劉 陽(yáng)，魏路清，李國(guó)強(qiáng)，于 鑫，李國(guó)峰

目前循證醫(yī)學(xué)證據(jù)表明，在呼吸機(jī)撤離前進(jìn)行30～120 min的自主呼吸試驗(yàn)(SBT)是預(yù)測(cè)綜合ICU患者是否能夠成功拔除氣管插管(簡(jiǎn)稱(chēng)拔管)的最好方式；對(duì)于SBT成功的患者通常建議拔管[1-2]。但是，即使SBT成功的患者也存在12%～25%的拔管失敗率[2-5]。無(wú)論延遲拔管還是拔管失敗均顯著增加患者病死率[6]。因此選擇準(zhǔn)確性較高的拔管預(yù)測(cè)指標(biāo)一直是ICU醫(yī)師研究的焦點(diǎn)所在。多數(shù)預(yù)測(cè)指標(biāo)只反映瞬間的狀態(tài)，而拔管失敗的患者在SBT過(guò)程中表現(xiàn)出的是多種生理學(xué)指標(biāo)的動(dòng)態(tài)變化[1，7]。因此單一的、單點(diǎn)的呼吸生理學(xué)參數(shù)測(cè)量，如呼吸淺快指數(shù)(RSBI)，常不能反映動(dòng)態(tài)的、多種生理學(xué)指標(biāo)異常的過(guò)程，預(yù)測(cè)準(zhǔn)確性較低。筆者曾在小樣本的研究中證實(shí)，對(duì)于呼吸ICU的老年機(jī)械通氣患者，使用決策樹(shù)技術(shù)，將多種呼吸生理學(xué)參數(shù)進(jìn)行整合，形成數(shù)學(xué)模型可提高對(duì)拔管結(jié)果預(yù)測(cè)的準(zhǔn)確性[8]。因此本研究旨在進(jìn)一步證實(shí)由決策樹(shù)技術(shù)形成的數(shù)學(xué)模型對(duì)于綜合ICU成人機(jī)械通氣患者拔管結(jié)果的預(yù)測(cè)價(jià)值。

1 資料與方法

1.1 研究對(duì)象 選取2008年12月—2012年12月武警后勤學(xué)院附屬醫(yī)院綜合ICU收治的氣管插管機(jī)械通氣時(shí)間超過(guò)48 h的患者571例，其均使用具有自動(dòng)管道補(bǔ)償(ATC)功能的呼吸機(jī)。本研究經(jīng)本院倫理委員會(huì)同意。

1.2 方法 呼吸機(jī)采用Evita-4或Evita-XL型(Draeger，Lubeck，Germany)，患者在進(jìn)行SBT前均使用壓力支持模式通氣，外源性呼吸末正壓(PEEPe)=5 cm H2O(1 cm H2O=0.098 kPa)。若患者符合2007版撤機(jī)指南中規(guī)定的撤機(jī)程序準(zhǔn)入標(biāo)準(zhǔn)[2]，立即進(jìn)入60 min ATC模式下的SBT。如果患者耐受SBT，由主治醫(yī)生評(píng)估患者的氣道保護(hù)能力和咳痰能力后，做出是否拔管的決定。如果患者在SBT試驗(yàn)中的任何時(shí)間出現(xiàn)不耐受[2]，則立即停止試驗(yàn)，給予非疲勞性通氣支持。關(guān)于是否耐受SBT完全由患者的主治醫(yī)生獨(dú)立決定，主治醫(yī)生對(duì)該試驗(yàn)的設(shè)計(jì)目的和試驗(yàn)數(shù)據(jù)完全不知情。

1.3 SBT結(jié)果的判定 將不能耐受SBT，在60 min內(nèi)重新給予通氣支持的患者定義為SBT失敗，不進(jìn)入最后的數(shù)據(jù)分析。將SBT成功的患者又分別納入拔管成功(ES)組和拔管失敗(EF)組。ES是指SBT成功，且拔管后能夠在無(wú)任何通氣支持的條件下維持自主呼吸超過(guò)48 h。EF是指SBT成功，拔管后48 h內(nèi)，需要重新氣管插管或需要使用無(wú)創(chuàng)機(jī)械通氣。

