文献速递重症综合管理与镇静镇痛儿科与产科急症

CIPHER多变量临床风险预测模型的开发与内部验证

Development and internal validation of the multivariable CIPHER (Collaborative Integrated Pregnancy High-dependency Estimate of Risk) clinical risk prediction model.
PubMed 文献 · Crit Care · 2018-10-30
一句话结论CIPHER模型可预测产科ICU患者死亡或需长时间器官支持的风险,内部验证AUROC 0.82,但作者认为临床应用前需外部验证。

本研究基于11个国家13个中心的回顾性队列,纳入2000年至2012年孕期或产后6周内入住ICU超过24小时的769例孕妇或近期分娩妇女,构建并内部验证CIPHER多变量logistic回归模型,预测复合终点(孕产妇死亡、器官支持超过7天或急性救命干预)。127例(16.5%)发生不良结局。最终模型纳入10个预测变量,内部验证后AUROC 0.82(95%CI 0.81-0.84),校准斜率0.92(95%CI 0.91-0.92),截距-0.11(95%CI -0.13至-0.08)。作者认为CIPHER有潜力作为实用的风险预测工具,但需外部验证后方可临床应用。

要点

  • CIPHER模型纳入10个预测变量:年龄、24小时内手术、收缩压、GCS评分、血钠、血钾、aPTT、动脉血气pH、肌酐和胆红素。
  • 内部验证后CIPHER对复合终点(死亡、器官支持超过7天或救命干预)的AUROC为0.82(95%CI 0.81-0.84),校准斜率0.92、截距-0.11。
  • 风险分层显示:最高风险组(预测概率≥50%)不良结局发生率66.1%(n=59),LR 27.97(95%CI 16.91-46.27);阈值设为>25%时LR 9.18(95%CI 6.16-13.69)。
  • 在低/中等收入国家亚组AUROC为0.851(95%CI 0.812-0.894),高收入国家亚组为0.774(95%CI 0.663-0.868),后者置信区间下限低于0.7。
  • 作者认为CIPHER可用于识别高危孕妇、告知患者风险及调整基线风险进行中心间结局比较,但临床应用前需外部验证。

适用人群与场景

  • 孕期或产后不超过42天、入住ICU超过24小时的妇女,纳入时间为2000年1月1日至2012年12月31日,来自13个中心(11个国家:加拿大、美国、爱尔兰、荷兰、澳大利亚、巴西、阿根廷、约旦、土耳其、巴基斯坦、中国)。
  • 排除标准:入住ICU不足24小时且非孕期或近期妊娠者、19个候选预测变量中缺失≥10个者、缺失主要结局信息者、入住前已符合主要结局定义者。

诊断标准与关键阈值

  • 复合主要结局定义:孕产妇死亡(孕期或分娩后42天内)、器官支持超过7天或急性救命干预,三者任一或组合。
  • 器官支持/救命干预包括:呼吸支持(CPAP、BiPAP或有创通气)、心脏支持(正性肌力药或血管加压药)、急性肾衰竭的持续肾脏替代治疗、肝脏支持(肝移植及肝衰竭其他管理如通气和循环支持、颅内压升高和肾衰竭管理、乙型肝炎药物治疗如拉米夫定、Budd-Chiari综合征抗凝)、血液学支持(输注至少5单位血制品)、神经支持(GCS评分<10)、子宫支持(不可控出血或感染导致子宫切除)。
  • 风险分层阈值:CIPHER评分至少50%预测概率定义为高风险组(阳性检测);在资源允许或担心漏诊真阳性时可将高风险阈值设为>25%预测概率。

