文献速递复苏、休克与脓毒症心脑血管急症重症综合管理与镇静镇痛

深度学习模型利用心电图筛查脓毒症

Deep-learning model for screening sepsis using electrocardiography.
PubMed 文献 · Scand J Trauma Resusc Emerg Med · 2021-10-03
一句话结论基于心电图的深度学习模型在内外验证中筛查脓毒症AUC达0.901与0.863,并可预测感染患者院内死亡。

本回顾性多中心队列研究纳入两家医院46,017例成人患者,开发基于卷积神经网络(残差网络)的深度学习模型,仅用心电图(12导联、6导联、单导联)筛查脓毒症与脓毒性休克。内部验证12导联心电图筛查脓毒症AUC 0.901,外部验证0.863;检测脓毒性休克AUC分别为0.906与0.899。在4,609例感染患者亚组中,模型预测院内死亡AUC 0.817,优于SOFA、qSOFA、NEWS、MEWS、乳酸、WBC与CRP。提示心电图深度学习模型有潜力用于脓毒症筛查,但尚需前瞻性验证。

要点

  • 12导联心电图深度学习模型筛查脓毒症:内部验证AUC 0.901(95%CI 0.882-0.920),外部验证AUC 0.863(95%CI 0.846-0.879)。
  • 检测脓毒性休克:内部验证AUC 0.906(95%CI 0.877-0.936),外部验证AUC 0.899(95%CI 0.872-0.925)。
  • 6导联与单导联心电图筛查脓毒症AUC为0.845-0.882,检测脓毒性休克AUC为0.881-0.906。
  • 感染患者亚组(4,609例,256例院内死亡)中,模型预测院内死亡AUC 0.817(95%CI 0.793-0.840),优于SOFA(0.817)、qSOFA(0.797)、NEWS(0.808)、MEWS(0.778)、乳酸(0.801)、WBC(0.591)与CRP(0.541)。
  • 验证数据集中,感染与否的模型预测评分存在显著差异(0.277 vs. 0.574,p<0.001);SARS-CoV-2感染前后评分差异亦显著(0.260 vs. 0.725,p=0.018)。

适用人群与场景

  • 纳入成人患者,于研究期间入住两家医院并至少完成一次标准10秒12导联心电图;排除心电图数据缺失者。
  • 开发与内部验证来自Sejong General Hospital(2016年10月至2020年11月),外部队列来自Mediplex Sejong Hospital(2017年3月至2020年11月),两院患者无重叠。
  • 亚组分析纳入验证数据集中4,609例感染性疾病患者,用于预测院内死亡。

诊断标准与关键阈值

  • 脓毒症定义依据第三次国际共识定义(Sepsis-3),由三名重症医学科医师复习病历(包括入院记录、实验室结果、生命体征、用药数据与快速反应团队记录)标注脓毒症存在及时间范围。
  • 脓毒性休克为次要终点,同样基于Sepsis-3定义。
  • 模型输出0至1的脓毒症概率, cut-off值由开发数据集Youden's J统计量确定后应用于验证。

处置流程与药物剂量

  • 模型开发使用卷积神经网络(残差网络),输入为预处理后的8秒心电图数据(每导联4000个数据点),12导联数据集为12×4000,6导联取自肢体导联(I、II、III、aVL、aVR、aVF),单导联取自导联I。
  • 原文未提及具体药物剂量、给药途径、频次或目标值。

红旗征与不能漏的情况

  • 原文未提及

研究设计与关键结果

  • 回顾性多中心队列研究,纳入46,017例患者(脓毒症1,548例,脓毒性休克639例);开发集73,727份心电图来自18,142例,内部验证7,774份来自7,774例,外部验证20,101份来自20,101例。
  • 主要终点筛查脓毒症:12导联心电图内部验证AUC 0.901(95%CI 0.882-0.920),外部验证AUC 0.863(95%CI 0.846-0.879)。
  • 次要终点检测脓毒性休克:12导联心电图内部验证AUC 0.906(95%CI 0.877-0.936),外部验证AUC 0.899(95%CI 0.872-0.925)。
  • 6导联与单导联心电图筛查脓毒症AUC 0.845-0.882,检测脓毒性休克AUC 0.881-0.906。
  • 敏感性图显示QRS复合波与T波与脓毒症相关;变量重要性分析提示QTc延长与脓毒症相关。
  • 感染患者亚组(4,609例,256例院内死亡)中,12导联模型预测院内死亡AUC 0.817(95%CI 0.793-0.840),6导联0.815(0.794-0.836),单导联0.802(0.780-0.825);SOFA 0.817(0.786-0.847),qSOFA 0.797(0.767-0.828),NEWS 0.808(0.777-0.839),MEWS 0.778(0.747-0.808),乳酸0.801(0.758
  • 验证数据集中,感染与否的模型预测评分差异显著(0.277 vs. 0.574,p<0.001);SARS-CoV-2感染前后评分差异显著(0.260 vs. 0.725,p=0.018)。