1.4 觀察指標(biāo) (1)一般資料：記錄患者心率、平均動(dòng)脈壓、急性生理和慢性健康狀況評(píng)分Ⅱ(APACHE Ⅱ)、機(jī)械通氣時(shí)間等；(2)生理學(xué)參數(shù)：在SBT開(kāi)始后1、30、60 min測(cè)量患者呼吸淺快指數(shù)(RSBI)、分鐘通氣量(VE)、口腔阻斷壓(P0.1)、P0.1×RSBI和SBT 30 min時(shí)RSBI變化率(ΔRSBI30)。RSBI=f(呼吸頻率，次/min)/VT(潮氣量，L)。ΔRSBI30= RSBI30/RSBI1×100%(RSBI30=SBT開(kāi)始后30 min時(shí)測(cè)得的RSBI，RSBI1=SBT開(kāi)始后1 min時(shí)測(cè)得的RSBI)。將RSBI≤105 次· min-1· L-1作為預(yù)測(cè)ES的臨界值[8]。

2 結(jié)果

2.1 兩組一般資料比較 共納入451例患者，其中ES組376例，EF組75例。兩組患者年齡、平均動(dòng)脈壓、APACHE Ⅱ評(píng)分比較，差異均無(wú)統(tǒng)計(jì)學(xué)意義(P>0.05)。ES組心率、機(jī)械通氣時(shí)間低于EF組，差異均有統(tǒng)計(jì)學(xué)意義(P<0.05，見(jiàn)表1)。

表1 兩組患者臨床資料比較

注：APACHE Ⅱ=急性生理和慢性健康狀況評(píng)分Ⅱ

2.2 兩組生理學(xué)參數(shù)比較 組間比較顯示，SBT開(kāi)始后1、30、60 min ES組RSBI、P0.1、P0.1×RSBI均低于EF組，差異有統(tǒng)計(jì)學(xué)意義(P<0.001)；SBT開(kāi)始后1、30、60 min兩組VE比較，差異無(wú)統(tǒng)計(jì)學(xué)意義(P>0.05)。組內(nèi)比較顯示：ES組RSBI、P0.1×RSBI在SBT開(kāi)始后30、60 min均低于SBT開(kāi)始后1 min，VE、P0.1在SBT開(kāi)始后30、60 min均高于SBT開(kāi)始后1 min，差異有統(tǒng)計(jì)學(xué)意義(P<0.05)；EF組RSBI、VE、P0.1、P0.1×RSBI在SBT開(kāi)始后30、60 min均高于SBT開(kāi)始后1 min，差異有統(tǒng)計(jì)學(xué)意義(P<0.05，見(jiàn)表2)。ES組ΔRSBI30為(98±36)%，EF組為(130±63)%，ES組ΔRSBI30低于EF組，差異有統(tǒng)計(jì)學(xué)意義(t=-6.200，P<0.001)。

2.3 各生理學(xué)參數(shù)預(yù)測(cè)ES的價(jià)值 各生理學(xué)參數(shù)預(yù)測(cè)ES準(zhǔn)確性比較，差異有統(tǒng)計(jì)學(xué)意義(χ2=53.4，P<0.05)。P0.1×RSBI和ΔRSBI30預(yù)測(cè)RS的ROC曲線見(jiàn)圖1。以P0.1×RSBI30≤384(cm H2O·次·min-1· L-1)預(yù)測(cè)ES的AUC為(0.87±0.03)，與AUC=0.5比較，差異有統(tǒng)計(jì)學(xué)意義(z=13.8，P<0.001，見(jiàn)表3)。

注：▲為界值點(diǎn)