研究设计与关键结果

  • 研究类型:回顾性观察性队列研究,来自13个中心(11个国家),纳入769例孕妇或近期分娩妇女,127例(16.5%)发生主要不良结局,其中59例(7.7%)为孕产妇死亡,68例(8.8%)仅需器官支持。
  • 最终CIPHER模型纳入10个预测变量:年龄、24小时内手术、收缩压、GCS评分、血钠、血钾、aPTT、动脉血气pH、肌酐、胆红素。
  • 内部验证后AUROC 0.82(95%CI 0.81-0.84),校准斜率0.92(95%CI 0.91-0.92),截距-0.11(95%CI -0.13至-0.08)。
  • 风险分层:最低两组(54.1%,n=416)不良结局率3.8%(n=16);最高风险组不良结局率66.1%(n=59),LR 27.97(95%CI 16.91-46.27)。
  • 亚组分析:产前/产时入住ICU亚组AUROC 0.84(95%CI 0.78-0.91),产后亚组0.83(95%CI 0.79-0.89);产科原因亚组0.85(95%CI 0.80-0.90),非产科原因亚组0.82(95%CI 0.76-0.88);低/中等收入国家亚组0.851(95%CI 0.812-0.894),高收入国家亚组0.774(95%CI 0.663-0.868)。
  • CIPHER预测单纯孕产妇死亡的AUROC为0.87(95%CI 0.86-0.88);APACHE 2评分在完整数据433例中预测死亡的AUROC为0.84(95%CI 0.72-0.96)。

证据类型、等级与局限

  • 证据类型:回顾性观察性队列研究,模型开发与内部验证。
  • 局限:回顾性研究设计;数据录入不完整导致缺失数据;部分中心存在未测量的变量,无法纳入最终模型;超过100例因高度缺失数据被排除,导致数据集小于样本量计算目标;临床医生未对建模变量结果设盲,CIPHER易受治疗悖论影响,尤其术后状态可能同时改变入住ICU和干预阈值及监测强度;各中心结局发生率存在差异,88.6%的结局发生在低/中等收入国家中心,57.6%仅发生在巴基斯坦中心;作者建议在每个环境中进行外部验证并在需要时重新校准后方可临床应用。

对床旁实践的改变

  • 作者认为CIPHER可用于识别产科ICU中最高危的不良结局患者、协助告知患者及家属风险,并调整基线风险进行中心间结局比较。
  • 作者建议在临床使用前需在每个环境中进行外部验证,必要时重新校准。
  • 在资源允许处理额外病例量或担心漏诊真阳性时,作者认为将高风险阈值设为>25%预测概率仍提供信息(LR 9.18,95%CI 6.16-13.69),假阳性率仅小幅增加。

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22 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 Oct 30;22:278. doi: 10.1186/s13054-018-2215-6

背景

在医疗机构中于妊娠期间或产后不久死亡的妇女,若具备重症监护病房(ICU),大多数死于ICU [1–3]。孕产妇入住ICU既可由产科并发症引起,也可由非产科并发症引起;约三分之二的入住为产科原因,如出血、子痫前期和脓毒症,三分之一为孕产妇内科或外科并发症 [1–3]。

ICU临床预测模型——包括急性生理与慢性健康评估II(APACHE II)、APACHE III、多器官功能障碍评分(MODS)、简化急性生理评分3(SAPS 3)和脓毒症相关器官衰竭评估(SOFA)——是在普通ICU人群中开发的,用于评估不良健康结局(如死亡或严重疾病)的可能性,并指导咨询和临床决策 [4–8]。然而,大多数ICU结局预测模型是在高收入国家(HICs)的普通重症监护人群中设计的,其在产科人群和低中收入国家(LMICs)中的应用存在争议。这些普通ICU预测规则往往将孕产妇死亡风险高估高达20倍 [1]。仅有两个例外,即用于脓毒症风险的SOFA评分和孕产妇严重程度指数规则 [9, 10]。尚无专注于产科的ICU风险模型被开发用于预测孕产妇死亡或器官支持时间延长——该结局反映严重孕产妇疾病,且在死亡并不常见的产科人群中(即使在ICU中)具有更大的相关性。

