急性呼吸窘迫综合征(acuterespiratorydistresssyndrome,ARDS)是一种非心源性肺损伤,表现为快速进行性呼吸困难､呼吸急促和低氧血症,最终演变为呼吸衰竭[1]｡研究表明,ARDS与高发病率､高病死率､低诊断率､疾病预后差显著相关,因其缺乏最佳治疗手段,仍是重症医学最具挑战性的难题之一[2]｡在不同的临床环境中,识别ARDS依赖于病人的疾病特征､实验室结果､呼吸参数､影像学报告以及医生的临床判断等,具有一定的复杂性和主观性[3]｡由于缺乏特异性和敏感性的诊断指标,只有34%的ARDS能被临床医生早期识别[4]｡尽管ARDS治疗策略在不断改进和更新,新的技术和护理理念被用到ARDS临床治疗中,如使用体外膜氧合､俯卧位通气和低潮气量通气等,ARDS病人死亡率正逐年降低,但ARDS病人的预后仍不容乐观[5]｡新型冠状病毒感染疫情的暴发更是让广大学者意识到探索ARDS安全､有效的防治策略刻不容缓,早期识别并干预是提高ARDS病人生存率的关键[6]｡近年来很多学者通过构建ARDS风险预测模型,早期识别ARDS高风险人群,以指导医护人员尽早采取干预措施,预防ARDS的发生,同时针对无法避免的ARDS制定早期应对措施,减少病人死亡的风险｡现将近年有关ARDS风险预测模型的研究综述如下｡

1、病人ARDS的发生现状

ARDS是急诊及重症监护病房(ICU)中常见的严重肺疾病,在ICU中发生ARDS的病人占1/10,且其住院死亡率高达60%[7]｡ARDS的发病因素有很多,受研究对象､暴露危险因素多样性的影响,ARDS的发生率和死亡率具有较大差异性｡

国外研究中报道ARDS发生率为2.5%~48.4%[8‐9],ARDS病人病死率为9.0%~72.7%[10‐11]｡Fuller等[12]对219例接受机械通气的住院病人进行前瞻性研究发现,ARDS发生率为14.7%,ARDS平均发生时间为2.3d｡Ahmed等[13]前瞻性研究了200例入住ICU的病人,其ARDS发生率为44%,ARDS中位发生时间为2.5d｡Johnson等[14]对978例院外非外伤性心搏骤停的成年病人研究显示,有48%的病人在入院48h内发生了ARDS｡Cartotto等[15]回顾性研究了162例机械通气≥48h的烧伤病人,其ARDS发生率为43%,其中86%的病人在烧伤后1周内发生ARDS｡

国内研究中报道ARDS发生率为3.57%~56.25%[16],ARDS病人病死率为13.9%~61.8%[17‐18]｡王唯依[19]对63例烧伤病人研究发现,ARDS发生率为37.5%,轻度､中度､重度ARDS病人死亡率分别为18.5%､50.0%､66.7%,其ARDS的发生时间为伤后1~18d,中位时间为5d｡综合以上研究结果可知,重症病人ARDS发病时间常在已知疾病临床症状出现后1周或更短的时间内,这与柏林标准中规定的ARDS发病时间一致｡

国内外数据显示,新型冠状病毒肺炎(COVID‐19)并发ARDS的概率及ARDS死亡率均很高[20‐22]｡COVID‐19相关ARDS发病时间为8~12d,与柏林标准规定的ARDS发病时间为1周不一致,这意味着相关ARDS和由柏林标准定义的其他因素引起的ARDS之间存在许多差异[23],对COVID‐19病人,临床上更要关注病程超过1周的病人发生ARDS的风险｡

2、ARDS的危险因素

由于目前ARDS仍存在严重误诊､诊断不足和缺乏有效治疗手段的情况,针对危险因素进行早期预防成为降低重症病人ARDS发生率的重要措施｡近年来,国内外报道的有关ARDS的危险因素主要集中在几个方面｡

