急性呼吸窘迫综合征生物标志物死亡风险模型的开发
本研究为对252例机械通气ARDS患者队列的二次分析,患者需存活至第7天且有第0天和第7天样本。检测8种血浆生物标志物,采用逻辑回归、潜在类别分析和分类回归树分析构建预测28天死亡的风险模型。潜在类别分析识别出两种生物标志物表型,表型A的Ang-2、MIF、IL-8、IL-1RA、IL-6、eNAMPT水平显著高于表型B,28天死亡率表型A为32%、表型B为19%(p=0.04)。CART分析显示MIF、IL-8、IL-6、eNAMPT四种标志物组合预测死亡率准确性最高。作者认为该模型有助于ARDS亚表型分型和临床试验入组筛选。
要点
- 在252例成人ARDS患者中,潜在类别分析识别出两种生物标志物表型,表型A的28天死亡率为32%,显著高于表型B的19%(p=0.04)。
- 表型A的特征是血浆Ang-2、MIF、IL-8、IL-1RA、IL-6和eNAMPT水平显著高于表型B。
- CART分析显示,MIF、IL-8、IL-6和eNAMPT四种生物标志物组合预测ARDS死亡率的准确性最高。
- 决策树识别出低风险节点TN1和TN3(死亡率分别为15%和17%)、中风险节点TN2和TN4(死亡率分别为24%和45%)、高风险节点TN5(死亡率83%;原文图注写作85%)。
- 逻辑回归分析中,第0天任何单一生物标志物在校正协变量后均未显示与死亡率的统计学显著关联;第7天仅Ang-2水平与死亡率增加显著相关。
适用人群与场景
- 成人急性呼吸窘迫综合征患者,符合美国-欧洲共识会议(AECC)或柏林定义诊断标准,均接受机械通气。
- 队列纳入252例患者,其中203例来自液体与导管治疗试验(FACTT),49例来自亚利桑那大学和伊利诺伊大学。
- 要求存活至第7天且第0天和第7天样本均可用。
诊断标准与关键阈值
- ARDS诊断标准为美国-欧洲共识会议(AECC)标准或柏林定义。
- 第0天血样在符合ARDS诊断标准后48小时内采集,第7天对存活者采集第二次样本。
- 潜在类别分析以8种第0天血浆生物标志物为输入,根据贝叶斯信息准则(BIC)、Vuong-Lo-Mendell-Rubin似然比检验和最小类别规模选择最优类别数,最终两类别模型拟合最佳。
- CART分析以第0天生物标志物测量值随机80%抽样(n=202,44例非存活者)构建决策树,节点分裂要求至少15个测量值,剩余20%患者(50例)用于测试。
研究设计与关键结果
- 研究类型为对252例机械通气成人ARDS患者队列的二次分析,患者来自FACTT试验(203例)及亚利桑那大学和伊利诺伊大学(49例)。
- 队列总死亡率为22%,非存活者显著年长于存活者,其他临床特征无显著差异。
- 第7天eNAMPT水平较第0天显著升高35%;IL-6、IL-1RA、IL-8、Ang-2和S1PR3在第0天显著高于第7天;MIF和IL-1B在第0天与第7天无显著差异。
- 逻辑回归分析中,第0天8种生物标志物在校正协变量后均未显示与死亡率统计学显著关联;第7天仅Ang-2水平与死亡率增加显著相关;两个时间点生物标志物测量值变化与死亡率无显著关联。
- 潜在类别分析识别出两种表型,表型B的平均潜在类别概率为0.77,表型A为0.23;表型A的Ang-2、IL-6、eNAMPT、MIF、IL-8和IL-1RA水平显著高于表型B,IL-1B和S1PR3水平无显著表型差异。
- 28天死亡率表型A为32%,表型B为19%,差异显著(p=0.04)。
- CART分析显示MIF、IL-8、IL-6和eNAMPT四种生物标志物组合预测死亡率准确性最高;无任何人口学或临床变量改善预测准确性;决策树识别低风险节点TN1(死亡率15%)和TN3(死亡率17%)、中风险节点TN2(死亡率24%)和TN4(死亡率45%)、高风险节点TN5(死亡率83%;原文图注写作85%)。
- 排序聚合算法识别出最重要的六种生物标志物为Ang-2、MIF、IL-8、IL-1RA、IL-6和eNAMPT。
证据类型、等级与局限