孕产妇早期预警评分正在全球许多地区的产科护理中被采用。这些评分在验证时结果不一 [11],且仅适用于入住ICU之前的护理。鉴于妊娠期和产后的独特生理,需要针对ICU环境制定新的妊娠特异性临床预测规则 [12, 13]。我们的目标是开发并内部验证具有全球相关性的CIPHER(协作整合妊娠高危风险估计)模型,以预测因重症监护而入院的妊娠期和产后妇女的死亡或严重疾病。

方法

研究设置

来自11个国家的13个设有ICU的合作中心为CIPHER队列提供了数据。这些中心是通过对已发表的产科ICU队列文献综述确定的。在初步联系以确定研究者是否有合作意向后,向他们发送了一份调查问卷,以确保该机构适合参与CIPHER队列。该调查评估了每个ICU中心可用的人力资源、干预措施和基础设施,以确保各中心在所提供的护理类型方面相似。HICs位于加拿大、美国、爱尔兰、荷兰和澳大利亚。LMIC中心位于巴西、阿根廷、约旦、土耳其、巴基斯坦和中国。(详情请见附加文件1:表S1。)

纳入和排除标准

纳入标准为2000年1月1日至2012年12月31日期间入住重症监护病房超过24小时且已知处于妊娠状态(入住ICU前或期间确诊)或产后不超过42天的女性,不论妊娠持续时间。入住不足24小时且既非妊娠也非近期妊娠的女性被排除,缺失10个及以上候选预测变量的女性、缺失主要结局信息的女性或在入住前即符合主要结局定义的女性也被排除。

数据收集

我们使用标准化的数据收集表格和方案,对所有中心的纸质和电子病历进行了回顾性病历审查。数据录入到一个定制化的、安全的在线RedCAP®数据库。所有数据均经过质量和一致性审查。当数据可靠性出现疑问时,通过重新审查原始健康记录予以确认。

主要结局

复合主要结局定义为以下任一项:(i) 妊娠期间或分娩后42天内的孕产妇死亡,或(ii) 器官支持超过7天,或(iii) 挽救生命的干预措施,或上述各项的组合。该复合结局中纳入的器官支持和挽救生命的干预措施按器官系统定义,并作为严重孕产妇疾病的替代指标。具体而言,器官支持结局包括以下一项或多项:(1) 呼吸系统(持续气道正压通气(CPAP)、双水平气道正压通气(BiPAP)或有创通气);(2) 心脏(使用正性肌力药或血管升压药);(3) 针对急性肾衰竭的连续性肾脏替代治疗;(4) 肝脏(肝移植及其他肝衰竭管理(例如通气和循环支持)、颅内压升高和肾衰竭的管理,以及乙型肝炎病毒的药物治疗(例如拉米夫定),以及Budd-Chiari综合征的抗凝治疗);(5) 血液系统(输注至少5单位血制品);(6) 神经系统(格拉斯哥昏迷评分低于10分);或(7) 子宫(无法控制的大出血或感染导致子宫切除术)。这些定义经研究工作组共识达成,并基于APACHE研究[5]中使用的器官支持定义和世界卫生组织(WHO)近失事件方法[10]。

样本量

该样本量估算基于开发回归系数无偏估计的风险预测模型的经验法则[14]。使用公式——[N = (n × 10) / I]——计算样本量,其中N = 所需样本量,n = 待检验的变量数,I = 复合不良结局的发生率[14]。我们根据已发表的报告假设,因产科原因入住重症监护的女性中孕产妇死亡或长时间器官支持的发生率I = 12%[15]。我们估计,在以假设事件率12%、n = 10个候选预测变量的情况下,开发一个可靠的、过拟合最小的模型,需要N = 833名女性的队列。

模型开发

缺失数据的处理

采用链式方程的多重插补法[16, 17]对缺失数据进行估计,迭代10次以生成10个完整数据集用于模型开发。两名分析人员重复了这一过程。我们假设数据为随机缺失[17]。对有无缺失数据的女性进行比较,以识别两组之间存在差异的所有临床、实验室和人口学变量。这些变量与所有选定的候选预测变量及主要结局一起纳入插补模型[18]。

