机器学习评估脓毒性休克中糖皮质激素的个体化治疗效果
该队列研究利用4项RCT的2548例脓毒性休克成人数据,以机器学习估计糖皮质激素的个体化治疗效果(ITE),并在75例外部验证队列中验证。汇总ATE显示90天死亡RR 0.89(95%CI 0.83-0.96)。当NWT(愿意治疗人数)为25时,按最优个体模型策略的净获益为0.31(治疗14.9%患者),优于SAPS II策略(0.06,治疗13.3%患者)和全部治疗策略(氢化可的松0.01;氢化可的松+氟氢可的松-0.01)。结果提示个体化决策可能优于基于平均效应的“全治或全不治”。
要点
- 在2548例脓毒性休克成人中,糖皮质激素(氢化可的松或联合氟氢可的松)较对照降低90天死亡风险:RR 0.89(95%CI 0.83-0.96),ARR 5.11%(95%CI 1.50%-8.72%)。
- 按最优个体模型决策时,当NWT=25,净获益为0.31,治疗14.9%患者;按SAPS II决策净获益0.06,治疗13.3%患者;全部治疗策略净获益0.01或-0.01。
- 当NWT<25时,全部治疗策略净获益为负,提示若药物相关危害较大,不加选择地治疗劣于不治疗。
- 最优个体模型外部验证AUC为0.77(95%CI 0.59-0.92),Brier评分0.28;内部交叉验证AUC为0.74(95%CI 0.72-0.76)。
- 原文提供NWT=50(决策阈值0.02)的决策树,可辅助床旁识别可能从糖皮质激素获益的脓毒性休克患者。
适用人群与场景
- 成人脓毒性休克患者,纳入4项RCT(Annane等、CORTICUS、COIITSS、CRICS-TRIGGERSEP)的个体数据,各试验纳入/排除标准见原文补充eTable 2。
- 外部验证队列为Arabi等试验的75例成人脓毒性休克患者。
- 研究场景为ICU。
诊断标准与关键阈值
- 脓毒性休克定义依据各原始试验的标准。
- 肾上腺功能评估采用250 μg促肾上腺皮质激素刺激试验,检测基线皮质醇及刺激后皮质醇增量(原文提及增量≥9 μg/dL作为反应标准之一)。
- 决策策略可使用最优个体模型估计的绝对风险降低(ARR)与决策阈值T比较,NWT=1/T;原文举例若治疗危害为结局危害的1/10,则T=10%、NWT=10。
- 原文未给出统一的启动/停止糖皮质激素的床旁阈值,仅以NWT/决策阈值框架描述。
处置流程与药物剂量
- 原文未提及基于该模型的具体床旁处置流程。
- 干预方案:氢化可的松50 mg静脉推注,每6小时一次,疗程5-7天,可逐渐减量或不减量。
- 联合方案:氢化可的松50 mg静脉推注每6小时一次+氟氢可的松50 μg肠内给药每日一次,疗程7天,不减量。
- 对照为安慰剂或常规治疗。
- 原文未提供基于个体化估计的治疗启动或停药流程。
红旗征与不能漏的情况
- 原文未提及
研究设计与关键结果
- 研究类型:基于4项RCT个体数据的队列研究,使用集成机器学习(Super Learner)建模个体化治疗效果,另用1项双盲安慰剂对照RCT的75例患者进行外部验证。
- 训练队列2548例,中位年龄66(IQR 55-76)岁,男性1656例(65.0%),中位SAPS II 55(IQR 42-69),第1天中位SOFA 11(IQR 9-13)。
- 氢化可的松单药较对照:RR 0.88(95%CI 0.79-0.97;P=0.01),ARR 6.32%(95%CI 1.47%-11.18%)。
- 最优个体模型估计的中位ARR为2.90%(95%CI 2.79%-3.01%);内部交叉验证AUC 0.74(95%CI 0.72-0.76),Brier评分0.21;外部验证AUC 0.77(95%CI 0.59-0.92),Brier评分0.28。
