文献速递重症综合管理与镇静镇痛消化、代谢与肾脏急症

改善危重症患者血糖控制:模拟内分泌胰腺的个体化治疗

Improving glycemic control in critically ill patients: personalized care to mimic the endocrine pancreas.
PubMed 文献 · Crit Care · 2018-08-02
一句话结论本综述建议采用基于患者个体模型、纳入营养输入的预测性血糖控制方法,并标准化报告指标以提升ICU血糖控制的安全性与一致性。

本综述由领域内专家撰写,讨论危重症高血糖的危害及血糖控制(GC)导致低血糖风险增加的矛盾证据。作者围绕理解患者代谢状态、设计适合临床实践的GC方案、以及标准化评价指标三个临床障碍展开,回顾了ICU Minimal Model、Glucosafe、Cambridge、ICING、UVA/Padova等代谢模型及虚拟患者模拟器在GC设计中的应用。文章指出基于模型的预测性控制(如LOGIC-Insulin、eMPC、STAR)在多项研究中显示低低血糖率(按患者<5%)和良好泛化性,并提出包括时间在目标范围内、严重低血糖发生率、测量频率等最低标准化报告指标及一系列推荐。

要点

  • 基于模型的预测性GC系统(LOGIC-Insulin、eMPC、STAR)在多种患者和中心显示低低血糖率(按患者<5%)和良好泛化性。
  • STAR是唯一同时控制胰岛素和营养输入的TTR系统,中间血糖带时间接近80%,测量频率10–13次/天。
  • eMPC工作量为14–18次测量/天,高于标准护理,提供改善的护理和安全性但增加潜在工作量。
  • 所有GC报告应至少包括:目标带内时间、严重低血糖(血糖<2.2 mmol/L)患者数或血糖<3.9 mmol/L百分比、每天每患者血糖测量次数。
  • 新GC方法应在经验证的虚拟试验中初始评估和优化,最终安全性和性能验证必须来自临床(先导和/或随机)试验。

适用人群与场景

  • 危重症成人患者,适用于ICU场景的血糖控制。

诊断标准与关键阈值

  • 允许性高血糖的“软”目标范围为8.0–10.0 mmol/L,以避免低血糖。
  • 良好性能的指标为:90%或更多患者血糖在4.0–7.0和/或5.0–8.0 mmol/L带内的时间>50%。
  • 严重低血糖定义为血糖<2.2 mmol/L;低血糖定义为血糖<3.9 mmol/L。

处置流程与药物剂量

  • 基于模型的预测性GC方法(如LOGIC-Insulin、eMPC、STAR)可改善血糖控制质量和安全性,其中STAR同时控制胰岛素和营养输入。
  • GC应至少在某种程度上考虑营养作为输入,不应“碳水化合物盲”;即使闭环系统可能无需营养输入运行。
  • 新GC方法应在经验证的虚拟试验中进行初始评估和优化,最终安全性和性能验证必须来自临床(先导和/或随机)试验。
  • 在任何ICU进行GC试验前,应先进行先导试验,证明80%或更多患者可达到所需的安全有效GC水平,除非所用算法已在多中心背景下验证。
  • 所有GC报告应标准化包括:性能—目标带内时间;安全—严重低血糖(血糖<2.2 mmol/L)患者数或血糖<3.9 mmol/L百分比;工作量—每天每患者血糖测量次数(标准差)或中位数(IQR)。

研究设计与关键结果

  • 本综述总结了危重症血糖控制的证据,指出高血糖、血糖变异性和GC相关低血糖与发病率和死亡率增加相关。
  • LOGIC-Insulin在单中心随机LOGIC-I试验中与标准护理比较显示良好结果,并在多中心试验中确认。
  • eMPC在多项试验中与标准护理比较表现良好,工作量14–18次测量/天。
  • STAR系统中间血糖带时间接近80%,测量频率10–13次/天,在不同队列和ICU中血糖结果几乎相同。

