重癥機械通氣患者脫機失敗的風險預測列線圖模型構建與驗證

趙文婷，周大文，楊曉梅，鄭紅艷

機械通氣是一種廣泛用于維持重癥監護病房患者生命的干預措施［1-2］。然而機械通氣患者在病情好轉后脫機失敗率較高，脫機失敗導致的死亡率高達25%～50%［3］，且長時間的機械通氣經常導致許多并發癥，包括呼吸機相關性肺炎、呼吸機相關膈肌疲勞、肺損傷和危重疾病相關性多發性神經病等［4-5］。因此，應盡早幫助機械通氣患者脫機。近年來，雖有報道重癥機械通氣患者脫機失敗影響因素的相關研究［6］，但建立相關預測模型者較少。列線圖可直觀展示患者出現相應疾病的概率，易于臨床高效、快速地篩選高危人群，并制定有效的干預措施。基于此，本研究旨在構建并驗證重癥機械通氣患者脫機失敗的風險預測列線圖模型，以期為預防重癥機械通氣患者脫機失敗提供參考依據。

1 對象與方法

1.1 研究對象 采用Logistic自變量事件數法計算樣本量［7］，本研究共納入22個變量，因此至少需要患者110例，本研究組進行的小樣本量試驗結果顯示，50例重癥機械通氣患者脫機失敗發生率為20.0%（10/50），再考慮到10%的失訪率，本研究最小的樣本量為612例，本研究最終確定樣本量為670例。采用便利抽樣法，選取2020年5月至2022年5月在淮安市第二人民醫院重癥醫學科進行機械通氣的患者670例為研究對象，其中重癥肺部感染311例、心肺復蘇術后52例、腫瘤切除術后40例、腦出血39例、慢性阻塞性肺疾病34例、急性心肌梗死33例、急性腦梗死30例、感染性中毒性休克25例、代謝性腦病25例、糖尿病腎病18例、膿毒癥15例、冠狀動脈粥樣硬化15例、腹腔感染8例、低血容量性休克8例、肺源性心臟病8例、急性左心衰竭6例、腫瘤3例。納入標準：（1）機械通氣時間＞48 h；（2）符合脫機標準；（3）自愿參加本研究，并簽署知情同意書。排除標準：（1）年齡＜18歲者；（2）未進入脫機程序，因死亡或其他原因中斷機械通氣治療者；（3）處于妊娠期或哺乳期者；（4）晚期癌癥者；（5）患有急性神經系統疾病者。按照7∶3的比例將患者分為建模組（n=469）及驗證組（n=201）。根據脫機結果將建模組進一步分為失敗亞組（n=88）和成功亞組（n=381）。脫機標準：原發感染灶痊愈或病情得到控制；意識清楚；有自主呼吸，咳嗽有力，吞咽功能良好，血氣分析結果基本正常，無喉梗阻。脫機方法：逐漸降低吸入氧濃度，呼氣末正壓（positive end-expiratory pressure，PEEP）逐漸降至3～4 cm H2O（1 cm H2O=0.098 kPa），將間歇正壓通氣（intermittent positive pressure ventilation，IPPV）改為間歇指令通氣（intermittent mandatory ventilation，IMV）或同步間歇指令通氣（synchronized intermittent mandatory ventilation，SIMV）或壓力支持，逐漸減少IMV或支持壓力，最后過渡到持續正壓氣道通氣（continuous positive airway pressure，CPAP）或完全撤離呼吸機，整個過程需嚴密觀察患者呼吸、血氣分析情況；氣管插管者可一次性拔出氣管，氣管切開者可按照換細管、半堵管、全堵管順序逐漸拔出氣管。患者在脫機后可自主呼吸48 h以上，無呼吸困難、心率增快、大汗及煩躁等表現定義為脫機成功；而患者脫機48 h內死亡或脫機48 h內不能進行自主呼吸，需再次使用機械通氣治療定義為脫機失敗［8］。本研究經淮安市第二人民醫院倫理委員會批準。

1.2 研究方法 自行設計基線資料調查表并統計患者資料，具體內容包括：年齡、性別、BMI、合并肺炎情況、合并休克情況、是否接受過大劑量（≥1.0 μg/kg）血管活性藥物治療、機械通氣時間，入院時舒張壓、收縮壓、心率、呼吸頻率、氧合指數、血氧飽和度，入院24 h內最低急性生理學與慢性健康狀況評分系統Ⅱ（acute physiology and chronic health evaluation Ⅱ，APACHE Ⅱ）評分、膿毒癥相關性器官功能衰竭評價（sepsis-related organ failure assessment，SOFA）評分，通氣后動脈血二氧化碳分壓（partial pressure of arterial carbon dioxide，PaCO2）、淺快呼吸指數，脫機前24 h內中性粒細胞分數、血紅蛋白、血清白蛋白，呼吸機相關性膈肌功能障礙（ventilator-induced diaphragmatic dysfunction，VIDD）發生情況、脫機失敗情況。

