多病共存状态与器官功能障碍和脓毒症患者更高死亡率相关:重症监护中的数据驱动分析
该研究基于MIMIC-III单中心数据库36,390例成人首次ICU入住患者,用Elixhauser 30类慢性病分类和潜在类别分析,依据年龄、入住类型和疾病构成识别出6个临床可区分的多病共存亚组。各亚组器官功能障碍发生率为19.6-69%、脓毒症为12.5-46.7%,合并器官功能障碍和脓毒症的死亡率分别为8.4-23.8%和11.7-27.4%,肝病/成瘾亚组最高。作者结论认为多病共存状态与不良结局相关,支持将多病共存纳入医疗模型并转向亚组特异性方法。
要点
- 6个多病共存亚组中,肝病/成瘾亚组(占9.8%)器官功能障碍、脓毒症及合并死亡率最高,死亡率近乎年轻/无并发症糖尿病亚组的4倍。
- 肝病/成瘾亚组为中年患者(平均年龄52.25岁,95%CI 51.85-52.65),抑郁20.1%、酒精滥用47.75%、药物滥用18.2%、肝衰竭67%、凝血病41.81%。
- 复杂糖尿病亚组占9.4%,终末器官并发症高发(肾衰竭88.3%),其SOFA评分仅次于肝病/成瘾亚组。
- 心肺亚组(6.1%)和心脏亚组(26.4%)均为高龄、心肺疾病高发,OASIS评分和死亡率较高。
- 年轻亚组(23.5%)和无并发症糖尿病亚组(24.8%)死亡率较低(5.31-6.02%),后者35.7%为非急诊入院。
适用人群与场景
- MIMIC-III单中心数据库中36,390例成人(年龄16岁及以上)首次ICU入住患者,排除ICU再入院。
- 83.7%的入住为急诊,男性57.8%,77.3%的患者报告有两种或以上疾病,近半数为65岁及以上老年人。
诊断标准与关键阈值
- 多病共存亚组通过潜在类别分析识别,输入变量为年龄、入住类型(择期 vs 非择期)和30类Elixhauser疾病构成;最优亚组数基于BIC和AIC最低、亚组规模不小于整个研究队列的5%确定。
- 器官功能障碍基于行政标准定义,脓毒症基于Angus等人标准(器官功能障碍合并细菌或真菌感染的ICD-9编码),死亡率定义为住院死亡率。
研究设计与关键结果
- 研究类型为基于MIMIC-III单中心数据库的数据驱动分析,样本量36,390例,采用潜在类别分析识别多病共存亚组。
- 识别出6个临床可区分亚组:心肺(6.1%)、年轻(23.5%)、肝病/成瘾(9.8%)、复杂糖尿病(9.4%)、无并发症糖尿病(24.8%)、心脏(26.4%)。
- 各亚组器官功能障碍发生率19.6-69%、脓毒症12.5-46.7%,合并器官功能障碍的死亡率8.4-23.8%、合并脓毒症的死亡率11.7-27.4%。
- 肝病/成瘾亚组不良结局最普遍,死亡率近乎年轻和无并发症糖尿病亚组的4倍;复杂糖尿病亚组SOFA评分紧随其后。
- 心肺、肝病/成瘾、复杂糖尿病和心脏亚组的OASIS评分较高;年轻和无并发症糖尿病亚组死亡率较低(5.31-6.02%)。
证据类型、等级与局限
- 证据类型为基于单中心数据库的回顾性数据驱动分析(潜在类别分析)。
- 局限:基于单中心数据,集水人群构成、科室方案、资源和人员特征可能限制结果的外推性;由于MIMIC-III是独特数据集,难以找到外部验证;分析为横断面,无法检验亚组与脓毒症和器官功能障碍易感性之间的因果联系;无诊断时间信息,无法区分既存疾病和新发诊断;ICD编码在编码员间可重复性差,可能影响行政数据库结果的稳健性;使用Angus标准识别脓毒症存在局限;研究仅纳入存活足够长时间或被认为适合ICU的患者,死亡率很可能低估真实数字;作者称本工作为假设生成性。
对床旁实践的改变
- 作者认为,早期识别本研究所展示的亚组可能有助于决定预防性抗生素、考虑早期干预以及降低目标导向治疗阈值,以改善脓毒症结局。
- 作者认为,将试验患者按临床和生物学同质亚组分类有助于解决混杂效应,而无需采用使结果难以推广的严格排除标准。
