文献速递重症综合管理与镇静镇痛消化、代谢与肾脏急症

危重症患者的肥胖悖论:用因果学习方法探究一个偶然发现

The obesity paradox in critically ill patients: a causal learning approach to a casual finding.
PubMed 文献 · Crit Care · 2020-08-05
一句话结论在ICU成人患者中,采用对模型错误设定和缺失数据稳健的因果推断方法后,肥胖悖论被削弱,未提供非肥胖患者若肥胖可改善生存的证据。

该回顾性研究纳入2015年至2017年根特大学医院ICU收治的6557例成人危重症患者,肥胖定义为体重指数≥30 kg/m2。采用两种因果推断方法估计非肥胖者平均效应:传统回归调整(假设完全随机缺失)和基于机器学习与多重插补的稳健方法。传统方法得出非肥胖者平均效应为-2.48%(95%CI -4.80至-0.15%,P=0.037),稳健方法为-0.59%(95%CI -2.77至1.60%,P=0.599),后者削弱了肥胖悖论。稳健方法未提供非肥胖危重症患者若肥胖可改善生存的证据。

要点

  • 研究纳入6557例ICU成人患者,肥胖(BMI≥30 kg/m2)占18.9%,院内死亡率非肥胖组14.6% vs 肥胖组13.5%,粗边际风险差-1.06%(95%CI -3.23至1.11%,P=0.337)。
  • 传统回归调整得出非肥胖者平均效应为-2.48%(95%CI -4.80至-0.15%,P=0.037),提示若非肥胖患者肥胖则院内死亡更少,但该法假设完全随机缺失并丢弃1754例(26.8%)有缺失值的患者。
  • 稳健方法(靶向最大似然估计结合超级学习与多重插补)得出非肥胖者平均效应为-0.59%(95%CI -2.77至1.60%,P=0.599),削弱了肥胖悖论。
  • 敏感性分析:BMI≥25 kg/m2 vs <25 kg/m2,传统方法非肥胖者平均效应-2.11%(95%CI -4.10至-0.12%,P=0.038),稳健方法-0.01%(95%CI -1.81至1.79%,P=0.992)。
  • 稳健方法未提供非肥胖危重症患者若肥胖可改善生存的证据,也未证明其生存会更差。

适用人群与场景

  • 成人(≥16岁)危重症患者,连续入住根特大学医院ICU,时间范围为2015年1月1日至2017年12月31日。
  • 纳入标准包括ICU入院时简化急性生理评分II(SAPS II)≥32分;排除因体重过低或肥胖直接导致ICU入院的患者(55例)、SAPS II<32分(2063例)或缺失SAPS II(807例)的患者;多次ICU入院仅取第一次(1762例)。

诊断标准与关键阈值

  • 肥胖定义:体重指数(BMI)≥30 kg/m2,依据美国国立卫生研究院和世界卫生组织分类。
  • 敏感性分析采用BMI切点≥25 kg/m2和≥35 kg/m2。
  • BMI<10或>80 kg/m2视为生物学上不合理,按缺失值处理。
  • ICU入院时SAPS II≥32分作为纳入条件之一。

研究设计与关键结果

  • 研究类型:回顾性研究,单中心(根特大学医院ICU),样本量6557例成人危重症患者,时间2015年至2017年。
  • 肥胖占18.9%;ICU死亡率总体9.7%、非肥胖9.8%、肥胖9.1%;院内死亡率总体14.4%、非肥胖14.6%、肥胖13.5%。
  • 粗边际风险差(肥胖 vs 非肥胖)为-1.06%(95%CI -3.23至1.11%,P=0.337)。
  • 传统方法:多变量逻辑回归调整优势比为0.80(95%CI 0.64至0.99,P=0.048),非肥胖者平均效应为-2.48%(95%CI -4.80至-0.15%,P=0.037);完整病例分析(n=4803)中粗边际风险差为-2.25%(95%CI -4.65至0.15%,P=0.067)。
  • 稳健方法(靶向最大似然估计+超级学习+多重插补)非肥胖者平均效应为-0.59%(95%CI -2.77至1.60%,P=0.599)。
  • 在插补数据上使用传统回归调整的合并非肥胖者平均效应为-1.46%(95%CI -3.58至0.66%,P=0.178);在完整病例上使用靶向最大似然估计的非肥胖者平均效应为-1.52%(95%CI -3.85至0.81%,P=0.201)。
  • 敏感性分析BMI≥25 kg/m2(占54.8%)vs <25 kg/m2:粗边际风险差-1.40%(95%CI -3.14至0.35%,P=0.117),传统方法非肥胖者平均效应-2.11%(95%CI -4.10至-0.12%,P=0.038),稳健方法-0.01%(95%CI -1.81至1.79%,P=0.992);BMI≥35 kg/m2仅占5.2%,置信区间过宽无法进行有意义比较。
  • 缺失情况:暴露和混杂变量仅2.7%的值缺失,但1754例(26.8%)至少有一个缺失值被传统方法丢弃;缺失在肥胖和非肥胖患者中比例相似(24.2% vs 23.9%,P=0.828)。

