COVID-19急性低氧性呼吸衰竭清醒俯卧位早期插管预测模型：一项多中心前瞻性研究

《Annals of Intensive Care》：A predictive model for early intubation in patients with COVID–19–induced acute hypoxemic respiratory failure under awake prone position

本研究针对COVID-19相关急性低氧性呼吸衰竭(ARF)患者接受清醒俯卧位(APP)和高流量鼻导管氧疗(HFNO)后仍存在较高插管风险的问题，开发了一种基于24小时生理参数变化的早期预测模型。研究通过多变量逻辑回归分析确定了年龄、呼吸频率、PaO2、FiO2和SaO2/FiO2五个关键预测因子，构建的诺莫图可有效识别72小时内需气管插管的高危患者（AUC=0.78），为临床个体化治疗决策提供重要工具。

　　

当COVID-19疫情席卷全球时，重症监护病房(ICU)面临着一个严峻挑战：大量患者出现急性低氧性呼吸衰竭(ARF)，其中相当一部分患者最终需要接受有创机械通气(IMV)。然而，令人担忧的是，接受有创机械通气的患者死亡率超过40%，这一数字迫使临床医生寻找避免插管的替代策略。正是在这样的背景下，清醒俯卧位(APP)作为一种非侵入性呼吸支持策略应运而生，它通过改善氧合和减少肺不张，为患者避免有创机械通气提供了新的希望。

尽管随机对照试验证实清醒俯卧位能够降低插管风险和死亡率，但现实中仍有约34%接受该治疗的患者最终需要气管插管，而这部分患者的死亡率依然居高不下。更棘手的是，关于插管时机选择的争论始终存在——早期插管是否真的优于延迟插管？一些观察性研究提示延迟插管与不良预后相关，但最近的靶向试验模拟研究却对这一因果关系提出了质疑。在这种复杂的临床决策背景下，如何准确识别那些尽管接受了清醒俯卧位治疗但仍可能病情恶化需要插管的患者，成为临床实践中的关键问题。

为了解决这一难题，由Luis Morales-Quinteros领导的研究团队在《Annals of Intensive Care》上发表了一项重要研究，他们开发了一个预测模型，旨在在清醒俯卧位开始后24小时内识别出那些可能在72小时内需要气管插管的高危患者。这项研究不仅具有重要的临床意义，还为个体化治疗决策提供了科学依据。

研究人员采用了严谨的统计方法，他们对来自阿根廷六家ICU的前瞻性多中心队列数据进行了二次分析。研究纳入了2020年6月至2021年1月期间收治的400例COVID-19相关急性低氧性呼吸衰竭患者，所有患者均接受了高流量鼻导管氧疗和至少每天6小时的清醒俯卧位治疗。研究团队收集了患者入ICU时（基线）和清醒俯卧位开始后24小时的生理参数，包括年龄、呼吸频率、动脉氧分压(PaO₂)、吸入氧浓度(FiO₂)和动脉血氧饱和度/吸入氧浓度比值(SaO₂/FiO₂)等。通过多变量逻辑回归分析，他们构建了预测模型，并采用bootstrap法进行内部验证，最终开发了便于临床使用的诺莫图。

研究结果显示，在400例患者中，136例(34%)在72小时内需要气管插管。与未插管组相比，插管组患者年龄更大（61.5岁 vs 53.4岁），且在清醒俯卧位开始后24小时表现出更差的氧合状态：PaO₂更低（87mmHg vs 104mmHg），PaO₂/FiO₂比值更低（126 vs 168），SaO₂/FiO₂比值更低（143 vs 161），同时需要更高的FiO₂（0.72 vs 0.63）。多变量分析确定了五个独立预测因子：年龄（OR=1.05/年）、呼吸频率（OR=1.08/次/分）、PaO₂（OR=0.98/mmHg）、FiO₂（OR=10.2）和SaO₂/FiO₂（OR=1.02/单位）。基于这些因子构建的预测模型表现出良好的判别能力（AUC=0.78）。

研究人员还观察到一些有趣的临床现象。插管组患者从ICU入院到首次清醒俯卧位的时间更长（6小时 vs 2小时），而总的俯卧位天数更短（3天 vs 5天）。在预后方面，至第28天时，插管患者的死亡率显著高于非插管患者（31.8% vs 1.0%），这一发现进一步强调了避免插管的重要性。

在讨论部分，作者指出，虽然COVID-19相关的急性呼吸衰竭与其他病因引起的呼吸衰竭有诸多相似之处，但其独特的病理生理特点——如早期氧合与呼吸力学的分离以及频繁的血管受累——使得针对这一特定人群的风险评估工具显得尤为重要。该预测模型的价值在于它将基线严重程度与早期治疗反应相结合，从而能够更准确地识别出那些可能从清醒俯卧位治疗中获益有限的患者。

研究的创新性在于它首次提供了基于早期治疗反应的量化工具来预测清醒俯卧位患者的插管风险。与单独评估单个参数相比，该模型通过整合多个维度的呼吸功能信息，提供了更全面的风险评估。例如，临床医生可以使用文中提供的诺莫图，根据患者的具体参数计算总分，进而估计个体化的插管风险，为治疗决策提供客观依据。

然而，作者也坦诚地指出了研究的局限性。尽管该模型在内部验证中表现良好，但尚未在外部队列中进行验证，特别是在非COVID-19引起的急性呼吸衰竭患者中。此外，模型未包含某些可能影响临床决策的因素，如呼吸肌疲劳体征、衰弱程度或临床医生的综合判断等。这些因素在未来的研究中值得进一步探索。

从临床实践的角度来看，这项研究为重症医学领域提供了重要的工具。在资源有限的情况下，能够早期识别出高危患者，使得临床医生可以更加精准地分配医疗资源，及时调整治疗方案，避免因延迟插管可能带来的不良后果。同时，该模型也有助于标准化不同医疗机构之间的决策流程，减少实践中的变异性。

这项研究的深远意义在于它为个体化医疗在危重症领域的应用提供了范例。在传统的一刀切治疗模式逐渐被摒弃的今天，基于患者特定特征和治疗反应的预测模型将成为未来重症医学发展的重要方向。随着人工智能和机器学习技术的进步，我们有理由相信，类似的研究将越来越多地出现在危重症患者的诊疗决策中。

Morales-Quinteros等人的研究为我们提供了宝贵的见解：在COVID-19相关急性呼吸衰竭的管理中，早期识别高危患者至关重要，而基于治疗反应的预测模型可以成为临床决策的有力工具。虽然该模型仍需在更广泛的人群中进行验证，但它无疑为改善患者预后、优化医疗资源使用迈出了重要的一步。未来研究应当着重于将此类预测工具整合到临床工作流程中，并探索其在其他原因引起的急性呼吸衰竭中的应用价值。