体外心肺复苏(ExtracorporealCardiopulmonaryResuscitation,ECPR)是一种通过动静脉体外膜肺氧合(ExtracorporealMembraneOxygenation,ECMO)支持技术来救治心脏骤停患者的高级支持方法[1]｡相较于传统心肺复苏,ECPR更能提高患者的生存率和预后[2]｡但ECPR的救治成功率低,据体外生命支持组织登记网站公布的近5年全球ECMO结局总结显示,出院时仍存活的患者仅有32%[3]｡神经系统并发症是ECPR患者住院期间最常见的并发症之一,包括癫痫发作､缺血性卒中､出血性卒中､颅内出血以及脑死亡等[4]｡研究表明,ECPR的存活率和预后与其神经系统并发症有着密切关联[5-6]｡因此,早期识别高危人群并提供针对性干预措施对于ECPR患者住院期间继发神经系统并发症的预防至关重要｡风险预测模型借助危险因素实现个体风险分层和临床结果预测,帮助医护人员识别高危患者并进行早期干预,从而有效改善患者临床结局[7-8]｡目前,国内外学者已针对ECPR患者住院期间继发神经系统并发症风险预测模型进行多项研究｡但现有的研究在质量上存在显著差异,且缺乏对这些研究成果系统的梳理与分析｡因此,本研究旨在系统评价ECPR患者住院期间继发神经系统并发症风险预测模型的偏倚风险和适用性,为医护人员选择或开发合适的预测模型提供循证依据｡

1、资料与方法

1.1问题确立采用Cochrane预后方法学组推荐的PICOTS模式构建循证问题[9]｡目标人群(Population,P)为因心脏骤停接受静脉-动脉体外膜肺氧合(VA-ECMO)技术支持的患者;待评价的预测模型(IndexPredictionModel,I)为神经系统并发症风险预测模型;比较(Compare,C)无;结局指标(Outcome,O)为ECPR患者住院期间继发神经系统并发症的发生率,包括但不限于癫痫发作､缺血性卒中､出血性卒中､颅内出血以及脑死亡等;模型使用时机(Time,T)为住院期间;模型使用环境(Setting,S)包括但不限于医院的重症监护室(ICU)､急诊科或任何提供ECPR服务的临床环境｡

1.2文献纳入和排除标准纳入标准:①研究对象年龄≥18岁;②研究内容为ECPR患者住院期间继发神经系统并发症风险预测模型的构建和(或)验证;③研究类型为横断面研究､病例对照研究或队列研究;④中英文文献｡排除标准:①使用静脉-静脉体外膜肺氧合(VV-ECMO)患者;②无法获取全文;③数据缺失｡

1.3文献检索策略计算机检索中国知网､万方数据知识服务平台､中国生物医学文献数据库､PubMed､WebofScience､Embase､CINAHL､CochraneLibrary,采用主题词与自由词结合,检索时限从建库至2024年4月｡中文检索词为体外心肺复苏体外膜肺氧合,体外生命支持;神经系统并发症,缺血性脑卒中,脑出血;风险预测,风险评估､影响因素､危险因素等｡英文检索词为extracorporealmembraneoxygenation,extracorporealcardiopulmonaryresuscitation;neurologicalfunction,neurologicaldamage,neurologicalcomplications;cerebralhemorrhage,braininjuries,ischemic;riskfactor*,influencefactor*,predictor等｡中文检索式以中国知网为例｡SU=(体外心肺复苏+体外膜肺氧合+体外生命支持+机械循环辅助+ECPR+ECMO+ECLS)ANDSU=(神经系统并发症+神经损伤+缺血性脑卒中+脑出血+颅内出血+癫痫发作+脑损伤)ANDSU=(风险预测+模型+风险评分+风险评估+影响因素+危险因素)｡英文检索式以PubMed为例:#1“ExtracorporealMembraneOxygenation”[Mesh]OR“extracorporealmembraneoxygenation”[AllFields]OR“extracorporealcardiopulmonaryresuscitation”[AllFields]OR“extracorporeallifesupport”[AllFields]OR“mechanicalcirculationassistance”[AllFields]OR“ECMO”[AllFields]OR“ECPR”[AllFields]OR“ECLS”[AllFields];#2“neurologicalfunction”[AllFields]OR“neurologicaldamage”[AllFields]OR“neurologicalcomplications”[AllFields]OR“neurologicaloutcomes”[AllFields]OR“neurologicalinjury”[AllFields];#3“cerebralhemorrhage”[Mesh]OR“braininjuries”[Mesh]OR“ischemicstroke”[Mesh]OR“seizures”[Mesh]OR“intracerebralhemorrhage”[AllFields]OR“acutebraininjury”[AllFields]OR“ischemicstroke”[AllFields]OR“diffuseischemia”[AllFields]OR“seizures”[AllFields]OR“ABI”[AllFields];#4#2OR#3;#5“riskfactor*”[AllFields]OR“influencefactor*”[AllFields]OR“predictor*”[AllFields];#6#1AND#4AND#5｡