证据类型、等级与局限

  • 证据类型:综述,基于专家对生理学、临床和工程学证据的回顾。
  • 局限:原文未报告局限性

对床旁实践的改变

  • 作者建议采用基于患者个体模型的GC包括闭环系统,可提高GC质量;模型应自验证和交叉验证。
  • 作者建议GC应考虑营养作为输入,可能作为对照临床输入,参照国际指南目标喂养量。
  • 作者建议所有GC报告使用最低标准化数据集以利于比较和分析。
  • 作者建议ICU临床医生推动增加自动化并获取传感器和输注泵数据以独立处理GC方法,以提高安全性并减少工作量。

指南或共识出处

  • 2017年ISICEM工作组关于危重症人工胰腺的会议。

提炼说明

  • 原文未涉及「红旗征与不能漏的情况」,故未列出这些栏目。
全文中译11 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. 2018 Aug 2;22:182. doi: 10.1186/s13054-018-2110-1

背景

高血糖在重症监护中很常见,由多种反馈回路的复杂相互作用所致,这些反馈回路与免疫反应引起的炎症、反调节反应以及高血糖本身有关[1, 2]。内源性葡萄糖生成未被抑制[1]、某些药物(类固醇/儿茶酚胺)以及大量外源性给予的营养[3]会加重高血糖。此外还存在胰腺胰岛素分泌的抑制/丧失以及对胰岛素敏感性的丧失,导致胰岛素介导的葡萄糖摄取减少。因此,问题在于重症监护中是否需要“人工胰腺”或其他形式的闭环、高度个体化的血糖控制(GC),类似于1型糖尿病中出现的那些[4]。

迄今为止,在重症患者临床试验中,以获得代谢稳态为目标的血糖控制结果不一。严格GC可降低发病率和死亡率的初步结果[5–9]未能在大型前瞻性试验中重现[10–12]。使用更先进方案的较新随机试验也未改变总体方向[13]。然而,近期一项观察性分析[14]间接支持这一概念,即血糖改变而非潜在的患者或代谢状况导致死亡率增加,因此GC很重要且需要做好。因此,使用较高的血糖目标以确保避免低血糖可能还不够好,这重新引发了关于GC的一些辩论,即如何提供一致、安全、有效的管理。然而,在临床、科学和技术方面,重大问题阻碍了安全有效的GC——这篇简短的最新综述讨论了这些问题,并据此提出了一系列建议。

有效的GC方案或人工胰腺应提供类似于正常受试者的胰岛素。在血糖正常的个体中,胰岛素敏感性与胰岛素分泌之间存在双曲线关系,由此引出处置指数概念,即根据胰岛素敏感性校正的胰腺β细胞功能指标[15]。研究表明,重症患者的胰腺功能紊乱[1],表现出与2型糖尿病相似的特征[16, 17],即在胰岛素敏感性降低的背景下胰岛素分泌不足。因此,如同糖尿病患者一样,由于炎症和应激激素的作用,处置指数降低。在重症疾病和2型糖尿病中,高血糖均源于第一时相胰岛素反应的降低[18, 19]。然而,在2型糖尿病中发现的基因标志物与结局之间的关联并未在重症疾病中发现[20],且重症疾病中的胰腺功能变化与肥胖或饮食无关[21]。因此,2型糖尿病和重症监护高血糖均可表现为胰岛素敏感性降低、胰岛素清除减少以及胰岛素分泌增加不足,从而导致高血糖。这些效应在重症患者中可在非常短的时期内显得更为严重,且其原因不同。在两种情况下,胰腺既不能提供必要的胰岛素,也不能完全抑制肝葡萄糖生成。

胰腺连接着一个连续、准确的葡萄糖“传感器”,以指导胰岛素分泌和控制。然而,尽管连续葡萄糖监测技术不断涌现[22],仍缺乏等效的“外源性”传感器。ICU中人工胰腺的基本要求包括:准确的实时或高频连续葡萄糖监测[23];持续静脉胰岛素输注;以及能够自动驱动静脉胰岛素泵的合适算法。一个具备准确连续葡萄糖监测和基于葡萄糖测量值进行计算机辅助胰岛素滴定的闭环系统,可以在不增加低血糖和护理人员工作量的情况下实现严格血糖控制。