2.1病人相关因素

1)年龄:儿童和老年人的ARDS风险较高[18,24]｡2)伴随疾病:研究表明,病人发生ARDS前本身伴有糖尿病､高血压､慢性阻塞性肺疾病､腹内压增高､心血管疾病､恶性肿瘤等都会增加发生ARDS的风险[24‐26]｡3)实验室检测结果:研究显示,白细胞计数､D‐二聚体､C反应蛋白､肌钙蛋白､乳酸脱氢酶､肌酸激酶､降钙素原､血栓调节蛋白､血糖等血液指标升高以及淋巴细胞､红细胞比容､血红蛋白､钠离子､维生素D等血液指标降低的病人发生ARDS风险较高[25,27‐28]｡有研究发现,ARDS的血浆生物标记物包括血管生成素‐2､白细胞介素‐6､白细胞介素‐8､白细胞介素‐10､干扰素‐γ､血管生成素1､血管生成素2､纤溶酶原激活因子‐1､可溶性肿瘤坏死因子受体‐1等[29‐30]｡4)有体温升高､心率增快､呼吸≥30/min､氧合指数(PaO2/FiO2)≤200mmHg､血氧饱和度<95%[25,31]等的病人ARDS风险较高;吸烟[32]､酗酒[24]和肥胖[33]等都能增加ARDS发生的风险｡

2.2病因相关因素

ARDS与临床各种疾病密切相关,其病因可大致分为直接和间接肺损伤两类｡直接肺损伤包括中/重度胸外伤､肺/胸部挫伤､肺炎､肺部感染､胃误吸､吸入性损伤､溺水等,间接肺损伤包括脓毒症､败血症､休克､严重创伤､胰腺炎､烧伤､酸中毒､弥漫性血管内凝血等[34‐35]｡

2.3治疗相关因素

1)机械通气:有研究显示,ICU中有37.6%的ARDS病人需要接受机械通气｡机械通气是治疗ARDS病人的有效手段,但应用不当时也可能加重肺损伤[18]｡2)外科手术:行持续时间长的高危手术(胸廓､脊柱､腹部､心脏､主动脉)病人ARDS发生率较高[31]｡3)化疗､大量输血､输注同种异体血浆等也会增加ARDS的发生风险[36]｡

3、基于传统统计学方法构建的ARDS风险预测模型

传统的统计学方法构建模型是通过Logistic回归､Cox比例风险回归､多重线性回归或Possion回归等回归分析来探索和筛选与疾病发生有关的因素,并将筛选出的危险因素作为预测指标,以确定疾病发生的概率｡目前,以Logistic回归模型和Cox比例风险回归模型较为常见｡

3.1基于Logistic回归模型

3.1.1术后病人ARDS预测模型

Kor等[37]在2011年报告了针对高危手术(心脏､主动脉､胸部､腹部､脊柱､头颈部手术)病人术后急性肺损伤(ALI)/ARDS的风险预测工具[外科肺损伤预测(SLIP)评分模型],该研究采用前瞻性收集数据方法,收集了4366例术后病人的人口学､治疗及疾病特征资料,以美欧共识会议(AECC)提出的ARDS定义确诊且发生于术后5d内的ALI/ARDS为结局指标,采用多因素Logistic回归方程筛选出7个风险因素,分别为高风险的心脏､血管或胸外科手术､糖尿病､慢性阻塞性肺疾病､胃食管反流疾病和酒精滥用｡根据回归方程的回归系数给各个风险因素赋予一定的分值,风险评分为0~60分,且该研究对不同风险因素进行组合､分层评分和风险分级,低风险(<10分),风险<0.54%;中等风险(10~26分),风险为0.54%~2.62%;高风险(≥27分),风险≥12.2%｡该研究在内部进行了10次交叉验证后曲线下面积(AUC)为0.82,且经Hosmer‐Lemeshow检验该模型拥有良好的区分度和一致性(P=0.55),说明该模型对预测术后发生ALI/ARDS有较好的临床价值｡

