机器学习预测机械通气儿童48小时拔管成功：单中心回顾性队列研究

《Children》：Machine Learning-Based Prediction of 48-Hour Extubation Success in Mechanically Ventilated Children: A Single-Center Retrospective Cohort Study

　　

背景：机械通气儿童拔管就绪评估困难，因持续自主呼吸依赖呼吸、代谢、炎症、神经及心血管因素交互作用。本研究利用常规可用的拔管前数据开发并内部验证机器学习模型以预测48小时拔管成功。方法：2021至2026年共1097例PICU入院中，341例接受有创机械通气儿童构成最终分析队列。主要结局为计划拔管后48小时内存活且未再插管。评估人口学、临床、实验室、血气、疾病严重度及呼吸机变量。采用Logistic回归、随机森林（Random Forest）、梯度提升（Gradient Boosting）与支持向量机（Support Vector Machine），以分层5折交叉验证评价；无监督k-means聚类识别生理表型。结果：298例（87.4%）拔管成功，43例（12.6%）失败。失败关联较高氧合指数（Oxygenation Index, OI）、乳酸、降钙素原（Procalcitonin, PCT）、C反应蛋白（C-reactive Protein, CRP）、PaCO2、pSOFA、PEEP及浅快呼吸指数（Rapid Shallow Breathing Index, RSBI），以及较低动脉pH、碳酸氢根、离子钙、血红蛋白、白蛋白、钠与格拉斯哥昏迷评分（Glasgow Coma Scale, GCS）。随机森林判别力最高，AUC 0.983（95% CI 0.971–0.993），敏感度0.980，特异度0.814，准确度0.959，Brier分数0.032；动脉pH、OI、碳酸氢根、离子钙、PCT、乳酸与PaCO2具最高Gini重要性。聚类得低严重度表型（n=302；成功率97%；死亡率0%）与高严重度表型（n=39；成功率10%；死亡率100%）。结论：多维机器学习模型在内部判别力强劲，临床实施前需前瞻性多中心外部验证。

研究背景与动机

机械通气是儿童急性呼吸衰竭及危重病救命手段，但安全撤机仍具挑战。过早拔管致再插管，延迟拔管增加呼吸机相关并发症、气道损伤、镇静暴露与呼吸肌功能障碍风险。儿童生理异质性强，年龄相关气道尺寸、胸廓力学及发育差异限制成人阈值直接套用。传统浅快呼吸指数（RSBI）、氧合参数等单一指标预测力有限。拔管成功取决于呼吸、神经、分泌清除、气体交换与循环多域交互，故多变量与机器学习模型有望超越孤立阈值。研究人员在伊斯坦布尔阿伊登大学PICU开展单中心回顾性队列研究，旨在利用常规拔管前数据内部验证机器学习模型预测48小时拔管成功概率，并为后续外部验证奠基。

样本与方法概述

研究人员纳入2021–2026年PICU中341例≥24小时有创通气且行计划拔管的0–18岁患儿，排除慢性气管切开、姑息拔管及数据不全者。预测点定义为计划拔管前最近一次临床评估，取该点前最新实验室、血气、神经与呼吸机变量。候选预测变量涵盖人口学、诊断、通气时长、镇静、实验室（血红蛋白、CRP、PCT、白蛋白、乳酸、pH、PaCO₂、HCO₃^-、电解质）、血气氧合（PaO₂/FiO₂、OI）、呼吸机（PEEP、PIP、潮气量/kg、RSBI）、疾病严重度（PRISM IV、pSOFA）及GCS。主要结局为拔管后48小时内存活无再插管。方法上采用分层5折交叉验证比较L2正则化Logistic回归、随机森林（500树、最大深度5）、梯度提升（200估计器、最大深度2）与RBF核SVM；以ROC-AUC、准确度、校准斜率、Brier分数及PR-AUC评价，3000次分层bootstrap给出95% CI；特征重要性同时用Gini与置换重要性；对12个标准化变量做k-means（k=2）无监督聚类，轮廓系数与调整Rand指数验证稳定性。

研究结果

3.1 队列与单变量关联

341例中中位年龄42月，男57.5%，呼吸（29.3%）与神经疾病（26.1%）为主诊断。成功组298例（87.4%），失败43例（12.6%）。单变量分析显示失败组OI、乳酸、PCT、CRP、PaCO₂、pSOFA、PEEP、RSBI显著升高，pH、HCO₃^-、离子钙、血红蛋白、白蛋白、钠、GCS降低（均p<0.001）。Spearman相关证实成功与pH（r=0.54）、离子钙（r=0.55）、乳酸负关（r=-0.56）等生理紊乱强相关，与年龄体重无关。

3.2 模型性能

随机森林池化OOF AUC 0.983（0.971–0.993）居首，梯度提升0.975、SVM 0.953、Logistic回归0.924。随机森林敏感度0.980、特异度0.814、准确度0.959、Brier 0.032；校准斜率1.074、校准截距-0.010，优于患病率基准（Brier 0.110）。以失败为正类PR-AUC 0.866，远高0.126无技能基线。

3.3 特征重要性

Gini重要性前列为动脉pH、OI、HCO₃^-、离子钙、PCT、乳酸、PaCO₂；置换重要性中RSBI贡献最稳（0.0040），pH与OI的CI跨零，提示相关性强时单变量贡献被稀释。

3.4 生理表型聚类

k-means分低严重度表型（n=302，OI 5.9、乳酸1.5、pH 7.39，成功97%，死亡0%）与高严重度表型（n=39，OI 23.8、乳酸6.3、PCT 30.2、pH 7.17、pSOFA 7.8，成功10%，死亡100%）。表型差异来自聚类变量本身即已知严重度标志，非独立预后信息。

讨论浓缩

研究人员指出，87.4%成功率与儿科文献一致；急性生理紊乱而非人口学主导预测，与Ramnarayan、Burns、Emeriaud等强调多域评估吻合。OI作为含MAP、FiO₂、PaO₂的复合指标，重要性高于单纯PaO₂/FiO₂，支持PALICC-2弃用孤立氧合阈值。pH、HCO₃^-、PaCO₂构成酸解平衡域，高碳酸酸血症反映死腔增加与呼吸肌疲劳。RSBI虽组间差异显著但机器学习排名仅中游，印证Trivedi综述中其特异度约58%的局限。炎症（PCT、CRP）、灌注（乳酸）、储备（白蛋白、血红蛋白、离子钙）联合优于单测。Gini与置换重要性分歧说明特征排名具模型依赖性，不可作因果机制。聚类表型100%死亡率属事后关联。核心局限：单中心、43事件、类别不平衡、回顾性测量时点不一致、无外部验证、未捕咳力/漏气压/气道异常。作者主张模型暂作科研工具，按TRIPOD+AI与DECIDE-AI待前瞻多中心验证。

结论翻译

危重儿童拔管结局反映呼吸、代谢、炎症与神经整合状态而非任一传统撤机指数。随机森林提供强内部判别力与临床可释预测因子，探索性k-means识别分明生理表型；但床旁应用前需前瞻多中心验证。

（载于《Children》）