- 当NWT=25时,净获益:全部氢化可的松策略0.01,全部氢化可的松+氟氢可的松策略-0.01,按SAPS II策略0.06(治疗13.3%患者),按最优个体模型策略0.31(治疗14.9%患者)。
证据类型、等级与局限
- 证据类型:基于4项RCT个体数据的回顾性队列分析,采用机器学习建模,并用1项RCT外部验证。
- 局限:外部验证队列仅75例且因无效提前终止;训练队列来自多项RCT的二次分析;模型性能需进一步前瞻性验证。
对床旁实践的改变
- 提示对脓毒性休克患者使用糖皮质激素时,可考虑基于个体化估计的绝对治疗效应决策,而非仅依据平均效应“全部治疗”。
- 当临床认为药物相关危害较大(NWT<25)时,不加选择地全部治疗可能净获益为负,应更谨慎选择治疗对象。
- 基于SAPS II的决策策略净获益低于最优个体模型,提示仅靠疾病严重程度评分可能不足。
- 原文未提供可直接用于床旁的具体模型公式或阈值,决策树仅为NWT=50(决策阈值0.02)的示例,需结合临床判断。
- 适用人群为成人脓毒性休克ICU患者;不适用于儿童、非脓毒性休克或其他人群。
指南或共识出处
- 原文未提及指南或共识名称;研究基于Annane等、CORTICUS、COIITSS、CRICS-TRIGGERSEP试验及Arabi等外部验证试验。
全文中译19 节 · 点击展开
引言
脓毒症持续给全球医疗系统带来负担,每年约导致1100万例死亡。1 除通过氧疗、液体复苏和血管加压药消除感染并恢复细胞代谢外,脓毒症尚无特异性治疗方法。2 在脓毒性休克中,随机临床试验(RCTs)有中等程度证据表明糖皮质激素可能改善短期生存率。3,4 然而,在实践中,临床医生对糖皮质激素在个体层面的获益仍不确定。
临床试验通常用于估计平均治疗效应(ATE)。将研究结果转化为临床实践通常遵循二元模式,即如果试验结果为阳性,则所有患者均接受治疗;如果结果为阴性,则无人接受治疗。这种方法假设每位患者的治疗效应将与原始试验中观察到的ATE相似。然而,个体对治疗的反应可能因患者的基线特征等因素而存在显著差异。5,6,7 这种变异来源通常被称为治疗效应异质性(HTE)。8,9,10 识别治疗反应异质性的来源(例如肿瘤学中的基因变异)对于制定个体化治疗规则和个性化医疗至关重要。8 因此,个体对糖皮质激素的反应可能取决于患者的特征。11,12,13
在存在HTE的情况下,获取RCT数据为训练模型以估计特定干预的个体治疗效应(ITE)提供了机会。5,8,14,15 ITE估计模型可帮助识别可能对治疗有反应与可能无反应的患者,以指导临床医生决策并提高治疗效率。7,14
因此,本研究的主要目的是使用机器学习估计重症监护病房(ICUs)中成人脓毒性休克患者糖皮质激素的ITE,并评估当治疗决策基于个体估计绝对治疗效应时糖皮质激素的净获益。
方法
本研究基于对4项评估糖皮质激素治疗脓毒性休克获益的RCT的分析。16,17,18,19 第五项研究20用于外部验证结果。作为一项完全基于对完全去标识化数据进行分析的研究,本研究被视为非人体参与者研究,并经法兰西岛第三人物保护委员会认定免于知情同意。本研究是经法兰西岛第三人物保护委员会批准的“快速识别糖皮质激素抵抗或敏感脓毒症(RECORDS)”项目的一部分。本报告遵循加强流行病学观察性研究报告(STROBE)和个体预后或诊断多变量预测模型透明报告(TRIPOD)报告指南。
数据
研究