圖1 P0.1×RSBI和ΔRSBI預(yù)測(cè)ES的ROC曲線

Figure1 ROC curve of P0.1×RSBI and ΔRSBI for predicting of ES

表2 兩組患者生理學(xué)參數(shù)比較

注：與ES組比較，*P<0.05；與SBT開(kāi)始后1 min比較，△P<0.05；RSBI=呼吸淺快指數(shù)，VE=分鐘通氣量，P0.1=口腔阻斷壓

表3 各生理學(xué)參數(shù)預(yù)測(cè)ES的價(jià)值

注：與AUC=0.5比較，*P<0.001；SE=標(biāo)準(zhǔn)誤

2.4 決策樹(shù)模型 CRT分析選擇P0.1×RSBI30、ΔRSBI30作為解釋變量對(duì)患者進(jìn)行分類(lèi)，決策樹(shù)的目標(biāo)變量為ES。CRT選擇可以導(dǎo)致兩個(gè)分割后的子節(jié)點(diǎn)不純性最低的分割變量數(shù)值作為該節(jié)點(diǎn)的最終分割變量，P0.1×RSBI30界值點(diǎn)為388 cm H2O· 次· min-1· L-1，ΔRSBI30界值點(diǎn)為100%，最終分割為精確、類(lèi)似同質(zhì)的子集合(見(jiàn)圖2)。如果P0.1×RSBI30>388 cm H2O· 次· min-1· L-1且ΔRSBI30>100%，則該分類(lèi)中只包括EF患者，無(wú)ES患者；如果P0.1×RSBI30>388 cm H2O· 次· min-1· L-1且ΔRSBI30≤100%，則該分類(lèi)中97.8%(45/46)為ES患者，2.2%(1/46)為EF患者。決策樹(shù)模型預(yù)測(cè)ES的靈敏度為100.0%，特異度為81.3%，陽(yáng)性預(yù)測(cè)值為96.4%，陰性預(yù)測(cè)值為100.0%，準(zhǔn)確性為96.8%，AUC為(0.91±0.02)，與AUC為0.5比較，差異有統(tǒng)計(jì)學(xué)意義〔95%CI(0.88，0.93)，z=17.96，P<0.001〕。決策樹(shù)模型預(yù)測(cè)ES的AUC和準(zhǔn)確性均高于P0.1×RSBI30，差異有統(tǒng)計(jì)學(xué)意義(z=2.168，P=0.047；χ2=29.2，P<0.001)。

圖2 判斷ES的決策樹(shù)模型

3 討論

撤機(jī)是機(jī)械通氣管理中至關(guān)重要的環(huán)節(jié)，占用了大量的臨床資源。一般認(rèn)為，撤機(jī)是指兩個(gè)分開(kāi)但又密切相關(guān)的過(guò)程，即SBT和拔管[6]。因此，SBT失敗或SBT成功但是拔管失敗均稱(chēng)為撤機(jī)失敗。Epstein[13]認(rèn)為預(yù)測(cè)拔管結(jié)果的臨床意義較大，主要是由于SBT較易在床旁實(shí)施，而且相對(duì)安全，沒(méi)有證據(jù)表明SBT失敗會(huì)導(dǎo)致患者預(yù)后不良[6]；然而拔管失敗的患者病死率、ICU住院時(shí)間、機(jī)械通氣時(shí)間均較成功者顯著升高[2，14]。因此，本研究主要探討SBT成功患者拔管后的結(jié)果。

