ICU獲得性衰弱風險預測模型的系統評價

賴 琪,屠恩遠,張聰慧,溫米蘭,郭慧娟,謝 欽,杜 燕,高春茗

ICU獲得性衰弱(Intensive Care Unit Acquired Weakness,ICU-AW)最早是由Ramsay等[1]于1993年提出。ICU-AW是病人在住院期間發生的與疾病導致的雙側對稱性神經肌肉后遺癥[2],是危重病人常見的并發癥之一。臨床表現為呼吸機脫機困難、遲緩性四肢輕癱、肌肉萎縮、反射減退,影響呼吸和咽部的肌肉[3-5]。病人發生ICU-AW的概率為25%～100%[6],導致其住院時間和機械通氣時間延長、病死率增加[7-8]。部分病人出院后不能恢復到罹患ICU-AW前的良好狀態,而衰弱狀態導致出院后的病人就業率低下、生活質量不佳[9-10]。目前,暫無針對此病的特效藥物和治療手段[11],而早期的診斷和干預可改善病人生存及預后。疾病風險預測模型是以疾病的多風險因素為基礎,按影響程度劃分分值,利用數學公式計算某個人未來某種事件發生概率的一種統計性評估方式[12]。ICU-AW風險預測模型可幫助醫護人員對重癥病人進行ICU-AW的早期篩查和預防,提高醫護人員工作效率,減輕ICU-AW對病人的負面影響。因此,本研究對國內外ICU-AW相關預測模型進行系統評價,旨在為其優化、臨床應用和科學研究提供參考意見。

1 資料與方法

1.1 納入與排除標準

1.1.1 納入標準

研究對象為年齡≥18歲的重癥監護室(ICU)病人;研究內容為ICU-AW風險預測模型的構建,且模型經過了內部和(或)外部驗證;研究類型為前瞻性或回顧性隊列研究、病例對照研究。

1.1.2 排除標準

只調查了相關危險因素,并未進行模型的構建;不能獲取原文或數據不完整;綜述或動物研究。

1.2 文獻檢索策略

于2023年3月,計算機全面檢索中國知網數據庫、維普數據庫、萬方數據庫和中國生物醫學文獻數據庫的中文文獻,檢索詞為“危重癥/重癥護理/重癥監護室/ICU”;“虛弱/衰弱/肌無力/肌病/神經肌病”;“模型/相關因素/危險因素”。同上全面檢索the Cochrane Library、PubMed、Embase、Web of Science數據庫中的英文文獻,檢索詞為“weakness/paresis/neuropathy/polyneuropathy/myopathy/polyneuromyopathy/neuromuscular dysfunction/neuromuscular disorder/muscle weakness/muscular diseases”;“intensive care unit/intensive care/critical care/critical illness/critically ill”;“predict* model/prognostic model/predict*/model/risk factor/”。

1.3 文獻篩選及數據提取

由2名研究者獨立篩選文獻、提取資料并交叉核對,如遇分歧,則交由導師進行協助判斷。文獻篩選時首先閱讀標題和摘要進行初篩,排除明顯不相關的文獻后,再仔細閱讀全文,剔除無法獲取全文的文獻,以及排除不符合納入標準的文獻。運用NoteExpress及Excel軟件進行文獻資料的管理和提取。內容包括:發表年份、研究對象和設計、診斷工具、模型的驗證類型(內部/外部驗證)、模型的受試者特征工作下曲線面積(the Area Under Receiver Operating Characteristic Curve,AUROC)、模型中納入的主要預測因子及ICU-AW發生率等。

1.4 文獻質量評價方法

利用預測模型構建研究數據提取和質量評價清單(CHecklist for critical Appraisal and data extraction for systematic Reviews of prediction Modelling Studies,CHARMS)對納入文獻進行質量評價,該評估模型共包含12個條目。由2名研究者獨立評估文獻質量,如遇分歧,討論無果后則交由導師進行判斷。

2 結果

2.1 文獻檢索過程及結果

文獻篩選流程:初步檢索共獲得2 829篇文獻,經過剔除重復文獻,排除不相關文獻等流程后,最終剩余22篇。

2.2 納入研究的基本特征與偏倚風險評價結果

納入研究的基本特征見表1,偏倚風險評價結果見表2。

表1 ICU獲得性衰弱風險預測模型的基本特征

2.3 納入模型的一般情況

共納入22個ICU-AW風險預測模型[13-34],其中11項[13-23]為英文研究,11項[24-34]為中文研究,19項[13,15-34]為前瞻性研究,2項[14,18]為回顧性研究,選擇性偏倚較小。最早的ICU-AW預測模型[16]發表于2001年,隨著機器學習算法的發展,近些年的預測模型層出不窮。21項研究[13-29,31-34]將研究對象定義為年齡≥18歲的病人,具有同質性。17項研究[13-15,19-21,23-33]采用英國醫學研究理事會評分表(medical research council scale for muscle examination,MRC-score)評估病人是否出現ICU-AW。1項研究[16]采用電生理檢測來確定病人有無發生ICU-AW,1項研究[22]采用電生理+活體組織檢查的方式對ICU-AW進行判斷,2項[17,34]研究采用超聲測量股直肌或股四頭肌的方式來診斷。PEUELAS等[18]則基于專家共識來評估病人有無罹患ICU-AW。各模型ICU-AW的發生率為2.7%～68.5%,建模樣本為48～4 157例。其中12項[13-14,17-20,24-27,29,34]研究進行了內部驗證,2項[30,33]研究進行了外部驗證,4項研究采用內部與外部驗證結合的方式對預測模型的預測效能進行了評價。18個[13-14,17-20,23-26,28-34]研究報告了AUROC值,1項[15]研究報告了預測模型的擬合優度為0.92,2項[16,21]研究分別報告了模型的靈敏度和特異度,1項[22]研究則用交叉驗證法報告了模型的預測性能。

