維持性血液透析病人透析中發生低血壓的危險因素及預測模型的研究進展

陸敏婷,黃潔微,周 戈,劉佳麗

維持性血液透析(maintenance hemodialysis,MHD)是終末期腎臟病病人主要的替代治療方式之一[1]。其中,透析中低血壓(intradialytic hypotension,IDH)是MHD病人常見的急性并發癥,其發生率為7.5%～50.0%[2]。MHD病人IDH不僅導致機體重要器官的損害,誘發心腦血管事件,增加死亡率,而且影響病人透析進程及透析質量,增加血管通路失功的風險,加速殘余腎功能的喪失,嚴重影響病人的生活質量[3-4]。大型觀察性研究描述了透析病人的血壓死亡率呈“U”曲線,即血壓越低死亡率越高[5]。因此,對MHD病人進行IDH風險識別及早期干預至關重要。IDH風險預測模型作為評估和篩查高風險人群的工具,可為醫護人員早期發現IDH并采取有效預防措施提供依據。現對IDH的危險因素及風險預測模型的研究進展進行總結和分析,以期為臨床護理實踐提供參考。

1 IDH的概述

血壓監測是慢性腎臟病(CKD)病人的基本觀察項目[6]。MHD病人在血液透析過程中常出現血流動力學的不穩定,主要表現為透析相關性低血壓和高血壓,以低血壓多見。然而,目前對IDH的定義還沒有共識[7]。美國國家腎臟基金會制定的腎臟病預后質量倡議(K/DOQI)指南將IDH定義為透析過程中收縮壓較透析前降低20 mmHg或平均動脈壓較透析前降低10 mmHg,伴有臨床癥狀,如腹部不適、打哈欠、惡心、嘔吐、肌肉痙攣等,并需要給予干預措施[4],如注射50 mL高濃度葡萄糖、擺特倫德倫伯格(Trendelenburg)臥位(即頭低腳高向右傾斜的體位)甚至暫時停止血液透析等。歐洲最佳實踐指南(EBPG)則認為在血液透析過程中只要出現血壓降低及出現臨床癥狀且需要臨床干預這2個條件,就可以認為是IDH[8]。Rostoker等[9]認為,血液透析中收縮壓<100 mmHg或收縮壓下降>30 mmHg 即可判斷為 IDH。IDH會引起血液透析濾過困難,導致血液透析不夠充分,影響血液透析效果,同時造成心臟功能受損,對病人的生命安全造成嚴重威脅[10],是MHD病人死亡的獨立危險因素。

2 IDH發生的危險因素

2.1 病人因素

2.1.1 年齡、性別

高齡是IDH的獨立危險因素[11-13],年齡越大越容易發生IDH。老年人由于各系統衰老和多種疾病的存在,常有血流動力學和代謝方面的改變,存在血管脆性增強、反應能力差等特點,特別是合并糖尿病、動脈粥樣硬化的老年病人更易發生低血壓[14]。女性也與IDH的發生有關,可能涉及多種機制,如雌激素對血管平滑肌的直接血管擴張劑作用,女性平均靜息肌交感神經活動較男性低,從而導致較低的外周阻力[15],容易引起IDH的發生。

2.1.2 透析前低收縮壓、透析期間體重增加(IDWG)

透析前低收縮壓是維持性血液透析病人發生透析中低血壓的獨立危險因素[3],透析前低收縮壓的病人更容易發生IDH。透析前低收縮壓病人在透析時因血液快速引入體外循環,而組織間液不能快速代償充盈血管,導致有效血流量減少,心室充盈量和心排血量減少,血流動力學不穩定,從而導致低血壓的發生。此外,透析前低血壓與高齡、充血性心力衰竭、冠心病及糖尿病引起的嚴重自主神經病變相關,從而易發生IDH。研究表明,透析期間體重增加與IDH發生的風險相關,由于透析期間液體攝入的增加,導致IDWG增加時往往需要更高的超濾率,從而增加IDH的發生風險[16-17]。

2.1.3 營養不良(貧血及低蛋白血癥)

營養不良(貧血及低蛋白血癥)是病人血液透析時發生IDH的主要危險因素之一[18-20]。營養不良病人應激反應差,對血液透析耐受性較差,當血液透析中血容量減少時機體不能有效提高血管阻力,易發生低血壓[11,14]。

2.1.4 合并糖尿病、心血管疾病

糖尿病腎病是MHD病人發生IDH的獨立危險因素[2,21],糖尿病腎病病人常伴有自主神經病變及心血管病變,導致透析血管的順應性下降和血管調節功能下降[22],易發生IDH。此外,糖尿病腎病病人在透析過程中易發生低血糖,低血糖會導致機體壓力反射靈敏性和交感神經對低血壓的應激反應減弱,從而增加IDH的發生風險[2]。MHD病人多伴有心血管并發癥,其中向心性左室肥厚和左室舒張功能異常是常見而重要的表現[23]。向心性左室肥厚和左室舒張功能異常的病人心血管的調節能力減退,導致心排血量下降,同時在血液透析過程中因血流動力學改變,會出現心率加快,平均動脈壓不穩定,加之超濾脫水使得血管充盈不足,易發生低血壓[24-25]。