1.4文献筛选与资料提取将所检索文献导入EndNote20文献管理软件,由2名接受过循证护理培训的研究者独立根据纳入和排除标准对文献进行筛选,若2名研究者存在分歧,则请循证护理专家进行裁决｡根据预测模型构建研究数据提取和质量评价清单[10]制订标准化表格进行资料提取,包括第一作者,发表时间,国家,研究类型,研究对象,数据来源地点,结局指标,候选变量数量,连续变量处理方法,样本量,结局事件比例,缺失数据处理方法,建模方法,模型受试者操作特征曲线下面积,校准方法,模型验证方法｡

1.5模型质量评价由2名接受过循证护理培训的研究者根据预测模型偏倚风险评估工具[11]独立对纳入研究进行偏倚风险与适用性评估｡从研究对象､预测因素､结局和分析4个领域共包含20个信号问题｡每个问题按照“高”“低”“不清楚”评估｡当所有领域均为“低”,表明研究整体为低风险;若某一领域为“高”,则研究整体为高风险;若某一领域为“不清楚”,而其他领域为“低”时,表明研究整体为“不清楚”｡适用性评估与偏倚风险评估类似[12]｡

2、结果

2.1文献筛选结果初步获得808篇相关文献,其中英文文献597篇,中文文献211篇｡使用EndNote20文献管理软件剔除重复文献248篇;阅读标题与摘要后排除与主题不符文献389篇､研究类型不符文献44篇､研究对象不符文献83篇､重复发表文献5篇;阅读全文后排除仅进行影响因素分析的文献15篇､无法获取全文的文献7篇,最终纳入17篇文献[13-29]｡

2.2纳入文献基本特征纳入的17篇文献发表年份为2011-2024年,其中近5年发表的有11篇[19-29]｡大部分来源于中国[22-23,26,28]､美国[13,15,24,27]和韩国[14,16,18,25],其次是日本[20-21],此外法国[17]､沙特阿拉伯[19]､伊朗[29]各1篇;研究类型主要为回顾性病例对照研究[14-18,19-21,23-29]与回顾性队列研究[13,22]｡纳入文献基本特征见表1｡

2.3模型建立方法本研究最终纳入18个模型,样本量为30~10775例,结局事件发生率为5.8%~87.6%｡建模方法包括logistic回归[14,17-18,20-23,25-26,28-29]､卷积神经网络[15]､Cox比例风险模型[13]､XGBoost算法[16,24]､随机森林算法[19,27]｡5项研究报告了数据缺失及处理,其中3项研究[24,26-27]采用插补法,1项研究[17]直接删除,1项研究[21]采用完整案例分析｡9项研究[15-16,20,22-25,27]基于单因素分析筛选变量｡见表1｡

表1纳入文献基本特征(n=17)