- 作者认为,研究结果支持从当前单病种模式转向在医疗培训、治疗和试验设计中采用亚组特异性方法。
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12 节 · 点击展开
背景
脓毒症仍然是最严重的医疗状况之一,具有高死亡率和不良预后。它导致了超过一半的院内死亡,并且是医疗保健中费用最高的疾病,占203亿美元,即所有住院费用的5.2% [1]。一般而言,重症监护中的死亡风险评估评分,如简化急性生理学评分[2](SAPS II)、脓毒症相关器官衰竭评分(SOFA)[3]或牛津急性疾病严重程度评分[4](OASIS),侧重于入院24小时内的住院患者生理数据。只有SAPS II [4]和APACHE-IV [5]纳入了一些预先存在的慢性疾病。然而,流行病学研究表明,基础疾病具有显著影响,几乎使脓毒症死亡率翻倍[6–8]。鉴于这些流行病学发现,在评估重症监护死亡风险时考虑预先存在的疾病状态具有高度相关性。
人口日益老龄化导致慢性疾病增加。多病共存,即患有不止一种疾病的状态,根据调查人群的不同,患病率在13%至54%之间[9–11],并与医疗保健使用增加、生活质量下降和死亡率升高相关[9]。然而,当前大多数医学教育未能考虑到这一点;治疗方案和临床试验设计基于患者患有单一疾病的前提[9, 12]。此外,大多数候选药物是在标准化条件、同质治疗和对照组下的动物实验中确定的。随后进行的临床试验则旨在通过排除疾病来在招募的患者中重现相同的同质性[13, 14]。我们认为,无法考虑多病共存所引入的异质性,至少部分解释了大量临床试验失败的原因。此前通过识别同质性临床特征来应对这一挑战的工作,导致了包括脓毒症[15]、哮喘[16]和急性呼吸窘迫综合征[17]在内的异质性疾病管理方式的改变。
重症监护环境中正在收集大量信息[18],产生了涵盖数万名患者的广泛公共数据集[19]。这非常适合机器学习[20, 21]等高级分析,后者能够检测复杂的、临床相关的模式。潜在类别分析在从异质性数据集中发现临床相关患者亚组方面日益得到应用[15, 16, 22, 23]。该方法假设数据中存在若干个未观察到的组,这些组共享在组间互斥的临床特征。为解决多病共存这一突出问题,我们假设重症监护中存在共享疾病构成的临床同质性患者亚组。我们进一步假设,不同的亚组与更高的不良健康结局风险相关,如器官衰竭、脓毒症以及与这些临床问题相关的死亡率。对这些高风险群体的认识可能有助于预期性管理、预后判断和试验设计。这些发现还可能有助于重塑我们在医疗保健中的单病模型。
方法
数据库
我们使用重症监护医学信息库第三版(MIMIC3)数据库进行分析。这是一个单中心数据库,包含38,597名成年重症监护患者的纵向数据,共计53,423次不同入院记录。有关该数据库的更多详细信息见(附加文件1:表S1)。我们的分析纳入16岁及以上患者首次入住ICU的记录。ICU再入院未纳入分析。
疾病、器官功能障碍和脓毒症的定义
MIMIC3数据库包含超过15,693个不同诊断,按ICD-9和ICD-10编码分类。为更紧凑地表示慢性疾病,我们基于描述MIMIC3数据库的作者所提供的算法[25],使用30个Elixhauser类别[24]对疾病进行汇总。Elixhauser类别在反映慢性疾病方面已得到充分确立,并已针对ICD-9和ICD-10进行验证[26]。器官功能障碍基于管理性标准[6]定义,并按照既往发表的方式整合到sql代码[25]中。脓毒症标准基于Angus等人[6]先前描述的标准定义。简言之,该方法基于ICD-9编码将脓毒症定义为器官功能障碍合并细菌或真菌感染,并已使用生理学和临床特征进行前瞻性验证。死亡率定义为住院死亡率。
聚类与潜类别分析
我们基于人群中疾病患病率,使用k均值聚类对疾病间的相似性进行了初步分析。我们首先计算了每个年龄段中的疾病患病率(受影响患者比例),并使用欧几里得距离作为相似性度量来定义聚类相似性。