证据类型、等级与局限

  • 证据类型:回顾性研究,采用因果推断方法(传统回归调整和靶向最大似然估计结合超级学习与多重插补)。
  • 局限:原文报告残留混杂不能排除(缺乏饮食模式和教育水平数据,部分混杂因素纳入有争议,如恶性肿瘤可能引入碰撞分层偏倚);非肥胖者平均效应中碰撞分层偏倚不能完全排除;样本量下超级学习可能无法很好近似复杂关系导致残留偏倚;多重插补依赖不可检验的随机缺失假设和参数插补模型正确设定;肥胖二分类定义可能无法充分捕捉BMI与院内死亡率的非线性剂量反应关系;传统方法丢弃1754例(26.8%)有缺失值的患者。

对床旁实践的改变

  • 作者认为,对模型错误设定和缺失数据稳健的因果推断方法削弱了危重症患者中观察到的肥胖悖论,而传统方法导致更矛盾的发现。
  • 作者认为,稳健方法未提供非肥胖危重症患者若肥胖可改善生存的证据,也未证明其生存会更差。
  • 原文未据此给出推荐。

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10 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. 2020 Aug 5;24:485. doi: 10.1186/s13054-020-03199-5

背景

肥胖是一种慢性疾病,与心血管疾病、慢性肾脏病、糖尿病、某些癌症和肌肉骨骼疾病相关。它已成为许多高收入和中高收入国家最重要的公共卫生问题之一,带来沉重的经济负担[1–3]。全球肥胖患病率正在稳步上升,平均而言,约五分之一的 intensive care unit(ICU)入住患者为肥胖者[4, 5]。尽管肥胖在普通人群中增加发病和死亡风险,并带来可能影响危重患者预后的额外挑战,但越来越多的文献发现肥胖与改善的ICU结局(包括更低的死亡率)之间存在关联。这一相反发现被称为肥胖悖论[4–11]。

虽然一些作者提出潜在的病理生理机制以支持其生物学合理性[4, 9, 10, 12, 13],但其他人仍持怀疑态度并提供方法学解释。第一种潜在的偏倚类型是混杂偏倚。肥胖-死亡率关系的混杂因素包括年龄、性别、种族、吸烟状况、饮酒、收入、教育、体力活动和饮食模式等[14]。未能充分控制混杂将导致偏倚[15]。偏倚尤其可能因反向因果而产生,即既有疾病导致非预期体重下降和更高死亡率,使肥胖显得具有保护作用[16, 17]。

其次,仅限于肥胖相关疾病患者的研究可能遭受所谓的碰撞分层偏倚。图1所示的因果图描绘了肥胖、ICU入住和死亡率之间的因果关系。肥胖可能导致更早入住ICU,因为临床医生倾向于认为肥胖患者预后更差的风险更高[4, 12]。节点U代表ICU入住和死亡率的共同原因,这些原因通常未被测量或难以量化。例子包括对急性疾病可逆性的判断、预期生活质量、患者意愿、治疗上限、同行标准和床位占用状况[18, 19]。由于ICU入住可能既受肥胖影响,也受这些未测量的死亡率预后因素影响,将研究人群限制为入住ICU的患者可能诱发碰撞分层偏倚,这是一种选择偏倚。特别是,非肥胖患者通常具有更强的死亡风险因素U。事实上,更强风险因素的存在(而非肥胖的缺失)可能解释这些患者为何入住ICU[17, 20]。

