呼吸機相關性肺炎風險預測模型的研究進展

張雪梅，董 雪，郭燕杰

隨著科學技術的發展，機械通氣技術已在重癥監護室(ICU)得到廣泛應用，而呼吸機相關性肺炎(ventilator associated pneumonia,VAP)是ICU需要機械通氣病人常見且嚴重的并發癥之一。VAP是指接受機械通氣48 h后或機械通氣撤機、拔管后48 h內發生的肺炎[1]。在所有接受機械通氣治療的危重病人中，VAP的發生率為10%～20%，死亡率為25%～50%[2-7]。病人在住院期間發生VAP后會使住院時間延長、費用增加、發病率及死亡率增高等不良后果[8-10]。并且，VAP使得醫院感染問題不斷，逐漸發展成一個需要全球攻克的重大公共衛生難題。因此，對早期預防VAP的實施針對性的干預措施非常重要，風險預測是預防VAP的重要一步，根據預測結果選擇相應有效的護理對策。現對國內外VAP的危險因素及風險預測模型進行綜述，為VAP風險預測模型構建及臨床應用提供參考。

1 疾病風險預測模型的概述

疾病風險預測模型[11]是指以引起疾病的多種危險因素為基礎，建立統計模型，用來預測具有某些特殊人群的未來某種事件發生的概率。疾病風險預測模型還可將疾病發病風險進行分級，進而醫護人員可以針對風險級別不同的群體實施針對性的干預措施。VAP風險預測模型能夠有效幫助臨床醫護人員快速、準確地篩查VAP病人的危險因素，及時有效地針對高危人群采取相應的預防措施，降低VAP病人的死亡率。

2 VAP的危險因素

2.1 宿主因素 影響VAP發生的宿主因素包括年齡、免疫功能低下、基礎疾病、誤吸、長期臥床、意識障礙和消化道細菌定植等。隨著年齡的增加，病人呼吸器官逐漸老化以及免疫功能低下，少量的致病菌就可導致VAP的發生，一旦發生VAP其病情會迅速進展[12]。合并基礎疾病的病人VAP的發病率也會更高，有研究表明，慢性阻塞性肺疾病(COPD)被認為是VAP發展的一個危險因素，這可能與氣流阻塞導致無法產生有效的咳嗽，以及皮質類固醇對肺宿主防御的抑制作用有關[13]。體位不當也是VAP發生的危險因素，而半臥位更有利于痰液的排出，從而減少誤吸的發生[14]。格拉斯哥評分是用來評估腦外傷病人的意識狀態，評分越低，意識障礙越嚴重[15]，越容易喪失自主排痰的功能，VAP發病率就越高。氣管內導管的放置會刺激口咽部分泌物并沿著管道向下遺漏，易造成局部創傷和炎癥的發生，而使細菌定植消化道內[16]。

2.2 醫源性因素 影響VAP發生的醫源性因素包括重癥監護室滯留時間、機械通氣時間過長、侵入性操作、留置胃管、手術、住院時間、胃酸抑制劑使用、抑制中樞神經系統藥物使用和早期抗生素不規范使用等有關。韓明星等[17]Meta分析表明，病人在機械通氣期間進行手術和住院時間延長是引起VAP發生的兩個獨立危險因素，這可能與病人病情較重，建立人工氣道而破壞了人體正常的防御機制有關。機械通氣時間過長是VAP發生的又一個重要危險因素，長時間機械通氣導致下呼吸道黏膜損傷，生物膜的逐漸形成，又容易導致定植細菌的增加。侵入性操作包括氣管切開、氣管插管、非計劃拔管和再插管和腸內營養等方面，有創操作的增加，使得VAP的發病率也越來越高。研究表明，有創操作每增加1次，VAP的發病率就增加2.3%[18]。Garibaldi等[19]研究表明，發現17%的術后病人患有肺炎，VAP的增加與較長的手術時間和吸煙史密切相關。抗生素不規范的使用，容易改變身體內正常的微生物環境，非致病菌被破壞，而致病菌被大量繁殖。