在随后检测患者亚组的分析中,我们使用潜类别分析(LCA),输入变量为年龄、入院类型(择期与非择期)和疾病构成(即30个Elixhauser类别中哪些存在)。该技术假设研究队列中存在未观察到的(“潜在”)亚组,并通过将一组混合模型拟合到数据来识别这些亚组。在我们的分析中,我们遵循了Zho等人[27]总结的确定和验证潜在亚组的方法学步骤。我们基于同时达到最低贝叶斯信息准则(BIC)和赤池信息准则(AIC)以及亚组规模不小于整个研究队列5%来选择最优亚组数。这种平衡模型复杂度和亚组规模的方法取自既往已发表的指南[28],包括建议移除代表研究人群显著较小部分的亚组。潜在亚组的特征比较采用分类变量的卡方检验和连续变量的单因素方差分析。使用残差诊断验证方差分析的假设未被违反;计算期望值以验证卡方检验的假设未被违反。我们还使用通过受试者工作特征曲线下面积(AUC)评估的逻辑回归模型确认了亚组之间的优选选择(附加文件2:图S1、表S2)。完整的方法学细节见附加文件2。补充方法。
网络可视化
采用网络分析对疾病间的复杂关系进行了可视化,网络分析能够展示其他方法难以识别的关联。在我们最初的方法中,分析整个重症监护数据集时,网络节点代表变量,变量的共现使用先前描述的相对危险度(RR)指标进行评估[29]。这实质上代表两种疾病共现的风险。显著性阈值 p < 0.05 的关联被纳入网络。RR 的指标通过边宽反映,疾病患病率通过节点直径描绘。在亚组特征描述中,边以疾病对患者数归一化至亚组内患者总数进行加权。此处使用该方法替代 RR,因为 RR 可能低估高患病率疾病的共现,如 Hidalgo 等所提出[29]。
结果
危重症患者中异质性的疾病谱
队列人口学特征总结于附加文件1:表S1。在36,390例患者中,83.7%的入院为急诊入院。男性比例(57.8%)略高于女性。77.3%的患者报告有两种或以上疾病,近半数研究人群为老年人(年龄65岁及以上)。脓毒症的总患病率为37.3%(95% CI 36.7–37.9%),器官功能障碍发生率为37.5%(95% CI 37–38%),总死亡率为10.9%(95% CI 10.6–11.3%)。脓毒症和器官功能障碍患者的死亡率分别为21.2%(95% CI 20.3–22%)和18.4%(95% CI 17.8–19.1%),与既往重症监护队列研究相当[6]。
如预期,多重疾病患者的比例随年龄稳步增加[9](图1a)。然而,我们发现各疾病组(以Elixhauser类别反映)的患病率在不同年龄段呈现不同模式(图1b)。具体而言,观察到三种不同模式:一种显示患病率随年龄增加,第二种为患病率较低的疾病(范围0–3.8%),第三种在25–44岁和45–64岁年龄段患病率最高,但在较年长年龄组患病率较低。网络发现显示整个队列中存在多种疾病共现,提示心血管疾病与肺部疾病、糖尿病、肾衰竭和高血压之间频繁关联,以及酒精/药物滥用、肝衰竭和凝血病的共现(图1c)。这些发现进一步提示我们的队列中存在不同亚组的假设。
识别不同的多种疾病亚组
我们假设,通过分析个体患者层面的相似性,我们可以识别出具有不同人口学特征和疾病构成的亚组患者。我们还假设,属于某些亚组的患者将共享对脓毒症及相关死亡的易感性。使用潜在类别分析,我们识别出六个患者亚组。亚组数量通过考虑模型拟合指标和亚组大小来确定,如“方法”部分所述。亚组通过描述性统计以及模拟进行验证(见“方法”部分和附加文件2。补充方法)。疾病构成与先前整个研究队列网络发现所提示的部分模式相平行(图1c)。亚组特征总结于图2和图3以及附加文件3:表S3中。