其他潜在偏倚类型包括通过估算而非实际测量危重患者身高和体重导致的 body mass index(BMI)分组错误[21]、由于对肥胖患者更密切监测和不同治疗导致的治疗偏倚[4, 22, 23],以及由于选择性报告肥胖悖论等异常发现导致的发表偏倚。

肥胖悖论引出的一个重要临床问题是,如果非肥胖危重症患者本身是肥胖的,他们的生存率是否会有所改善。这需要采用因果推断方法。尽管许多重症监护期刊的编辑最近强调了充分控制混杂因素对于有效因果推断的必要性,但尚未就应采用哪种方法提出建议[24]。本研究旨在使用两种不同的方法来解决上述临床问题:一种是对混杂因素进行回归调整的传统方法,另一种是在因果推断框架内使用最先进的机器学习技术并结合缺失数据插补的更为稳健的方法。

图1 表示肥胖、ICU入住和死亡率之间因果关系的因果图。变量U周围的圆圈表示该变量未被测量。变量ICU周围的方框表示分析在设计上以其为条件,因为研究队列仅包括入住重症监护室的患者。此因果图经过简化,以说明碰撞分层偏倚。ICU,重症监护室;U,未测量因素 查看原图 ↗

方法

研究设计与数据收集

本回顾性研究聚焦于2015年1月1日至2017年12月31日期间在根特大学医院ICU连续住院的成人(≥ 16岁)危重症患者中肥胖与院内死亡率之间的关系。研究期间共有11,244名成人患者入住ICU。55名患者被排除在分析之外,因为其入住ICU的原因与体重不足或肥胖直接相关。在研究期间多次入住ICU的情况下(n = 1762),仅考虑首次入住。入住ICU时简化急性生理学评分II(SAPS II)< 32分(第一四分位数,n = 2063)或SAPS II缺失(n = 807)的患者被剔除,以排除仅以监测为目的入住ICU且危重症可能性较小的患者。最终研究队列包括6557名患者。流程图见图2。

肥胖是关注的暴露因素,根据美国国立卫生研究院和世界卫生组织的分类,将其二分类定义为BMI ≥ 30 kg/m2 [1, 25]。还使用BMI截断值≥ 25 kg/m2和≥ 35 kg/m2进行了敏感性分析。患者的身高和体重通常由重症监护护士在入住ICU时估算。BMI < 10或> 80 kg/m2被认为在生物学上不合理,因此归因于输入错误并按缺失值处理。院内死亡率用作结局变量。

以下肥胖-死亡率关系的潜在混杂因素从前瞻性维护的重症监护信息系统数据库(GE Healthcare Centricity® Critical Care)中提取或派生:年龄、性别、种族、吸烟状况、饮酒量、体力活动、甲状腺功能减退、慢性糖皮质激素治疗、实体恶性肿瘤、血液系统恶性肿瘤、痴呆、人类免疫缺陷病毒感染或获得性免疫缺陷综合征,以及日历时间(自研究开始以来的年数)。由于无法获得患者层面的年收入,使用患者根据家庭住址所属统计部门的中位年收入(Statbel提供的2015年净应税收入[26])作为代理变量。还获取了与肥胖或ICU住院相关的变量。肥胖相关疾病包括Charlson合并症指数、心血管疾病、高血压、糖尿病、慢性肾脏病、慢性肝病和慢性肺病。与ICU住院相关的变量包括ICU入住后36小时内的SAPS II、入住类型和ICU死亡率。重症监护信息系统数据库中包含的这些社会人口学特征和合并症数据由重症监护医师在ICU入住时手动录入。数据差异通过专家意见或审查电子健康记录来解决。

感兴趣的估计量是:如果所有非肥胖患者均为肥胖时与观察到的实际情况(即他们保持非肥胖)相比的院内死亡率差异。这对应于未治疗组中的平均治疗效应(ATU),即未暴露(ICU入住时非肥胖)亚人群中的边际因果风险差。我们认为这一效应特别值得关注,因为它较少受选择偏倚的影响。原因是,如果非肥胖患者是肥胖的,他们很可能也会被收入ICU并且在ICU入住时SAPS II≥32分(因此他们的选择与肥胖状态无关)。相比之下,如果肥胖患者是非肥胖的,这一假设似乎不太可能成立,使得治疗组中的平均治疗效应(以及总体平均治疗效应)更容易受到选择偏倚的影响。识别肥胖对非肥胖患者院内死亡率的影响需要充分的混杂控制[15]。在以下两节中,我们描述了我们为此考虑的两种方法。