RSBI、P0.1和相關(guān)衍生參數(shù)是普遍得到認(rèn)可的預(yù)測(cè)拔管結(jié)果的指標(biāo)[15]。RSBI最早由Yang等[16]在1991年提出，并肯定了其對(duì)拔管結(jié)果的預(yù)測(cè)價(jià)值。RSBI反映了拔管失敗患者常見(jiàn)的呼吸淺快的呼吸模式，但其預(yù)測(cè)ES的缺陷在于靈敏度較高，特異度相對(duì)不足，具有較高的假陽(yáng)性率和較低的陽(yáng)性預(yù)測(cè)值。本研究以RSBI1≤105 次· min-1· L-1預(yù)測(cè)ES，結(jié)果顯示，陽(yáng)性預(yù)測(cè)值為86.4%，陰性預(yù)測(cè)值為26.5%，表示RSBI1>105 次· min-1· L-1預(yù)測(cè)會(huì)失敗的患者中，實(shí)際上有73.5%的ES患者，因此將其應(yīng)用至臨床將導(dǎo)致嚴(yán)重的延遲拔管[17]。有研究認(rèn)為，1 min不足以使EF患者的呼吸驅(qū)動(dòng)發(fā)生改變，不能反映呼吸功、RSBI的真實(shí)情況。提示參數(shù)的測(cè)量應(yīng)在SBT開(kāi)始后30 min或者之后[7，15，18]。本研究結(jié)果顯示，以ΔRSBI30≤105%預(yù)測(cè)ES，靈敏度為88.0%，特異度為61.3%，陽(yáng)性預(yù)測(cè)值為91.9%，陰性預(yù)測(cè)值為50.5%，準(zhǔn)確性為83.6%，AUC為0.82，與Segal等[19]研究結(jié)果基本一致。但是較低的陰性預(yù)測(cè)值仍是限制RSBI應(yīng)用于臨床預(yù)測(cè)的直接障礙。

P0.1是指在功能殘氣位關(guān)閉氣道并測(cè)定吸氣啟動(dòng)后0.1 s時(shí)的氣道內(nèi)壓力值，可較為客觀地反映中樞驅(qū)動(dòng)水平。EF患者在SBT過(guò)程中常發(fā)生進(jìn)行性的呼吸負(fù)荷加重，而ES患者的呼吸負(fù)荷在SBT過(guò)程中是穩(wěn)定的。P0.1與呼吸負(fù)荷或呼吸功具有良好的相關(guān)性，使P0.1成為理想的預(yù)測(cè)拔管結(jié)果參數(shù)[20]。近年來(lái)，較多學(xué)者利用P0.1×RSBI預(yù)測(cè)拔管結(jié)果，取得了較好的效果。本研究以P0.1×RSBI30≤384 cm H2O· 次· min-1· L-1預(yù)測(cè)ES，結(jié)果顯示，靈敏度為88.0%，特異度為82.7%，陽(yáng)性預(yù)測(cè)值為96.2%，陰性預(yù)測(cè)值為57.9%，準(zhǔn)確性為87.1%，AUC為0.87，與Nemer等[21]研究結(jié)果基本一致。表明P0.1×RSBI30≤384 cm H2O·次·min-1· L-1預(yù)測(cè)ES準(zhǔn)確性較高，但陰性預(yù)測(cè)值仍較低，依然會(huì)導(dǎo)致患者延遲拔管。

基于單點(diǎn)測(cè)量的呼吸生理學(xué)參數(shù)(包括不同時(shí)間點(diǎn)的P0.1×RSBI、RSBI以及能反映動(dòng)態(tài)生理學(xué)變化的ΔRSBI30)均不能理想的預(yù)測(cè)拔管結(jié)果。因此，如何將多種參數(shù)的信息有效整合，形成具有臨床可操作性的邏輯流程將是研究的重點(diǎn)。本研究選擇CRT法建立決策樹(shù)，CRT法可處理大量的變量，不受變量類(lèi)型和分布的影響，且比其他建模方式(如邏輯回歸)更有效地發(fā)現(xiàn)變量間的交互作用；同時(shí)CRT模型的預(yù)測(cè)準(zhǔn)確度與邏輯回歸比較無(wú)差異[22-24]。更為重要的是，CRT的樹(shù)形結(jié)構(gòu)易于理解，可以較快的轉(zhuǎn)化為臨床實(shí)踐的工具[23]。