在第一个“心肺”亚组中,我们发现老年患者(平均年龄72.3±0.27)中心肺疾病的患病率较高,其中慢性肺病的患病率最高(93.86%)。第二个“年轻”亚组拥有最年轻的患者,与其他亚组相比,任何疾病的时点患病率最低。第三个“肝脏/成瘾”亚组由中年患者组成(平均年龄52.25,95% CI 51.85–52.65),具有较高的抑郁症(20.1%)、酒精滥用(47.75%)、药物滥用(18.2%)、肝衰竭(67%)和凝血病(41.81%)发生率。该亚组涵盖了来自整个36,960例患者重症监护队列中70%的肝病患者。“复杂糖尿病”和“非复杂糖尿病”亚组均具有较高的糖尿病和高血压患病率;复杂糖尿病亚组中很大比例的患者患有肾衰竭(88.3%)和复杂性糖尿病(35.4%)。最后一个“心脏”亚组由最年长的患者组成,其心肺问题患病率高,与心肺亚组相似。采用单因素方差分析的统计检验显示,亚组间所有疾病患病率差异均有统计学意义(p < 0.001),支持每个亚组具有不同的疾病构成,这也是识别这些亚组的基础。
易感于脓毒症及相关死亡的多病共存亚组
我们接下来检验多病共存亚组在不良健康结局(如器官功能障碍和脓毒症)的发生频率方面是否存在差异,以及各亚组与这些临床问题相关的死亡率是否不同。我们首先使用序贯器官衰竭评估(SOFA)评分确定器官功能障碍的模式,该评分包含在ICU入住最初24小时内记录的系统性观察[3]。使用SOFA子评分对呼吸、心血管、肾脏、肝脏、凝血和中枢神经系统进行的系统层面评估与各亚组的疾病谱平行(补充文件2:图S2)。SOFA评分最高见于肝脏/成瘾亚组,紧随其后的是复杂糖尿病亚组的风险评分(图4a)。住院死亡率的OASIS风险评估评分显示心肺、肝脏/成瘾、复杂糖尿病和心脏亚组数值较高(图4b)。器官功能障碍和脓毒症的实际发生率最高见于肝脏/成瘾亚组,其次是复杂糖尿病亚组(图4c)。高死亡率亚组同样为心肺、肝脏/成瘾、复杂糖尿病和心脏亚组。合并脓毒症和器官功能障碍患者的死亡率最高见于肝脏/成瘾亚组,约为年轻和单纯糖尿病亚组死亡率的四倍(图4d)。
高死亡率多病共存亚组中的疾病共现
我们接下来通过在疾病网络中对患病率和成对关联进行可视化(图5),探讨具有不良健康结局(脓毒症、器官功能障碍和死亡)高风险的心肺、肝脏/成瘾、复杂糖尿病和心脏亚组中疾病的共现情况。
节点代表Elixhauser疾病类别,其大小由该亚组内的疾病患病率决定,边宽为患有该疾病对的患者数归一化至亚组患者总数(图3)。本部分分析未使用相对风险和/或Pearson相关性,因为这些技术对于患病率的极端值往往会产生不准确的结果,可能导致关联被低估/高估[29]。网络结构证实了我们对各亚组疾病患病率分析所提示的疾病模式。由较年轻(中年)患者组成的高死亡率组提示成瘾相关疾病的模式(肝脏/成瘾亚组),鉴于肝病、凝血障碍、酒精过量、药物滥用和抑郁之间的成对关联。在其他亚组中,网络分析显示心肺疾病(心肺亚组)、高血压-肾脏-糖尿病伴终末器官并发症(复杂糖尿病亚组)以及心肺问题(心脏亚组)之间存在关联。
死亡率较低的组(5.31–6.02%)要么是疾病负担极低的较年轻患者(99%低于65岁,年轻亚组),要么是Non-emergency admissions比例显著高于队列其余部分的老年患者(35.7%,无并发症糖尿病亚组)。该亚组患有高血压-糖尿病合并症但无终末器官并发症(附加文件2:表S2,图S3)。
讨论
我们的研究在一个重症监护队列中识别出多个临床相关亚组,其器官功能障碍、脓毒症的发生频率和相关死亡率各不相同。除了预期的高死亡率多病共存老年患者表型外,我们还发现了一组较年轻患者,他们遭受成瘾所致的健康后果,且脓毒症和器官功能障碍的发生率最高。尽管肝衰竭与脓毒症不良结局的关联已充分确立,但其所在的多病共存构型却较少受到关注。这些发现支持医疗保健从单一疾病模式转向更为整体的构架,强调在临床决策中考虑多病共存的组成。