2014年Kor等[31]在一个多中心､前瞻性研究的基础上对前期研究的SLIP模型进行了验证和改进,构建了一个新的高危手术病人术后ALI/ARDS预测模型(SLIP‐2)｡该研究通过调查美国20所医院和土耳其2所医院接受过外科手术的1562例病人,同样应用Logistic回归构建模型,预测指标增添到9个条目,分别为脓毒症､高风险主动脉血管手术､高风险心脏手术､急诊手术､肝硬化､家庭以外入院来源､呼吸频率增加(>20/min)､吸氧浓度(FiO2)>35%､脉搏血氧饱和度(SpO2)<95%｡该团队建立的SLIP‐2预测模型AUC为0.84[(95%CI(0.81,0.88)],敏感度为82%,特异度为75%,较原SLIP模型(AUC为0.56)预测效果更好,Bootstrap内部验证也显示了其良好的区分度和一致性｡SLIP‐2预测变量中既包含手术特有指标,也包含病人临床疾病资料,均客观且易获取,临床适用性强,是目前认可度较高的用于ALI/ARDS的风险评估工具｡

3.1.2ICU病人ARDS预测模型

2020年,荆晨晨等[38]回顾性收集了2017年1月—2018年4月综合ICU中223例病人的人口学､治疗､疾病及实验室检查等临床资料,以柏林定义确诊为ARDS作为结局指标,初步建立ICU病人ARDS风险预测模型｡采用Logistic回归分析建立了风险模型:Z(风险)=0.128×年龄+0.845×肺损伤预测评分(LIPS)+1.040×英国国家早期预警评分(NEWS)+0.032×肺炎严重指数(PSI)-20.059｡并用2018年5月—2019年7月同一医院同一ICU的112例病人来验证该模型,当截断值为13.7时,模型AUC为0.926[95%CI(0.880,0.973)],灵敏度为0.906,特异度为0.812;按风险模型计算总分,当风险评分≤13.7分时为低风险,当风险评分13.7~16.6分时为中风险,而当风险评分≥16.6分时为高风险,其风险≥70.0%｡模型显示出较高的灵敏度,表明预测出ARDS病人的能力较强,基于LIPS等评分建立的早期风险预测模型可以有效预测ICU病人ARDS的发生,但该研究样本量过少,仍需大样本的可靠病例对其进行验证研究｡

3.2基于列线图模型

3.2.1烧伤病人ARDS预测模型

2021年,任海涛等[39]报道了基于中国人群的危重烧伤病人发生ARDS的列线图预测模型,ARDS的确诊依据柏林定义｡研究采用回顾性病例对照研究设计,在同一时间段内从同一个科室收集了131例危重烧伤病人资料,根据Logistic回归分析结果,再采用R软件绘制列线图预测模型,风险因素包括烧伤指数､吸入性损伤､脓毒症｡列线图分项得分线为0~100分,各风险因素通过垂直线在列线图上方分项得分线上取对应的分值,再计算这3个风险因素的总分之和,在总得分线上确定总分的对应位置,并向下绘制一条垂直线,与“ARDS发生风险线”相交的位置即为病人对应的发生ARDS的概率｡列线图总分为101.5分对应的风险预测值约为58%,总分越高病人发生ARDS的风险值越高｡该项研究采用Bootstrap检验对模型进行内部验证,建模组与验证组的AUC均>0.90,表明模型预测效能良好｡但该研究二分类变量较多,样本量小,可能导致风险因素与病人ARDS风险发生的关系体现不佳,可能出现高估或低估ARDS的发生风险,其临床适用性有待进一步研究｡

3.2.2创伤病人ARDS预测模型

2010年,Fremont等[40]采用回顾性巢式病例对照研究方法,以AECC定义确诊ALI/ARDS发生为结局指标,以发生ALI/ARDS的107例ICU创伤病人为病例组,以未发生ALI/ARDS的85例病人为对照组,收集其入住ICU72h内的血浆生物标记物数据,通过多变量Logistic回归分析纳入晚期糖基化终末产物受体､前胶原肽Ⅲ､脑钠尿肽､血管生成素‐2､白细胞介素‐10､白细胞介素‐8和肿瘤坏死因子α7种生物标志物作为危险因素,通过绘制列线图模型预测病人发生ALI/ARDS的风险,并使用Bootstrap方法对模型进行内部验证｡列线图总分为175分和225分的风险预测值分别为40%和90%,结果发现该研究所构模型(AUC=0.86)比常用的损伤严重度(ISS)评分(AUC=0.63)､创伤相关严重程度(TRISS)评分(AUC=0.66)的预测准确性更佳,说明模型有良好的区分度和一致性｡但该模型预测指标主要是生化指标,一方面体现出生化指标在ARDS事件中的预测价值,另一方面也说明该模型构建中预测因子选取存在局限性｡