候选预测变量的选择

最初,我们对现有的重症监护结局预测模型及其在妊娠期使用的证据进行了结构化文献综述,以确定候选预测变量[1]。该综述已在别处发表[1]。CIPHER模型考虑的变量包括患者人口学信息、既往健康状况、入住ICU的指征以及入住ICU后最初24小时内的临床和实验室测量指标。文献综述确定了43个可能纳入建模过程的变量。在排除所有研究中心均非常规可获得的变量(定义为数据集中缺失值超过30%)后,并通过与CIPHER团队中参与的重症监护、母胎医学和流行病学专家进行反复讨论,以识别对每个变量在不同研究环境中的测量可推广性和临床政策相关性的关切,该变量列表经精炼和缩减至19个。

作为最后一步,使用Pearson相关系数(针对连续预测变量)或卡方检验(针对分类变量)来评估每个插补数据集中候选预测变量之间的相关性。当怀疑存在共线性时,通过研究工作组内的协商,根据感知的临床价值、测量的可靠性和可获得性来选择保留哪个变量。然后将14个最具临床相关性、可获得且不相关的变量纳入最终变量选择步骤(图1)。

使用LASSO(最小绝对收缩和选择算子)方法进一步减少候选预测变量的数量,并选择纳入CIPHER模型的最终变量[19]。LASSO通过惩罚具有更多和更大系数的模型来选择变量。这需要选择对这些项进行惩罚的程度。在本分析中,每个插补数据集中的惩罚项通过10折交叉验证来选择。该过程产生了多种可能的惩罚“大小”,每个数据集中产生最小受试者工作特征曲线下面积(AUROC)的惩罚值被选为使用的惩罚项。在变量选择的这一阶段,对于任何因已知在高水平和低水平时临床风险均增加而被假定与结局存在非线性关系的候选预测变量,均评估了平方和立方变换。这些变量在LASSO模型开发之前被确定为产妇年龄、血压、血清钠和白细胞计数。

使用R中的glmnet包构建LASSO模型[20]。在每个插补数据集中重复该变量选择技术,共得到10个模型。事先,我们将最终CIPHER模型的纳入阈值设定为在七个或更多插补数据集的LASSO模型中保留非零系数的任何变量。在少于七个LASSO模型中保持非零系数的变量将不被保留用于最终参数估计。

图1 选择预测变量纳入CIPHER(协作整合妊娠高危风险评估)模型的过程。缩写:ABG 动脉血气,ALT 丙氨酸氨基转移酶,AST 天冬氨酸氨基转移酶,BMI 体重指数,FiO2 吸入氧分数,ICU 重症监护病房,INR 国际标准化比值,LASSO 最小绝对收缩和选择算子,LDH 乳酸脱氢酶,MAP 平均动脉压,SaO2 氧饱和度。 查看原图 ↗

估计参数效应

使用多变量logistic回归在10个插补数据集中分别估计所选预测变量的变量效应。然后使用STATA中通过mi estimate命令实现的Rubin规则生成最终的合并效应估计[21]。

评估模型性能

最终模型的区分能力基于AUROC进行评估[22]。此背景下的区分度是指模型区分有结局和无结局女性的能力。AUROC大于0.7表明模型区分度良好。

模型校准通过将不良孕产妇结局预测概率的十分位数与每个十分位数中的观察发生率作图,并使用R中“rms”和“calibrationcurves”包[23, 24]通过局部加权散点平滑(lowess)拟合平滑线来评估。该平滑线用于确定校准斜率和截距[25]。这些校准指标用于描述预测概率与观察结局相比的准确性,并被视为模型拟合优度的指标。理想情况下,斜率应接近1,截距为0。对每个插补数据集分别估计区分度和校准指标,然后使用Rubin规则进行合并。所呈现的图形使用数据集中每位女性的合并线性预测值绘制。