本研究將決策樹(shù)模型應(yīng)用到綜合ICU的全部成人患者，結(jié)果顯示，P0.1×RSBI30、ΔRSBI30作為解釋變量，對(duì)患者進(jìn)行了精確地區(qū)分。在此模型中，ΔRSBI30對(duì)P0.1×RSBI30進(jìn)行了有益的補(bǔ)充。當(dāng)P0.1×RSBI30≤388 cm H2O·次·min-1· L-1，ΔRSBI30沒(méi)有被CRT選擇；表明針對(duì)不同組別的患者應(yīng)該選擇不同的參數(shù)。這正是決策樹(shù)的優(yōu)勢(shì)所在，“個(gè)性化”地預(yù)測(cè)拔管結(jié)果使得決策樹(shù)的準(zhǔn)確率顯著高于單一的參數(shù)。決策樹(shù)模型預(yù)測(cè)ES不僅靈敏度、特異度較高，而且陰性預(yù)測(cè)值為100.0%，準(zhǔn)確性為96.8%，克服了單一參數(shù)預(yù)測(cè)造成的延遲拔管的弊端。

綜上所述，采用決策樹(shù)模型預(yù)測(cè)拔管結(jié)果，可以將動(dòng)態(tài)、靜態(tài)參數(shù)信息有效整合，相比單一參數(shù)不僅具有較高的準(zhǔn)確性，而且不會(huì)導(dǎo)致延遲拔管，具有臨床可操作性，值得推廣。但本研究是單中心研究，結(jié)果是否可應(yīng)用于其他人群、是否有較強(qiáng)的可擴(kuò)展性，還需進(jìn)一步行大樣本、多中心的研究進(jìn)行外部驗(yàn)證。

來(lái)自本文更多的信息：

決策樹(shù)采用“完全生長(zhǎng)”，事后修剪(Postpruning)模式。本研究決策樹(shù)的生成采用CRT(classification and regression tree model)算法，其是一種完全的二叉樹(shù)型非參數(shù)方法，即在整體樣本數(shù)據(jù)(根節(jié)點(diǎn))的基礎(chǔ)上，進(jìn)行二分類(lèi)節(jié)點(diǎn)劃分，在樹(shù)的不同深度、不同節(jié)點(diǎn)，通過(guò)選擇分割變量(如本研究中的P0.1×RSBI30、ΔRSBI30)將數(shù)據(jù)逐漸分割為精確、類(lèi)似同質(zhì)的子集合。

所有兩組間(如本研究中的ES和EF組)差異有統(tǒng)計(jì)學(xué)意義的變量均進(jìn)入CRT模型，成為潛在的分割變量。在決策樹(shù)的每個(gè)節(jié)點(diǎn)，為了找到最佳分割變量，CRT算法嘗試所有的潛在分割變量及其每個(gè)界值點(diǎn)。CRT在某一個(gè)節(jié)點(diǎn)選擇最終分割變量的依據(jù)是：選擇可以導(dǎo)致兩個(gè)分割后的子節(jié)點(diǎn)不純性最低的分割變量以及其對(duì)應(yīng)的數(shù)值，作為該節(jié)點(diǎn)的最終分割變量。兩個(gè)分割后的子節(jié)點(diǎn)不純性可以使用Gini Index量化。對(duì)于二值分類(lèi)變量(如本研究中患者可分為ES和EF兩個(gè)類(lèi)別)，在節(jié)點(diǎn)t的Gini index可以表示為G(t)=1-p(t)2-〔1-p(t)〕2,其中p(t)代表在節(jié)點(diǎn)t第一分類(lèi)(class 1，本研究中為ES)的頻率。>

1 Thille AW，Cortés-Puch I，Esteban A.Weaning from the ventilator and extubation in ICU[J].Curr Opin Crit Care，2013，19(1)：57-64.

2 Boles JM，Bion J，Connors A，et al.Weaning from mechanical ventilation[J].Eur Respir J，2007，29(5)：1033-1056.

3 Esteban A，Alía I，Tobin MJ，et al.Effect of spontaneous breathing trial duration on outcome of attempts to discontinue mechanical ventilation.Spanish Lung Failure Collaborative Group[J].Am J Respir Crit Care Med，1999，159(2)：512-518.