然而,在科学和技术层面,创建有效的人工胰腺仍存在重大障碍。2017年ISICEM工作组针对重症监护中的人工胰腺问题,梳理并回顾了近期针对这些障碍的研究。后续章节定义了该领域的临床障碍,我们以此界定关键的科学和技术需求。随后我们针对每项需求提供简短的最新进展概述,最终形成一套改善重症监护病房(ICU)血糖控制(GC)的建议。

临床障碍

血糖控制临床研究结果的混杂性使该领域对以下数据的权重产生质疑:高血糖、高血糖变异性以及血糖控制相关低血糖与发病率和死亡率增加之间的相关性。其结果是推荐采用一系列“宽松”目标,实质上允许8.0–10.0 mmol/l的高血糖以避免低血糖[24],尽管有证据表明增加处于严格/中间血糖范围内的时间与改善预后相关[25–27]。因此,该领域正处于允许性高血糖与无法安全有效控制血糖之间的十字路口[14]。

事实上,安全严格的血糖控制已被证明难以实现[5, 7, 9]。血糖控制随机对照试验结果的分歧可能由试验间重要的方法学差异、依从性、经验、动机和/或方案差异来解释。显示严格血糖控制有积极影响的研究使用了准确的葡萄糖监测仪,并且在达到血糖目标方面总体上更为成功(例如[28])。在随后的非验证性研究中,处于目标范围内的时间较短。90%或以上患者达到血糖范围4.0–7.0和/或5.0–8.0 mmol/L的时间占比>50%被认为是良好表现的指标[25–27]。尽管只有部分患者可能从良好控制中获益[6],但无法直接识别这些患者要求对所有患者实施安全、严格的控制。

近期研究表明,血糖结局及其与发病率和死亡率结局的关联是所实施控制质量的函数[14]。虽然这一分析需要在更大队列中重复以确认,但它表明当前对允许性高血糖的接受可能带来风险,而血糖控制如果能够以更高的安全性和性能实施,则可发挥作用。特别是,如果没有更好的低血糖安全性,就很难评估严格血糖控制的效应是否有益。因此,个性化、针对患者的血糖控制——可能包括识别糖尿病状态或其他因素——提供了一条对所有患者安全有效的血糖控制途径[29],这反过来将使新的试验能够更好地评估获益。

个性化或患者特异性血糖控制(GC)将床旁GC数据转化为患者特异性代谢状态的准确表征。患者特异性模型可用于在计算机模拟中安全地设计GC算法,以最大限度地降低风险并避免因试错性临床方案设计而产生的混合结果。

进一步的临床障碍包括工效学和工作负荷[30, 31]。较差的工效学导致依从性不佳,从而导致控制效果和结局不佳且不一致[30]。工作负荷以及由此产生的自动化潜在需求进一步阻碍了临床采纳。传感器和/或泵完全自动化的新兴技术为研究自动化对工作负荷和GC质量的潜在影响提供了首批机会[32]。

最后一个障碍是无法充分地从既往工作中学习。许多研究不以相同方式报告结果,使用了众多不同的指标[33]。所报告的这些指标往往无法重建完整的结果分布,限制了对结果的全面理解。因此,难以从许多研究中提取重要的、可推广的经验教训。

需求陈述与目标

这些临床障碍产生了四项主要需求:A. 准确理解患者特异性的实时代谢状态。

开发一种经过验证的方法来设计适合临床实践的GC方法。

创建正确类型的安全、有效的GC,为所有患者提供良好的控制,同时具有可接受的工作负荷。

确定正确的指标集以评估GC的安全性和性能,且该指标集可跨研究推广。

这些需求引出了三个主要目标,以实现GC能力的跨越式提升。具体如下:模型和(虚拟患者)模拟器:解决需求A和B,使用计算机模拟方法安全地设计方案,并在使用中根据患者特异性代谢状态个性化护理。

控制(方法):解决需求C,现有许多方法,包括基于模型的和临床推导的,但很少有方法能提供一致的安全性和性能。

指标:直接解决需求D以及跨研究和方案比较安全性和性能以提炼经验教训和推进理解的困难。

图1概述了当前基于模型的GC中护士在环方法。将基于模型的决策支持方法替换为标准临床方案或护士驱动的护理,即展示了当今标准护理中使用的环路。图2显示了三个已确定的需求领域如何融入图1中的反馈环路,从而概述了总体综述,并展示了这些要素如何融入临床护理。

