文献速递呼吸衰竭与机械通气重症综合管理与镇静镇痛

呼吸变异性:对麻醉学与重症监护的意义

Breathing variability-implications for anaesthesiology and intensive care.
PubMed 文献 · Crit Care · 2021-08-05
一句话结论综述提示呼吸变异性降低可能预测机械通气脱机失败,但证据尚不足以指导床旁决策。

本文为综述,描述呼吸变异性的量化方法(定量时间序列分析、去趋势波动分析、熵分析),总结影响呼吸变异性的条件与疾病(睡眠、认知负荷、运动、年龄、缺氧、高血压、内毒素、焦虑、阻塞性/限制性肺病、肺早产、围术期药物、ICU脱机)。文中汇总多项研究提示:30分钟或60分钟自主呼吸试验期间潮气量定量变异性较低者,48小时内更常需重新机械通气;但一项长期通气患者研究中失败脱机者潮气量变异性反而更高,且该研究存在压力支持干扰的局限。作者结论为呼吸变异性是有前景的工具,但需进一步研究。

要点

  • 30分钟SBT期间潮气量定量变异性较低的患者,48小时内更常需重新无创或有创机械通气。
  • 60分钟SBT(吸氧下)潮气量定量变异性较低者,脱机后更常需通气支持。
  • 长期通气(>7天)患者CPAP下SBT时,失败脱机者潮气量(而非呼吸频率)定量变异性更高,信息变异性也更高。
  • COPD、限制性肺病、婴儿慢性肺病、非REM睡眠和高认知负荷任务使呼吸总体变异性降低;哮喘、高血压、焦虑障碍、缺氧和老年人复杂算术任务使变异性增加。
  • 测量单一参数(如呼吸频率)的变异性不一定反映整个呼吸系统的变异性,需更多数据确定变异性分析在临床决策中的确切作用。

适用人群与场景

  • 接受机械通气并准备脱机的ICU患者(SBT场景)。
  • 围术期接受麻醉药物(丙泊酚、阿片类、咪达唑仑、s-氯胺酮)的患者。
  • 患有COPD、哮喘、限制性肺病、焦虑障碍、高血压等影响呼吸变异性疾病的患者。
  • 早产儿(出生前37周)及有慢性肺病的婴儿。

诊断标准与关键阈值

  • 呼吸变异性量化方法包括定量时间序列分析(标准差、四分位距、变异系数CV、连续差值均方根RMSSD)、去趋势波动分析(DFA,α值0.5表示无长期相关性,α值升高提示存在长期相关性,需>8000数据点)、熵分析(近似熵ApEn,依赖序列长度m和容差r的选择)。
  • 清醒成人潮气量的生理变异系数范围为19%–34%,呼吸频率为16%–22%。

处置流程与药物剂量

  • 原文未提及具体药物剂量、给药途径、频次或目标值。
  • 原文提及围术期药物对呼吸的影响:丙泊酚降低对缺氧和高碳酸血症的呼吸反应,导致潮气量和分钟通气量下降;阿片类主要经降低呼吸频率引起剂量依赖性低通气,常伴潮气量定量变异性增加;咪达唑仑主要经降低潮气量、较小程度经降低呼吸频率减少分钟通气量;s-氯胺酮增加呼吸频率和吸气时间,可拮抗阿片类诱导的低通气。

红旗征与不能漏的情况

  • SBT期间潮气量定量变异性低可能提示脱机失败风险,需考虑重新无创或有创机械通气。
  • 长期通气患者CPAP下SBT时潮气量定量变异性高和信息变异性高可能与脱机失败相关。
  • 心力衰竭患者增量运动时出现分钟通气量周期性波动(运动性振荡通气)是不良预后的强预测因子,反映疾病晚期。
  • 高原低氧环境下非REM睡眠中出现周期性呼吸伴呼吸暂停,其发生率和持续时间随海拔增加。

