文献速递呼吸衰竭与机械通气重症综合管理与镇静镇痛复苏、休克与脓毒症

基于常规临床数据识别ARDS三种临床表型及其对治疗的不同反应

Identification of distinct clinical phenotypes of acute respiratory distress syndrome with differential responses to treatment.
PubMed 文献 · Crit Care · 2021-08-30
一句话结论利用常规临床数据可将ARDS分为三种表型,不同表型对PEEP水平和液体管理策略的反应存在显著差异。

该研究基于eICU数据库3875例ARDS患者,用21项常规临床变量进行K-means聚类,识别出三种表型:表型I(40%,实验室异常少、器官功能障碍轻,院内死亡率8%)、表型II(32%,炎症和休克相关,死亡率18%)、表型III(28%,肾功能障碍和酸中毒相关,死亡率22%)。在验证队列(n=3670)和三项RCT(n=2289)中可重复。ALVEOLI试验中表型与PEEP策略对无 ventilator 天数存在显著交互(p=0.001);FACTT试验中表型与液体管理策略对60天死亡率存在显著交互(p=0.01),保守液体策略改善表型II死亡率但恶化表型III死亡率。

要点

  • 在eICU衍生队列中识别出三种ARDS临床表型:表型I(40%,院内死亡率8%)、表型II(32%,死亡率18%)、表型III(28%,死亡率22%)。
  • 表型II特征为白细胞计数、体温、心率、呼吸频率更高,收缩压更低,年龄更轻;表型III特征为年龄更大、肌酐和BUN升高、碳酸氢盐降低。
  • ALVEOLI试验中表型与PEEP策略对无 ventilator 天数存在显著交互(p=0.001),表型I患者接受高PEEP后无 ventilator 天数更少。
  • FACTT试验中表型与液体管理策略对60天死亡率存在显著交互(p=0.01):表型II保守液体策略死亡率22% vs 宽松策略32%;表型III保守策略死亡率45% vs 宽松策略36%。
  • SAILS试验中未观察到表型与rosuvastatin治疗之间的强异质性治疗效应。

适用人群与场景

  • eICU数据库中符合ARDS诊断标准的成人患者,排除24小时内死亡、P/F比值不合格或超过一半临床变量缺失者。
  • 三项ARDS Network RCT(ALVEOLI、FACTT、SAILS)纳入的ARDS患者。

诊断标准与关键阈值

  • ARDS诊断依据柏林定义:急性起病低氧血症(PaO2/FiO2 < 300)且双肺渗出影不能完全由心衰或容量过负荷解释。
  • 聚类分析基于21项常规临床变量在ARDS诊断前后16小时窗口内最异常值。

处置流程与药物剂量

  • 原文未提及具体的药物剂量、给药途径或目标值。
  • ALVEOLI试验比较高PEEP vs 低PEEP通气策略;FACTT试验比较宽松液体治疗 vs 保守液体治疗;SAILS试验比较rosuvastatin vs 安慰剂。
  • 表型II患者接受保守液体策略与更低60天死亡率相关(22% vs 32%),表型III患者接受保守液体策略与更高60天死亡率相关(45% vs 36%)。
  • 表型I患者接受高PEEP与更少无 ventilator 天数相关。

红旗征与不能漏的情况

  • 原文未提及

研究设计与关键结果

  • 回顾性分析eICU数据库(3875例衍生队列,3670例验证队列)及三项RCT(ALVEOLI n=549,FACTT n=995,SAILS n=745),共9834例患者。
  • 识别出三种表型:表型I(n=1565,40%,院内死亡率8%)、表型II(n=1232,32%,死亡率18%)、表型III(n=1078,28%,死亡率22%)。
  • 表型II患者IL-6水平中位数421.5(IQR 149.5–1447.2)高于表型I的164.0(IQR 67.0–398.5)和表型III的246.0(IQR 95.5–939.0)。
  • ALVEOLI试验中表型与PEEP策略对无 ventilator 天数和无ICU天数存在显著交互(p<0.01)。
  • FACTT试验中表型与液体管理策略对60天死亡率存在显著交互(p=0.01)。
  • SAILS试验中未观察到强异质性治疗效应。