2.4模型性能和预测因子13项研究[15-16,18-25,27-29]报告了受试者操作特征曲线下面积(AreaUndertheCurve,AUC)为0.700~0.945,除1项文献[20]外,其余模型AUC均>0.700｡7项研究分别通过Hosmer-Lemeshow(H-L)拟合优度检验[14,16,18,21]､DeLong检验[25,29]及交叉检验[17]报告了校准度｡4项研究[18,23-24,27]进行了内部验证,包括Boostrap重复抽样和留一法交叉验证(Leave-One-OutCross-Validation,LOOCV)｡仅1项研究[21]进行了内外部验证｡最终模型包含2~20个变量,可分为患者特征､实验室检查､影像学检查､心肺复苏相关信息及ECMO治疗相关指标,包括CPR到ECMO启动时间(LowflowTime,LFT);简化急性生理评分Ⅱ(SimplifiedAcutePhysiologyScoreⅡ,SAPSⅡ);大脑基底节区灰白质比(Gray-WhiteMatterRatioattheBasalGanglia,GWR-BG);灰白质分界线丢失(LossofBoundarybetweenGrayandWhiteMatter,LOB);大脑皮层脑沟消失(SulcalEffacement,SE);视神经鞘直径(OpticNerveSheathDiameter,ONSD);序贯器官衰竭(SequentialOrganFailureAssessment,SOFA)评分;心脏骤停到CPR开始的时间(No-flowTime,NFT);格拉斯哥(GlasgowComaScale,GCS)评分;急性生理和慢性健康(AcutePhysiologyandChronicHealthEvaluationⅣ,APACHEⅣ)评分;平均动脉压(MeanArterialPressure,MAP);离子转移指数(IonShiftIndex,ISI);院外心脏骤停(Out-ofHospitalCardiacArrest,OHCA);丙氨酸转氨酶(AlanineAminotransferase,ALT);脑功能预后量表(CerebralPerformanceCategoriesscale,CPCscale);急性脑损伤(AcuteBrainInjury,ABI)｡模型重复报告的前5位预测因子为年龄(n=7)､ECMO前乳酸水平(n=5)､可电击心律(n=5)､LFT(n=4)､ECMO前的pH值(n=4)｡见表1｡

2.5模型质量评价17项研究[13-29]均表现为高偏倚风险,14项研究[14-15,17-21,23-29]适用性好｡在研究对象领域中,17项研究[13-29]存在高偏倚风险｡预测因子领域中,3项研究[21,26-27]评为高风险;14项研究[13-20,22-25,28-29]无法判断偏倚风险｡结局领域中,17项研究[13-29]在结局评估者实施盲法方面无法判断;此外,2项研究[26-27]对结局的判定方法无法判断偏倚风险｡在分析领域中,17项研究[13-29]偏倚风险均存在高偏倚风险｡在适用性上,3项研究[13,16,22]在研究对象方面适应性较差｡

3、讨论

3.1体外心肺复苏患者住院期间继发神经系统并发症风险预测模型仍处于发展阶段本研究所纳入的17项研究均为高偏倚风险,主要原因在研究对象与分析领域｡①研究对象领域｡本研究所纳入的17项研究均采用回顾性分析,该方法依赖于已有的病例数据,可能导致预测结果与实际情况存在较大差异｡因此未来进行模型构建时,可适当增加前瞻性研究､巢式病例对照研究数据等｡②分析领域｡17项研究[13-29]偏倚风险均为高风险,分析原因为14项研究[13-20,22-25,28-29]中每个变量的事件数(EventsPerVariable,EPV)<20,且后续未对参数进行调整[30];2项研究[17,29]将所有或部分预测因子转为分类变量,可能导致部分偏倚,1项研究[17]直接剔除缺失数据,可能造成结果出现偏差;9项研究[15-17,20,22-25,27]基于单因素分析筛选变量,未考虑多个变量间的相互影响和内在联系;17项研究[13-29]均未提及研究的复杂性的相关问题;14项研究[13,15-16,19-29]未评估校准度或仅使用H-L拟合优度检验校准度;12项研究[13-17,19-20,22,25-26,28-29]未进行内部或外部验证,可能出现模型性能评估上的偏倚｡因此,后续在数据处理和模型评估的技术层面,可引入先进的统计技术和机器学习方法,如随机森林和神经网络等,从而有效处理大规模数据集中的非线性关系和复杂交互作用,同时采用多重插补或填充的方法处理缺失数据,减少过拟合和偏倚的风险｡此外,加强对模型校准度的评估,采用更为先进的统计方法如Brier分数和AUC等,能更全面地评价模型的预测表现｡