图2 研究队列流程图。BMI,体重指数;OHS,肥胖低通气综合征;SAPS II,简化急性生理学评分II 查看原图 ↗

传统方法

按照常用方法[7, 8],拟合了一个逻辑回归模型,以院内死亡率为结局,以肥胖为二分类协变量,并以14个混杂因素的主效应作为其他协变量。未进行模型选择程序以降低残余混杂风险,所有变量均保留在模型中。通过直接标准化(也称为G计算)获得ATU的估计值[15, 27]。首先,使用逻辑回归模型预测每位患者如果为肥胖时的结局,以及如果为非肥胖时的结局。然后仅在非肥胖患者中对这些预测值取平均。两个平均值之间的差异给出了ATU的估计值。

该方法存在若干局限性。首先,逻辑回归假设院内死亡率的对数优势比在协变量中是线性的。对混杂因素与结局之间真实关系的错误建模会留下残余混杂偏倚。这是一个主要问题,尤其是当肥胖与非肥胖患者之间混杂因素值的重叠很少时,因为此时基于回归的估计量可能严重依赖外推,而这从结果中不可见。例如,正在进行外推仅通过标准误的轻微增加而被微妙地暗示,从而可能留下一个乐观精确但有偏的因果效应估计量。此外,回归模型需要数据的完整案例,丢弃至少有一个缺失值的案例。然而,完整案例分析效率低下,并且当缺失具有信息性时可能存在偏倚[15]。

稳健方法

鉴于前述对参数模型误设定的担忧,本研究采用一步目标最大似然估计(TMLE)框架,以便能够使用机器学习方法,旨在减少针对模型误设定的偏倚,同时确保能够构建有效的治疗效果置信区间[27–31]。在此,机器学习基于所谓的超级学习程序。这是一种集成方法,通过应用一种元学习算法来选择多个候选算法的最优加权组合,该元学习算法最小化与所选预测误差损失函数相关的交叉验证风险。由此得到的超级学习器被设计为(在大样本量下)表现与最佳拟合候选算法相当或更优[27, 29, 32, 33]。在本研究中,使用以下15个候选算法库进行分层10折交叉验证的超级学习:零估计器(无条件均值);主效应逻辑回归模型;逐步逻辑回归模型;5个使用弹性网的惩罚回归模型,混合参数分别为0(岭惩罚)、0.25、0.50、0.75或1.0(套索惩罚);随机森林;极端梯度提升;支持向量机;贝叶斯加性回归树模型;以及3个带有二次、三次或四次多项式项的广义加性模型。通过应用平方误差(L2)损失、对数损失和秩损失函数作为元学习算法,分别创建了三个针对结局机制和暴露机制的超级学习器。超级学习程序的详细信息,包括每个候选算法的超参数设置、最小化相应损失函数的最优超级学习器权重,以及通过嵌套交叉验证获得的性能指标,见附加文件1。对于手头数据,对数损失超级学习器表现出最佳性能,因此将其用于后续的TMLE程序。极端逆概率权重采用了2.5%和97.5%的截断水平。TMLE的标准误基于影响曲线计算。

TMLE结合超级学习减少了模型误设定偏倚[27, 29],但它并未解决因缺失数据导致的潜在选择偏倚问题。因此,采用链式方程多重插补(MICE)来插补缺失值。MICE是一种基于全条件规范的迭代算法,其中插补模型针对每个不完整变量分别指定,并以所有其他(可能不完整)测量变量为函数。它依赖于随机缺失假设,即在一个值缺失的概率在给定观测数据的条件下不依赖于未观测数据[34]。插补模型的设定见附加文件2。插补次数设定为50。每个插补数据集分别使用一步TMLE和对数损失超级学习器对结局和暴露机制进行分析。每个插补数据集的单独估计值和方差使用Rubin规则[35]合并为总体估计值和方差。

数据分析在R版本3.3.2中进行,使用stdReg版本3.0.0、SuperLearner版本2.0-24、rBayesianOptimization版本1.1.0、tmle版本1.3.0-2和mice版本3.6.0软件包[36]。