本队列研究使用了4项随机对照试验(RCT)的数据。16,17,18 研究特征见补充材料中的e表1。Annane等人的研究16发现,在促肾上腺皮质激素无反应者(即对250 μg促肾上腺皮质激素刺激试验反应后皮质醇升高未达到9 μg/dL或以上[转换为纳摩尔每升,乘以27.588]的患者)中,补充类固醇可改善生存率。16 在CORTICUS研究中,17无论患者对促肾上腺皮质激素试验的反应如何,均未发现氢化可的松对生存率有影响。COIITSS研究18报告,与单用氢化可的松相比,接受氢化可的松加氟氢可的松治疗的患者院内死亡率绝对降低3%。在CRICS-TRIGGERSEP研究中,19接受氢化可的松加氟氢可的松治疗的患者90天全因死亡率低于接受安慰剂的患者。Arabi等人的第五项研究20被用作外部验证队列。Arabi等人的研究20在纳入75例患者后的中期分析中因无效而终止;尽管氢化可的松组患者的休克逆转率更高,但氢化可的松与90天死亡率降低无关。
人群
我们考虑各试验中定义的脓毒性休克成人患者。各试验的纳入和排除标准摘要见补充材料中的e表2。缺失数据通过创建二值缺失指示变量进行处理。由于缺失有时可能并非随机发生,模型中纳入这些指示变量以考虑潜在的信息性缺失。
干预措施
本分析考虑的试验性干预措施为氢化可的松50 mg每6小时静脉推注,持续5至7天,伴或不伴逐渐减量;以及氢化可的松50 mg每6小时静脉推注加肠内氟氢可的松50 μg每日一次,给药7天不逐渐减量。对照为安慰剂或常规治疗。
结局
我们将90天死亡率作为主要结局。次要结局为28天死亡率。
统计分析
平均治疗效应(ATE)与个体治疗效应(ITE)
我们将ATE定义为如果所有人都接受皮质类固醇治疗与无人接受治疗时90天死亡率的差异。ITE定义为在个体水平上,该患者接受或不接受治疗时结局的差异。
基于机器学习拟合的结局(以基线因素和治疗为自变量),使用目标最大似然估计(TMLE)21分别估算纳入分析的每项研究的ATE,并校正研究、年龄、性别、入院类别(即内科、择期手术或急诊手术)、疾病严重程度评分(使用简化急性生理学评分[SAPS II]22和脓毒症相关器官衰竭评估[SOFA]评分23测量)、感染特征(医院获得性vs社区获得性)、感染部位和病原体、肾上腺状态(即基线皮质醇水平以及给予250 μg促肾上腺皮质激素后的皮质醇增量)、动脉乳酸水平、血糖水平、前24小时内去甲肾上腺素等效物的最大剂量,以及初始是否需要机械通气。TMLE是一个广泛的估计框架,适用于数据自适应估计方法,有助于构建具有理想有限样本性质的渐近有效估计量。24 ATE以相对危险度(RR)和绝对危险度降低(ARR)及其95%CI表示。
ITE使用2种不同方法估算,并以ARR表示:基线疾病严重程度模型和最优个体模型。首先,如先前所提出,14我们假设ITE,即ITESAPS II,可估计为基于SAPS II评分14评估的基线疾病严重程度减去基线乘以RR:其中Y为结局,A为二分类治疗指示变量,W为指示基线严重程度的评分,RR为A = 1(治疗)vs A = 0(对照)的相对危险度,P(Y = 1|A = 0, W)为基线风险。在此特定情况下,W为SAPS II14,基线风险通过以下方程获得:我们使用源自原始试验结果的经验RR,并假设治疗效应随基线风险线性增加。
或者,由于治疗效果可能与基线疾病严重程度并非线性相关,我们开发了一个最优个体模型,即使用Annane等16、CORTICUS17、COIITSS18和CRICS-TRIGGERSEP19的个体数据,构建用于估计ICU入住后最初90天内死亡概率的模型。最优个体估计模型是一个针对(P[Y = 1|A,W])的模型,即它包含患者特征以及实际接受的治疗(即氢化可的松、氢化可的松+氟氢可的松或对照)。因此,基于该模型估计ITE不需要假定治疗效果随基线风险线性增加。具体而言,估计模型中作为因子纳入的变量包括:接受的治疗(即氢化可的松、氢化可的松+氟氢可的松或对照)、研究、年龄、性别、入院类别(即内科、择期手术或急诊手术)、疾病严重程度评分(即SAPS II22和SOFA评分23)、感染特征(医院获得性 vs 社区获得性)、感染部位和病原体、肾上腺状态(即基线皮质醇水平及250 μg促肾上腺皮质激素后皮质醇增量)、动脉乳酸水平、血糖水平、最初24小时内去甲肾上腺素等效最大剂量,以及初始是否需要机械通气。