研究设计与关键结果

  • 综述汇总多项研究:一项系统炎症反应综合征恢复期患者30分钟SBT期间潮气量定量变异性较低者,48小时内更常需重新无创或有创机械通气。
  • 另一项60分钟SBT(吸氧下)研究中,潮气量定量变异性较低者脱机后更常需通气支持。
  • 长期通气(>7天)患者CPAP下SBT时,失败脱机者潮气量(而非呼吸频率)定量变异性更高,信息变异性也更高,提示呼吸模式可预测性更差;该研究局限为患者实际接受平均12±4.6 cm H2O压力支持。
  • 减少或中断丙泊酚、咪达唑仑或其联合镇静时,呼吸频率定量变异性显著增加,MODS评分较低者恢复更明显。
  • COPD患者分钟通气量和潮气量定量变异性高于年龄性别匹配对照,叹气显著减少;哮喘患儿(7–16岁)潮气量参数定量变异性比年龄匹配儿童高25%,与支气管扩张剂使用无关。
  • 限制性肺病患者清醒静息时潮气量定量变异性降低56%、吸气时间降低33%、呼气时间降低46%、分钟通气量降低43%,同时相关变异性增加。
  • 缺氧(等碳酸缺氧)时分钟通气量定量变异性增加70%、潮气量增加50%,主要因随机成分增加而相关变异性降低。
  • 内毒素暴露后呼吸频率相关变异性比安慰剂高42%,布洛芬可抑制该变化。

证据类型、等级与局限

  • 证据类型:综述(Review)。
  • 局限:作者指出呼吸变异性复杂且未完全理解,测量单一参数不一定反映整体;需更多数据确定变异性分析在临床决策中的确切作用;部分研究基于健康受试者模型,外推至患者需谨慎;长期通气脱机研究存在压力支持干扰。

对床旁实践的改变

  • 在SBT期间可关注潮气量定量变异性作为脱机失败风险的辅助信息,但原文强调证据尚不足以据此改变临床决策。
  • 不应仅凭呼吸频率变异性评估整个呼吸系统变异性。
  • 心力衰竭患者运动时出现振荡通气提示不良预后,需警惕。
  • 围术期使用阿片类时呼吸频率下降伴潮气量变异性增加,丙泊酚降低缺氧和高碳酸血症反应,s-氯胺酮可拮抗阿片类低通气。

指南或共识出处

  • 原文未提及
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. 2021 Aug 5;25:280. doi: 10.1186/s13054-021-03716-0

背景

呼吸的控制涉及一个复杂的系统,该系统在效率、冗余性、反应性和稳定性这些相互对立的目标之间取得平衡[1]。其特征是多种输入、内部起搏器、正反馈和负反馈环路以及不同组分之间的非线性相互作用(图1)。这导致呼吸参数的波动,包括呼吸频率、潮气量和气流曲线(表1)。

如果这种调节过于僵硬,呼吸变异性就会降低或缺失,呼吸系统无法对刺激做出充分反应。相反,如果呼吸系统对内外刺激反应过度,系统则表现出大幅波动并失去控制。

呼吸变异性的确切决定因素尚不完全清楚;然而,已有研究表明,呼吸变异性的增加和减少与病理状态密切相关。正常的呼吸变异性受多种因素影响,如衰老、认知负荷、睡眠模式、缺氧,以及焦虑、阻塞性或限制性肺疾病和动脉高血压等医学状况。在麻醉和重症监护期间,药物和机械通气的影响等额外因素也可能影响呼吸变异性。

本综述描述了量化呼吸变异性的方法,总结了影响呼吸变异性的状况和合并症,并讨论了呼吸变异性对麻醉和重症监护的潜在意义。

图1 延髓和脑桥呼吸中枢的输入 查看原图 ↗
表1 潮式呼吸参数 查看原表 ↗

正常呼吸变异性

呼吸的调节促进为代谢需求提供充分的气体交换。吸气和呼气的冲动在接收和处理来自各子系统的输入后,在延髓呼吸中枢内产生(图1和表2)。因此,呼吸的特征是频率、节律、深度和持续时间的持续波动[2, 3]。例如,在清醒人群中,以变异系数表示,这种生理变异性潮气量可能在19%至34%之间,呼吸频率在16%至22%之间(表3)。呼吸系统主要接收来自中枢和外周化学感受器、气道和肺泡内的机械感受器、肌肉和关节的运动感受器以及(旁)边缘系统的输入。呼吸模式可在一定程度上受影响,并可通过大脑皮层的输入在短时间内自主控制。为此,前脑通过独立通路向呼吸中枢发送信号,覆盖其他输入。其他因素包括来自迷走神经及其分支(如喉上神经)的传入输入。已表明外部迷走神经刺激可降低呼吸频率[4],而喉上神经刺激可能影响胸壁和气道肌肉[5]。吸气时间和潮气量保持强相关,提示在稳定化学驱动下流量恒定[6, 7]。