图1 基于模型的决策支持,以护士在环方式模拟人体胰腺,但最终实现自动化。测量数据和其他数据被提供给决策支持系统,该系统识别患者特异性信息(如胰岛素敏感性)以个性化模型。控制方案使用这些数据生成个性化的患者护理建议。将基于模型的决策支持替换为临床方案,即得到标准护理 查看原图 ↗
图2 与图1总体基于模型的控制环路相关的三项主要需求 查看原图 ↗

模型与虚拟患者模拟器

代谢系统模型

人体代谢模型有多种,主要是确定性房室模型,其中包含代表相关生理行为的特定项[34],以及没有直接生理类比或相关性的黑箱模型或数据驱动模型。鉴于需要利用有限数据识别患者特异性代谢状态以实现个性化GC,本节重点关注较简单的模型,这些模型模拟和/或个性化所需的最低基本模型输入为所给予的胰岛素和营养以及血糖测量值,但也可以更多。然而,由于已研究的模型数量众多,不可能对所有可能的模型进行完整讨论,因此本节重点关注用于重症监护和创建虚拟患者的模型,具体包括:ICU最小模型[35]。

Glucosafe模型[36]。

Cambridge模型[37]。

ICING模型[38, 39]。

UVA/Padova模型[40]。

每种模型均已用于创建计算机模拟虚拟患者,因此已超越有限的临床试验,转向用于优化治疗的工程设计工具。

ICU最小模型基于Bergman最小模型[41],并用于设计LOGIC控制器[42]。它的生理相关性最低,使用最少数量的项汇总所有葡萄糖出现和消失途径,因此在模型项与特定生理现象直接相关的具体程度上最低。从两个模型参数推导出的胰岛素敏感性参数的识别使其具有患者特异性。它已在临床上使用,并显示出优于护士管理的GC的控制效果,这是最终形式的验证[43]。

Glucosafe源自早期形式的ICING模型和糖尿病模型[44]。胰岛素敏感性从数据中识别,并用于创建虚拟患者[36]。Glucosafe的生理相关性高于ICU最小模型。然而,它在初步GC试验中表现出有限的性能[45]。

Cambridge模型具有高度生理相关性[37],是根据ICU中频繁采样的床旁数据开发的,并已用于重症监护中GC的模拟和设计。它使用识别出的时变胰岛素敏感性来指导治疗并减少误差[46]。

ICING模型也具有高度生理相关性,具有可从床旁数据识别的胰岛素敏感性参数,并已用于虚拟患者[39, 47]、GC设计[48, 49]和实时GC[49, 50]。

UVA/Padova模拟器是为1型糖尿病开发的[40]。它不是单一模型,而是具有极高生理相关性和细节的子模型集合。然而,给定的胰岛素敏感性或其他关键参数不一定能从床旁数据中识别,这限制了其仅用于通用患者的模拟,因此尚未经过临床使用验证。

虽然这一简要概述并非详尽无遗,但它清楚地强调了需要满足三个主要标准的“有效模型”。第一,一个可识别的胰岛素敏感性参数,能够捕捉患者对胰岛素/营养输入的特异性血糖反应,以实现个性化。第二,具有足够大的生理相关性程度,以确保所识别的参数能够准确捕捉患者特异性行为,从而可用于设计和/或指导诊疗。第三,通过用于设计或实施安全、有效的血糖控制(GC)进行严格验证。这些问题相互关联,因此将在后续章节中从以下角度进行综述:将这些模型作为虚拟患者用于设计和指导诊疗,以及其随后在指导GC中的应用。

虚拟患者与模拟器

给定一个代谢模型以及识别关键参数以个性化该模型所需的胰岛素、营养和血糖数据,就可以创建一个虚拟患者。虚拟患者由代谢模型与临床患者数据的组合构建而成,创建该患者的计算机模拟(in-silico)表征,可在其上测试新的治疗方法,要么用于创建新方案和/或实时在床旁安全有效地指导诊疗。因此,代谢模型捕捉行为,而虚拟患者模拟器利用该模型结合临床数据来模拟患者行为,以设计新的治疗方法。