证据类型、等级与局限

  • 回顾性队列研究结合三项RCT数据的二次分析;非前瞻性设计,治疗获益需进一步验证。
  • 局限性:缺乏生物标志物数据无法直接确定表型的生物学特征;缺失数据采用多重插补可能引入偏倚;数据预处理决策可能影响聚类结果;部分患者因高缺失率被排除。

对床旁实践的改变

  • 基于常规临床数据识别的ARDS表型可用于预后分层:表型I死亡率最低,表型III最高。
  • 表型II患者可能从保守液体策略中获益,表型III患者保守液体策略可能有害,需谨慎评估液体管理。
  • 表型I患者接受高PEEP可能延长无 ventilator 天数,需权衡PEEP策略。
  • 该表型分类不能简单由APACHE评分或PaO2/FiO2比值替代,需综合多变量评估。
  • 治疗获益证据来自回顾性交互分析,尚不能作为床旁常规推荐,需前瞻性验证。

指南或共识出处

  • 原文未提及
全文中译12 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 30;25:320. doi: 10.1186/s13054-021-03734-y

引言

根据柏林定义,急性呼吸窘迫综合征(ARDS)是一种临床综合征,定义为急性起病的低氧血症(动脉血氧分压[PaO2]与吸入氧浓度[FiO2]之比< 300)以及双侧肺部阴影无法完全用心力衰竭或容量负荷过载来解释[1]。该定义涵盖了多种病因和病理类型,导致复杂的生物学和临床异质性[2]。这种异质性被认为是众多关于药物干预的随机对照试验(RCT)中ARDS治疗结局阴性的主要因素[3, 4]。近几十年来,若干支持性治疗干预措施的试验取得了阳性结果,包括肺保护性机械通气[5]、神经肌肉阻滞[6]和俯卧位通气[7],使ARDS生存率得到改善。然而,ARDS仍然是危重症患者的主要并发症,具有较高的发病率和死亡率[8–10]。因此,识别ARDS患者的不同亚组并提高针对性亚组干预措施的疗效具有重要意义。

随着聚类分析和潜在类别分析(LCA)等数学和统计学方法的应用,我们对危重症综合征异质性的认识有所提高[11]。Seymour及其同事通过聚类分析识别了脓毒症的四種临床表型,它们与宿主反应模式和临床结局相关[12]。类似地,通过分析来自美国国家心肺血液研究所(NHLBI)ARDS网络RCT的四个患者队列,已识别出两种ARDS亚表型(高炎症型和低炎症型)[13–15]。它们具有不同的死亡率和不同的随机干预治疗反应。然而,所有这些ARDS研究均使用血浆生物标志物作为类别定义变量,如sTNFR-1和白细胞介素(IL),这些指标并非常规可获取,也无法在床旁快速定量。因此,该分类系统的临床适用性可能有限。

在本研究中,我们假设基于大型ARDS目标人群的常规临床数据,通过聚类分析可以识别更多的表型,且这些表型与临床结局相关。此外,所推导的表型在其他ARDS验证队列中进行了评估。进一步地,我们假设这些ARDS表型与随机干预的不同治疗反应相关。

方法

研究设计

我们的研究包括一个大型数据库和三项RCT(附加文件1:图S1)。首先,我们在推导队列中通过聚类分析推导临床表型。在此步骤中训练聚类模型。其次,我们在验证队列中对聚类分析结果进行交叉验证并检验其稳定性。第三,我们使用三项RCT的数据评估所推导ARDS表型的可重复性。第四,我们使用三项RCT的数据比较表型之间的治疗效果。最后,将所推导的临床表型与传统的患者风险分层指标进行比较,如ARDS的柏林分类和急性生理学与慢性健康状况评分(APACHE)。

人群

该分析基于远程重症监护病房(eICU)协作研究数据库,这是一个多中心ICU数据库,包含来自美国208家医院335个单元的超过200,000份电子病历[16]。我们使用国际疾病分类第九版临床修订本(ICD-9-CM)编码和APACHE入院诊断条目来识别符合ARDS诊断标准的患者。根据一套排除标准排除患者,例如患者24小时内死亡、P/F比不合格或超过一半的临床变量缺失(SMethods和附加文件1:图S2)。2014年出院的患者纳入训练队列,2015年出院的患者纳入验证队列。