- 证据类型为对队列的二次分析,采用了逻辑回归、潜在类别分析和分类回归树分析三种互补分析方法。
- 局限性包括:队列观察到的死亡率22%相对低于预期ARDS死亡率30–40%,可能因选择标准仅纳入存活至第7天的患者,第7天前死亡者未被纳入。
- 局限性包括:统计功效有限,难以在预测建模算法中检测显著差异。
- 局限性包括:缺乏在独立队列中对基于生物标志物的ARDS风险模型的外部验证。
- 作者计划下一步在独立队列中评估该死亡面板以确定六种生物标志物预测ARDS生存的可重复性。
对床旁实践的改变
- 作者认为,六种生物标志物(Ang-2、MIF、IL-8、IL-1RA、IL-6、eNAMPT)组合可改善ARDS亚表型分型,并增强诊断时的预测和预后能力。
- 作者认为,该信息可用于指导临床试验入组,是在就诊时更好地对患者进行分层的重要一步,以提高临床试验阳性结果的可能性。
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20 节 · 点击展开
引言
急性呼吸窘迫综合征(ARDS)是一种破坏性极强的炎症性肺部疾病,以严重呼吸衰竭为特征,需要机械通气,死亡率高达30–40% [1]。ARDS表现出临床和生物学异质性,对多种诱发刺激产生呼吸和多器官系统衰竭。例如,在美国,脓毒症和肺炎是ARDS的主要诱因,而在印度,ARDS则发生于多种热带感染(疟疾、粟粒性结核、登革热感染等)[2]。ARDS的临床和影像学诊断标准相对不精确 [3]。ARDS的诊断不确定性进一步加剧了疾病异质性,并成为开展临床试验时潜在的偏倚来源。因此,ARDS新疗法的开发极具挑战性,也导致了II/III期ARDS临床试验糟糕的既往记录 [4]。重症患者的评分系统如APACHE II评分 [5]或肺损伤严重程度评分 [6]能成功与患者结局相关联,但无法对特定疾病过程患者群体的死亡风险提供一致且准确的预测估计。通用严重程度评分缺乏特异性,无法区分脓毒症、ARDS或急性肾损伤,且在ARDS存活者与非存活者之间无显著差异 [7]。此外,通用严重程度评分不具有病理生理学输入,因此不太可能指导个体化治疗。通过开发预后指数来表征ARDS死亡预测因素的尝试 [8]仍存在争议,且尚未被重复或验证。因此,存在迫切的未满足医疗需求,即识别临床和/或生化疾病特异性参数,以对患者进行风险分层,既用于准确预后判断也用于临床试验目的。用可靠的死亡预测生物标志物对ARDS患者进行分层,将通过聚焦于最可能从新临床干预中获益的患者来优化临床试验入组的参与者选择 [9, 10]。
我们和其他研究者使用“组学”方法和转化系统生物学方法,识别出一组具有多样生物学机制的血浆蛋白生物标志物,提示其可能与ARDS死亡率相关 [11–22]。本研究的目标是利用血浆蛋白生物标志物推导一个预后模型,用于预测最不可能存活至28天的ARDS患者。我们对来自一个表型特征明确的合并ARDS队列的八种血浆生物标志物使用了潜在类别分析和预测分析。生物标志物包括细胞因子-趋化因子(白细胞介素-6 [IL-6]、白细胞介素-8 [IL-8]、白细胞介素-1β [IL-1B]和白细胞介素-1受体拮抗剂 [IL-1RA])、双功能细胞酶即细胞因子/细胞内酶(巨噬细胞迁移抑制因子 [MIF]、烟酰胺磷酸核糖转移酶 [eNAMPT])以及血管损伤标志物(1-磷酸鞘氨醇受体3 [S1PR3]、血管生成素-2 [Ang-2])。这些使用互补分析方法——潜在类别分析、分类与回归树(CART)分析和秩聚合——的分析结果一致,并得以识别出六种最能预测ARDS死亡率的生物标志物。
材料与方法
数据来源
研究了来自252例表型明确的ARDS患者的临床数据和血浆样本,包括纳入液体与导管治疗试验(FACTT)研究[23]的203例患者,以及在亚利桑那大学和伊利诺伊大学招募的49例ARDS患者(分别为IRB#1312168664R001和#20120192)。
参与者
纳入所有符合美国-欧洲共识会议(AECC)[24]或柏林定义[3]诊断标准的ARDS患者。
结局
主要结局为第28天死亡率。
预测因素