3 VAP風險預測模型的研究現狀

3.1 基于傳統統計學構建的VAP風險預測模型

3.1.1 基于列線圖 黃歡歡等[20]基于單中心回顧性研究，收集了203例ICU機械通氣病人，用LASSO回歸篩選出年齡、急性生理與慢性健康評分系統Ⅱ(APACHEⅡ)評分、侵襲性操作次數、機械通氣時間和意識障礙為VAP發生的危險因素，Logistic回歸分析表明，APACHEⅡ評分≥20分和機械通氣時間≥2周為VAP發生的獨立危險因素，該模型ROC曲線下面積為0.817，實際臨床價值還有待驗證。薛瑩等[21]選用ICU進行機械通氣治療的198例病人，采用LASSO分析和Logistic回歸分析建立ICU機械通氣病人發生VAP的風險列線圖模型并進行驗證，該模型風險因素包括年齡≥60歲、聯用抗菌藥物、血清白蛋白<40 g/L、機械通氣時間≥7 d、住院時間≥14 d、使用抑酸劑、氣管切開及糖尿病等8個危險因素，模型一致性指數為0.836[95%CI(0.803～0.869)]，模型ROC曲線下面積為0.815，決策曲線顯示閾值概率在5%～84%范圍時具有較高的凈獲益值。該模型預測效果較好，適用于臨床醫護人員對VAP高風險病人進行使用。但該模型只進行內部驗證，未來還需要擴大樣本量，進行外部驗證以驗證其臨床應用效果。王錦棟等[22]對合并2型糖尿病的ICU機械通氣治療的136例病人構建預警模型，結果顯示，合并2型糖尿病的ICU機械通氣病人發生VAP的危險因素有糖化血紅蛋白(HbA1c)、格拉斯哥昏迷(GCS)評分、APACHEⅡ評分、ICU住院時間、氣管插管時間，預警模型下ROC曲線下面積為0.884[95%CI(0.830～0.938)]，該模型具有良好的精確度和區分度。但該模型選擇病例數較少，容易對其研究結果造成一定的偏倚，還需對該模型進行更深入的驗證，以便更好地應用于臨床。戴旭紅等[23]回顧性分析某院190例老年病人發生重癥肺炎感染的危險因素，結果顯示，機械通氣時間>7 d、ICU停留時間>15 d、合并基礎疾病、口腔衛生差、應用抗菌藥物種類≥2種和APACHEⅡ>15分是其發生的獨立危險因素，模型的一致性指數C-index為0.872[95%(0.854～0.891)]，表明該模型風險預測精準度較高。Wu等[24]結合病例對照和前瞻性隊列研究的2項研究數據進行二次分析，采用Logistic回歸分析構建的風險預測模型,神經肌肉阻滯劑、嚴重急性呼吸窘迫綜合征(ARDS)、因非計劃手術入院、創傷等4個是獨立危險因素，其ROC曲線下面積為0.744[95%(0.644～0.844)]，模型擬合可接受(Hosmer-模型P=0.185)，具有良好的判別能力。DCA顯示，當VAP概率閾值為1%～61%決定干預時，VAP預測列線圖是臨床有用的。利用現有的變量，該模型可以應用預測急性呼吸窘迫綜合征病人在ICU住院后發生VAP。在臨床實踐中醫護人員可以利用VAP預測圖評估ARDS病人發生VAP的風險，并在早期提出預防策略，使這些危重癥病人有較好的預后。

3.1.2 基于Logistic回歸模型 Xu等[25]基于回顧性分析，收集了901例病人，篩選出老年機械通氣病人發生VAP的獨立危險因素，Logistic回歸分析顯示，包括COPD、ICU入院、機械通氣方法、使用抗生素數量、中心靜脈導管數量、留置導尿管時間、機械通氣前使用皮質類固醇，該模型新變量的預測概率的AUC為0.722，Hosmer-仿真方法擬合優度檢驗表明，擬合優度模型較好(χ2=4.613，df=7，P=0.707)。但由于是橫斷面、單中心研究，所有病人均來自同一家醫院，未來還需要進一步的多中心、前瞻性隊列研究，納入具有不同人口統計學特征的參與者。

李巖等[26]收集了574例使用呼吸機的老年病人，采用多因素Logistic回歸模型篩選出4個顯著預測VAP的危險因素，包括昏迷、平臥位、插管天數>10 d和插管次數>2次是VAP發生的獨立危險因素，該模型ROC曲線下面積為0.851[95%CI(0.801～0.902)，P<0.001]，靈敏度為77.6%，特異度為80.8%，約登指數為58.4%，顯示此模型預測能力較好，能夠用于老年病人VAP發生的識別和評估，有助于進一步開展VAP的防控工作。張曉雪等[27]對ICU收治的185例機械通氣病人進行風險預測，多因素Logistic回歸分析結果顯示，存在誤吸危險因素數量≥3個(OR=45.086) 、低蛋白血癥(OR=40.718)、機械通氣時間越長(OR=1.464)、氣管肺泡灌洗液中α-淀粉酶水平越高(OR=1.016)是導致VAP發生的獨立危險因素，ROC曲線分析顯示，α-淀粉酶水平在早期預測VAP發生的曲線下面積為0.887，高于誤吸危險因素數量≥3個(AUC=0.733)、低蛋白血癥(AUC=0.652)和機械通氣時間(AUC=0.664)，最佳截點值為580.90 U/L，預測VAP發生的敏感度為94.59%，特異度為75.00%，α-淀粉酶水平對于預測早期VAP發生有一定的價值。但該預測受樣本量有限，且其他因素還未得到證實，需要進行更多深入研究。張雯予等[28]對2 453例ICU住院病人資料納入分析，結果顯示，年齡≥72歲、新發腦卒中、入住ICU 24 h內APACHEⅡ評分≥18分、SOFA評分≥8分等4個醫院感染的獨立危險因素，根據以上危險因素建立量表，肺炎早期預測評分范圍為0～7分,最佳截斷值為5分，ROC曲線下面積為0.83[95%CI(0.74～0.78)]，敏感度為87.28%，特異度為68.56%。隨后包括1 442例醫院感染病人對該模型進行驗證，顯示該量表預測效果良好。新的預測量表簡潔、方便，但還未經過外部驗證，之后還需要大樣本對其預測能力進行測試。

4 小結

目前，國內外對于VAP風險預測的模型深入研究較少，由于預測因子數量不同且內容相差較大，使得每一種模型都有其局限性。基于傳統統計學方法研制模型，能夠較好地篩查出ICU機械通氣病人患VAP的危險因素，有助于為臨床醫護人員早期篩查高危人群。在構建預測模型時還要考慮其有效性和可行性，臨床應用時，要針對病人個體情況選擇出最合適的模型。目前國內護理人員對VAP的認識不足，VAP的風險預測模型仍未應用到日常護理工作中。因此，認識并運用VAP的預測模型，提高對VAP的認知水平，更好指導臨床實踐和改善病人的臨床結局。隨著信息技術的發展，未來應該更好地開發屬于本土化的預測模型，提高護理人員的工作效率。