虚拟患者有两种类型:通用/队列特异性:由临床数据或模型参数选择创建,捕捉总体患者类型或行为。

克隆/患者特异性:直接由临床数据创建,捕捉特定患者的实际患者特异性反应,因此已从他们的临床数据创建了患者的计算机模拟模型“克隆”,其响应和行为方式与实际患者相同。

通用虚拟患者使用一组临床数据来拟合通用的、队列范围的模型参数,这些参数经过扰动以创建逼真的队列。模拟仅对预测队列水平的反应有效,例如平均血糖和变异性、低血糖安全性以及所需的胰岛素/营养输入。然而,特定的虚拟患者结果可能不切实际。例子包括剑桥模拟器[37, 51]、Zealand模拟器[52]、UVA/Padova模拟器[53]、Medtronic模拟器[54]以及糖尿病中的ICU最小模型模拟器[35]。剑桥模型已捕捉到ICU队列的中心趋势[55]。

从患者数据中克隆特定患者以创建计算机模拟、计算机模型模拟的情况较为罕见。UVA模型曾用于单日克隆[56],剑桥模型用于重症监护中的多日克隆[37, 51, 55]。Glucosafe[36]曾被用于创建多日ICU患者克隆用于临床GC[45];然而,临床结局与现实的匹配程度不如预期。最后,ICING模型及其前身曾被用于创建多日虚拟患者克隆,以设计和实施多种GC方案。预测的队列水平血糖结果与随后的临床结果相匹配(如[49]),每患者血糖中位数具有良好的相关性,表明克隆的虚拟患者是良好的代表[39, 47]。

创建虚拟患者以设计血糖控制(GC)方案时,首要关注的是虚拟患者模拟的结果能否在给定方案临床实施时准确预测临床安全性、性能和工作负荷。准确预测模型临床实施后的情况,可为模型和虚拟患者模拟器具有足够保真度提供保证,使其能够有信心地设计出在安全性、性能和工作负荷方面可靠的方案,并具有用于实时GC决策支持的保真度。在这方面,只有Cambridge和ICING模拟器取得了良好结果。迄今为止,只有ICING和Cambridge模型使用了独立队列和方案进行了验证[39, 47, 55]。

使用虚拟患者进行GC方案设计可高效预测临床使用中的GC安全性和性能。因此,它可以限制不良结果,特别是可轻易避免的方案设计错误所致的不良结果。主要障碍是经验证的模型数量较少。

控制

血糖控制和决策支持

使用半自动化(人在回路中)或全自动胰岛素/营养给药进行GC是一个长期研究领域。自动化程度提高会带来技术风险,但可显著降低工作负荷、人为错误和依从性风险。然而,两种方法使用相同的GC方案,因此本节重点讨论实施控制的两种主要方式。具体而言,即使用反馈方法回顾过去,以及使用预测方法展望未来。两种方法均可使用模型进行个性化,不过个性化通常仅用于预测方法。

反馈控制

反馈控制获取血糖测量值和其他输入,并针对当前状态和/或自上次测量/干预以来的变化建议干预措施。

最著名的反馈控制系统是基于纸质或计算机化的临床方案,通常从简单的静态滑动量表到更复杂的动态量表不等。静态量表仅根据血糖水平调整胰岛素。它们是最简单的系统,不提供适应性,采用“一刀切”的方法,因此本质上假设增加胰岛素呈线性效应,并假设所有患者具有相似的胰岛素敏感性[57]。动态量表根据患者所处血糖范围及既往反应改变胰岛素剂量。Leuven[7]、Krinsley[9]和NICE-SUGAR[11]方案均为动态量表。然而,许多方案并未直接考虑或控制营养,导致反应出现显著差异[58]。