正如预期,我们发现多病共存患病率随年龄增长而增加,这与既往人群研究一致。然而,我们识别出的若干亚组表现出独特的疾病构成以及较高的器官功能障碍、脓毒症和相关死亡率。这些亚组内的疾病组合(心肺亚组、肝脏/成瘾亚组、复杂糖尿病亚组和心脏亚组)与既往观察一致,也可从共同危险因素和病理机制的角度加以解释。例如,慢性肺部疾病和充血性心力衰竭在心肺亚组中以最高患病率共同出现;这可以用心肺连续统一体的概念来解释[30]。复杂糖尿病亚组与糖尿病肾病和高血压的高发生率相关,而心脏亚组主要代表患有心血管疾病且神经系统疾病发生率较高的老年患者。
与不良健康结局发生率较高相关的亚组由年轻/中年人群组成,其酒精和/或药物成瘾患病率高,并伴有肝病和凝血功能障碍。虽然肝病已被公认为脓毒症及不良结局的危险因素,但我们的新发现如下:(1)我们识别出包含慢性肝病的复杂多病共存表型,(2)我们就其脓毒症患病率和死亡率与其他疾病配置进行比较。这一重症监护高危人群的人口统计学特征和疾病构成与人群水平数据相平行。美国疾病控制与预防中心显示,酒精消费百分比在25-44岁年龄组达到峰值,且77%的酒精性肝病死亡发生在65岁以下(https://www.cdc.gov/DataStatistics/)。涵盖1.75亿例住院出院的人群研究表明,450万肝硬化患者住院期间死亡的可能性是其他人的两倍,以脓毒症为入院原因,并死于脓毒症[31, 32]。高达30%的肝衰竭入院患者存在细菌感染[33]。肝脏在应对脓毒症方面具有广泛功能,如合成免疫、凝血和代谢功能所需的蛋白质,以及清除内毒素和细菌[34-36]。这些发现与我们自身结果中可追踪的较高器官功能障碍发生率相平行,肝脏/成瘾亚组的SOFA评分最高(图4a,附加文件2:图S2)。
慢性疾病长期以来被认为与脓毒症患病率的差异有关[8]。研究发现,影响免疫应答的合并症(如慢性肾功能衰竭、糖尿病、乙醇滥用和HIV感染)与脓毒症相关。此外,累积的疾病与更高的器官衰竭率相关。既往研究表明,纳入疾病状态可改善危重症患者死亡风险评估[37]。Min等人开发的模型包含多病共存指数,该指标综合了超过5000种疾病的个体死亡似然比。在他们的模型中,假设每种诊断对死亡率具有独立影响。这种方法的优势在于能够反映疾病类别内部的严重程度分级,而Charlson或Elixhauser指数未必能捕捉到这些信息(例如,并非所有“转移性癌症”都是致命的)。我们的研究聚焦于疾病的共存情况,因此我们的方法考虑的是疾病对临床结局的联合影响而非单独影响。在多病共存人群中,对脓毒症时间轨迹的分析显示,以酒精滥用、糖尿病和心血管诊断[1]作为初始疾病的患者具有高死亡风险特征。这些结果与我们的发现相平行,即多病共存亚组中的心肺组、肝脏/成瘾组、复杂糖尿病组和心脏组与高脓毒症相关死亡相关。
传统上,脓毒症临床试验的招募基于提示感染为危重症病因的异常生理参数。这种招募策略不可避免地纳入了一个异质性患者群体,其疾病特征受到脓毒症生物学应答差异的混杂影响。例如,临床试验常研究的干预措施包括脓毒症炎症应答的调节剂,如抗TNF、抗IL1-Ra、抗LPS、皮质类固醇、静脉免疫球蛋白和活化蛋白C[38]。然而重要的是,凝血功能障碍、慢性肝病[39]和伴终末器官并发症的糖尿病[40]等疾病以这些靶点机制的改变为特征,因此可能被错误归类为“无应答者”。我们的研究将这些患者归入肝脏/成瘾和复杂糖尿病亚组。将试验患者按此亚组分类为临床和生物学上同质的亚组,有助于解决这种混杂效应,而无需采用使结果难以推广的严格排除标准。
众所周知,肝衰竭脓毒症患者的管理具有挑战性,需要个体化的目标导向治疗[41]。早期诊断和治疗至关重要。因此,早期识别我们研究中展示的亚组可能有助于关于预防性抗生素的决策、早期干预的考虑以及降低目标导向治疗的门槛,以改善脓毒症的结局。