使用风险分层表评估模型分类准确性和分层能力。分类准确性定义为模型将有结局的病例分入较高风险组、将无结局的病例分入较低风险组的能力,分层能力定义为模型将人群分为不同风险组的能力,二者均提供关于模型校准的额外信息。一个有用的模型会将人群分为不同的风险组,使得大多数结局病例具有较高的预测概率,而其余病例具有明显较低的预测概率,中间者寥寥。

分层表中的类别被定义为围绕人群患病率平衡。通过围绕人群患病率进行平衡,我们定义了可能与该患病率本身(代表总人群风险)具有有意义差异的风险组。具体而言,最低和最高组的预测概率设定为约患病率的三倍和三分之一。我们计算了每个风险组的灵敏度、特异度、阳性预测值、阴性预测值和似然比(LRs)。阳性检测定义为使用每个风险组预测概率范围的上限,但LRs的计算除外,其遵循Deeks和Altman的方法[26]。本研究中使用这些诊断准确性指标来描述模型在作为决策规则使用所定义风险组实施时的潜在准确性。LRs解释使用以下类别:强信息性(LR <0.1或>10)、中等信息性(LR 0.1–0.2或5–10)和无信息性(LR 0.2–5)。通过评估模型在研究数据各亚组中的性能来检验模型拟合的均匀性,包括高收入国家(HIC)与中低收入国家(LMIC)、产前与产后入院,以及产科与其他入院指征的病例。

模型内部验证与乐观度校正

使用Efron增强 bootstrap 方法[27]在10个插补数据集中分别评估模型的内部验证。该方法细节已在先前描述[28, 29]。模型乐观度针对区分度(AUROC)计算为 bootstrap 程序200次迭代后 bootstrap 样本中模型性能与原始插补数据集之间的平均差异。这产生10个平均乐观度估计值,使用Rubin规则汇总以生成最终乐观度结果。

此外,校准斜率和截距的内部验证在 bootstrapping 程序中使用与上述相同的方法完成。对于这些模型拟合指标,我们计算了每个 bootstrap 模型应用于其原始插补数据集200次迭代的平均斜率和截距。这产生10个平均斜率和截距,然后使用Rubin规则汇总以生成最终内部验证的模型校准指标。

所有分析最初在R中使用“mice”、“rms”、“calibrationcurves”和“glmnet”包进行。参数估计和模型性能估计的汇总由第二位分析员使用STATA 13.0版重复以确认结果。

结果

在13个研究站点,对876名符合纳入标准的合格女性完成了回顾性病历审查。我们排除了107名女性;其中93名被排除是因为她们在插补步骤中纳入的19个候选预测变量中至少缺失10个,14名因为缺失结局数据。最终确定769名女性的队列进行分析。

研究人群的特征见表1,比较了发生和未发生先前定义的死亡或疾病这一主要不良结局的妇女。发生主要不良结局的妇女更年轻,更常通过私人机构获得医疗服务,因非产科原因入院,在妊娠更早期入住ICU且入住时间更长,并有更多的早期妊娠丢失和死胎。127名(16.5%)妇女观察到主要结局。其中,59名(7.7%)为孕产妇死亡,68名(8.8%)仅需要一种或多种器官支持。最常见的器官支持结局是需要呼吸支持(表2)。

表1 研究人群的特征 查看原表 ↗
表2 主要结局各组成部分的发生率和定义 查看原表 ↗

插补

对有无缺失数据的妇女进行比较显示,有缺失数据的妇女病情较轻,ICU住院时间较短(附加文件1:表S3)。为本研究指定的插补模型包括在有或没有一个或多个缺失的所选预测变量之间存在差异的所有变量,以最好地解释这些差异。在插补数据(表3)和完整病例队列(附加文件1:表S2)中估算的所有候选预测变量的单变量比值比相似,并且使用插补数据生成的估计值中观察到了预期的精度提高。