4 Uusaro A，Chittock DR，Russell JA，et al.Stress test and gastric-arterial PCO2measurement improve prediction of successful extubation[J].Crit Care Med，2000，28(7)：2313-2319.

5 Perren A，Previsdomini M，Llamas M，et al.Patients′ prediction of extubation success[J].Intensive Care Med，2010，36(12)：2045-2052.

6 Macintyre NR.Evidence-based assessments in the ventilator discontinuation process[J].Respir Care，2012，57(10)：1611-1618.

7 Jubran A，Grant BJ，Laghi F，et al.Weaning prediction：esophageal pressure monitoring complements readiness testing[J].Am J Respir Crit Care Med，2005，171(11)：1252-1259.

8 Liu Y，Wei LQ，Li GQ，et al.A decision-tree model for predicting extubation outcome in elderly patients after a successful spontaneous breathing trial[J].Anesth Analg，2010，111(5)：1211-1218.

9 DeLong ER，DeLong DM，Clarke-Pearson DL.Comparing the areas under two or more correlated receiver operating characteristic curves：a nonparametric approach[J].Biometrics，1988，44(3)：837-845.

10 Bewick V，Cheek L，Ball J.Statistics review 13：receiver operating characteristic curves[J].Crit Care， 2004，8(6)：508-512.

11 Molinaro AM，Simon R，Pfeiffer RM.Prediction error estimation：a comparison of resampling methods[J].Bioinformatics，2005，21(15)：3301-3307.

12 Goto Y，Maeda T，Goto Y.Decision-tree model for predicting outcomes after out-of-hospital cardiac arrest in the emergency department[J].Crit Care，2013，17(4)：R133.

13 Epstein SK.Weaning from ventilatory support[J].Curr Opin Crit Care，2009，15(1)：36-43.

14 Thille AW，Harrois A，Schortgen F，et al.Outcomes of extubation failure in medical intensive care unit patients[J].Crit Care Med，2011，39(12)：2612-2618.

15 BouAkl I，Bou-Khalil P，Kanazi G，et al.Weaning from mechanical ventilation[J].Curr Opin Anaesthesiol， 2012，25(1)：42-47.

16 Yang KL，Tobin MJ.A prospective study of indexes predicting the outcome of trials of weaning from mechanical ventilation[J].N Engl J Med，1991，324(21)：1445-1450.

17 Chastre J，F(xiàn)agon JY.Ventilator-associated pneumonia[J].Am J Respir Crit Care Med，2002，165(7)：867-903.

18 Chatila W，Jacob B，Guaglionone D，et al.The unassisted respiratory rate-tidal volume ratio accurately predicts weaning outcome[J].Am J Med，1996，101(1)：61-67.

19 Segal LN，Oei E，Oppenheimer BW，et al.Evolution of pattern of breathing during a spontaneous breathing trial predicts successful extubation[J].Intensive Care Med，2010，36(3)：487-495.

20 Nemer SN，Barbas CS.Predictive parameters for weaning from mechanical ventilation[J].J Bras Pneumol， 2011，37(5)：669-679.

21 Nemer SN，Barbas CS，Caldeira JB，et al.A new integrative weaning index of discontinuation from mechanical ventilation[J].Crit Care，2009，13(5)：R152.

22 Yoo W，F(xiàn)erence BA，Cote ML，et al.A comparison of logistic regression，logic regression，classification tree，and random forests to ldentify effective gene-gene and gene-environmental interactions[J].Int J Appl Sci Technol，2012，2(7)：268.

23 Adams ST，Leveson SH.Clinical prediction rules[J].BMJ，2012，344：d8312.

24 Brown LM，Calfee CS，Matthay MA，et al.A simple classification model for hospital mortality in patients with acute lung injury managed with lung protective ventilation[J].Crit Care Med，2011，39(12)：2645-2651.