结果

基线特征

最终研究队列包含6557例患者。18.9%的患者存在肥胖。整个队列的重症监护病房(ICU)死亡率和院内死亡率分别为9.7%和14.4%,非肥胖患者分别为9.8%和14.6%,肥胖患者分别为9.1%和13.5%。肥胖与非肥胖患者之间院内死亡率的原始边际风险差为−1.06%(95%置信区间(CI)−3.23至1.11%,P = 0.337)。这些发现与肥胖悖论一致。基线特征总结于表1和表2。

表1 基线特征(连续变量) 查看原表 ↗
表2 基线特征(分类变量) 查看原表 ↗

传统方法

多因素logistic回归模型的结果见表3。该模型表明,在所控制的混杂因素水平相同的情况下,肥胖患者院内死亡率的比值比非肥胖患者低20%(调整比值比为0.80,95% CI 0.64至0.99,P = 0.048)。使用标准化方法,这转化为边际因果风险差——特别是未处理组平均处理效应(ATU)——为−2.48%(95% CI −4.80至−0.15%,P = 0.037)。这提示如果所有非肥胖患者均为肥胖,院内死亡率将显著降低。因此,尽管假定已对混杂进行了调整,这种基于回归的方法却产生了更加矛盾的发现。

虽然暴露和混杂因素仅有2.7%的数值缺失,但有1754例(26.8%)患者至少有一项缺失值,因而在传统方法中被剔除。然而,完整病例形成了一个选择性的非随机样本,其中肥胖与院内死亡率之间的关联变得更加明显。事实上,肥胖与非肥胖患者之间院内死亡率的原始边际风险差从暴露完整病例患者的−1.06%(95% CI −3.23至1.11%,P = 0.337)变为暴露和混杂因素均完整病例患者的−2.25%(95% CI −4.65至0.15%,P = 0.067)。缺失在肥胖和非肥胖患者中同样常见(24.2%对23.9%,P = 0.828)。

此外,有些反直觉的是,上述回归调整似乎表明,由已测量混杂因素引起的偏倚是朝向无效值的。事实上,−2.48%的边际因果风险差比暴露和混杂因素完整病例患者中−2.25%的原始边际风险差更远离零值。这提示肥胖对院内死亡率看似具有的保护效应被肥胖患者更差的基线混杂因素部分掩盖了。然而,这也可能是模型设定错误的结果,从而是混杂偏倚消除不充分的结果。

表3 院内死亡率的多因素logistic回归模型(n = 4803) 查看原表 ↗

稳健方法

因此,我们提供了一项基于TMLE和缺失数据插补的再分析,有趣的是,该分析通过得出ATU为− 0.59%(95% CI − 2.77至1.60%,P = 0.599)减轻了肥胖悖论。传统方法与稳健方法的汇总表见表4。该表还提供了单独执行TMLE或缺失数据插补对边际因果风险差异的各自影响。对插补数据进行传统回归调整得出的合并ATU为− 1.46%(95% CI − 3.58至0.66%,P = 0.178),而对完整病例执行TMLE(即不进行缺失数据插补)得出的ATU相似,为− 1.52%(95% CI − 3.85至0.81%,P = 0.201)。只有两种技术联合使用才减弱了肥胖悖论的证据。在不进行和进行缺失数据插补的TMLE分析中,分别有0.1%和0.6%的患者需要对暴露权重进行截断。

通过针对不同BMI截断值重复上述分析进行了敏感性分析。详细信息见附加文件3。BMI ≥ 25 kg/m2的患者(占患者的54.8%)与BMI < 25 kg/m2的患者之间院内死亡率的原始边际风险差异为− 1.40%(95% CI − 3.14至0.35%,P = 0.117)。传统方法得出的ATU为− 2.11%(95% CI − 4.10至− 0.12%,P = 0.038),而稳健方法得出的ATU为− 0.01%(95% CI − 1.81至1.79%,P = 0.992),从而推翻了这一超重/肥胖悖论。由于仅有小部分患者BMI ≥ 35 kg/m2(占患者的5.2%),效应估计的置信区间过宽,无法在BMI ≥ 35 kg/m2与BMI < 35 kg/m2的患者之间对传统方法和稳健方法进行有意义的比较。