表3 从10个插补数据集中汇总的所选候选预测变量的单变量和多变量比值比 查看原表 ↗
表4 最终CIPHER(协作整合妊娠高危风险评估)模型 查看原表 ↗

模型开发

最终选择纳入CIPHER模型的变量为产妇年龄、前24小时内的手术状态、收缩压、格拉斯哥昏迷量表评分、血清钠、血清钾、活化部分凝血活酶时间(aPTT)、血清肌酐、血清胆红素和动脉血气(ABG)pH(表4)。发生不良结局的比值随血清肌酐、总胆红素、血清钠和aPTT升高而增加;随产妇年龄和收缩压降低而增加;随ABG pH和格拉斯哥昏迷量表评分升高或ICU入院前24小时内接受手术而降低(表3)。

模型性能

CIPHER模型的表观AUROC为0.84(0.83至0.85)(图2)。该模型在开发数据中校准良好,如预期所示,校准斜率为1.0,截距为−0.001(图3)。如表5所示,模型的分层能力和分类准确性均良好;两个最低风险组中确定的大多数妇女(54.1%,n = 416)不良结局发生率低(3.8%,n = 16)。最高风险组的妇女不良母体结局发生率高(66.1%,n = 59)。这显著高于不良结局的人群患病率(16.5%),正如与该类别相关的高LR所反映的那样(27.97,95%置信区间(CI)16.91至46.27)。

图2 使用10个插补数据集中每位女性结局的合并预测概率绘制的CIPHER(协作整合妊娠高危风险估计)模型的受试者工作特征曲线下面积。在未进行过拟合调整之前,该模型的受试者工作特征曲线下面积为0.84(0.83–0.85) 查看原图 ↗
图3 使用10个插补数据集中每位女性结局的合并预测概率开发的CIPHER(协作整合妊娠高危风险估计)模型的校准图。平滑线代表模型预测的结局风险与预测概率每个十分位数内观察到的发生率之间的拟合度。直线对角线用作完美拟合的参考。图底部的条形图呈现了在预测概率谱系中带结局的病例(线上方)和不带结局的病例(线下方)的分布 查看原图 ↗
表5 使用五组预测概率的风险分层表 查看原表 ↗

内部验证

在10个插补数据集中各进行200次Bootstrap迭代后,AUROC的合并平均乐观度为0.013,由此得出CIPHER模型的乐观度校正AUROC为0.82(95% CI 0.81至0.84)。Bootstrap分析后发现风险被轻微高估,由此得出的乐观度校正校准斜率为0.92(95% CI 0.91至0.92),截距为−0.11(95% CI −0.13至−0.08)。

亚组分析

所有亚组分析均显示模型拟合的一致性,CIPHER模型的 discriminative performance 保持在我们所定义的AUROC充分性能阈值(大于0.7)以上。当队列仅限于产前/产时期间入住ICU的病例与产后期间入住ICU的病例时,AUROC分别估计为0.84(95% CI 0.78至0.91)和0.83(95% CI 0.79至0.89)。当队列仅限于因产科原因入院的病例与非产科原因入院的病例时,AUROC分别为0.85(95% CI 0.80至0.90)和0.82(95% CI 0.76至0.88)。当队列仅限于LMIC机构或HIC机构时,AUROC分别估计为0.851(95% CI 0.812至0.894)对0.774(95% CI 0.663至0.868)。当分析仅限于HIC病例时,AUROC的点估计值出现了小幅但有意义的下降,且置信区间下限低于良好模型0.7的阈值。

当CIPHER模型仅用于预测孕产妇死亡时,AUROC为0.87(95% CI 0.86至0.88)。APACHE 2评分在我们的ICU队列中对妊娠期间或产后6周内死亡的 discriminative performance 也很高(AUROC 0.84,95% CI 0.72至0.96)。该分析仅纳入了433名在所有17个APACHE 2预测变量上具有完整数据的女性。