4、基于机器学习方法构建的病人ARDS风险预测模型

机器学习方法是通过计算机模拟或实现人类的学习行为,从大量的数据或以往的经验中提取规律,自动改进算法以及优化计算机程序,从而实现对未知数据的识别､预测和分析,常见的有决策树､随机森林､贝叶斯､极端梯度提升(XGBoost)､人工神经网络(ANN)和支持向量机(SVM)等算法｡

4.1基于随机森林模型

Ding等[27]在2019年报告了ICU病人发生ARDS的风险预测模型,研究2次分析了在北京市5个ICU前瞻性收集了3年共11829例ICU病人的相关资料,根据柏林定义对病人进行ARDS诊断,共纳入296例病人,随机选择病例数据的80%(236例)构建模型,另外20%(60例)进行模型内部验证,该研究采用随机森林算法纳入11个预测变量,即最低呼吸频率､最大呼吸频率､最小血细胞比容､最低收缩压､最低平均动脉压､最大心率､最低血糖､最低血细胞计数､最低心率､最低体温､最低钠浓度｡该模型的AUC为0.87,灵敏度82%､马修斯相关系数(MCC)为0.64,F‐Measure为0.73;验证组AUC为0.82,灵敏度83%､MCC为0.50,F‐Measure为0.57,预测效果较好｡随机森林是一种由多个决策树构成的集成算法,不同决策树之间没有关联,其中每个决策树代表一个结果的输出,所有的结果中哪一个分类结果最多,随机森林就会把这个当做最终的结果,这种方法的主要优点在于它处理数据量大､速度快,且准确度较高｡模型中生理及生化指标异常对病人的病情变化有提示作用,为医护人员临床决策提供依据,今后可在前瞻性研究中做进一步的临床验证｡

4.2基于极端梯度提升(XGBoost)模型

4.2.1ICU住院病人ARDS预测模型

2019年美国密歇根大学Zeiberg等[41]通过查看电子健康记录的方式收集了所在单位2016年1621例ICU病人的病例数据,按80%､20%比例分为训练集､验证集并进行了5次交叉验证,并将2017年收集的1122例ICU病人的病例数据作为测试集进行模型的外部验证｡该研究提取了984个所有可能的特征作为输入变量,然后以经柏林定义诊断为ARDS为结局指标,构建了正则化Logistic回归L1､L2和极端梯度提升树模型(XGBoost)｡贡献度最大的10个特征分别为氧合指数比值低于124mmHg,心率最低值>95/min,正常血红蛋白水平及血小板计数水平,白蛋白>50g/L,血氧饱和度最低值<89%,心率中位值或平均值>104/min,收缩压低于25%人群,血氧饱和度变异度大等｡模型验证结果显示,L2模型AUC为0.81[95%CI(0.88,0.96)],L1模型AUC为0.76[95%CI(0.68,0.84)],XGBoost模型AUC为0.75[95%CI(0.68,0.81)]｡其中L2模型的预测性能最好,其基于第85%位数风险阈值的灵敏度为56%[95%CI(35%,74%)],特异度为86%[95%CI(85%,87%)],阳性预测值为9%[95%CI(5%,14%)]｡XGBoost是基于决策树的集成机器学习算法,它以梯度提升(gradientboost)为框架,通过优化系统和增强算法,使模型结果更加准确,拟合速度更快､效果更好｡该研究充分收集了病人的临床数据,模型的特征提取较为全面,其研究方法具有一定的借鉴价值｡但模型阳性预测值偏低,表明预测出发生ARDS人群的可能性较低,这可能与该研究资料收集方法为回顾性有关,进而限制了其临床适用性｡