已开发出不同模型来预测呼吸变异性。首批模型之一采用半机制方法,基于实测参数(心输出量和混合静脉血CO2分压)与估计参数(CO2敏感性、CO2平均肺容积、循环时间)的反馈回路,并使用微分方程将结果整合到房室模型中[8]。这些计算需要若干假设,包括血流动力学参数恒定、无心内或肺内分流,以及CO2和氧张力在肺泡内即时平衡。另一种较新的方法使用所有变量的频谱分析来预测振荡节律性[9]。该模型纳入吸气和呼气时间与容积,以及呼气末CO2分压和驱动参数。值得注意的是,两种模型均基于健康参与者的测量,外推至患者时需谨慎。

表2 自主呼吸的控制 查看原表 ↗
表3 影响呼吸变异性的情况 查看原表 ↗

呼吸变异性的量化

有多种方法可用于量化呼吸变异性,包括定量时间序列分析、去趋势波动分析、熵分析、频率分布分析、频谱分析和幂律分析[1]。本节重点讨论前三种技术。

定量时间序列分析

定量时间序列分析评估随时间变化的标准差或四分位距,例如潮气量或呼吸频率的标准差。变异系数(CV)定义为标准差与均值之比,显示相对于数据序列均值的变异程度(式1)。变异系数可用于比较具有不同单位或均值的数据集。根据所分析的数据子集,它可作为短期和长期变异的度量。连续呼吸之间的变异程度通过连续呼吸的相邻差值均方根(RMSSD)计算(短期变异性,式2)。定量时间序列分析显示总体变异程度或“定量变异性”。

定量时间序列分析:CV:变异系数;RMSSD:相邻差值均方根;N:样本数;:测量变量;:的均值。

去趋势波动分析

虽然定量时间序列分析用于测量短期和长期变异,但去趋势波动分析(DFA)用于检测时间序列中的长程相关性[10, 11]。我们将去趋势波动分析称为“相关变异性”。它基于以下假设:变异是由引起局部效应的外源性刺激或引起长程相关性的系统内在动力学所致。为了量化系统的内在变异性,需减去局部效应。该算法包括几个步骤,首先从被测变量的时间序列开始,如潮气量或呼吸频率。通过将各个值与所有值的平均值之间的差值求和,计算出新的积分时间序列(公式3)。随后,将该趋势函数分为长度为 的时段,并减去该时间窗口内的局部最小二乘拟合(局部趋势)。然后,将波动计算为积分和去趋势时间序列的均方根(公式4)。最后,在不同的时段长度上重复此过程,并构建 对 的双对数图。直线拟合的斜率得出参数α,其表征长期相关性(公式5)。虽然较高的α值0.5表示时间序列没有任何长期相关性,但α值增加则提示存在此类相关性。DFA的一个主要缺点是需要大型数据集(即超过8000个数据点)才能进行有意义的解释[12]。

去趋势波动分析: : 被测变量, : 的均值; : 时段长度, : 局部最小二乘拟合, : 测量次数, : 表征长期相关性程度的标度分量。

熵分析

熵分析测量数据中的无序或随机程度。换言之,它量化了引入原本可预测系统的“惊讶”或“新信息”的量。因此,熵分析反映了复杂性或“信息变异性”的程度。这种优雅的分析方法常用于热力学,但也可用于分析呼吸不规则性[13, 14]。当观察到的模式后面没有相似的模式时,数据被认为更加不规则和不可预测。为此,熵分析算法在规定的容差r内评估长度为m的数据点序列是否与数据中的其他序列相似。随后,测量长度为m和长度为m + 1的相似游程的对数频率之间的差异。当数据包含多个重复模式时,近似熵(ApEn)较低;否则,该算法产生较高的ApEn。ApEn计算的一个缺点是它依赖于序列长度m和容差r的选择,因为m和r的其他选择可能导致关于数据随机性的不同结论。