2.2 治療因素

治療因素包括透析年限、超濾量和超濾率、透析液成分及溫度、服用多種抗高血壓藥物等。

2.2.1 透析年限、服用多種抗高血壓藥物

隨著透析年限的增加,透析中低血壓的發生率明顯增加[26],可能是因為長期透析病人由于其殘余腎功能的喪失、心腦血管并發癥增多、血管鈣化等易導致IDH。此外,終末期腎病病人多合并高血壓,往往需要多種降壓藥物聯合使用維持血壓穩定,與不使用抗高血壓藥物或只使用一種抗高血壓藥物的病人相比,使用多種抗高血壓藥物的病人IDH的發生風險增加[27]。

2.2.2 超濾量和超濾率

超濾量越大意味需要清除更多液體,超濾總量超過體重的6%～7%容易造成病人有效循環血容量不足,從而發生IDH;超濾量越大,超濾率也越高,即透析時體液清除率越高,當液體清除率超過了組織間液對血漿的再充盈率和相關的生理代償時,則會導致IDH的發生[2,12,25,28]。超濾率過高多與病人透析間期增重過多,或與用高效透析器超濾速度過快有關[14]。

2.2.3 透析液成分及溫度

研究表明,透析液中電解質成分與透析病人血壓值變化密切相關[16,29]。透析液中較低的鈣濃度、鎂濃度與IDH的發生有關[29-32]。鈣離子水平的變化在心肌收縮中起關鍵作用,并可能影響透析過程中的血壓穩定。一項研究回顧了病人使用鈣濃度1.250 mmol/L的透析液轉為使用較低濃度(1.000～1.125 mmol/L)的透析液后,心力衰竭和IDH的發生增加,住院率增加[33]。一項前瞻性研究顯示,透析液鎂濃度為0.25 mmol/L或更低透析液是發生IDH的主要原因,而改用鎂濃度為0.75 mmol/L的透析液可減少IDH的發生,但當透析液中的鈣濃度為1.25 mmol/L時需要監測鎂的濃度以預防高鎂血癥[31];此外透析液中的鈉濃度較高可使透析病人有鈉積累的風險,導致在透析間期易產生口渴感,增加液體攝入和高血壓發生[15,29]。此外,透析液溫度可通過與血液進行交換清除時影響進入人體的血液溫度,進而引起血管的舒縮反應[34]。在常規透析液溫度下(如37～37.5 ℃),核心溫度的升高可能會導致血容量重新分配到血管擴張的皮膚血管,并抵消低血容量的正常反應[35],易導致IDH的發生。歐洲腎臟最佳實踐指南(EBPG)建議對頻繁發生IDH的病人使用低溫透析,并分級為Ⅰ級證據[8]。盡管冷卻透析液可能會改善血流動力學的穩定性,但病人可能會報告更多的不適,因此個性化降低透析液溫度或等溫替代方法可能是一種可接受的替代方法。

3 MHD病人IDH發生的風險預測模型

3.1 基于人工智能算法構建的IDH預測模型

近年來,人工智能模型改變了從診斷到治療的臨床決策模式。在這些模型中深度學習作為機器學習的一個分支領域,不僅可提高醫療保健的整體性能,特別是在影像診斷和病理過程以及大數據流的合成判斷方面,還可從各種數據類型中學習和描述流量,因此可從時間變化的連續輸入中建立一個模型[36]。目前,基于人工智能算法預測IDH已經成為一種重要的研究方法。

Lin等[6]的研究根據不同的收縮壓(SBP)下降的定義,通過應用時間相關的Logistic回歸分析,建立預測下次血壓檢查時IDH的模型。使用的參數包括透析開始時的SBP(SBPt0)、當前的SBP(SBPt)、當前的透析設置、基線人口統計學變量以及當前時間和距離上次記錄的時間間隔。該研究建立的模型在不同的SBP下降定義下表現良好,特別對于臨界SBP<90 mmHg和<100 mmHg,敏感性為86%,特異性為81%。試驗數據集和新病人數據集的敏感性和特異性值都接近于訓練數據集,該預測模型可以穩健地應用于新病人,這對于模擬透析人員不熟悉新病人的前瞻性情況很重要。

Bae等[37]利用病人的特征(如年齡、糖尿病和高血壓)以及相對有限的參數(如超濾體積、對應于時間序列信息和病人靜態數據的心率信息),建立了一個基于多層感知器(MP)的實時IDH預測模型。IDH發生前1 h內的心率差值和心率斜率信息被用作MP模型的時間序列輸入數據。通過不斷向MP模型提供心率信息以及年齡、糖尿病、高血壓和超濾等靜態數據來實時預測IDH。在使用不同隱藏層數量和數據長度的MP模型中,使用兩層和IDH發生前60 min的數據的模型表現出最大的性能,準確率為81.5%,陽性預測值為87.3%。然而,目前的MP模型是用相對有限的參數實現的,未來將通過增加額外的參數進一步提高該模型的實時預測性能,從而使IDH的實時預測對醫務人員起到支持作用。