证据类型、等级与局限

  • 证据类型:回顾性多中心队列研究(开发+内部验证+外部验证),非随机对照试验。
  • 局限:回顾性数据,需前瞻性研究与实时数据验证;仅韩国两家医院,需外部国家验证;深度学习黑箱限制,无法确定决策过程,不能确认相关性与因果性;可能存在混杂因素,需前瞻性随机对照研究排除隐藏混杂并确认临床意义。

对床旁实践的改变

  • 原文提示该深度学习模型可利用12导联、6导联或单导联心电图进行脓毒症筛查,有望扩展至可穿戴与生活型心电设备,但原文强调需前瞻性研究验证临床意义后方可应用于临床实践。
  • 在感染患者中,模型预测院内死亡AUC与SOFA相当(0.817 vs. 0.817),优于qSOFA、NEWS、MEWS、乳酸、WBC与CRP,但原文未给出临床决策阈值,不能替代现有评分。
  • 原文未提及具体适用与不适用人群的排除标准(除心电图数据缺失外),也未提供药物剂量或处置流程。

指南或共识出处

  • 原文未提及指南或共识出处;本文为研究论文(Scand J Trauma Resusc Emerg Med)。
全文中译11 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:Scand J Trauma Resusc Emerg Med. 2021 Oct 3;29:145. doi: 10.1186/s13049-021-00953-8

引言

脓毒症是由宿主对感染反应失调引起的危及生命的器官功能障碍,是全球范围内的重大医疗保健问题[1, 2]。2017年,全球共记录4890万例脓毒症病例,报告1100万例脓毒症相关死亡,占全球全部死亡人数的19.7%[2, 3]。尽管过去20年间脓毒症相关死亡率下降了52.8%,但发病率有所上升,可能反映了人口老龄化及合并症增多[3]。由于脓毒症是需要立即治疗和复苏的医疗急症,早期识别是预防疾病进展和死亡的基石[2]。

生命体征和血液检查是筛查和诊断脓毒症所必需的[1]。生命体征由医务人员定时测量,血液检查需要采血和分析的基础设施。因此,在医院中实时监测脓毒症的发生较为困难。脓毒症的疾病负担在社会人口指数较低的地区最高,因为这些地区缺乏筛查、诊断和治疗脓毒症的医疗资源[4]。此外,对感染患者病情恶化的家庭监测和脓毒症筛查对于在诸如持续进行的严重急性呼吸综合征冠状病毒2(SARS-CoV-2)大流行等疫情期间合理分配稀缺医疗资源至关重要。然而,现有使用生命体征和实验室检查筛查脓毒症的方法在日常生活场景和远程监测中存在局限性。

一种低成本且广泛可及的脓毒症患者筛查方法具有重要的治疗意义。心电图(ECG)是一种可实时监测的无创检查,已开发出多种可穿戴和生活类设备用于远程监测和传输。在SARS-CoV-2大流行中,心电图监测设备被用于监测患者[5]。在既往研究中,约50%被诊断为脓毒症的患者表现出心肌功能障碍的体征;此外,已有报道脓毒症患者QRS波群持续时间延长和振幅降低[6–9]。基于深度学习的人工智能(AI)技术已应用于多个医学领域,深度学习模型(DLM)已被应用于利用心电图诊断心力衰竭、肺动脉高压、瓣膜性心脏病、电解质失衡和贫血[10–14]。与传统统计方法相比,DLM可以通过从数据中提取可能的隐含信息并捕捉心电图中的非线性和细微变化来诊断或预测疾病[15]。在本研究中,我们开发并验证了一种利用心电图进行脓毒症筛查的DLM。并且我们确认了使用12导联、6导联和单导联心电图时的性能,以验证在多种心电图设备中预测脓毒症的可能性。