近似熵分析: : 相似性标准; : 在 范围内相似的模式数; : 模式长度; : 测量序列; : 所有值的均值; : 近似熵。

影响呼吸变异性的状况和疾病

呼吸变异性受多种状况的修饰和影响,如睡眠、认知功能、年龄、缺氧和疾病(表3)。

睡眠

在健康参与者中,定量呼吸变异性在非快速眼动(non-REM)睡眠期间降低[15, 16]。此外,逐呼吸成分在数个呼吸的时间滞后上显示出一个呼吸与另一个呼吸之间的强关系(短期相关性)。呼吸时序和驱动的调节仅在从非快速眼动睡眠向快速眼动睡眠过渡期间以额外的长期相关性为特征[17]。与非法快速眼动睡眠相比,快速眼动睡眠期间呼吸频率的定量变异性增加,但不如清醒期间明显[18]。非快速眼动睡眠期间呼吸定量变异性的降低是自回归过程(即呼吸线性依赖于其先前值)的结果,也是周期性振荡和不相关白噪声的结果[19]。观察到的逐呼吸依赖性(自回归)可能由中枢呼吸模式发生器引起,而周期性振荡更可能起源于化学反馈系统[19]。目前尚不清楚在保留自主呼吸的镇静和麻醉期间是否能观察到类似变化。

认知负荷

认知活动的变化也影响呼吸变异性[20]。与安静观看名为“帝企鹅日记”的纪录片期间的测量相比,压力条件下的算术任务使呼吸频率、潮气量和分钟通气量的定量变异性分别显著增加13%、50%和30%[21]。然而,在另一项心理负荷实验中,当志愿者在评估其知觉速度、空间定向和工作记忆容量的同时接受多项任务时,呼吸频率的定量和相关变异性降低了30%。在恢复期,呼吸变异性恢复至基线值[22]。认知负荷的持续时间和复杂性对呼吸变异性有不同影响。

运动

体育锻炼期间代谢需求增加,通过呼吸频率和潮气量的增加引起分钟通气量增加。然而,仰卧位自行车运动期间呼吸频率的定量变异性降低[23]。相关变异性也降低,导致呼吸模式更加随机,这表明运动期间呼吸控制系统可能在不那么稳定的状态下运行[23]。运动适能程度改变了运动对呼吸变异性的影响。在最大氧耗量的心肺运动试验中,久坐志愿者显示出的分钟通气量定量变异性比来自巴西的职业足球运动员高40%[24]。在心力衰竭患者中,递增运动期间分钟通气量呈周期性波动的呼吸模式(“运动性振荡通气”)是不良预后的强预测因子,并反映疾病晚期[25]。

年龄

呼吸变异性随年龄增长而增加。健康的老年人[60–81岁]表现出比年轻参与者[21–50岁]更大的定量变异性,尤其是在非快速眼动睡眠期间[16, 26]。睡眠中的老年人更常出现上气道阻力增加,这会产生由机械性限制引起的呼吸波动,从而导致潮气量的逐次呼吸变异性[16]。一项关于长期相关性(120分钟)的研究显示,睡眠期间长程相关性可延伸至数百个呼吸周期,而这些相关性似乎在老年男性中退化[11]。作者认为,呼吸动力学中这种长期相关性的丧失可能由与衰老相关的内在因素引起,如神经元丢失、中枢信号整合丧失、肺实质僵化以及化学感受器敏感性降低。目前尚不清楚呼吸的定量变异性和相关变异性的这些变化是否伴随复杂性或信息变异性的改变。