初始(D0)血浆样本在符合ARDS标准后48小时内采集,对于存活患者,于第7天(D7)采集第二份样本用于生物标志物检测。检测了以下生物标志物的血浆水平:IL-6、IL-8、IL-1RA、IL-1B、MIF、eNAMPT、S1PR3和Ang-2。
血液采集和血浆生物标志物检测
在ARDS发病(定义为符合所有柏林标准的时间)后48小时内,用EDTA处理的试管采集血液,样本采集后1小时内离心(2000×g离心20分钟,RCF),并储存于−80°C(FACTT样本为−70°C)。使用定制的Bio-Plex Pro Human Cytokine 5-plex免疫检测(Bio-Rad,Hercules,CA)和Bio-Plex MAGPIX仪器,按照制造商的指南,以双份检测四种生物标志物(IL-6、IL-8、IL-1B、IL-1RA)的血浆浓度。采用酶联免疫吸附测定(ELISA)技术定量检测eNAMPT(内部开发的ELISA[25])、MIF(R&D System®,Minneapolis,MN)、S1P3[26]和Ang-2(R&D System®,Minneapolis,MN)的血浆水平,使用市售ELISA按照制造商说明书进行操作。
统计分析
探索性分析
对每种生物标志物(基线和第7天)进行探索性数据分析。对连续变量计算中位数及第一和第三四分位数。对分类变量计算并报告百分比值。使用符号秩检验评估初始生物标志物测量值与7天后测量值之间的差异。
逻辑回归
为识别可能对死亡率有显著贡献的生物标志物,以APACHE、IL-6、IL-8、IL-1RA、IL-1B、MIF、eNAMPT、S1PR3和Ang-2作为协变量,构建了二元逻辑回归和多重前向逐步逻辑回归。此外,进行了二元逻辑回归,将死亡率拟合至每种生物标志物的测量值差值(D0和D7),以确定患者的死亡状态是否受个体生物标志物测量值变化的影响。
潜在类别分析
将8种血浆生物标志物(D0)作为输入变量纳入潜在类别分析(LCA)模型。拟合了一系列不同类别数的潜在类别模型,具体为二类、三类、四类和五类。选择最优类别数的标准基于贝叶斯信息准则(BIC)、Vuong-Lo-Mendell-Rubin(VLMR)似然比检验以及最小类别的样本量。潜在类别模型估计基于Mplus [9]中实施的全信息最大似然方法。为了解生物标志物如何区分各个类别,将研究参与者分配至其最可能的类别,并按类别分配比较生物标志物的均值。确定类别数后,我们检验了类别分配与28天死亡率之间的关联。
分类与回归树(CART)
CART分析已在许多领域用于决策目的,以开发可将受试者分类并预测至各种风险类别的模型 [27]。我们使用CART分析来确定预测死亡率的生物标志物与截断值的最佳组合。最优分类树通过对具有D0生物标志物测量的ARDS患者进行随机80%抽样来构建,同时对CART算法施加一个节点分裂至少需要15个测量的条件。基于类别概率方法未能改善分类的终端节点被剪枝。未使用病例加权和误分类成本。剩余20%具有D0生物标志物测量的患者用于测试。由于测试数据(50例患者)检验效能不足,无法生成有意义的CART算法,我们使用重采样技术创建了一个由200例患者组成的新数据。这是通过有放回地随机选取个体来完成的。对重采样数据进行CART分析并计算测试诊断指标。诊断统计量以风险分类模型的灵敏度、特异度、阳性预测值和阴性预测值表示,分别在建模样本和测试样本中计算。
CART分析后生物标志物按重要性排序
我们对数据进行了十次迭代测试,以按对分类树的重要性对生物标志物进行排序:(1)所有D0和D7生物标志物测量合并,(2)仅D0生物标志物测量,(3)D0生物标志物测量的前半部分,(4)D0生物标志物测量的后半部分,(5)D7生物标志物测量的前半部分,(6)D7测量的后半部分,(7)仅D7测量,(8)D0队列的80%随机样本。(附加文件2:表S1)。对于每次迭代,施加以下条件:(i)节点分裂需要15个或以上的观测值,(ii)分裂必须使总体拟合不足降低1e−5倍(或0.001%)。对20个生成的CART输出中每一个的分析结果包括按对分类树的重要性排列的生物标志物列表以及相关的数值评分,评分升高表明生物标志物在预测死亡率中的重要性增加。最后,使用秩聚合算法 [28] 为每个有序列表生成生物标志物按重要性的最终排序。所有分析均在R(R Core Team,2018)和Mplus v8.3 [29] 中进行。