方法

研究设计与人群

我们在两家医院开展了一项回顾性多中心队列研究。研究人群包括在研究期间入住两家医院并至少接受过一次标准10秒12导联心电图检查的成年患者。我们排除了心电图数据缺失的个体。来自Sejong General Hospital(SGH)的数据用于开发和验证深度学习模型(DLM)。研究期间(2016年10月至2020年11月)入住SGH的患者被随机分为开发数据集(70%)和内部验证数据集(30%)(图1)。研究期间(2017年3月至2020年11月)来自Mediplex Sejong Hospital(MSH)的数据仅用于外部验证,以确认所开发的DLM在不同医院间具有稳健性。没有患者同时在SGH和MSH接受过治疗。两家医院的患者被完全分开。由于验证数据集的目的是评估DLM的准确性,我们在内部和外部验证数据集中对每位患者仅使用一份心电图,即最接近脓毒症时间的那份心电图,该时间由重症医学医师确认。

本研究经SGH机构审查委员会(IRB)(2020–0541)和MSH机构审查委员会(2020–149)批准。包括心电图、年龄、性别、入院记录、生命体征和实验室检查结果在内的临床数据在匿名化后从两家医院的电子健康记录中提取。两家医院的IRB均豁免了知情同意的要求,因为这是一项使用完全匿名化数据的回顾性研究,因此对患者造成伤害的可能性不大。

图1 研究流程图 查看原图 ↗

预测变量

心电图是唯一的预测变量。以数字方式存储的12导联心电图数据在每个导联每秒有500个数据点(500 Hz),持续10秒。换言之,一份心电图数据集有60,000个数值。我们对心电图进行了采样、归一化和噪声滤波的预处理。由于心电图开始和结束处的伪影较多,我们删除了心电图开始和结束处各1秒的数据。并且我们基于均值和标准差进行了归一化(z分数)。我们对心电图数据进行了噪声滤波以减少伪影,并使用带通滤波器进行降噪。我们还对年龄值进行了归一化,并将性别值转换为独热编码。我们还使用了数据增强,即添加导致基线变化的线性和非线性噪声。我们使用每个导联的8秒数据。我们使用12导联、6导联和单导联心电图数据集创建了数据集。我们使用12导联心电图数据创建了12导联心电图数据集(12 × 4000)。我们还从12导联心电图的部分数据集创建了6导联和单导联心电图数据集。6导联心电图数据集由肢体6导联(I、II、III、aVL、aVR、aVF)创建,单导联心电图数据集由导联I创建。我们选择这些导联是因为它们可以使用多种可穿戴和生活型心电图设备进行测量。

终点

本研究的主要终点是脓毒症的存在。脓毒症根据《第三次国际脓毒症和脓毒性休克共识定义》(Sepsis-3)进行定义。三名重症医学医师审查了研究人群的医疗记录,包括入院记录、实验室检查结果、生命体征、给药数据和快速反应团队的病程记录,以标注脓毒症的存在和时间范围。脓毒性休克是次要终点,并基于Sepsis-3进行定义。

对于主要终点——疑似感染性疾病患者的脓毒症——我们将脓毒症时间范围内和范围外的心电图分别标记为脓毒症和非脓毒症。此外,对于住院期间无感染性疾病史的患者,我们将所有心电图标记为非脓毒症。同样,对于次要终点,即脓毒性休克,我们将脓毒性休克时间范围内的心电图标记为脓毒性休克,其他心电图标记为非脓毒性休克。

开发使用心电图检测脓毒症的深度学习模型(DLM)

我们开发了一种基于卷积神经网络(特别是残差神经网络)的深度学习模型(DLM)(图2)。残差神经网络包含跳跃连接,以避免梯度消失问题。在包含四个阶段的残差块中,重复了两个卷积层和两个批量归一化层。此外,DLM中有两个展平层。第七个残差块的最后一层连接到一个展平层,该展平层与由神经节点组成的一维(1D)层全连接。第二个全连接一维层连接到输出节点,该输出节点由两个节点组成。DLM输出节点的值代表终点的概率。DLM的输出节点使用softmax函数作为激活函数。