3.2体外心肺复苏患者继发神经系统并发症风险预测模型预测因子尚有争议本研究纳入17篇文献,涉及18个神经系统并发症风险预测模型,但未有任意2个模型包含的预测因子完全一致｡Wang等[25]研究最终纳入的预测因子包含了ISI､ALT,与其他研究[13-24,26-29]结果不符,未来应开展多中心､大样本研究进一步确认｡针对乳酸水平,研究中存在关于其测量时间点(如ECMO前､ECMO过程中､ECMO后24h内等)及预测神经系统并发症风险的相关性的明显分歧｡如Omar等[14]强调了ECMO前乳酸水平作为预测因子的重要性,而Laimoud等[19]则考虑了ECMO24h后的乳酸水平｡分析原因可能与乳酸水平作为急性生理应激和组织缺氧的标志物,其在不同时间点的变化能够提供关于患者状况和预后的不同信息有关[31]｡未来的研究可能需要系统地研究乳酸水平的变化与ECPR患者神经系统并发症之间的确切关系,并考虑其他可能影响结局的因素,包括进行长期的前瞻性研究,使用统一的乳酸测量时间点,并探索乳酸水平与其他生理参数(如血压､氧饱和度等)的相互作用,以建立更为精确和可靠的风险评估模型｡重复报告的预测因子为年龄､ECMO前乳酸水平､可电击心律､LFT､ECMO前的pH值､大脑基底节区灰白质比｡这提示护理人员在ECMO治疗前,应密切监测患者的年龄､ECMO前乳酸水平等关键指标,确保在CPR到ECMO启动过程中的时间尽可能缩短,以提高复苏成功率､改善预后效果｡在ECMO启动前后,对pH值进行持续监测和调整,确保患者代谢平衡,减少并发症发生｡定期进行影像学检查,特别注意脑部基底节区的灰白质比变化情况｡通过标准化的护理操作流程,加强早期识别和干预,防止病情恶化｡

3.3体外心肺复苏患者继发神经系统并发症风险预测模型的发展趋势与挑战纳入的研究中,仅3项研究为多中心研究,国内均为单中心､小样本研究,这可能引入了区域偏倚,影响了研究结果的泛化性｡因此,未来研究的推进需要基于更广泛的多中心､大样本研究,以增强研究结果的普适性和应用性｡此外,目前研究多集中在模型的初始构建与验证阶段,而对其在临床环境中的应用效果评估较少｡因此,未来工作应加大力度,在临床应用领域深入探究模型的实用性､可操作性及对临床决策的实际影响｡本研究概括的预测因子覆盖了患者特征､实验室检测､影像学检查､心肺复苏相关信息及ECMO治疗指标等方面｡未来研究应拓展预测因子的维度,融入基因表达､生物标志物､临床干预措施等更多潜在变量,以实现对预测模型准确性和可靠性的进一步优化｡同时,对现有模型进行复杂度的合理调整,旨在精简预测变量组合,减少过拟合现象,确保模型具有良好的泛化能力｡随着人工智能､深度学习技术的快速进展,将这些先进技术应用于风险预测模型能够有效地处理大规模､多维､复杂交互的数据集,从而显著提升模型的效能｡

4、小结

本研究共纳入17项风险预测模型的研究,系统评价了模型的研究对象､预测因子､结局指标和分析方法｡结果显示,现有的体外心肺复苏患者住院期间继发神经系统并发症风险预测模型的偏倚均较高,乳酸水平测量时间存在争议｡9项研究基于单因素分析筛选变量,可能造成预测因子的错误选择,建议未来研究引入更先进的机器学习技术,如随机森林､人工智能等｡此外,仅1项研究进行了外部验证｡未来研究者在构建模型时,应严格遵守《多变量预测模型的个体预后或诊断的透明报告》(TRIPOD)声明,以尽可能避免偏倚,同时在临床实践中深入评估模型的实用性和可操作性,探究其对临床决策的实际影响｡

参考文献:

[2]魏红艳,胡春林,李欣,等.体外心肺复苏对成人心脏骤停患者预后影响的荟萃分析[J].中华急诊医学杂志,

[12]徐菲,李鸿艳,党一凡,等.缺血性脑卒中患者残疾水平预测模型的系统评价[J].护理学杂志,2022,37(21):46-50.

[30]奚婧,孟红燕,施旻昊,等.中国老年人群认知衰弱风险预测模型系统评价[J].护理学杂志,2024,39(2):23-27.

[31]黄振,刘乃嘉.血乳酸联合APACHEⅡ评分预测慢性阻塞性肺疾病急性加重期并呼吸衰竭预后的价值[J].局解手术学杂志,2023,32(9):795-799.

文章来源:唐林霞,周春清,林伊慧,等.体外心肺复苏患者继发神经系统并发症风险预测模型的系统评价[J].护理学杂志,2025,40(05):42-47.