讨论

主要发现

我们开发并在内部验证了CIPHER临床风险预测模型,用于在13个国际站点准确评估入住ICU的孕妇或近期孕妇发生死亡或需要挽救生命的长时间器官支持的风险。最终的CIPHER模型包含在全球范围内易于获取且成本相对较低的预测变量。它是一个简单的模型,仅包含10个预测因子。经过内部验证,CIPHER具有较高的区分度(0.82,95% CI 0.81至0.84)和良好的校准度(斜率为0.92,95% CI 0.91至0.92,截距为−0.11,95% CI −0.13至−0.08)。在将该模型应用于临床实践之前,目前需要对模型进行外部验证。

优势与局限性

我们在该协作团队先前成功工作的基础上,依据临床知识以及关于相关且全球可获取的预测变量的先验信息开发了该模型。在本研究中,我们选择使用一个复合结局,该结局反映了严重母体并发症的重要健康负担,并超越了ICU风险评分传统上仅关注死亡的局限。我们相信这极大地扩展了CIPHER模型的临床实用性。值得庆幸的是,孕产妇死亡率正在下降。随着死亡率下降,严重母体并发症作为制定管理策略所围绕的结局将变得更加重要。只要10个预测变量可获得,该模型现在可以很容易地针对各个机构进行重新校准。

CIPHER模型是专门为产科ICU人群开发的,采用了涉及11个国家合作的全球多样化队列。尽管纳入多样化的地理样本提高了全球相关性,但这也可能导致了模型在局部层面总体性能的下降。当我们比较高收入国家和低收入或中等收入国家亚组中观察到的性能时,总体性能的下降是显而易见的。在两种情况下,性能均维持在充分预后模型阈值以上(AUROC >0.7),但CIPHER在低收入或中等收入人群中区分有无结局女性的能力更好,而大多数结局发生在该人群中。所用数据集的一个潜在弱点是各站点之间结局发生率的变异性;88.6%的结局发生在低收入和中等收入国家站点,57.6%仅发生在巴基斯坦站点。因此,我们建议在应用于临床护理之前,对每个机构分别进行外部验证,必要时对模型进行重新校准。

在我们的队列中,CIPHER模型单独预测孕产妇死亡的性能与APACHE II模型相似。我们选择将孕产妇死亡和需要挽救生命的器官支持同时作为主要结局,以使CIPHER模型对妊娠人群比APACHE II等仅预测死亡的模型更具临床实用性。在这一年轻且其他方面健康的女性人群中,严重母体并发症对生活的改变性后果与死亡同样重大。

研究设计的局限性包括其回顾性性质、因数据录入不完整导致的数据缺失,以及某些中心未测量的变量,从而无法将这些变量纳入最终模型。超过100例病例因高度数据缺失而被排除,我们认为这些缺失会削弱多重插补策略对其余病例缺失数据进行校正的效益。这导致数据集小于我们基于样本量计算所设定的目标。我们未能达到预先估计的样本量,但对其余病例采用多重插补以及不良结局发生率高于预期,使得样本量足以用于模型开发。需要注意的是,如果我们采用相同的样本量公式并以我们观察到的结局发生率16.5%计算,样本量606将被认为足以生成稳健的模型系数估计。我们在用于分析的队列中纳入了769名女性,远远超过了该样本量。

另一个局限性在于,由于临床医生对建模中所评估变量的结果未设盲,CIPHER易受治疗悖论的影响[30];这对于术后状态的保护性性质可能尤为如此,因为术后状态可能同时改变入院和干预阈值以及监测强度。

解读

识别预测入住重症监护病房(ICU)的妊娠期或近期妊娠女性结局的变量,并开发预测模型,使得能够基于女性入住ICU时可获得的信息来估计未来发生不良孕产妇事件的概率。CIPHER模型的候选预测变量为那些常规且可靠测量、在全球各地医院中易于获取、并具有提示或预测疾病严重程度或结局潜力的变量。严重孕产妇发病的定义基于器官和管理,反映了ICU中真实的疾病负担:既包括对器官支持的需求,也包括器官支持和照护持续时间延长的影响。