三项随机对照试验均为ARDS Network的多中心研究,由NHLBI资助,包括ALVEOLI、FACTT和SAILS试验[17–19]。ALVEOLI试验是一项多中心随机对照试验,比较了ARDS患者中较低与较高呼气末正压(PEEP)的通气策略。FACTT试验比较了ARDS患者中宽松液体治疗与保守液体治疗。SAILS试验比较了ARDS患者中安慰剂与瑞舒伐他汀。值得注意的是,三项随机对照试验测试了不同的临床干预措施,但均报告了阴性的60天死亡率结果。

临床变量的选择

在评估eICU数据集和三项随机对照试验中的数据可用性和临床变量缺失率后(附加文件1:图S2和表S1),选择了21个变量作为训练变量用于推导ARDS表型。这些变量为:性别;年龄;体温;心率;呼吸频率;收缩压(SBP);格拉斯哥昏迷量表评分;钾、钠、葡萄糖、红细胞压积、肌酐、血尿素氮(BUN)、碳酸氢盐、白蛋白和总胆红素水平;血小板计数;白细胞(WBC)计数;paO2;paCO2;以及pH。对于每个变量,我们提取了ARDS诊断前后16小时时间窗内(诊断前8小时和诊断后8小时)记录的最异常值。

统计分析

在进行聚类分析之前,进行了数据清洗、分布变换、极值界定、缺失值插补和相关性分析,以确保数据的完整性。在检查所选变量的分布后,进行数据清洗以过滤错误测量值(附加文件中的SMethods)。数据清洗后,我们检查了所选变量的偏度,并对右偏分布的变量应用了对数变换(附加文件1:表S2)。随后应用极值界定,接着进行归一化。为解决缺失值问题,我们排除了缺失变量≥10个的患者,并使用链式方程多重插补(MICE)进行多重插补(附加文件1:表S3)。最后,评估了21个临床变量的相关矩阵(附加文件1:图S3)。

在聚类分析中,应用通过排序点识别聚类结构(OPTICS)来确定合适的聚类算法。使用K均值聚类(K-means)作为聚类模型,并计算gap和gap*统计量以确定最佳聚类数。在重采样条件下,应用一致性聚类(CC)评估K均值的最佳聚类数和聚类分配(附加文件1中的补充方法)。在得出最佳表型后,使用t分布随机邻域嵌入(t-SNE)、线图和秩图对结果进行可视化。

为评估得出的临床表型,我们在eICU验证队列和三项随机对照试验(RCT)中评估了聚类模型。首先,进行数据清洗、归一化和插补,并预测临床表型(附加文件中的补充方法)。我们研究了各表型在不同队列间的临床特征、频率和病死率的稳定性。在三项RCT中,还通过交互作用检验评估了治疗效应异质性(HTE)。为确认得出的临床表型并非传统患者风险分层系统的简单重构,我们研究了:(1)APACHE评分相对于不同表型的条件分布;(2)表型相对于ARDS柏林分类分布的所有uvial图;(3)APACHE评分和氧合指数(P/F比)对临床表型的预测能力。

表型的临床特征以计数及百分比、均值及标准差(SD)或中位数及四分位距(IQR)表示(视情况而定)。酌情进行卡方检验和Kruskal–Wallis检验。治疗效应异质性通过病死率逻辑回归和免ICU天数(IFD)及免机械通气天数(VFD)泊松回归的交互项进行检验。根据Bonferroni校正,交互作用检验的显著性水平调整为0.0167。分析使用Python 3.6.7(Python软件基金会)和R版本3.6.3(R统计计算基金会)进行。

结果

研究中的患者

对于eICU数据库,共有10,291例患者符合ARDS诊断标准,7545例患者纳入研究。在纳入人群中,3875例患者纳入eICU推导队列,3670例患者纳入eICU验证队列(附加文件1:图S4)。两个队列的院内病死率和以APACHE IV评分衡量的疾病严重程度相似(附加文件1:表S4)。三项RCT共纳入2289例患者(ALVEOLI 549例,FACTT 995例,SAILS 745例)。三项RCT患者的临床特征见附加文件1:表S5。