2.4 納入模型中的預測因子

納入的22個ICU-AW風險預測模型中,最多納入了11個預測因子[30],最少納進了2個預測因子[17,21,24]。將所有模型納入的預測因子分為可逆因素和不可逆因素兩大類,本研究認為年齡、機械通氣時長、APACHE Ⅱ評分、乳酸水平、ICU住院時長和性別(女性)是ICU-AW最為常見的不可逆因素,其次是多器官功能衰竭和膿毒血癥。在可逆因素方面,神經肌肉阻滯劑的使用是ICU獲得性衰弱最常見的可逆因素,其次是皮質類固醇的使用和行CRRT治療。

3 討論

本系統評價大部分研究采用Logistic回歸分析進行模型的建立,僅1項研究基于Meta分析方法構建ICU-AW風險預測模型,后將該模型應用到臨床進行外部驗證,基于此方法構建的模型既可避免數據的缺失又可提供充足的樣本量,彌補Logistic回歸模型對小樣本量的不穩定性[30]。本研究中納入的22個模型在建模/驗模人群中的AUROC值均≥0.6,表明上述模型在預測病人未來發生ICU-AW的效果良好。丁明月等[24]學者展開了亞組討論,探討了1、4、7 d MCP-1對膿毒癥ICU-AW的診斷價值,AUC值分別為0.732、0.865、0.891,臨界值分別為 206.3、410.9、239.5 ng/L。江竹月[35]還根據構建的預測模型開發了相應的小程序,避免了繁雜的公式計算,為臨床醫護人員提供了極大的便利。MRC-Score是美國胸科協會[36]推薦用于診斷成人ICU-AW的量表,該量表評估肢體左右兩側各6組肌群,每組肌群肌力分為0～5級,總分為60分,小于48分可診斷為ICU-AW,該法需要病人意識清楚及配合程度高。Richmond躁動-鎮靜評分(Richmond Agitation and Sedation Scale,RASS)總體分值為+4～-5分。此量表整體Cronbach′s α系數為0.912,并且該量表在ICU病人中具有較好的內部一致性(Cohen′s kappa = 0.76)和較好的組內相關系數(intraclass correlation coefficient,ICC=0.83)[37]。在ICU獲得性衰弱的評估與診斷方面,17個研究[13-15,19-21,23-33]采用MRC評分表來對ICU-AW進行評估。1個研究[16]采用電生理檢測來準確篩查病人有無發生CIP,此法檢查環節精簡,但存在一些弊端,如該法耗時且價格昂貴、易受一些產生電信號設備的干擾等。1個研究[22]采用電生理+活體組織檢查的方式對ICU-AW進行判斷,該法因其侵入性操作未能在臨床中得到應用。2個[17,34]研究采用超聲測量股直肌或股四頭肌的方式來診斷。四肢肌肉超聲檢查可通過對肌肉的橫截面積、厚度、回聲強度、羽狀角等進行觀測,描述肌肉形態和質量上的改變,具有無創、操作簡單,能動態連續監測的特點,相較于MRC評分,無需病人的配合。Peuelas等[18]基于專家共識的定義來診斷病人是否發生ICU-AW,對39個國家的494個ICU的4 157名機械通氣病人進行ICU-AP的篩查,114例病人發生ICU-AP,發生率僅3%。采用多因素Logistic回歸建立ICU-AP預測模型,AUROC為0.81,但未報告模型校準且未進行模型的外部驗證。與采用傳統診斷與評估方式的研究不一致,該模型存在輕度至中度 ICU-AW 病人可能被遺漏的現象,有可能產生偏倚。

綜上所述,本研究納入的22個預測模型性能良好,便于醫護人員早期識別并干預發生ICU-AW的高風險人群。近年來,國內外關于構建ICU-AW的風險預測模型層出不窮,納入的人群也具有專科特色,因此在未來,醫護人員應結合本科室的特色選擇合適的預測模型加以驗證所選模型的性能。其次,重癥病人早期病情多不平穩,處于譫妄或者鎮靜狀態,MRC評分表不適用于早期ICU病人的評估。然而大部分研究選擇的評估工具都是選擇MRC評分表,在未來關于ICU獲得性衰弱預測模型的開發中,應側重于診斷與評估工具的選擇,盡可能的多樣化,減少偏倚風險。最后,研究者在提高模型預測效能的基礎上,更應注重模型是否增加醫護人員的工作負擔,開發出更優化、便利的預測模型。