图2 使用心电图筛查脓毒症的DLM架构。conv 卷积神经网络层;DLM 深度学习模型;ECG 心电图;FC 全连接层 查看原图 ↗

统计分析

对于验证数据的每个输入心电图,DLM计算脓毒症概率,范围为0(非脓毒症)至1(脓毒症)。为确认DLM的准确性,我们将DLM计算的概率与内部和外部验证数据集中脓毒症的存在(金标准)进行比较。因此,我们使用了受试者工作特征曲线下面积(AUC)、敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV)。我们从开发数据集的Youden J统计量中确认了截断点。然后我们将该截断点应用于内部和外部验证的性能验证[16]。作为比较指标,我们使用C反应蛋白(CRP)和体温异常(实测体温与36.5 °C之差)来筛查脓毒症和脓毒性休克。

连续变量以均值(标准差,SD)表示,并使用非配对Student t检验或Mann–Whitney U检验进行比较。分类变量以频率和百分比表示,并使用χ2检验进行比较。除AUC外,所有诊断性能指标均使用精确95% CI。AUC的CI基于Sun和Su对De-long方法的优化确定,使用R软件(R Foundation for Statistical Computing,维也纳,奥地利)中的pROC包。患者特征的显著差异定义为双侧p值< 0.05。统计分析使用R软件3.4版进行。此外,使用PyTorch开源软件库作为后端,Python(3.6版)用于分析[17]。

可视化所开发的DLM以进行解释

为了将所开发的深度学习模型(DLM)的发现与当前医学知识进行比较,我们使用了基于显著性方法[18, 19]的敏感性图。该图显示了对DLM决策有显著影响的区域。敏感性图基于分类器概率对输入信号的一阶梯度计算;如果分类器的概率对信号的特定区域敏感,则该区域在DLM的决策中具有重要性。使用该方法,我们验证了心电图的区域与脓毒症相关。我们使用梯度类激活图(Grad-CAM)作为敏感性图。我们未能找到所开发的深度学习模型的确切决策过程。相反,我们计算了所选变量的重要性。我们还在传统统计方法(逻辑回归)和机器学习方法(随机森林和深度学习)中确认了心电图特征变量的重要性。我们分别基于偏差差异、平均降低基尼系数和Garson相对重要性计算了逻辑回归、随机森林和深度学习的变量重要性。

验证DLM在预测感染性疾病患者院内死亡率方面的性能

我们假设心电图可以显示感染性疾病的严重程度,且所开发的DLM能够预测感染性疾病患者的院内死亡率。换言之,我们假设高DLM评分与严重感染性疾病相关。我们在内部和外部验证数据集中对疑似感染性疾病患者进行了亚组分析。我们使用这些患者验证了DLM的院内死亡率预测性能。为确认DLM的准确性,我们将DLM计算的评分与亚组数据集中院内死亡率的发生情况进行了比较。为进行比较,我们使用了序贯器官衰竭评估(SOFA)评分、快速SOFA评分、国家早期预警评分(NEWS)、改良早期预警评分(MEWS)、乳酸、白细胞(WBC)计数和C反应蛋白来预测感染性疾病患者的院内死亡率[20–23]。

结果

符合条件的研究人群包括入住SGH和MSH的患者。如图1所示,我们排除了8例患者,原因是缺少临床信息,包括心电图、入院记录和实验室检查结果。该研究涉及46,017例患者,其中1,548例和639例分别患有脓毒症和脓毒性休克。DLM使用来自SGH的18,142例患者的73,727份心电图作为开发数据集进行开发。DLM性能的内部验证使用来自SGH的7,774例患者的7,774份心电图进行。DLM的外部验证使用来自MSH的20,101例患者的20,101份心电图进行。患者被分为开发组、内部验证组和外部验证组。在脓毒症患者中,心电图显示P波、R波和T波轴右偏、QTc延长和心动过速(表1)。