比例-微分(PD)和/或比例-积分-微分(PID)控制器的作用类似于复杂的动态标尺。每次胰岛素干预均基于血糖与目标值的误差(P)、该误差的变化率(D)以及误差曲线下面积(I)。P、I、D增益利用最近的血糖测量值乘以这些数值来计算胰岛素剂量。重症监护中的PID控制和类似动态标尺包括商业化系统Endotool(Monarch Medical,美国)[59]、GRIP [60]、Glucommander(Glytec Systems,美国)[61]、GlucoCare(Pronia Medical,美国)[62]和GlucoStabiliser(Medical Decision Network,美国)[63],以及若干研究工具[13, 14, 64–66]。优点包括简单和易于自动化。缺点包括缺乏显著的患者特异性——仅通过患者对胰岛素的个体化血糖反应间接体现——以及缺乏关于营养或(通常)既往胰岛素剂量的输入信息。这些缺点可导致在更大规模、异质性队列中患者间变异度增大。

总体而言,临床方案或动态标尺的性能优于静态滑动标尺,但不及PID控制。更成功的方案包括围绕体内活性胰岛素、患者特异性反应和/或生理性输入进行的改良。尽管这些模型改善了安全性和性能,但其临床工作负荷增加程度与无自动化系统相似。

与所有其他反馈控制器不同,SPRINT [5]控制营养。该方案通过虚拟试验开发[47, 48],利用隐式计算的患者特异性胰岛素敏感性来调节胰岛素和营养。因此SPRINT更具患者特异性,并且是唯一与血糖、死亡率和低血糖减少相关的方案。该研究[5]的主要信息是在安全有效的血糖控制(GC)中需要考虑营养,而基于模型的预测控制器可以做到这一点。

预测控制

预测控制需要一个模型,该模型获取当前测量值和其他输入,识别患者特异性模型参数以实现控制个体化,并利用患者特异性模型预测胰岛素/营养干预的结果以优化血糖性能。该模型直接用于控制回路中。

尽管已有若干基于模型和预测性控制器在短期或有限试验中进行了测试,但仅有少数被常规用于大型试验[42]或作为标准治疗[50, 67]。有两种基本方法:目标值法(TTV),即将血糖控制至指定目标值;以及目标范围或风险法(TTR),即将血糖控制至指定的低血糖或高血糖风险。

LOGIC-Insulin系统是一种TTV方法,营养由临床设定而不受控制。随机、单中心LOGIC-I试验[42]将某以护理主导血糖控制著称的病房的标准治疗与LOGIC-Insulin基于模型的治疗进行比较,结果非常好。该性能在多中心试验[43]中得到证实,但在原研究病房中尚未成为标准治疗。

TTV eMPC(德国贝朗)[46]已在多项试验中使用[66–69],用于控制胰岛素输注,营养方案由临床设定。与标准治疗相比,eMPC表现良好[66, 69]。跨中心和队列的比较显示性能相似但不完全相同[67, 68]。工作量为每天14–18次测量,因此高于标准治疗。因此,eMPC提供了改善的护理和安全性,但增加了潜在工作量。它在一些ICU中常规使用。

STAR是唯一的TTR系统,同时控制胰岛素和营养输入[49, 70],使用基于风险的随机预测[71]。它是唯一直接考虑未来变异的GC系统。STAR具有良好的性能和安全性,包括在中间血糖范围的高时间比例,在每天10–13次测量下接近80%[50]。它具有良好的泛化性,在非常不同的队列和ICU中血糖结局几乎相同[50]。值得注意的是,只有eMPC和LOGIC-Insulin显示了类似的泛化性。

所提到的三种基于模型的系统低血糖发生率都非常低(按患者计< 5%),并且具有很强的泛化性。这些结果表明,预测性的、基于模型的方法可以克服阻碍其他几项试验的许多障碍。

总之,目前,除了美国一些医院使用的PID反馈系统[61–63]外,三种基于模型的预测性GC方法已在多种患者类型和中心中被证明可靠。两种方法在多家医院用作标准治疗,其中一种有新生儿ICU版本[72],用作标准治疗并用于一项随机试验[73]。两种方法都考虑营养,但只有一种控制营养,这可能解释性能上的一些差异。总体而言,成功的基于模型的GC考虑了患者特异性因素。患者的代谢状态在疾病过程中不断演变,因此该方法在给定患者内以及患者之间按需提供调整。