缺氧与高海拔

在缺氧条件下可观察到呼吸模式的特定变化[27, 28]。在从常氧向等碳酸性缺氧过渡期间,分钟通气量的定量变异性增加70%,潮气量的定量变异性增加50%,而不诱发周期性呼吸[28]。这主要由随机成分的增加所介导,因为相关变异性降低了[28]。高海拔缺氧条件诱导了类似的变化。在未适应环境的参与者中,伴有呼吸暂停发作的周期性呼吸的发生率及其持续时间也随海拔升高而增加[29]。在低压缺氧条件下,非快速眼动睡眠期间呼吸模式在成簇呼吸与短呼吸暂停期之间周期性振荡[27]。这种模式增加了以变异系数量化的呼吸变异性。这种周期性呼吸模式不发生于清醒期或快速眼动睡眠期,在常碳酸条件下也无法观察到。

动脉性高血压

此外,动脉性高血压可能影响呼吸变异性。在一个静息状态下收缩压升高的女性队列中,潮气量、呼吸频率和分钟通气量的定量变异性显著更高[30]。在静息清醒期间,血压升高患者的呼吸暂停事件(> 10秒)发生率增加超过两倍,而这些呼吸暂停事件的发生率在整夜睡眠期间无差异。周期性呼吸是长期高血压的原因还是结果尚未确定;然而,有人假设交感神经活动增加和/或副交感神经活动减少可能解释这种呼吸模式。

内毒素

对内毒素的全身炎症反应诱导呼吸频率和分钟通气量以及呼吸模式的改变[31]。尽管总体定量变异性保持不变,但暴露于内毒素后呼吸频率的相关变异性比安慰剂高42%[31]。这些变化是PaCO2变化的函数,提示化学反馈环路的作用。有趣的是,布洛芬抑制了呼吸频率相关行为的增加。

焦虑

已有报道指出,患有焦虑障碍(如惊恐障碍)的儿童和青少年在呼吸变异性方面存在显著差异[32, 33]。在静息觉醒状态下,有惊恐发作风险的患者其潮气量的定量变异性是健康对照者的两倍。即使在治疗后,这种差异仍然存在[34]。在过度换气障碍患者中,定量变异程度增加,同时潮气量变异性的复杂性也增加[35]。一项研究报告称,惊恐障碍患者的定量和信息性呼吸变异性仅在站立位(而非仰卧位)时增加。作者假设这种差异可能归因于惊恐障碍患者迷走神经张力的降低[36]。

阻塞性肺疾病

哮喘和慢性阻塞性肺疾病(COPD)以不同方式影响呼吸变异性。COPD患者的分钟通气量和潮气量的定量变异性高于年龄和性别匹配的对照者[37]。他们的叹息次数显著减少;即使将叹息从分析中排除,COPD患者的呼吸变异性仍然较低[37]。呼吸模式的这种变异性降低可能反映了肺和胸壁力学的改变或呼吸控制的神经调节变化。

相反,哮喘患者的呼吸变异性增加,且这种效应与疾病严重程度相关。7-16岁哮喘儿童的潮式呼吸参数定量变异性比年龄匹配的儿童高25%,且与支气管扩张剂的使用无关[38]。在具有哮喘危险因素的年轻患者[3-7岁]中,与对照组相比,潮气流量的定量变异性显著增加[39]。接受吸入性皮质类固醇治疗的患者与低风险组相比,显示出正常的潮气流模式,提示控制药物改变了疾病活动和肺功能变异性。

一项使用强迫振荡技术[40]测定呼吸阻抗变异性及其他气道特性的研究证实了COPD和哮喘对呼吸变异性的这些截然不同的影响。在该研究中,呼吸阻抗的时间动力学被用于区分哮喘组和COPD组[41]。

限制性肺疾病

限制性肺疾病患者的呼吸变异性也降低。例如,在静息觉醒状态下,与健康参与者相比,潮气量的定量变异性降低了56%,吸气时间降低了33%,呼气时间降低了46%,分钟通气量降低了43%[42]。同时,相关性变异性增加,提示限制性肺疾病患者采取了受限的呼吸模式。

肺早产

呼吸的变异性也受肺成熟度的影响。在早产儿(即胎龄37周前出生)中,患有婴儿期慢性肺疾病的患者其潮气量和呼气末二氧化碳的定量变异性显著低于不需要补充氧气或无创正压通气(CPAP)的患者[43]。在矫正胎龄42–50周时,足月儿的气道阻力定量变异性显著高于早产儿[44]。在早产儿中,矫正胎龄44周时较低的潮气量定量变异性是婴儿期因呼吸系统疾病再入院的重要预测因素[45]。