三种ARDS表型的推导

基于OPTICS、间隙统计量、聚类共识和聚类稳定性,确定最佳聚类数为3(附加文件1:图S5-9)。通过线图和t-SNE图对衍生表型进行可视化(附加文件1:图S10-11)。eICU衍生队列中三种表型的大小和基线特征见表1和附加文件1:表S6。三种表型具有不同的临床特征和器官衰竭模式。我们在图1中对每个变量对临床表型的贡献进行了排序。表型I与较少的异常实验室值和较少的器官衰竭相关。表型II的特征是较高的白细胞计数、体温、心率和呼吸频率,较低的收缩压和较年轻的年龄。表型III的特征是年龄较大、血清肌酐和血尿素氮水平升高以及血清碳酸氢盐水平降低。表型内性别、血糖水平、钠水平和氧分压的差异不显著。对衍生临床表型的可重复性进行了评估,我们发现验证队列和三项随机对照试验的表型大小和临床特征均与衍生队列相似(附加文件1:表S7-10)。生物标志物IL-6在ALVEOLI试验中进行了评估。表型II患者的IL-6水平(中位数:421.5,四分位距:149.5–1447.2)高于表型I患者(中位数:164.0,四分位距:67.0–398.5)和表型III患者(中位数:246.0,四分位距:95.5–939.0)(表S8)。

表1 eICU衍生队列中表型的特征 查看原表 ↗
图1 eICU衍生队列中配对表型间变量均值排序图 查看原图 ↗

表型与临床结局之间的关系

三种衍生表型具有不同的临床结局,且这些差异在其他四个队列中保持一致。所有队列均显示不同表型的死亡率存在显著差异(p < 0.05,图2)。在eICU衍生队列和验证队列中,表型I患者的住院死亡率(7.5%和7.4%)远低于表型II(17.8%和17.1%)和表型III(21.9%和21.7%)患者。在三项随机对照试验中,死亡率呈现相似的模式,其中表型I的60天死亡率最低(18.8–22.7%),表型III的60天死亡率最高(33.5–40.5%)。三种衍生表型在三项随机对照试验中的无呼吸机天数(VFD)和无器官衰竭天数(IFD)方面表现出显著差异(p < 0.001,附加文件1:表S11)。分配至表型I的患者具有最多的无呼吸机天数(中位数:19–22天)和无器官衰竭天数(中位数:17–19天),而分配至表型III的患者具有最少的无呼吸机天数(中位数:10–17天)和无器官衰竭天数(中位数:7–14天)。

图2 按表型分组的死亡率 查看原图 ↗

治疗效应的异质性

在两项随机对照试验(RCT)中检测到治疗效应的异质性。在ALVEOLI试验中,表型与呼气末正压(PEEP)策略之间的交互作用对无呼吸机天数(VFD)和无重症监护病房天数(IFD)产生了显著影响(附加文件1:图S12;p < 0.01)。在表型I中,接受较高PEEP治疗的患者VFD和IFD较少(表2)。在FACTT试验中,我们发现表型与治疗策略之间的交互作用对60天死亡率有显著影响(附加文件1:图S13;p = 0.011);表型II患者的死亡率在液体保守策略下为22%,在液体开放策略下为32%,而表型III患者的死亡率在液体保守策略下为45%,在液体开放策略下为36%(表3)。在SAILS试验中未观察到强烈的治疗效应异质性(HTE)(附加文件1:图S14)。

最后,我们评估了所推导的临床表型与其他疾病严重程度指标之间的关系。我们估计了每个表型的APACHE评分分布,并确认它们之间在很大程度上相互重叠(图3)。冲积图显示每个柏林严重程度分级在所有临床表型中均有显著存在(附加文件1:图S15)。最后,拟合了一个逻辑回归模型,以APACHE评分和氧合指数(P/F比)作为预测变量对临床表型进行分类。较低的受试者工作特征曲线下面积(ROC AUC)证实所推导的临床表型不能仅由APACHE评分或PaO2/FiO2比值来解释(附加文件1:图S16)。

表2 不同表型对PEEP策略反应的差异(ALVEOLI队列) 查看原表 ↗
表3 不同表型对液体策略反应的差异(FACTT队列) 查看原表 ↗
图3 各表型APACHE IV评分的估计条件分布 查看原图 ↗

讨论

我们仅使用常规可获得的临床数据,在eICU数据库的回顾性分析中确定了三种临床表型。通过聚类分析定义的ARDS表型在人口统计学、器官衰竭模式、实验室异常和总体疾病严重程度方面存在差异,且柏林分类不能完全解释所推导的表型。这些结果在所有额外队列和试验中得到了验证,且结果一致。此外,三种表型与死亡率和其他临床结局相关。我们在ALVEOLI和FACTT试验中均发现了表型与治疗策略之间的显著交互作用。在SAILS试验中未观察到强烈的治疗效应异质性。