在内部和外部验证中,深度学习模型(DLM)使用12导联心电图检测脓毒症(主要结局)的AUC分别为0.901(95% CI = 0.882–0.920)和0.863(95% CI = 0.846–0.879)(图3和表2)。在内部和外部验证中,DLM使用12导联心电图检测脓毒性休克的AUC分别为0.906(95% CI = 0.877–0.936)和0.899(95% CI = 0.872–0.925)。DLM使用6导联和单导联心电图检测脓毒症的AUC为0.845–0.882,DLM使用6导联和单导联心电图检测脓毒性休克的AUC为0.881–0.906。

敏感性图显示QT间期和T波与脓毒症相关,深度学习的变量重要性确认校正QT间期(QTc)延长与脓毒症相关(图4)。逻辑回归和随机森林具有不同的变量重要性,并显示校正QT间期延长、T轴和QRS时限是重要变量(表3)。

使用4,609例患者的心电图进行亚组分析,这些患者被分组到包含感染性疾病的验证数据集中。亚组研究人群中有256例院内死亡病例。DLM使用12导联、6导联和单导联心电图、序贯器官衰竭评估(SOFA)、快速序贯器官衰竭评估(qSOFA)、国家早期预警评分(NEWS)、改良早期预警评分(MEWS)、乳酸、白细胞计数(WBC)和C反应蛋白(CRP)预测院内死亡的AUC分别为0.817(0.793–0.840)、0.815(0.794–0.836)、0.802(0.780–0.825)、0.817(0.786–0.847)、0.797(0.767–0.828)、0.808(0.777–0.839)、0.778(0.747–0.808)、0.801(0.758–0.844)、0.591(0.552–0.630)和0.541(0.499–0.583),优于其他预测模型(图5和表4)。

如图6所示,在验证数据集中,DLM使用心电图的预测评分根据感染的存在与否存在显著差异(0.277 vs. 0.574,p < 0.001)。在严重急性呼吸综合征冠状病毒2(SARS-CoV-2)患者中,DLM使用心电图的预测评分在SARS-CoV-2感染前后观察到相同趋势(0.260 vs. 0.725,p = 0.018)。

表1 基线特征 查看原表 ↗
图3 DLM使用心电图筛查脓毒症和脓毒性休克的表现。AUC 受试者工作特征曲线下面积;ECG 心电图;NPV 阴性预测值;PPV 阳性预测值;SEN 灵敏度;SPE 特异度 查看原图 ↗
表2 DLM使用心电图筛查脓毒症和脓毒性休克的表现 查看原表 ↗
图4 脓毒性休克患者的敏感性图 查看原图 ↗
表3 检测脓毒症的变量重要性 查看原表 ↗
图5 DLM预测感染性疾病患者院内死亡的表现。AUC 受试者工作特征曲线下面积;ECG 心电图;MEWS 改良早期预警评分;NEWS 国家早期预警评分;NPV 阴性预测值;PPV 阳性预测值;SEN 灵敏度;SOFA 序贯器官衰竭评估;SPE 特异度 查看原图 ↗
表4 DLM预测感染性疾病患者院内死亡的表现 查看原表 ↗
图6 DLM预测评分根据感染的变化。SARS-CoV-2 严重急性呼吸综合征冠状病毒2 查看原图 ↗

讨论

我们开发了一种深度学习模型(DLM),利用12导联、6导联和单导联心电图筛查脓毒症和脓毒性休克,并在内部和外部验证中展示了合理的准确性。我们在感染性疾病患者的亚组分析中证实了其预测院内死亡率的性能。我们还识别了与脓毒症相关的心电图区域和特征。据我们所知,本研究是首次使用心电图开发用于脓毒症筛查的DLM。