围手术期

围手术期使用的各种药物会影响呼吸控制。丙泊酚降低对缺氧和高碳酸血症的呼吸反应[46, 47],导致潮气量和分钟通气量降低。阿片类药物主要通过降低呼吸频率引起剂量依赖性低通气[48]。这种呼吸抑制常伴有潮气量定量变异性增加[49]。咪达唑仑主要通过降低潮气量、并在较小程度上降低呼吸频率来减少分钟通气量[50]。另一方面,s-氯胺酮激活呼吸,增加呼吸频率和吸气时间,并可拮抗阿片类药物引起的低通气[51–55]。这些药物对呼吸变异性的确切影响尚未确定。在接受大型腹部手术的患者中,术后最初24小时内呼吸频率的定量变异性低于潮气量的定量变异性。这些发现提示,肺泡通气对代谢需求的适应可能主要通过潮气量的变化来实现[56]。

重症监护

在机械通气撤机过程中,呼吸的变异性可能对临床决策有价值[57]。撤机前通常进行自主呼吸试验(SBT),在试验中将患者与通气支持断开以评估其呼吸功能是否充分。在全身炎症反应综合征恢复期患者中,30分钟SBT期间潮气量的定量变异性在48小时内需要重新启用无创或有创机械通气的患者中显著较低[58]。另一项研究对接受60分钟SBT并补充氧气的通气患者报告了类似观察结果。SBT期间潮气量定量变异性较低的患者在机械通气撤机后更常需要通气支持[59]。

一项针对需要长期通气(> 7天)患者的研究报告了有趣的发现[60]。在CPAP下的SBT期间,撤机失败患者的潮气量定量变异性(而非呼吸频率)较高。同时,撤机失败患者的信息变异性较高,提示呼吸模式的可预测性较低[61]。该研究的一个重要局限性在于,患者平均接受了12 ± 4.6 cm H2O的压力支持,尽管研究目的是评估患者的内在变异性[62]。

在减少或中断使用丙泊酚、咪达唑仑或其联合镇静时,呼吸频率的定量变异性显著增加[63]。在多器官功能障碍评分(MODS)较低的患者中,呼吸频率变异性的这种恢复更为明显[63]。

关于呼吸变异性预后价值的各项研究见表4。这些发现很有趣;然而,我们需要更多数据来确定变异性分析在指导临床决策中的确切作用。

表4 呼吸变异性的临床预测价值 查看原表 ↗

未来研究

生理变量(如心率变异性[64])的时间变化日益受到关注,关于呼吸变异性的可用数据也在不断增加。进一步研究应阐明术后期间呼吸变异性与临床相关结局(如术后发病率和死亡率[65])之间的相关性。麻醉和重症监护期间会产生大量生理数据。数据分析、智能学习技术和人工智能方面的技术进步有助于识别高危患者[66–68]。整合来自多个来源的复杂数据可能改善风险分层。近期进展使我们能够以连续、无创的方式监测呼吸功能[50, 56, 69–82]。这一点很重要,因为术后肺部并发症仍然是主要的疾病负担[83–87]。

结论

呼吸随时间的变异性可能是识别有肺部并发症风险患者的一种有前景的工具。呼吸的变异性很复杂,尚未被完全理解。测量单一参数(如呼吸频率)的变异性不一定能反映整个呼吸系统的变异性。慢性阻塞性肺疾病(COPD)、限制性肺疾病、婴儿期慢性肺病、非快速眼动(non-REM)睡眠和高认知需求任务会降低呼吸的整体变异性。相反,在缺氧期间执行复杂算术任务的老年人以及哮喘、高血压或焦虑障碍患者中,呼吸的整体变异性增加。需要进一步研究以阐明呼吸变异性在重症监护和麻醉学中的全部潜力。

参考来源

  1. van den Bosch OFC, Alvarez-Jimenez R, de Grooth HJ, et al. Breathing variability-implications for anaesthesiology and intensive care. Crit Care. 2021. PMID: 34353348. doi:10.1186/s13054-021-03716-0
  2. 全文:PMC8339683(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8339683/

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。