据我们所知,这是识别ARDS同质性表型的最大规模研究;本研究使用了9834例患者的数据。此外,三种表型来源于一个非随机对照试验数据库,该数据库的ARDS样本更具异质性,且聚类分析仅使用了常规可获得的临床数据,以确保模型的普适性。确实,三项随机对照试验中ARDS患者的人群特征与eICU数据库中的并不完全相同。例如,eICU数据库中仅有75%的患者PaO2/FiO2比值<200。然而,在ALVEOLI和FACTT试验中,这一数字高于90%。此外,SAILS试验纳入的受试者均患有感染相关ARDS [19]。有趣的是,尽管eICU队列与随机对照试验的ARDS人群差异巨大,但本研究中五个队列之间表型的频率、临床特征和临床结局均相似,这证明了由我们的聚类模型得出的三种表型的普适性。

迄今为止,多项研究在ARDS患者表型分型方面已取得进展。Calfee等此前基于两项随机对照试验的回顾性研究报告了两种不同的ARDS表型(高炎症型和低炎症型),其中患者通过潜类别分析(LCA)利用生物标志物和临床数据进行聚类 [13]。随后,另外三项随机对照试验 [14, 15, 20] 和一项观察性队列研究 [21] 报告了双表型模型。高炎症型表型的特征为血浆炎症生物标志物浓度较高且死亡率高于低炎症型表型。Sinha等近期报道,无需生物标志物数据,利用监督学习即可准确预测高炎症型和低炎症型表型 [22]。在本研究中,我们仅使用临床数据通过K-means聚类生成了三表型模型。表型I与低炎症型表型相似,因为两个亚组的异常生命体征和实验室检查结果均较少,死亡风险最低;它也与先前报道的称为“快速改善型ARDS”或“3类”的表型相似 [23, 24]。表型II与炎症和休克相关,死亡率高于表型I。有趣的是,表型II在许多方面与高炎症型表型相似;具体而言,两个亚组的患者均具有IL-6升高、心率升高、呼吸频率升高和收缩压(SBP)降低。表型III与器官功能障碍、高龄和酸中毒相关,死亡率最高。在这些ARDS患者中,器官功能障碍和高龄对死亡率增加的贡献可能大于炎症。与源自随机对照试验的双表型模型相比,我们的三表型模型可能更全面。识别这些亚群有助于我们更好地理解ARDS的异质性。此外,本研究中三种表型的识别可能有助于为死亡风险较高的患者提出干预措施(预后富集)。这些不同表型背后的病理生理机制值得进一步探索。

在我们的研究中,选择了三项曾被用于推导二表型模型的随机对照试验(RCT)作为验证队列,以评估表型与治疗之间的交互作用。根据既往研究,FACTT试验并未显示基于所接受的液体管理类型在60天死亡率方面具有总体获益。然而,Famous等人在二表型模型中报告,高炎症表型与低炎症表型相比,对液体管理的治疗反应不同。我们的研究还揭示了FACTT人群中治疗效应的异质性,我们发现在60天死亡率方面表型与液体管理策略之间存在显著交互作用;具体而言,表型II患者被随机分配至保守策略时死亡率较低,而表型III患者被随机分配至同一策略时死亡率较高。换言之,保守性液体治疗策略降低了表型II患者的60天死亡率。可能在严重感染期间,更多的促炎因子被释放入肺和肺外器官,导致微血管损伤[25]。血管外液体趋于积聚,而限制液体可以改善这一情况。我们研究中推导出的表型II在临床特征和对液体管理的反应方面均与Famous等人报告的高炎症表型相似。此外,表型III提示我们应关注伴有肾功能衰竭和高龄的ARDS患者的液体管理。