本研究的一个潜在局限性在于其基于单中心数据;因此, catchment population的构成、科室方案、资源和人员配置特征是对我们结果外推性的潜在限制[42]。此外,由于MIMIC3是一个独特的数据集,具有极其详细的临床数据,在公开可用资源中无可匹敌,因此难以对我们的结果找到外部验证。另一个局限性是我们分析的是人群的横断面,因此无法检验亚组与脓毒症和器官功能障碍易感性之间的因果关系。出于同样的原因,我们没有诊断时间的信息,无法区分既往存在的疾病和新发生的诊断。为解决这一问题,纳入了住院期间分配的诊断相关编码,以筛选出作为住院原因的疾病与非住院原因的疾病。
部分局限性在于ICD编码在编码员之间的可重复性较差,这可能影响行政数据库结果的稳健性[43]。然而,这些不准确性取决于所关注的诊断类别,特别是该病症的报告情况以及是否被特定编码所覆盖。例如,ICD9编码在识别特发性血小板减少性紫癜[44]和脑转移[45]方面是有用的,两者都有特定的ICD9编码。另一方面,ICD9编码对于没有特定编码、需要例如较不精细编码组合或报告不足的编码的病症表现不佳。此类例子包括导管相关性尿路感染(需要诊断和操作编码的组合)或他汀相关横纹肌溶解症(缺乏横纹肌溶解症的ICD9编码)。我们研究中的合并症特征依赖于Elixhauser的广泛疾病类别,这些类别涵盖多个编码类别,并已针对ICD9编码进行验证且表现良好[24, 26]。我们研究中使用的其他标签,如器官功能障碍和脓毒症,也是基于行政定义得出的。尽管早期评估显示编码率较低(例如急性肾损伤约为43%[46]),但2005年至2013年的回顾性研究显示器官功能障碍的记录率在改善[47]。在我们研究中使用Angus标准来识别患者脓毒症也存在局限性。该系统依赖ICD编码来确定感染和器官功能障碍的共现。尽管不完美,但它已显示出合理的性能,并且与其他行政性脓毒症定义相比更好[48, 49]。最后,我们的研究仅限于存活足够长时间或被认为适合重症监护的患者。因此,我们的死亡率数字很可能低估了真实数据。尽管如此,我们的研究使用了真实世界的医院数据,并描述了重症监护最初24小时内的人群特征,这是干预和管理非常相关的时间框架。这提供了关于脓毒症风险及相关死亡率的关键信息。
结论
多病共存患病率的不断上升使医学诊断和治疗决策变得复杂。我们的研究聚焦于重症监护患者群体,并考察多病共存与ICU结局的相关性,包括脓毒症发生率这一高度相关的病症。我们识别出若干在重症监护中易发生不良健康结局的患者群体。脓毒症、器官功能障碍和死亡率最高的患者群体是遭受成瘾健康后果的患者亚组。尽管本工作属于假设生成性研究,但研究结果支持摆脱当前的单病种模式,并在医学培训、治疗和试验设计中推广针对特定亚组的方法。
附加文件
附加文件1:表S1。研究队列的人口统计学和结局汇总(DOCX 22 kb)
补充方法。图S1。ROC曲线的图形汇总,描绘LCA输入变量在区分给定亚组与其余亚组时的预测性能。表S2。分类器性能(使用受试者工作特征曲线下面积,AUC评估)的表格汇总,基于LCA中使用的输入变量(年龄、性别、入院类型和疾病)预测亚组归属。图S2。多病共存亚组中器官系统损伤的小提琴图汇总。图S3。脓毒症和死亡率较低的多病共存亚组的网络汇总。(ZIP 524 kb)
表S3。亚组疾病构成汇总。(DOCX 18 kb)
参考来源
- Zador Z, Landry A, Cusimano MD, et al. Multimorbidity states associated with higher mortality rates in organ dysfunction and sepsis: a data-driven analysis in critical care. Crit Care. 2019. PMID: 31287020. doi:10.1186/s13054-019-2486-6
- 全文:PMC6613271(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6613271/
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。