约50%的脓毒症患者存在心功能障碍,这是众所周知的风险因素,与20–50%的死亡率显著升高相关[24]。脓毒症通过减少β-肾上腺素能受体成分发展为心功能障碍,这一过程由细胞因子和一氧化氮等炎症物质介导[25]。毒素和脓毒症并发症导致直接的心肌细胞损伤或死亡。心肌细胞凋亡是心功能障碍的主要原因,其次是由于钙释放中断导致的β-肾上腺素受体下调和肌原纤维功能受损。由于脓毒症通过直接或间接病理生理机制影响心脏功能,我们假设心电图包含用于脓毒症检测的信息。此前,Rich等研究表明脓毒症患者的QRS振幅小于正常个体[9]。然而,传统统计方法如逻辑回归无法利用这些细微变化和非线性相关性制定诊断标准。心电图不仅受心脏功能影响,还受其他人体因素影响。例如,肥胖和体重指数较大的患者心电图振幅较低[26]。Madias等报道,脓毒症患者心电图中QRS振幅的丢失不是由于心功能障碍,而是由于心外原因,如因水潴留导致体内容积导体转移阻抗降低[27]。近期研究强调了使用人工智能(AI)解读心电图的可能。利用基于DLM的AI技术,我们可以诊断基于既往医学知识无法诊断的疾病,如心力衰竭、瓣膜性心脏病、肺动脉高压、贫血和高钾血症[11–14, 28–30]。深度学习最重要的方面是其提取特征并利用图像、二维数据和波形等各种类型数据开发算法的能力[15]。在本研究中,我们开发了一种用于检测脓毒症的DLM,并基于外部验证验证了其性能。DLM还可以使用DLM预测评分检测脓毒性休克。既往研究表明,炎症标志物和感染与心脏疾病和心电图密切相关[31]。

全球范围内,各种可穿戴设备和生活方式设备已取得巨大发展。基于多种生物传感器和互联网技术的远程诊断与治疗已有基础。然而,各种可穿戴设备对生物信号的解读存在局限性。心电图(ECG)是一种重要的生物信号,可用于远程医疗监测和治疗,因为它可以通过各种可穿戴设备测量并实时传输至远程医疗站点。作为传统的统计学局限,心电图仅用于心律失常和心肌梗死的诊断。基于当前研究,人工智能(AI)技术已使得利用心电图诊断和预测多种疾病成为可能。在当前SARS-CoV-2大流行中,此类技术对于筛查感染性疾病、监测患者状态和捕捉患者病情恶化具有重要意义。在本研究中,我们强调了利用深度学习模型(DLMs)筛查感染性疾病(包括SARS-CoV-2)的可能性,如图6所示。该结果并非通过心电图筛查SARS-CoV-2的确定性证据。然而,我们希望向其他研究者展示开发针对SARS-CoV-2的深度学习的可能性。有必要开展关于利用人工智能筛查脓毒症和脓毒性休克的研究。然而,本研究强调了应用心电图检测和监测感染患者的可能性。在本研究中,我们确认了在六导联和单导联心电图中性能得到了保证。因此,我们展示了将深度学习模型应用于各种生活方式心电图设备和贴片设备的可能性。

本研究存在一些局限性。首先,我们使用回顾性数据验证了深度学习模型(DLM);然而,有必要使用前瞻性研究和实时数据来验证DLM。需要开展与这项新技术临床意义相关的研究,以便将其应用于临床实践。在下一项研究中,我们打算通过针对日常临床实践的前瞻性研究来验证DLM的性能和意义。并且我们计划开展利用心电图预测脓毒症发生和缓解的深度学习模型研究。我们计划开展一项前瞻性研究,以验证深度学习模型作为筛查和预后方法的性能。其次,本研究仅在韩国的两家医院进行,在其他国家患者中验证DLM将会有所帮助。第三,深度学习存在黑箱局限性,导致我们无法确定确切的决策过程。因此,我们无法确认我们的研究发现代表相关性还是因果关系。在下一项研究中,我们打算开发一种确认深度学习模型决策过程和因果关系的方法。出于同样的原因,我们无法得知深度学习中使用的ECG的确切特征。随着能够定义原因和特征的可解释深度学习技术的发展,我们可以在下一项研究中使用该技术。第四,我们开展的是回顾性研究,本研究中可能存在混杂因素。需要一项前瞻性随机对照研究来排除隐藏的混杂因素,并确认深度学习模型对脓毒症的确切临床意义。

结论

深度学习模型(DLM)在利用心电图(ECG)检测脓毒症和脓毒性休克方面表现出准确的性能。本研究结果表明,将基于深度学习模型的人工智能技术应用于心电图,可以预测患者脓毒症的发生,并能够筛查多种感染性疾病。

参考来源

  1. Kwon JM, Lee YR, Jung MS, et al. Deep-learning model for screening sepsis using electrocardiography. Scand J Trauma Resusc Emerg Med. 2021. PMID: 34602084. doi:10.1186/s13049-021-00953-8
  2. 全文:PMC8487616(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8487616/

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。