1.3 統計學方法 使用SPSS 22.0進行統計學分析。符合正態分布的計量資料以（±s）表示，組間比較采用兩獨立樣本t檢驗；計數資料以相對數表示，組間比較采用χ2檢驗；采用多因素Logistic回歸分析探討建模組重癥機械通氣患者脫機失敗的影響因素；基于多因素Logistic回歸分析結果，采用R軟件建立重癥機械通氣患者脫機失敗的風險預測列線圖模型；采用Hosmer-Lemeshow檢驗及校準曲線評估該列線圖模型的校準度；采用ROC曲線評估該列線圖模型的區分度（曲線下面積＞0.7表明區分度較好）［9］。以P＜0.05為差異有統計學意義。

2 結果

2.1 建模組和驗證組基線資料比較 建模組與驗證組年齡、性別、BMI、合并肺炎者占比、合并休克者占比、接受過大劑量血管活性藥物治療者占比、機械通氣時間，入院時舒張壓、收縮壓、心率、呼吸頻率、氧合指數、血氧飽和度，入院24 h內最低APACHE Ⅱ評分、SOFA評分，通氣后PaCO2、淺快呼吸指數，脫機前24 h內中性粒細胞分數、血紅蛋白、血清白蛋白，VIDD發生率、脫機失敗發生率比較，差異無統計學意義（P＞0.05），見表1。

2.2 建模組重癥機械通氣患者脫機失敗影響因素的單因素分析 失敗亞組與成功亞組年齡、性別、BMI、合并肺炎者占比、合并休克者占比、接受過大劑量血管活性藥物治療者占比，入院時舒張壓、收縮壓、心率、呼吸頻率、氧合指數、血氧飽和度，通氣后淺快呼吸指數，脫機前24 h內中性粒細胞分數、血紅蛋白比較，差異無統計學意義（P＞0.05）；失敗亞組機械通氣時間≥7 d、入院24 h內最低APACHE Ⅱ評分≥15分、入院24 h內最低SOFA評分≥6分者占比及通氣后PaCO2、VIDD發生率高于成功亞組，脫機前24 h內血清白蛋白低于成功亞組，差異有統計學意義（P＜0.05），見表2。

表2 建模組重癥機械通氣患者脫機失敗影響因素的單因素分析Table 2 Univariate analysis of influencing factors of offline failure in patients with severe mechanical ventilation in modeling group

2.3 建模組重癥機械通氣患者脫機失敗影響因素的多因素Logistic回歸分析 以建模組重癥機械通氣患者脫機失敗情況為因變量（賦值：否=0，是=1），機械通氣時間（賦值：＜7 d=0，≥7 d=1）、入院24 h內最低APACHE Ⅱ評分（賦值：＜15分=0，≥15分=1）、入院24 h內最低SOFA評分（賦值：＜6分=0，≥6分=1）、通氣后PaCO2（實測值）、脫機前24 h內血清白蛋白（實測值）、VIDD發生情況（賦值：未發生=0，發生=1）為因變量，進行多因素Logistic回歸分析，結果顯示，機械通氣時間、入院24 h內最低APACHEⅡ評分、入院24 h內最低SOFA評分、通氣后PaCO2、VIDD是建模組重癥機械通氣患者脫機失敗的影響因素（P＜0.05），見表3。

表3 建模組重癥機械通氣患者脫機失敗影響因素的多因素Logistic回歸分析Table 3 Multivariate Logistic regression analysis of influencing factors of offline failure in patients with severe mechanical ventilation in modeling group

2.4 重癥機械通氣患者脫機失敗的風險預測列線圖模型的構建與驗證 基于多因素Logistic回歸分析結果，構建重癥機械通氣患者脫機失敗的風險預測列線圖模型，見圖1。Hosmer-Lemeshow檢驗及校準曲線分析結果顯示，該列線圖模型預測建模組、驗證組重癥機械通氣患者脫機失敗的發生率分別與本組重癥機械通氣患者脫機失敗的實際發生率比較，差異無統計學意義（χ2=7.650，P=0.468；χ2=7.465，P=0.487），見圖2～3。ROC曲線分析結果顯示，該列線圖模型預測建模組、驗證組重癥機械通氣患者脫機失敗的曲線下面積分別為0.870〔95%CI（0.836，0.903）〕、0.867〔95%CI（0.812，0.911）〕，靈敏度分別為74.47%、75.31%，特異度分別為87.19%、85.83%，見圖4～5。

圖1 重癥機械通氣患者脫機失敗的風險預測列線圖模型Figure 1 Nomogram model for predicting risk of offline failure in patients with severe mechanical ventilation

圖2 列線圖模型預測建模組重癥機械通氣患者脫機失敗的校準曲線Figure 2 Calibration curve of nomogram model for predicting offline failure in patients with severe mechanical ventilation in the modeling group

圖3 列線圖模型預測驗證組重癥機械通氣患者脫機失敗的校準曲線Figure 3 Calibration curve of nomogram model for predicting offline failure in patients with severe mechanical ventilation in the validation group

圖4 列線圖模型預測建模組重癥機械通氣患者脫機失敗的ROC曲線Figure 4 ROC curve of nomogram model for predicting offline failure in patients with severe mechanical ventilation in the modeling group