2020年,Le等[42]报告了一种应用XGBoost梯度提升树算法构建ARDS风险预测模型的研究｡通过分析2001—2012年大型重症医疗数据库(MIMIC‐Ⅲ)中22752例ICU住院的成人病人数据,提取了人口统计学､临床变量以及放射学报告代码作为输入变量,然后以经柏林定义诊断为ARDS为输出变量构建XGBoost模型｡该模型随机选择了MIMIC‐Ⅲ数据集中90%的数据作为训练集､验证集并进行了10次交叉验证,发现其预测ARDS发病前0､12､24和48h窗口时的AUC值分别为0.905,0.827,0.810和0.790,灵敏度分别为0.806,0.789,0.818和0.667,特异度分别为0.823,0.828,0.683和0.852,均显示了较好的预测准确性｡该模型是基于大数据调查构建,结果具有一定的推广性,未来可在不同的数据库中进一步前瞻性地验证该模型的适用性和预测性能｡

4.2.2COVID‐19病人ARDS预测模型

2021年,Singhal等[43]采用回顾性研究方法,调查了Cerner真实世界数据(real‐worlddata,RWD)数据库2020年1月—2020年4月新型冠状病毒核酸检测阳性病人中经柏林定义确诊发生ARDS的964例(16.9%)病人,提取了148例病人确诊ARDS前12h内呼吸衰竭的显著特征作为输入变量,构建出2个极端梯度增强(XGBoost)预测模型(分别为6HoursCOVID‐ARDS和12HoursCOVID‐ARDS),并使用Bootstrap方法对模型进行内部验证｡6H模型AUC为0.90,敏感度､特异度和阳性预测值(PPV)分别为0.77,0.86和0.54｡12H模型AUC为0.89,敏感度､特异度和PPV分别为0.77,0.85和0.53｡同时Singhal等选择埃默里医疗保健中心(EmoryHealthcare)､田纳西大学健康科学中心和卫理公会LeBonheur(UTHSC‐MLH)数据库中688例发生ARDS的COVID‐19病人对模型进行了外部验证｡在验证组数据集Emory和UTHSC‐MLH中,6H和12H模型的AUC分别为0.82和0.89,PPV分别为0.59和0.48｡该研究充分收集了临床数据,并对模型的效能进行了内部及外部的评价和验证,使模型的临床指导意义加强,可以作为COVID‐19病人个体化的ARDS预测工具,以指导重症COVID‐19和ARDS治疗的临床决策,未来还需要在不同的数据库中进一步验证该模型的适用性和预测性能｡

4.3基于人工神经网络模型

2019年,Fei等[44]报道了一项应用循环神经网络的反向传播算法(backpropagation,BP)构建重症急性胰腺炎病人ARDS预测模型的研究｡研究收集了作者单位外科重症监护室病案系统数据库中217例胰腺炎病人入住ICU时的临床数据,从中提取了年龄､性别､BMI､白细胞计数､空腹血糖､血清钙浓度､血清淀粉酶､温度､乳酸脱氢酶､血清白蛋白､C反应蛋白､血氧饱和度和胰腺坏死率13个预测特征作为输入变量,然后以柏林定义确诊为ARDS为输出变量构建BP神经网络模型｡其中胰腺坏死率､乳酸脱氢酶､血氧饱和度是模型中最重要的3个变量｡该模型按70%､15%和15%比例分为训练集､验证集和测试集并进行了5次交叉验证,发现其AUC为0.859±0.048[95%CI(0.796,0.947)],灵敏度为87.5%,特异度为83.3%,准确率为84.4%,预测准确性较高｡研究还发现,与Logistic回归方法建模的预测结果进行比对,BP神经网络模型构建预测模型所得预测结果更优｡BP神经网络模型由输入层､隐藏层和输出层3层组成,输入层和输出层分别控制神经元的输入和输出,而隐藏层的作用是用训练数据优化试错过程中的神经元数量,以提高模型的准确性｡该研究采用神经网络算法构建预测模型,为ARDS风险预测模型提供了新思路,且评估资料客观､方便获取｡但构建此类模型需要以相当数量的样本真实数据作支撑,该研究样本量以及提取的疾病特征数量过少,这可能影响预测模型的可靠性｡且该模型没有进行外部的验证,其临床适用性如何,有待进一步研究｡