作为标准回归方法的替代方案,我们使用了一种名为Super Learner的集成机器学习算法。25在该算法中,我们使用10折交叉验证,并以受试者工作特征曲线下面积(AUC)的交叉验证性能作为拟合度量来推导最终模型。Super Learner中纳入的算法库包括参数学习器(即含交互项和不含交互项的逻辑回归、基于赤池信息准则的逐步回归模型,以及贝叶斯广义线性模型)和非参数学习器(即广义相加模型、多变量自适应回归样条、梯度提升、随机森林、核支持向量机和支撑向量机)。选择如此广泛的范围是为了使所得算法几乎能够灵活拟合任何函数形式。
净获益
我们使用净获益来量化治疗启动策略的影响,该指标同时考虑了事件发生率的降低和治疗相关风险。14,15
设Di为患者i治疗效果的个体化估计。设T为D的阈值,使得当t < Di时对患者i启动治疗,当t > Di时避免治疗。若t = Di,则不确定是否应给予治疗。因此,阈值T用于表示与治疗相关的风险。净获益定义为15更具体地,其计算为:其中Y(0,1),i为每种治疗选择下的个体结局,n1为接受治疗的患者数,n0为未接受治疗的患者数。
基于该定义,净获益按“治疗所有人”策略计算,并按基线疾病严重程度策略计算,其中P[ITESAPS II] > T为预期事件发生率降低幅度大于T的患者比例(即根据该治疗规则的治疗率)。最优个体模型策略计算为
不治疗任何人的净获益作为参照,等于零。Vickers等15所述的净获益代表与治疗相关的事件比例减少量减去接受治疗的患者比例乘以治疗成本。
因此,负净获益意味着对于该特定阈值,不治疗任何人优于基于特定策略(例如,治疗所有人、基于估计模型或基于评分系统)进行治疗。在本研究中,我们比较以下治疗策略:治疗所有患者、不治疗任何人、基于严重程度评分进行治疗,或基于Super Learner衍生的估计个体化治疗效果(ITE)进行治疗。
愿意治疗人数
理想情况下,决策阈值应考虑到接受治疗所带来的潜在危害。例如,如果经历结局事件相关的危害被认为比治疗不良反应严重10倍,则适当的决策阈值为10%。在这种情况下,仅应对估计绝对治疗效果超过10%的个体开始治疗。然而,通常情况下,临床医生并非基于决策阈值做出决定,而是评估为避免1例结局事件所需治疗的最大可接受患者数。在此背景下,Dorresteijn等14提出使用愿意治疗人数(NWT),定义为决策阈值的倒数。如果假设治疗10名患者产生的危害与1例结局事件相当,临床医生将愿意治疗最多10名患者以预防1例事件。在这种情况下,NWT为10,等于1/T,其中T为10%。
短疗程糖皮质激素给药的可能不良反应包括重叠感染、高血糖、高钠血症、代谢性碱中毒、胃肠道出血、精神障碍和肌无力,发生率范围为1%至85%。16,17,18,19因此,按照Dorresteijn等14的建议,我们计算了一系列可能NWT值下的净获益。
估计模型的性能
使用来自另一项试验的数据对估计模型进行了内部和外部性能评估。20为评估模型的区分能力,我们计算了交叉验证AUC及其95%CI。通过绘制估计概率与观察到的结局发生率对比图以及计算Brier评分来评估模型校准度。26在外部验证队列中估计了相同的指标。20
决策树
为帮助临床医生判断特定患者是否应接受糖皮质激素治疗,我们通过生成决策树来补充分析,决策树基于年龄、性别、入院类别(即内科、择期手术或急诊手术)、SAPS II、SOFA评分、感染特征(即医院获得性vs社区获得性)、感染部位、肾上腺状态(基线皮质醇水平及250 μg促肾上腺皮质激素后的皮质醇增量)、动脉乳酸水平以及前24小时内去甲肾上腺素等效最大剂量。决策树使用剪枝递归分割算法生成。复杂度参数使用20折交叉验证进行优化。