结果
队列特征
ARDS受试者的人口学和临床特征见表1。ARDS患者的死亡率为22%,非幸存者显著年长于幸存者。ARDS幸存者与非幸存者在临床特征上无其他显著差异(表1)。ARDS患者第0天和第7天全部八种生物标志物的中位数(IQR)见表2。在八种生物标志物中,仅eNAMPT在第7天显著高于第0天(高35%)(表2)。IL-6、IL-1RA、IL-8、Ang-2和S1PR3的值在第0天显著高于第7天。MIF和IL-1B在第0天和第7天的水平之间无显著差异。
逻辑回归结果
评估第0天测定的每种生物标志物预测死亡率能力的逻辑回归分析,在协变量调整后未能显示任何生物标志物具有统计学显著性(附加文件2:表S2)。对于第7天进行的测量,仅Ang-2水平与死亡率增加显著相关(附加文件2:表S3)。两个时间点生物标志物测量值的变化与死亡率之间无显著关联(附加文件2:表S4)。
潜类别建模及各表型的特征
二至五类的模型拟合摘要见附加文件2:表S5,八种生物标志物的二类模型提供最佳拟合。表型B的平均潜类别概率为0.77,表型A为0.23(附加文件1:图S1)。与表型B相比,表型A表现出显著更高的Ang-2、IL-6、eNAMPT、MIF、IL-8和IL-1RA血浆水平(图1)。IL-1B和S1PR3水平之间无显著表型差异。为了确定两种表型是否表现出不同的自然史,我们检验了每种表型与28天死亡率之间的关联。表型A受试者的死亡率显著高于表型B受试者(32% vs 19%,p = 0.04)。
分类树的推导与检验
使用八种候选生物标志物中的四种实现了预测ARDS死亡率的最大准确度:MIF、IL-8、IL-6和eNAMPT(图2)。没有任何单个人口学或临床变量提高了ARDS死亡率预测准确度。识别出两个低风险节点(TN1和TN3,死亡率分别为15%和17%)、两个中等风险节点(TN2和TN4,死亡率分别为24%和45%)和一个高风险节点(TN5,死亡率为83%)。基于生物标志物的ARDS死亡风险分层模型决策树的检验特征见表3。
生物标志物按重要性排序
CART分析的输出允许按预测死亡的重要性顺序对生物标志物进行排序,从而确定了前六位生物标志物:Ang-2、MIF、IL-8、IL-1RA、IL-6和eNAMPT(附加文件2:表S6)。
讨论
我们最初纳入了八种ARDS相关血浆生物标志物,来源于特定的病理生物学分组,包括:(i)炎性细胞因子-趋化因子(IL-6、IL-8、IL-1B和IL-1RA),(ii)双功能细胞酶,即一种细胞内酶在分泌时也具有细胞因子功能(巨噬细胞移动抑制因子、eNAMPT),以及(iii)血管损伤标志物(S1PR3、Ang-2)。我们的研究结果表明,一组六种生物标志物可能预测ARDS生存。在我们进行的潜在类别建模中,具有较高血浆Ang-2、MIF、IL-8、IL-1RA、IL-6和eNAMPT水平的基于生物标志物的表型与显著更高的死亡率相关(图1)。补充性CART分析显示,预测高死亡率的最大准确性由这六种生物标志物中的四种(MIF、IL-8、IL-6和eNAMPT)实现(图2)。最后,秩聚合确定Ang-2、MIF、IL-8、IL-1RA、IL-6和eNAMPT为对死亡率贡献最重要的(附加文件2:表S6)。
ARDS 的发病机制包括内皮损伤、上皮损伤、强烈的炎症级联反应、凝血失调、纤维化和凋亡等多种反应,这些反应由多种刺激引发。探索各种细胞通路急性失调副产物的研究已产生了 45 种以上的潜在生物标志物 [30, 31]。然而,没有任何单一生物标志物或临床变量显示出足够的预后或预测能力来识别 ARDS 的亚表型 [9, 10, 32, 33]。根据病理生物学和治疗反应可能性对 ARDS 患者进行分层的能力将极大地丰富未来的临床试验,并增强检测治疗效果的能力 [34]。亚表型/内型分型已在哮喘和 COPD 等气道疾病中成功实现,并具有重要的治疗意义 [35, 36],且可能存在于严重脓毒症中 [4, 37, 38]。