5、ARDS风险预测模型的比较分析

ARDS的概念是在1967年被Ashbaugh等[45]首次描述,然而至今为止ARDS仍缺乏有效的确诊及治疗手段,因此早期预防十分重要｡国外ARDS风险预测工具研究最早开始18世纪70年代初,美国对于此类评估模型的研制处于国际领先地位,而国内最早是从1993年吴恒义等[46]开发了一个简便ARDS发生率计算公式从而拉开帷幕,但近几年发展缓慢｡新型冠状病毒感染疫情暴发,让更多学者再次将注意力放在了ARDS预防上,传统的预测工具逐渐被取代,更多智能､科学､有效的风险预测模型得到开发｡早前的风险评估模型的研究对象包括了除ARDS以外的其他急性肺损伤人群,且多限于ICU或急诊病人,建模方法单一,且模型适用范围较为广泛,缺乏疾病针对性｡相比而言,近几年开发的模型(2018—2021年),疾病类型更具针对性,模型开发方式更具多样化,但基于研究设计,除了Ding等[27]开发的随机森林ARDS风险预测模型的研究采用了前瞻性研究,其他研究均是回顾性研究｡在本研究介绍的模型中,只有Kor等[31,37]SLIP风险评估和荆晨晨等[38]的ICU病人ARDS风险预测模型明确了ARDS风险分层,但未针对性地提出了各个风险分层的预防策略｡除Fremont等[40]ICU创伤病人ALI/ARDS风险预测模型以外,其他模型均进行了内部或外部的验证｡对于模型预测指标收集情况,仅Ding等[27,41‐43]的研究连续监测了生理生化指标,在连续监测结果的基础上提取了最小值､最大值､平均值等特征,其他模型均没有关注时间序列特征的数据在预测ARDS事件中的动态预测作用,而很多研究均证明,具有特异性的生理生化结果异常对于提示病人发生ARDS有重大作用,是预测发生ARDS的重要指标,然而连续性指标的收集将增加临床医护人员的工作量,可能将影响模型在临床上使用的依从性｡

6、小结

随着ARDS预测模型研究的逐步深入,国内外学者已经构建出预测性能较好､适用性较强的预测模型,能有效帮助医护人员早期识别ARDS的高危人群｡一个成熟的模型须具备有效性和可行性两项性能,在临床实践中,医护人员还需根据病人的临床实际情况选择合适的预测模型｡目前,国内护理人员对ARDS的预防认知不足,ARDS的风险预测模型仍未应用到日常护理工作流程中｡因此,了解ARDS的预测模型,能够提高护理人员对ARDS防治的认知水平,进而指导临床实践,改善病人的临床结局｡此外,结合信息技术构建智能化ARDS线上风险计算平台,实现预测模型的网络化,以期为临床医护人员提供便捷､实时､智能的ARDS风险预测工具,有助于医护人员更好地做出临床决策,提高病人的生存率及改善疾病预后｡

参考文献:

[17]韩红,刘张波,何传梅,等.老年呼吸窘迫综合征患者相关急性肾损伤危险因素分析[J].中华老年医学杂志,2021,40(10):1280‐1285.

[18]黄絮,吴大玮,卢海宁,等.老年急性呼吸窘迫综合征患者的预后及影响因素分析[J].中华结核和呼吸杂志,2021,44(5):427‐434.

[19]王唯依.休克期末胸腔内血容量预测严重烧伤回吸收期ARDS发生的回顾性研究[D].重庆:中国人民解放军陆军军医大学,2019.

[38]荆晨晨,孙淑青,秦德春.急性呼吸窘迫综合征患者早期风险预测模型的建立[J].中华护理杂志,2020,55(9):1285‐1291.

[39]任海涛,陈华清,韩春茂.危重烧伤患者发生急性呼吸窘迫综合征预测模型的建立及其预测价值分析[J].中华烧伤杂志,2021,37(4):333‐339.

基金资助:湖南省自然科学基金项目,编号:2024JJ9243;2025JJ80831;湖南省中医药科研课题,编号:B2024109;

文章来源:彭思意,魏涛,胡美华,等.急性呼吸窘迫综合征风险预测模型的研究进展[J].全科护理,2025,23(09):1619-1624.