所有统计分析均使用R统计软件3.5.1版(R Project for Statistical Computing)在macOS(Apple)平台上运行。P值为双侧,统计显著性设定为.05。数据分析时间为2019年9月至2020年2月。
结果
训练队列使用了2548例患者的数据,包括来自Annane等[16]的299例患者、来自CORTICUS[17]的499例患者、来自COIITSS[18]的509例患者以及来自CRICS-TRIGGERSEP[19]的1241例患者。其中,515例患者单用氢化可的松,1009例患者接受氢化可的松联合氟氢可的松,1024例患者接受安慰剂或无治疗。患者特征见补充材料中的e表3。中位(四分位距[IQR])年龄为66(55-76)岁,1656例(65.0%)为男性。中位(IQR)SAPS II为55(42-69),第1天中位(IQR)SOFA评分为11(9-13)。
各项研究及合并ATE
表中提供了各单项研究报告的皮质类固醇对90天死亡率ATE的点估计值,以及跨研究合并的ATE。与对照组相比,皮质类固醇(氢化可的松或氢化可的松+氟氢可的松)降低了90天死亡风险(RR,0.89;95% CI,0.83至0.96;P = .004;ARR,5.11%;95% CI,1.50%至8.72%)。与对照组相比,氢化可的松降低了90天死亡风险(RR,0.88;95% CI,0.79至0.97;P = .01;ARR,6.32%;95% CI,1.47%至11.18%)。氢化可的松联合氟氢可的松也发现了类似结果(RR,0.92;95% CI,0.85至0.99;P = .048;ARR,3.7%;95% CI,0.23%至7.64%)。氢化可的松与氢化可的松联合氟氢可的松在90天死亡风险方面无显著差异(RR,1.07;95% CI,0.96至1.19;P = .22;ARR,−2.60%;95% CI,−7.46%至2.27%)。皮质类固醇对28天死亡率的影响也列于表中。
基线疾病严重程度与最优个体化模型
观察到的90天死亡率为47.7%(95% CI,45.7%至49.6%)(补充材料中的e表3)。基于SAPS II,总体样本中估计的平均死亡概率为55.0%(95% CI,53.8%至56.1%)(补充材料中的e表4)。SAPS II的AUC为0.64(DeLong 95% CI,0.62至0.67)(图1)。
基于最优个体化模型,总体样本中估计的平均死亡概率为47.7%(95% CI,46.8%至47.8%)(补充材料中的e图1)。最优个体化模型的区分度见图1。交叉验证AUC为0.74(95% CI,0.72至0.76)。图2显示了最优模型良好的校准度(Brier评分 = 0.21)。以28天死亡率作为结局时,估计性能相似(交叉验证AUC,0.74;95% CI,0.72至0.76;Brier评分 = 0.20)。在外部验证队列中,患者最优个体化模型的AUC为0.77(DeLong 95% CI,0.59至0.92),Brier评分为0.28。
每种皮质类固醇方案的ITE分布见补充材料中的e图2。使用基线疾病严重程度模型来决定个体患者应接受哪种治疗时,估计的平均ARR为5.85%(95% CI,5.73%至5.97%)(补充材料中的e图3)。使用最优个体化模型时,估计的平均ARR为2.90%(95% CI,2.79%至3.01%)。
净获益与NWT
如图3所示,预期净获益似乎高度依赖于治疗策略。对于任何大于25的NWT,治疗所有患者策略(即所有患者均使用氢化可的松或氢化可的松联合氟氢可的松治疗)的净获益为正值,意味着如果NWT较高(即治疗相关伤害很小),则治疗所有患者使用氢化可的松或氢化可的松联合氟氢可的松优于不治疗任何人,但如果NWT较低(即治疗相关伤害相当大)则并非如此。对于NWT约为25时,治疗所有患者与不治疗任何人的获益相当(净获益接近零)。当NWT降至小于25时,治疗所有患者使用氢化可的松或氢化可的松联合氟氢可的松的净获益为负值,意味着治疗所有患者使用氢化可的松或氢化可的松联合氟氢可的松劣于不治疗任何人。
