自主呼吸试验期间的流量指数轨迹与拔管失败相关：一项潜在类别轨迹建模研究

《Clinical and Translational Science》：Flow Index Trajectories During Spontaneous Breathing Trials Are Associated With Extubation Failure: A Latent Class Trajectory Modeling Study

　　

尽管自主呼吸试验（spontaneous breathing trial, SBT）成功，仍可能发生拔管失败，提示传统SBT标准可能无法完全反映呼吸储备。流量指数（Flow index, FI）源自吸气流量时间波形形态，反映压力支持通气（pressure support ventilation, PSV）期间的吸气努力。研究人员调查了SBT期间FI轨迹是否与拔管失败相关。在这项回顾性队列研究中，SBT最后10分钟的FI值在六个预设的2分钟窗口内以患者水平中位数进行汇总。使用潜在类别轨迹建模（latent class trajectory modeling, LCTM）识别FI模式，随后基于临床和统计学依据合并为三个轨迹组。多变量logistic回归评估FI轨迹与拔管失败之间的关联。基于均值的轨迹和机器学习分析作为探索性补充分析。在432例筛查患者中，纳入123例，其中27例（22.0%）发生拔管失败。合并后的分组为Traj1，稳定/中等储备（n=89；失败率12.4%）；Traj2，耗竭/低努力（n=18；失败率50.0%）；以及Traj3，升级/高努力（n=16；失败率43.8%）。与Traj1相比，在校正年龄、性别、序贯器官衰竭评估（SOFA）评分和动态顺应性后，Traj2（校正比值比[OR]，8.23；95%置信区间[CI]，1.69–39.98；p=0.009）和Traj3（校正OR，16.06；95%CI，3.02–85.40；p=0.001）与更高的拔管失败几率相关。SBT期间基于中位数的FI轨迹识别出与拔管失败相关的不同模式，并可能提供SBT后风险分层的补充信息。在临床实施前需进行前瞻性外部验证。

机械通气（mechanical ventilation, MV）是重症监护病房（ICU）危重患者呼吸支持的基石，但长期MV和延迟脱机与病死率增加、并发症发生率高及住院时间延长密切相关。自主呼吸试验（spontaneous breathing trial, SBT）是评估患者能否耐受撤机的标准步骤，然而既往研究显示，即使成功通过SBT的患者，仍有10%–20%随后发生呼吸衰竭需要再插管。传统SBT评估主要依赖呼吸频率（respiratory rate, RR）、潮气量（tidal volume, Vt）和浅快呼吸指数（rapid shallow breathing index, RSBI），这些指标多描述呼吸模式而非潜在的吸气努力，难以充分反映呼吸储备和拔管失败风险。吸气努力反映呼吸驱动与呼吸肌功能的综合效应，过高或过低均提示负荷与储备失衡。目前临床上缺乏无创、床旁、连续可用的吸气努力量化工具。流量指数（Flow index, FI）通过数学量化吸气流量衰减阶段的凹度，可间接反映压力支持通气（pressure support ventilation, PSV）期间的吸气努力，并有研究证实其与食管压衍生指标相关。然而，既往FI研究多为横断面或单一时间点评估，未能捕捉SBT这一动态负荷试验中吸气努力的演变过程。因此，研究人员假设SBT期间FI的动态轨迹能识别有临床意义的模式，并开展本研究以探讨FI轨迹与拔管失败的关联。该研究发表于《Clinical and Translational Science》。

本研究为回顾性队列研究，数据来源于四川省人民医院电子健康记录数据库（EDSPPH）。共筛选432例有创MV患者，按纳入标准最终纳入123例，所有患者均通过SBT并符合撤机标准。研究中，SBT最后10分钟的FI值按六个预设2分钟窗口以患者中位数汇总，采用潜在类别轨迹模型（LCTM）识别FI模式，并根据临床和统计学标准合并为三个轨迹组。多变量logistic回归评估FI轨迹与拔管失败（定义为拔管后48小时内需非计划无创通气或再插管）的关联，校正年龄、性别、SOFA评分和动态顺应性。此外，进行了基于均值的敏感性分析以及LASSO、机器学习、校准曲线、决策曲线和SHAP等探索性分析。

3.1 流量指数轨迹识别与合并（Flow Index Trajectory Identification and Consolidation）：研究人员对123例患者的六窗口FI时间序列拟合1–6类潜在类别轨迹模型，5类模型贝叶斯信息准则（BIC）最低。由于其中三类形态相似，合并为三个临床可解释的轨迹组：Traj1（稳定/中等储备，n=89）、Traj2（耗竭/低努力，n=18）和Traj3（升级/高努力，n=16）。Traj1呈稳定或逐渐下降的中等FI；Traj2呈低FI并进行性耗竭；Traj3呈FI持续升高。

3.2 流量指数轨迹组的基线特征与拔管结局（Baseline Characteristics and Extubation Outcomes Across Flow Index Trajectory Groups）：三组间年龄、入ICU原因相似，但性别分布有差异（p=0.010），Traj3男性比例较高。HCO₃^?、潮气量和白蛋白存在组间差异。拔管失败率在Traj1为12.4%，Traj2为50.0%，Traj3为43.8%（p<0.001）。

3.3 探索性LASSO筛选（Exploratory LASSO Screening）：LASSO回归作为探索性分析，lambda.min时保留8个特征，lambda.1se时保留5个特征，均包含Traj2和Traj3对比Traj1的指标，支持FI轨迹的潜在预测价值。

3.4 流量指数轨迹与拔管失败的关联（Association Between Flow Index Trajectories and Extubation Failure）：以Traj1为参照，粗模型中Traj2（OR 7.09，95%CI 2.32–21.71）和Traj3（OR 5.52，95%CI 1.71–17.81）均与拔管失败相关。校正年龄、性别、SOFA评分和动态顺应性后，Traj2（校正OR 8.23，95%CI 1.69–39.98，p=0.009）和Traj3（校正OR 16.06，95%CI 3.02–85.40，p=0.001）仍显著。

3.5 探索性机器学习分析（Exploratory Machine-Learning Analyses）：在五种建模框架中，加入FI轨迹后模型AUROC均高于不含FI轨迹的模型，如LRM从0.758提高到0.812，Naive Bayes从0.765提高到0.836。

3.6 探索性模型校准、决策曲线分析与可解释性（Exploratory Model Calibration, Decision Curve Analysis, and Interpretability）：校准曲线显示部分风险范围存在欠预测，加入FI轨迹后净收益改善。SHAP分析显示动态顺应性和FI轨迹是随机森林模型最主要的贡献因素。

讨论部分，研究人员指出三种轨迹具有生理学合理性：Traj1反映呼吸储备相对保留；Traj2提示吸气努力不足或呼吸肌疲劳；Traj3提示吸气努力升高、负荷-能力不匹配。既往研究多为横断面，而轨迹分析保留了时间信息，更符合呼吸耐力与储备的概念。多变量关联支持FI轨迹的预后价值，但置信区间较宽，应视为探索性证据。机器学习分析提示FI轨迹可能提供增量预测信息，但并非成熟的临床预测工具。研究结论为：在这项回顾性队列研究中，SBT期间基于中位数的FI轨迹识别出三种临床不同的动态模式。与稳定/中等储备轨迹相比，耗竭/低努力和升级/高努力轨迹与更高的拔管失败几率相关。探索性分析提示，FI轨迹可能为常规临床变量添加预测信息，但在临床实施前需进行前瞻性外部验证。未来研究应评估基于轨迹的监测能否在不同SBT方案、呼吸机平台和患者群体中改善SBT后风险分层。