表4 传统方法与稳健因果推断方法的汇总表 查看原表 ↗

讨论

肥胖悖论是指肥胖与危重症患者生存率改善之间违反直觉的关联,可能源于若干方法学缺陷,包括混杂偏倚和碰撞分层偏倚。临床医生可能提出的根本问题是,如果非肥胖危重症患者本身为肥胖,其生存率是否会得到改善。据我们所知,既往临床研究尚未解决这一问题,需要采用因果推断方法。

在本研究中,入住ICU时SAPS II评分≥32分的肥胖与非肥胖患者之间,院内死亡率的原始边际风险差为−1.06%(95% CI −3.23至1.11%,P = 0.337)。采用两种因果推断方法估计ATU:一种方法采用传统的混杂回归调整,并假设数据完全随机缺失;另一种稳健方法在TMLE框架内使用超级学习(super learning),并在随机缺失假设下对缺失值进行多重插补。传统方法得出的ATU为−2.48%(95% CI −4.80至−0.15%,P = 0.037),这一发现更为矛盾。然而,该结果可能尤其会受到因数据缺失导致的选择偏倚以及因模型设定错误导致的残余混杂偏倚的影响。相比之下,将靶向学习与多重插补相结合以处理上述两类偏倚的稳健方法得出的ATU为−0.59%(95% CI −2.77至1.60%,P = 0.599),从而减轻了肥胖悖论。因此,本研究未提供证据表明非肥胖危重患者若为肥胖则其生存率会改善,也未证明其生存率会更差。

然而,对研究结果的解读需谨慎。首先,尽管纳入大量混杂因素,仍不能排除因替代变量不准确或未测量变量导致的残余混杂。特别是,缺乏患者饮食模式和教育水平的数据,这些因素可能混杂了肥胖-死亡率关系。此外,某些混杂因素的纳入可能存在争议。事实上,入住ICU时测量的肥胖状态是潜在长期时变过程的结果,这使得例如对恶性肿瘤的校正可能并不完全适合消除混杂偏倚,因为它可能消除肥胖通过恶性肿瘤产生的间接效应,同时还会引入碰撞分层偏倚[16]。此外,应注意传统方法中有1754例(26.8%)患者因暴露或混杂因素至少有一个缺失值而被剔除。

其次,虽然我们的分析聚焦于非肥胖患者亚组,以减弱因选择SAPS II评分至少32分且入住ICU的患者而可能产生的碰撞分层偏倚的影响,但ATU中的此类偏倚仍不能完全排除。当肥胖影响入住ICU或SAPS II≥32分的概率时(情况很可能如此),ATU可能存在偏倚。要克服上述两个问题,需要进行人群队列研究,对个体体重以及恶性肿瘤等混杂因素的演变进行随时间监测[37]。遗憾的是,目前缺乏此类数据。

当前分析的第三个局限性是,当暴露或结局对混杂因素的依赖关系过于复杂,在所考虑的样本量下无法通过超级学习很好地近似时,所获得的估计值及其标准误可能受到残余偏倚的影响[29]。第四,虽然MICE算法放宽了完整病例分析(如第一种方法)中隐含的完全随机缺失假设,但它仍然依赖于不可检验的随机缺失假设以及参数插补模型的正确设定,这可能进一步使TMLE估计量产生偏倚[34]。最后,尽管使用不同BMI截断值的敏感性分析未改变对结果的解释,但肥胖定义所使用的二分类性质可能无法充分捕捉危重患者中BMI与院内死亡率之间可能存在的非线性剂量-反应关系。

结论

一种对因模型设定错误导致的残余混杂偏倚和因(随机)缺失数据导致的选择偏倚均稳健的因果推断方法,减轻了在危重患者中观察到的肥胖悖论,而传统方法则导致更加矛盾的发现。该稳健方法未提供证据表明非肥胖危重患者如果肥胖的话其生存率会有所改善。

补充信息

附加文件1. 超级学习过程的详细说明。

附加文件2. 插补模型的设定。

附加文件3. 使用不同BMI截断值的敏感性分析。

参考来源

  1. Decruyenaere A, Steen J, Colpaert K, et al. The obesity paradox in critically ill patients: a causal learning approach to a casual finding. Crit Care. 2020. PMID: 32758295. doi:10.1186/s13054-020-03199-5
  2. 全文:PMC7405433(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7405433/

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。