在ALVEOLI试验中,我们的研究发现了表型与PEEP策略之间交互作用对VFD和IFD的显著影响。在表型I组中,接受较高PEEP治疗的患者VFD和IFD较少。可能这些患者对较高PEEP没有临床上客观的氧合阳性反应[26]。与原始试验相似,未发现PEEP策略对任何表型在死亡率方面具有治疗获益。在SAILS试验中,三种表型中均未发现瑞舒伐他汀相关的治疗获益,在二表型模型中也发现了相同结果。此外,一项关于SAILS的回顾性研究显示,瑞舒伐他汀可能通过升高血浆IL-18水平来增加死亡风险[27]。因此,阴性结果可能归因于与临床试验设计、患者人群和他汀类药物选择相关的原因[11]。尽管本研究使用了与Calfee等人和Sinha等人的二表型研究相同的RCT队列,但我们研究的内容并不完全相同。我们在eICU中推导了一个三表型模型,并在三项RCT中进行了验证,而非在不同RCT中反复建模。此外,三项RCT的所有再分析均揭示了两种ARDS表型,但它们在推导变量和临床特征方面存在差异[28]。我们研究中表型模型的变量在五个队列中保持一致。最后,各研究使用了不同的分析方法。我们的研究与Calfee等人先前的工作部分重叠,后者使用了不同的方法学,这为ARDS亚表型在生物学上是真实存在的这一假说提供了可信度。

我们的研究存在一些局限性。第一,我们无法获得三项随机对照试验(RCT)的生物标志物数据,也无法与高炎症或低炎症表型进行头对头比较。由于缺乏生物标志物数据,我们无法直接且精确地确定这些表型的生物学特征。第二,我们对三项RCT的研究是一项回顾性研究,在确认治疗获益之前需要额外的验证。交互作用检验仅确认两种表型对治疗的反应不同。第三,临床数据集中某些特征的缺失数据较为常见,我们在统计分析前进行了多重插补。缺失数据可能导致我们的结果存在一定偏倚。第四,必须做出许多数据预处理决策,包括变量获取时间窗、变量选择和分布变换。决策的变化可能导致聚类结果和表型特征的变化。第五,一些患者因缺失数据水平较高而被排除在推导队列之外。然而,实证研究表明,当纳入这些患者时,聚类特征保持不变。

结论

通过对eICU数据库中ARDS人群的回顾性分析,利用常规可获得的临床数据识别出三种临床表型,推导出的表型具有不同的临床特征和结局。这些结果在所有额外的队列和试验中得到了重现。该分析为ALVEOLI和FACTT试验中表型特异性治疗获益提供了证据。所有这些发现增强了对ARDS异质性的认识,并可能改善未来随机对照试验中对不同ARDS患者亚群的识别。

补充信息

附加文件1。图S1。研究设计。图S2。eICU数据集上的患者选择。图S3。不同提取时间窗下的变量缺失热图。图S4。用于表型分型的临床变量间相关性热图。图S5。eICU训练/验证队列的OPTICS图。图S6。eICU衍生队列上K-Means的间隙统计量。图S7。eICU衍生队列上的一致性k聚类。图S8。K-Means和一致性聚类表型分配的t-SNE可视化。图S9。K-Means和一致性聚类表型特征的折线图可视化。图S10。2个临床队列中表型特征的折线图可视化。图S11。2个临床队列和3项随机对照试验中表型分配的t-SNE可视化。图S12。ALVEOLI试验中治疗效应的异质性。图S13。FACTT试验中治疗效应的异质性。图S14。SAILS试验中治疗效应的异质性。图S15。临床表型与柏林分类之间关系的冲积图。图S16。APACHE评分和ARDS严重程度对衍生表型的预测能力。表S1。按数据集划分的所选临床变量的可获得性。表S2。异常值的方向和分布变换。表S3。各队列和试验中的缺失数据。表S4。eICU衍生/验证队列的临床特征。表S5。3项随机对照试验的临床特征。表S6。eICU衍生队列中按表型划分的临床特征。表S7。eICU验证队列中按表型划分的临床特征。表S8。ALVEOLI中按表型划分的临床特征。表S9。FACTT中按表型划分的临床特征。表S10。SAILS中按表型划分的临床特征。表S11。三项随机对照试验中表型之间临床结局的差异。

参考来源

  1. Liu X, Jiang Y, Jia X, et al. Identification of distinct clinical phenotypes of acute respiratory distress syndrome with differential responses to treatment. Crit Care. 2021. PMID: 34461969. doi:10.1186/s13054-021-03734-y
  2. 全文:PMC8404019(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8404019/

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。