Huang等[38]的研究應用機器學習算法在發生IDH之前建立一個預警系統,綜合比較不同的機器學習方法,以預測血液透析治療期間的低血壓。在該機器學習模型中預測HD期間下一次SBP讀數的最重要因素是上一次HD治療的SBP和DBP水平,不包括任何透析機相關參數。該研究開發的智能系統在預測透析內SBP的變化方面表現出良好的準確性。然而,還需要進一步的研究來驗證這個智能系統在更大規模的HD病人群體中的有效性。馬國婷等[17]基于正則化機器學習技術構建MHD病人發生IDH的風險預測模型。模型中Predialysis-SBP是影響MHD病人發生IDH最重要的預測變量。列線圖模型、CART模型以及XGboost模型的受試者工作特征曲線下面積(AUC)分別為0.979,0.934和0.992。XGboost 模型提供了最大的臨床凈收益。該研究建立的3個預測模型在準確性和特異性方面表現良好,均具有良好的預測性能,可協助臨床醫務人員加強對 MHD 病人的血壓管理。何鑫[39]利用人工智能在血液透析前建立早期預警系統,結果顯示,隨機森林(random forest,RF)、梯度提升(gradient boosting,GB)、Logistic回歸是3個表現最佳的模型,AUC分別為0.812,0.748和0.743。采用隨機森林算法的模型性能最好,其準確度為0.740,精確度為0.732,召回率為0.669,F1為0.699,可用于預測IDH的發生。但該研究是一項單中心研究,需進一步驗證該模型是否能有力地應用于其他中心。

3.2 預測IDH發生的列線圖模型

列線圖是一種建立在多因素回歸分析基礎上的工具,可以整合多個預測指標并以帶有刻度的線段形式展現,從而直觀地表示預測模型中各個變量之間的相互關系[40]。

郭雪梅等[3]采用多因素 Logistic回歸分析以構建風險預測模型,結果顯示透析前收縮壓、血紅蛋白、血鎂、合并糖尿病、合并高血壓是透析中發生低血壓的影響因素。模型的Hosmer-Lemeshow檢驗P=0.718,AUC為0.922,靈敏度為0.83,特異度為0.887,約登指數為0.717,實際應用的正確率為83.15%,該模型能較好地預測MHD病人透析中發生低血壓的風險,為臨床醫護人員評估MHD病人IDH的發生提供參考。林麗桑等[2]的研究中,身高、原發病類型、超濾量、透析前收縮壓及近期(≤1個月)頻發IDH是MHD病人發生IDH的影響因素。該模型的ROC曲線下面積為0.830,靈敏度為71.8%,特異度為79.9%,約登指數為0.517,內部驗證C-統計量為0.814,該模型的預測指標均是臨床上易獲取的,可應用該模型在病人行MHD前對其進行定量風險評估,當預測概率≥0.336時表明病人發生IDH的風險較高,實用性較好。但該模型靈敏度為71.8%,護理人員使用該模型時,應結合自身經驗和IDH的其他危險因素進行綜合判斷,識別出高危的病人。

4 小結

年齡、性別、透析年限、IDWG、透析前低收縮壓、超濾量和超濾率大、合并糖尿病及心血管疾病、營養不良等,是MHD病人IDH發生的危險因素。因此,護理人員在臨床工作中應在透析前評估病人的情況,早期識別出容易導致病人透析中出現低血壓的危險因素,并及時與醫生溝通,針對病人的危險因素(如嚴格控制好血糖、指導病人嚴格控制飲食中水鈉的攝入、營養支持、調整透析方案等)進行早期干預,以及在透析過程中密切關注病人的情況,以預防IDH的發生。

早期識別和干預 IDH對 MHD 病人的臨床預后有重大影響。風險預測模型不僅為早期識別MHD病人IDH風險提供了有效工具,也為采取預防IDH措施、優化醫療資源配置提供了依據。

國外基于人工智能的MHD病人IDH發生的風險預測模型相關研究開展較多,多數模型是根據不同的IDH定義構建,模型預測性能較好,但一些模型的算法較為復雜,且只針對病人的某些特征和身體成分或透析前和透析期間的參數進行分析,樣本量較少。而國內大多數研究則采用列線圖將復雜的回歸方程可視化,使預測模型簡單易行,便于臨床應用,但局限于對IDH危險因素的分析,以及對MHD病人IDH風險預測模型的構建及內部驗證,且研究方法較為單一。

故今后我國可選擇合適的預測模型開展多中心、大樣本研究的臨床外部驗證,或在借鑒國外預測模型的基礎上,構建我國本土化、專業化的MHD病人IDH發生的風險預測模型,為醫護人員提供簡便、高效的風險預測工具,以識別IDH高風險病人并制訂個性化的防治策略,有助于提高病人的整體透析質量和生活質量,降低病人的死亡風險,減輕病人及社會負擔。