然而,阐明 ARDS 亚表型/内型的数据匮乏。近期研究 [9, 39] 利用两个 ARDSnet 队列,识别出两种 ARDS 亚表型,它们在自然病史、临床和生物学特征、生物标志物谱、对呼气末正压(PEEP)的反应、无呼吸机和器官衰竭天数以及死亡率方面存在显著差异。高炎症型 ARDS 亚表型的特征是脓毒症和严重休克患病率较高、血浆炎症生物标志物(IL-6、IL-8 等)水平高、血管升压药使用更多以及代谢性酸中毒。相比之下,低炎症型 ARDS 亚表型表现出较轻的炎症和休克。令人惊讶的是,ARDS 严重程度(PaO2/FiO2 比值)、肾或肝损伤严重程度或白细胞增多水平均未能区分这两种表型 [9]。与低炎症型表型相比,高炎症型表型与更高的死亡率、更少的无呼吸机和无器官衰竭天数以及对呼吸机策略的反应改变相关 [40]。重要的是,没有任何单一临床或生物学变量足以识别该亚表型,包括 ARDS APACHE 评分(PaO2/FiO2 比值)的严重程度、肾或肝衰竭的严重程度或白细胞增多,这表明表型归属不仅仅是传统指标所测量的疾病严重程度的反映 [40]。
我们的研究结果因使用了三种互补方法(包括预测分析)而得到加强,这些方法识别出对预测 ARDS 生存重要的共同生物标志物组合。我们还使用了一个表型明确的 ARDS 患者队列,其中大多数患者作为一项大型多中心试验的一部分入组。因此,参与者代表了一个人口统计学上多样化的 ARDS 患者队列,增强了我们研究结果的普遍性。
我们的研究有几项局限性,包括所观察队列中观察到的死亡率相对较低,为22%,而预期的ARDS死亡率为30–40%。这可能是由于我们采用的选择标准,即仅纳入存活至第7天的患者,以便分析第0天和第7天的样本,也就是说,第7天前死亡的患者未被纳入。我们工作的第二个局限性是,在预测建模算法中检测显著差异的统计效能有限。最后,我们认识到我们的基于ARDS生物标志物的风险模型缺乏在独立队列中的外部验证。显然,尽管我们在D0利用了80% ARDS患者的随机样本进行推导,并对剩余20%患者采用重采样技术以证明良好的检验特征(表3),我们计划下一步在独立队列中评估我们的死亡组合,以确定这六种生物标志物在预测ARDS生存方面的可重复性。
结论
我们使用了互补的分析方法识别出六种生物标志物(Ang-2、MIF、IL-8、IL-1RA、IL-6、eNAMPT),这些标志物在预测ARDS生存方面显示出前景。这些生物标志物提供了一个重要的概念验证,即ARDS生物标志物的组合可以改善亚表型分型,并增强诊断时的预测和预后能力。这一信息可用于指导临床试验的入组,并代表着在就诊时更好地进行患者分层的重要一步,以提高在这种棘手疾病中开展阳性临床试验的可能性。
试验状态
不适用。
补充信息
附加文件1:图S1。潜在类别分配的概率。使用八种生物标志物的类别分配概率条形图。
附加文件2:表S1。排序算法。八次CART迭代、所施加的算法条件以及所使用的生物标志物数量。表S2。八种ARDS生物标志物第0天死亡预测能力的逻辑回归分析。表S3。八种ARDS生物标志物第7天死亡预测能力的逻辑回归分析。表S4。评估八种生物标志物测量变化对死亡预测的逻辑回归分析。表S5。每个潜在类别的个体数量。表S6。ARDS生物标志物在预测死亡中重要性的排序。
参考来源
- Bime C, Casanova N, Oita RC, et al. Development of a biomarker mortality risk model in acute respiratory distress syndrome. Crit Care. 2019. PMID: 31842964. doi:10.1186/s13054-019-2697-x
- 全文:PMC6916252(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6916252/
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。