使用基于估计的治疗策略(即基于疾病严重程度模型或基于最优个体模型)与治疗所有患者相比,无论NWT如何,始终与更大的净获益相关(图3)。虽然两种基于估计的净获益曲线在极低NWT值时均趋近于零,但基于最优个体模型的治疗策略显著优于仅基于SAPS II的治疗。当NWT为25时,治疗所有患者使用氢化可的松策略的净获益为0.01,治疗所有患者使用氢化可的松联合氟氢可的松策略的净获益为−0.01,代价是治疗100%的患者;基于SAPS II治疗策略的净获益为0.06,代价是治疗13.3%的患者;基于最优个体模型治疗策略的净获益为0.31,代价是治疗14.9%的患者。补充材料中的e图4展示了每种基于估计的策略根据接受治疗患者比例所对应的净获益。当使用28天死亡率作为结局时,这些结果均无实质性改变。外部验证队列中与最优个体模型相关的净获益见补充材料中的e图5。
临床实践解读
补充材料中的eTable 4展示了低估计ITE(ITE分布的第一个四分位数)与高预测ITE(ITE分布的最后一个四分位数)患者之间特征的差异。补充材料中的eFigure 6提出了一个NWT为50的决策树,对应于0.02的决策阈值。
讨论
这项队列研究发现,基于估计ITE的个性化方法来决定感染性休克患者是否应接受糖皮质激素治疗,对患者从未有害,无论潜在的糖皮质激素相关不良反应如何。相反,基于从RCT和荟萃分析中确定的ATE(即治疗所有患者或不治疗任何患者)的治疗策略,在个体层面可能产生的危害大于获益。
RCT通常用于估计ATE,然后以二元方式解释,即对于阳性结果,建议治疗所有患者,对于阴性结果,建议不治疗任何患者。RCT被认为是循证医学的金标准。然而,正如Hill等人于1966年首次报道的那样,27对于寻求特定患者最佳治疗策略的临床医生而言,ATE可能不是最具信息量的治疗效果衡量指标。这是由于HTE,它描述了治疗效果如何在个体之间变化8,可定义为治疗效果中的非随机变异性,说明个体对治疗的反应可能与ATE存在显著差异。已提出了不同的方法来处理这一问题,包括亚组分析以识别对治疗反应更为同质的患者集群。8另一种可以说是更优的方法是开发准确的多变量模型来估计在个体层面哪种治疗选择可能最佳。8,14这种估计方法可以依赖于风险建模,即按主要结局的风险分层报告治疗效果。在本研究中,我们使用了基于SAPS II的基线风险建模方法,并表明基于风险建模的治疗决策比纯粹基于ATE而忽略患者间治疗效应异质性的决策产生了更优的净获益。
该估计方法可能更为复杂,并依赖于治疗效果建模。8尽管在重症监护领域仍未普遍采用,但基于随机对照试验(RCT)数据库中患者特征直接预测个体化治疗效果(ITE)的方法已应用于癌症28,29,30和心血管研究。31,32,33 Dorresteijn等14利用他汀类药物获益的RCT数据来估计个体患者的治疗效果,并显示治疗效果建模方法比治疗所有人或所有人均不治疗带来更多净获益。同样,对于感染性休克中的糖皮质激素治疗,我们发现治疗效果建模方法优于基于平均治疗效果(ATE)的治疗决策策略和基线风险建模方法。对感染性休克患者使用糖皮质激素治疗的结果评估基于净获益,以考虑该类药物的潜在严重不良反应。对于每种治疗策略,净获益是在一系列不良反应严重程度范围内估计的。该范围用NWT表示,NWT越高,药物相关不良反应越少,反之亦然。使用该方法,我们发现基于最优个体模型的治疗策略始终优于其他方法。此外,对于任何低于25的NWT,对所有患者使用糖皮质激素(氢化可的松或氢化可的松+氟氢可的松)治疗的净获益均为负值。