指标和推荐的最低标准

血糖报告指标多种多样[33]。鉴于将器官衰竭和死亡率与目标范围内时间联系起来的重要分析[6, 25, 27],范围内时间百分比应作为标准的队列和患者层面指标。与中位数(IQR)或均值(标准差)不同,达到给定阈值的范围内时间(例如,血糖在4.0–7.0 mmol/L范围内> 50%的患者)捕捉了集中趋势(均值或中位数)和变异性(IQR、标准差)。更高的阈值表明对给定队列或患者在给定血糖范围内更严格的控制。

为评估几种可能范围中的任何一种,应报告队列累积分布函数(CDF)或s曲线。这种方法使得任何范围内时间都可被评估。这些CDF可以按患者汇总,并提供一个显示所有可能的范围内时间结局的数据集,从中可以方便地进行比较。

为安全性考虑,应报告血糖< 3.9 mmol/L的百分比以及有一次或多次血糖< 2.2 mmol/L发作的患者的百分比。

工作量至少可以以每天测量次数来报告,因为测量是工作量的主要来源[31],但可以加上其他GC相关的工作[30]。

所有这些指标都应包括从血糖控制(GC)开始之日起所有住院日的所有患者。这些建议为跨队列、试验和出版物的常规和标准化比较提供了最小数据集。任何其他分析或数据报告都将是对这一最小数据集的补充。

总结建议

基于对危重症患者血糖控制当前最新技术水平的概述和分析,提出以下建议以促进安全性、质量、一致性和临床采纳:基于患者特异性模型的血糖控制,包括闭环系统,随着计算技术日益渗透重症监护病房(ICU),可以提高血糖控制的质量:模型应经过自我验证和交叉验证;

对于新的血糖控制方法,应考虑在经验证的虚拟试验中进行初始评估和优化;

安全性和性能的最终验证必须在临床(试点和/或随机)试验中完成。

血糖控制当然可以考虑将营养作为输入,也可能将其作为对照性临床输入,与国际指南目标喂养量进行对照。任何血糖控制护理都不应“对碳水化合物视而不见”,即使闭环系统可能在无营养输入的情况下运行。

除非所使用的算法已在多中心环境中得到验证,否则在任何参与的ICU中,不应在未先进行试点试验的情况下开展血糖控制试验,该试点试验应证明80%或以上的患者能够获得安全、有效的血糖控制达到预期水平。每个潜在的试验中心必须证明其能够安全且持续地达到试验方案中所述的预期血糖控制水平。

为实现比较和分析,所有血糖控制报告应具有最低标准化数据集,报告性能、安全性和工作量,包括:性能——在期望目标范围内的时间;

安全性——发生严重低血糖(血糖<2.2 mmol/L)的患者数量或血糖<3.9 mmol/L的百分比;

工作量——每名患者每天由工作人员采集或自动化(如适用)血糖测量的平均次数(标准差)或中位数(IQR);

性能(可选)——队列血糖的累积分布函数(CDF),提供所有可能的目标范围内时间范围,使比较更加容易;

性能(可选)——每名患者血糖的累积分布函数(CDF)。

ICU临床医生应推动提高自动化程度,并获取传感器和输液泵数据以独立处理血糖控制方法,从而提高安全性并减少工作量。

结论

血糖控制已被证明难以为所有患者安全有效地实现,而建模和基于模型的方法为实现安全有效的控制提供了潜在的重要途径。在本综述中,权威专家讨论了这一证据,报告了来自医学和工程学的相关报道,并提出了如何在危重症患者中实现安全有效的血糖控制,最终寻求模拟胰腺功能。本综述以简明建议结尾,旨在推进重症监护中血糖控制的安全性、质量、一致性和临床采纳,为更好的、更个性化的代谢护理和改善患者预后提供路线图。

参考来源

  1. Chase JG, Desaive T, Bohe J, et al. Improving glycemic control in critically ill patients: personalized care to mimic the endocrine pancreas. Crit Care. 2018. PMID: 30071851. doi:10.1186/s13054-018-2110-1
  2. 全文:PMC6091026(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6091026/

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。