3)。这些测量值首先经过过滤,仅允许合理数据(即处于生理有效范围内的测量值)进入后续处理。该算法期望新测量值在可用时以时间序列方式加入。至少需要心率和年龄,算法才能产生输出。为使算法频繁输出,建议通过自动接口以每分钟一次的频率向算法提供心率和血压。然而,如果生命体征以较低频率提供,例如每小时通过护士记录提供,算法仍将输出可预测血流动力学不稳定的评分。实验室、血压和呼吸机测量值的最低频率分别为24小时和1小时。如果在过去24小时内(对于实验室测量值)或1小时内(对于血压测量值)未进行任何测量,则该测量值被视为缺失。

一旦特征值经过过滤,算法确定依赖于患者年龄的特征值阈值,然后确定特征贡献预测评分,最后聚合各个特征贡献预测评分以确定血流动力学不稳定指标(HII)。HII是一个评分,范围为0到1,表示患者发生血流动力学不稳定(即接受液体复苏或心血管药物等血流动力学干预)的概率。该评分映射为三种颜色以指示恶化风险水平(即绿色为低风险、黄色为中风险、红色为高风险,如图3所示)。

图3 算法示意图。该算法接收来自生命体征、实验室、呼吸机测量值、标准化尿量和年龄的21个特征作为输入。算法首先过滤有效范围内的输入值,其次确定依赖于患者年龄的特征值阈值,第三确定特征贡献预测评分,最后聚合各个特征贡献预测评分以确定血流动力学不稳定指标(HII)。HII是一个评分,范围为0到1,表示患者发生血流动力学不稳定的概率。该评分映射为三种颜色以指示恶化风险水平(即绿色为低风险、黄色为中风险、红色为高风险)。aBE 动脉碱剩余,BUN 血尿素氮,FiO 吸入氧浓度,HR 心率,iMBP 有创平均血压,INR 国际标准化比值,iSBP 有创收缩压,iSI 有创休克指数,nMBP 无创平均血压,nSBP 无创收缩压,nSI 无创休克指数,PaO2 动脉血氧分压,RBC 红细胞,RR 呼吸频率,SpO2 血氧饱和度 查看原图 ↗

讨论

我们提出的模型可用于识别临床干预前数小时内存在血流动力学不稳定风险的患者,与基于收缩压或基于休克指数(SI)的模型相比,可提供更好的分类性能结果。该算法的优势在于无需进行插补即可处理缺失值、可调整年龄相关特征,并能整合不同来源的临床数据以生成护理人员易于解读的单一风险评分。该算法输出一个风险评分(即临床恶化的概率),可用于智能分配临床资源并识别高风险患者。

休克指数可预测成人重症监护的结局[10]。然而,其在儿童中的应用有限,因为年龄标准化的SI难以评估,尤其是在慢性疾病背景下[11]。我们模型中提出的血流动力学不稳定风险特征可能为该问题提供解决方案,因为SI等特征采用纯数据驱动方法进行了年龄标准化(见附加文件1:图S1)。我们的模型纳入了与目前对早期休克临床表现认识相一致的临床特征。已知在循环休克早期阶段,机体激活代偿机制以弥补主要器官和组织氧输送不足[1]。主要是,通过激活交感神经系统使心率增快,通过激活肾素-血管紧张素-醛固酮系统使尿量减少。其他临床特征如四肢冰冷、皮肤花斑和毛细血管再充盈时间延长未纳入模型,因为它们是失代偿性休克的体征,因而代表临床医生试图避免的生理状态[12]。

我们的模型学会了在患者接受有创监测(即放置动脉导管)或使用机械通气期间的任何时间,将血流动力学不稳定风险增加相关联。然而,当模型中考虑有创测量或呼吸机参数缺失时,分类性能未显著降低(分类性能下降2%)。尽管最终模型主要针对预测血流动力学干预(即液体团注或启动血管活性药物)进行训练,但同一模型可用于追踪患者对治疗的反应。需要进一步研究和前瞻性研究来回答这一问题。

数据局限性与挑战

预测模型开发中的主要挑战和最耗时任务之一涉及各医院信息系统内非标准术语的使用[13]。大多数医院和实验室信息系统的目录在不同命名模式下具有非常相似的数据。需要时间和精力来理解本研究中各机构数据库记录的电子数据元素的数据和编码。发现了临床事件名称不同、临床事件代码不同但数据分布相似的病例;或发现了临床事件名称相似、临床事件代码不同但数据分布不同的病例。经过漫长的数据清洗过程以及与各机构儿科重症监护专家和IT人员的讨论,得以将指代同一数据的不同临床事件代码进行映射。

该模型开发过程中的另一个局限性是两家儿科重症监护病房(PICU)之间患者人群的差异。例如,美国PICU中放置动脉导管的患者更多(51%),而英国PICU中放置动脉导管的患者为12%;但英国PICU中接受机械通气的患者更多(66%),而美国PICU中为39%。理想情况下,人们希望利用来自不同地理区域和不同护理级别的多家PICU的数据来训练模型,以期模型能够学习到在来自其他PICU的新数据上测试时具有可推广性的参数。然而,这种方法并不总是可行,文献中大多数临床决策支持算法都是在单一医院进行训练和测试的,很少在其他医院进行验证。然而,该评分在两个不同环境中、两个异质性人群中均表现良好,这一事实也可以被视为一项优势。事实上,我们的模型在英国PICU进行验证时具有良好的泛化能力(AUROC = 0.81),且未对模型参数进行额外调优。尽管如此,仍需使用来自美国及其他国家不同医院PICU收集的数据对我们的模型进行进一步验证。

基于临床干预来标记血流动力学不稳定事件的另一个缺点是,干预往往发生在患者转入PICU之前[14]。由于我们的数据库中不包含此信息,该问题通过仅将入住PICU后至少稳定6小时的患者纳入分析而得到缓解。

未来工作

本文提出的模型是在来自两家不同医院的回顾性数据上进行训练和验证的。尽管结果令人鼓舞,但仍需要前瞻性验证工作来证实我们的发现。前瞻性研究的目标将是确定在ICU中运行该算法并向临床医生显示风险评分的临床价值。此类研究的临床结局可能包括至血流动力学干预的时间、无呼吸机天数、住院时长和死亡率。研究设计的一个重要部分将是将此类预测算法整合到临床工作流程中,否则临床结局将无法得到改善。

结论

这项回顾性队列研究表明,我们提出的基于生命体征、呼吸机参数和实验室值推导的预测模型可用于早期识别血流动力学不稳定风险较高的患者。验证结果表明,使用我们的预测模型而非仅基于血压或休克指数测量的评估,可改善对血流动力学不稳定风险较高患者的早期识别。

参考来源

  1. Potes C, Conroy B, Xu-Wilson M, et al. A clinical prediction model to identify patients at high risk of hemodynamic instability in the pediatric intensive care unit. Crit Care. 2017. PMID: 29151364. doi:10.1186/s13054-017-1874-z
  2. 全文:PMC5694915(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC5694915/

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。