使用Super Learner对入院后前90天内的死亡概率进行建模。这种集成机器学习方法已被证明在数学上是最优的,即具有oracle性质。25此前已证明,在ICU死亡估计背景下,Super Learner的表现优于多种替代建模方法。34它也被证明是处理治疗效果异质性时的首选方法。35一致地,我们发现用于估计ITE的基于Super Learner的估计模型比SAPS II具有更好的区分能力,更重要的是,具有出色的校准度。因此,与Super Learner推导的最优个体模型相关的净获益优于治疗所有患者策略和基于SAPS II的策略。值得注意的是,由于疾病严重程度模型方法依赖于将基线风险乘以1减去相对危险度(RR),它不允许ITE根据患者特征向相反方向发展。两种方法之间的这一重要差异在补充材料的eFigure 3中有所说明。最后,众所周知SAPS II会高估死亡概率,34,36从而导致估计净获益被夸大。有趣的是,Luedtke等37已表明,Super Learner不仅可用于无偏估计ATE,还可用于基于协变量学习治疗规则并估计使用该最优规则的影响。
局限性
本研究存在一些局限性。第一,由于用于得出个体化估计值的数据受限于用于训练模型的随机对照试验(RCT)16,17,18,19所采用的纳入和排除标准,结果可能无法推广至所有患者。然而,选择这4项研究16,17,18,19是因为它们在糖皮质激素治疗患者的总体获益方面产生了相互矛盾的结果,它们代表了一种典型情况,即个体化治疗效应(ITE)的估计可用于识别将从治疗中获益的患者。为挑战我们算法的性能,我们使用一项外部试验20的数据对其进行了检验,尽管样本量有限且死亡率显著更高,但总体上发现了良好的性能。未来,将ITE估计模型向所有人开放,将是通过前瞻性收集更多观察性数据并进一步重新校准模型以改善其在特定环境中性能来应对这一局限性的一种方式。第二,我们使用简化急性生理学评分II(SAPS II)作为最优个体模型的替代方案来识别可能从接受糖皮质激素治疗中获益的患者。SAPS II是为估计住院死亡率而开发的,而我们使用90天死亡率作为主要结局指标。尽管如此,我们发现28天死亡率和90天死亡率的结果一致。临床医生在重症监护病房(ICU)评估疾病严重程度时通常更倾向于使用序贯器官衰竭评估(SOFA)评分23。然而,由于该评分并非用于估计死亡率,因此没有直接方法将其用于估计ITE。验证队列包括患有肝硬化和感染性休克的成人20。虽然这是一个非常特定的患者群体,但它有助于进一步挑战该算法的性能。第三,为完善个体化治疗策略,需要选择适当的净治疗获益(NWT),并考虑不良事件的频率和严重程度。第四,为说明ITE在临床实践中的使用而生成的决策树应谨慎对待,这种基于估计的治疗策略的净获益需要以前瞻性方式予以确认。
结论
本队列研究发现,基于个体化估计的治疗策略用于决定哪些感染性休克患者接受糖皮质激素治疗以及给予哪种糖皮质激素方案,无论潜在的糖皮质激素相关不良事件如何,均产生了阳性净获益。这一有前景的结果需要以前瞻性方式加以验证。
参考来源
- Pirracchio R, Hubbard A, Sprung CL, et al. Assessment of Machine Learning to Estimate the Individual Treatment Effect of Corticosteroids in Septic Shock. JAMA Netw Open. 2020. PMID: 33301017. doi:10.1001/jamanetworkopen.2020.29050
- 全文:PMC7729430(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7729430/
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。