圖5 列線圖模型預測驗證組重癥機械通氣患者脫機失敗的ROC曲線Figure 5 ROC curve of nomogram model for predicting offline failure in patients with severe mechanical ventilation in the validation group

3 討論

機械通氣脫機是危重患者康復過程中的一個具有挑戰性的步驟。脫機失敗定義為在預定拔管后48 h內需要重新插管［9］。研究表明，脫機失敗和機械通氣時間延長不僅與更長的ICU停留時間及更高的醫療保健費用相關，也與患者死亡率增加有關［10］。因此，尋找影響重癥機械通氣患者脫機失敗的因素，針對不同影響因素制定有效預防措施，對提高脫機成功率具有重要意義。

本研究結果顯示，建模組469例患者中有88例脫機失敗，占18.8%。本研究多因素Logistic回歸分析結果顯示，機械通氣時間≥7 d、入院24 h內最低APACHE Ⅱ評分≥15分、入院24 h內最低SOFA評分≥6分、通氣后PaCO2升高、VIDD是建模組重癥機械通氣患者脫機失敗的危險因素。機械通氣時間延長會抑制呼吸道的黏液纖毛系統，降低氣道的防御功能，增加患者切口感染及肺間質氣腫等并發癥的發生風險，而一系列并發癥的發生可能對脫機結果產生影響［11］，最終導致脫機失敗發生率升高，提示臨床應合理安排患者的機械通氣時間，以期提高脫機成功率。APACHE Ⅱ評分用于臨床評估ICU患者病情嚴重程度及死亡風險，評分越高表明患者病情越嚴重，死亡風險越高。研究表明，APACHE Ⅱ評分升高與脫機失敗密切相關［12］，提示護理人員應積極監測重癥機械通氣患者APACHE Ⅱ評分，在APACHEⅡ評分＜15分時進行脫機程序可能在一定程度上提高脫機成功率。SOFA評分是反映器官功能變化的動態指標，可快速評估患者的凝血功能、血液循環、呼吸反應和神經功能等［13］，SOFA評分越高表明患者病情越嚴重。SHIN等［14］研究表明，機械通氣第21天SOFA評分升高與需要長時間機械通氣患者的脫機失敗有關，本研究結果與之相似，提示醫護人員應對入院24 h內最低SOFA評分≥6分的重癥機械通氣患者及時采取有效措施以預防脫機失敗。研究顯示，當PaCO2異常升高時，患者可能出現血壓降低、心律失常等，從而導致脫機失敗［15］。因此，護理人員在患者機械通氣過程中應定時檢測患者氣道是否阻塞，保證呼吸系統的順暢，從而降低PaCO2。長時間的機械通氣會導致由膈肌萎縮和收縮功能障礙引發的吸氣肌無力快速進展，這統稱為VIDD［16］。研究顯示，約有53%的機械通氣患者會發生VIDD，而VIDD易導致呼吸系統并發癥的發生，從而延長機械通氣時間，增加脫機失敗發生率，進而影響患者預后［17-18］。提示臨床應加強關注重癥機械通氣患者膈肌功能的恢復情況。

本研究根據多因素Logistic回歸分析結果構建了重癥機械通氣患者脫機失敗的風險預測列線圖模型，其具有可視化的特點，能夠將多因素Logistic回歸分析結果通過直觀的形式展示出來，并進行個體化預測。Hosmer-Lemeshow檢驗及校準曲線分析結果顯示，該列線圖模型預測建模組、驗證組重癥機械通氣患者脫機失敗的發生率分別與本組重癥機械通氣患者脫機失敗的實際發生率比較，差異無統計學意義，表明該列線圖模型具有良好的校準度。ROC曲線分析結果顯示，該列線圖模型預測建模組、驗證組重癥機械通氣患者脫機失敗的曲線下面積分別為0.870、0.867，表明該列線圖模型具有良好的區分度。綜上，該列線圖模型對重癥機械通氣患者脫機失敗風險具有良好的預測能力，且其中的各項指標易獲取，可操作性強，對于篩查出的高風險脫機失敗患者，可及時進行干預，以降低脫機失敗發生風險。

綜上所述，機械通氣時間≥7 d、入院24 h內最低APACHE Ⅱ評分≥15分、入院24 h內最低SOFA評分≥6分、通氣后PaCO2升高、VIDD是重癥機械通氣患者脫機失敗的危險因素，基于以上危險因素構建的重癥機械通氣患者脫機失敗的風險預測列線圖模型具有良好的校準度、區分度，其對重癥機械通氣患者脫機失敗風險具有良好的預測能力，有較高的臨床應用價值。但本研究樣本量及納入的影響因素有限，可能導致結果存在一定偏倚，今后將納入更多樣本量及影響因素進一步驗證本研究結論。

作者貢獻：趙文婷進行文章的構思與設計、統計學處理，撰寫論文；鄭紅艷進行研究的實施與可行性分析，對文章整體負責、監督管理；周大文、楊曉梅進行數據收集、數據整理；趙文婷、鄭紅艷進行結果的分析與解釋、論文的修訂，負責文章的質量控制及審校。

本文無利益沖突。