在开发队列中,CIPHER评分阈值至少50%被视为对复合结局的“阳性”检测,用以定义高风险组。该组的似然比(LR)为27.97(95% CI 16.91至46.27),具有很强的信息价值。在该组中,CIPHER风险至少为50%,有证据支持采取行动,因为它识别出那些最有可能发生复合结局的女性。在具备资源以管理额外病例负荷的地区,或对漏诊真阳性病例影响更为关注的地区,将高风险阈值设定为预测概率大于25%仍具有信息价值,其LR为9.18(95% CI 6.16至13.69),相关假阳性率仅略有增加。这意味着可以从CIPHER模型中获得有用的临床信息,以指导各种情境下的照护。

四项已发表的研究聚焦于孕产妇重症监护室(ICU)结局预测模型的开发 [10, 31–33]。孕产妇严重程度指数仅在巴西开发,使用预定义的而非统计学驱动的新生儿WHO严重程度标志物,确定了七个孕产妇死亡预测因子,其中许多本身即为复合预测因子 [10]。一项对英国孕产妇综合ICU入院队列的二次分析聚焦于APACHE II变量的评估,识别出病史、心率、收缩压,尤其是格拉斯哥昏迷量表评分作为孕产妇死亡的独立预测因子 [31];然而,他们并未开发多变量预测模型。一项西非(非ICU)医院为基础的研究识别出九个预测孕产妇死亡的独立变量 [32]。其中许多在我们的研究中是ICU入院的指征,未作为候选预测变量纳入,包括严重贫血、妊娠期诊断的疟疾、产科出血、子痫前期或子痫、子宫破裂以及生殖道感染或脓毒症。这些变量同样未被正式组合以生成可比较的预测模型。一项美国军事队列被用于开发一个13变量风险评估模型,以预测38项孕产妇结局,包括分娩、产程、孕产妇发病率及死亡 [33]。该模型的性能良好,报告的不良孕产妇结局AUROC为0.75,但该模型仅适用于产前阶段。这些研究均未产生明确适用于高收入国家(HICs)和低收入与中等收入国家(LMICs)产科患者重症监护的模型。

该研究领域的未来工作应聚焦于若干转化生物标志物,这些标志物有望成为产科和重症监护的常规组成部分,并具有修改CIPHER的潜力 [34, 35]。在CIPHER广泛传播至照护社区(无论是LMICs还是HICs)之前,需要进行前瞻性外部验证和时间验证研究。为支持外部验证工作,我们提供了CIPHER计算器(见附加文件2)。验证的另一目标可能是扩展CIPHER模型的范围,在高风险产科病房入院人群中重新校准,以指导ICU入院的决策。

结论

CIPHER模型可确定接受重症监护的妊娠及产后女性人群中死亡或需要重要器官支持的风险,在HICs和LMICs均具有临床实用性。CIPHER有潜力成为一种实用的风险预测工具,用于识别不良ICU结局风险最高的女性,并协助就ICU内管理对患者及其家属进行咨询。最终,一旦经过验证,CIPHER模型可全球应用,以减轻妊娠相关疾病和死亡的负担。

附加文件

附加文件1:表S1. CIPHER(协作整合妊娠高依赖风险估计)队列合作者及站点贡献。表S2. 通过完整病例分析生成的患者特征和单变量分析结果。表S3. 有和无缺失数据女性的特征。(DOCX 43 kb)

CIPHER(协作整合妊娠高依赖风险估计)模型临床计算器。(XLSX 12 kb)

参考来源

  1. Payne BA, Ryan H, Bone J, et al. Development and internal validation of the multivariable CIPHER (Collaborative Integrated Pregnancy High-dependency Estimate of Risk) clinical risk prediction model. Crit Care. 2018. PMID: 30373675. doi:10.1186/s13054-018-2215-6
  2. 全文:PMC6206915(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6206915/

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。