颅内压、脑灌注压及自身调节的动态无创评估

《Journal of Neurosurgical Anesthesiology》：Dynamic Noninvasive Assessment of Intracranial Pressure, Cerebral Perfusion Pressure, and Autoregulation

　　

背景：颅内压（ICP）监测是颅脑创伤（TBI）管理中的关键环节，但侵入性方法存在风险并需要专门环境。非侵入性经颅多普勒（TCD）方法已被提出用于估计颅内压和脑灌注压（CPP），尽管现有验证研究主要评估静态一致性。临床监测依赖于对动态变化的准确复现。本研究评估了非侵入性方法复现ICP、CPP及自动调节指数的时序变化的能力。方法：分析了38名TBI患者96次同步ICP和TCD记录中的非重叠5分钟片段。使用8种基于血流速度的模型推导ICP、CPP、压力反应指数（PRx）和平均血流指数（Mx）的非侵入性估计值。使用相关性和Bland-Altman分析评估一致性，使用一阶差分和线性混合效应模型评估动态性能。使用受试者工作特征曲线（ROC）和精确率-召回率（precision-recall）分析考察对颅内高压（ICP>22 mmHg）、低CPP（<60 mmHg）及自动调节障碍（PRx>0.3；Mx>0.4）的判别能力。结果：CPP和Mx的非侵入性估计值与其参考指标相比，动态一致性优于ICP和PRx的非侵入性估计值。部分模型在区分低CPP和Mx障碍方面表现稳健（曲线下面积最高达0.96和0.89）。相反，ICP动态和PRx的复现程度中等，且存在显著的患者间和患者内变异。动态分析揭示了静态一致性指标所遗漏的差异。结论：非侵入性ICP监测的评估应超越静态准确性。基于TCD的方法可能支持CPP和Mx的非侵入性监测，但现有方法仍不足以可靠追踪ICP和PRx的动态变化。颅内压（ICP）监测是颅脑创伤（TBI）管理的核心，因为持续性颅内高压与不良神经系统预后密切相关。ICP监测的金标准是通过脑室内导管或脑实质压力传感器进行侵入性测量。尽管这些技术能准确提供连续数据，但它们存在出血和感染风险，需要神经外科专业知识，且主要局限于专门的中心和重症患者。除ICP本身外，衍生生理指标可提供脑病理生理学的额外信息。脑灌注压（CPP = 动脉血压 [ABP] ? ICP）反映了脑血流的驱动力，支持个体化的血流动力学管理。动态指数评估脑血管功能：压力反应指数（PRx；ABP与ICP间的滑动相关）追踪脑血管反应性，而平均血流指数（Mx；CPP与脑血流速度 [CBv] 间的滑动相关）追踪脑自动调节功能。两者在TBI中均具有预后价值，日益为精准治疗策略提供依据。尽管这些指标具有重要临床意义，但它们需要侵入性ICP测量。越来越多的研究致力于开发和验证非侵入性方法，以估计ICP及其衍生参数（CPP、PRx、Mx），使用经颅多普勒超声（TCD）。现有验证研究主要量化静态单点一致性。然而，临床决策依赖于对动态生理波动的连续监测。因此，一种显示可接受平均一致性的方法可能仍然无法捕捉到具有临床意义且可操作的趋势。本研究引入并应用了一种动态评估框架，评估8种基于TCD的模型在急性TBI中非侵入性复现侵入性ICP、CPP及自动调节指数的静态和时序变化的能力。通过考察静态一致性和动态性能，我们旨在对当前非侵入性方法提供临床相关的评估。我们假设侵入性与非侵入性指标之间的动态一致性将显著弱于静态一致性，且动态性能的评估将揭示传统静态分析未能识别的局限性。

材料与方法

伦理

本研究使用来自脑物理学数据库的回顾性数据，该研究已获约克郡与亨伯—利兹东部研究伦理委员会批准（REC 23/YH/0085；IRAS ID: 320219），批准日期为2023年4月25日。作为临床审计的一部分（基于TCD的NCCU入院患者颅内血流动力学评估，项目编号：4201），自2022年4月11日至2024年3月27日，对入院神经重症监护单元的TBI患者同时进行了TCD监测和标准的ICP及生命体征监测。所收集数据已完全匿名化，来源于常规临床护理，正式知情同意被豁免。

患者

筛查连续入组的年龄≥16岁的急性TBI患者，这些患者接受侵入性ICP导向治疗。排除标准包括妨碍TCD探头放置或无法获取足够信号的状况（例如缺少颞骨窗），以及准备拔管或撤除生命维持治疗的情况。记录基线特征（年龄、性别、入院GCS评分、损伤类型）。纳入患者的流程图见补充数字内容1—图，https://links.lww.com/ANA/A21。

多模态监测

使用脑实质压力传感器（Codman ICP MicroSensor, Codman & Shurtleff）监测ICP。通过桡动脉或股动脉插管记录ABP，以第三脑室为零点校准（Transpac IV Pressure Transducer, Baxter Healthcare）。由3名经验丰富的TCD操作者中的1名手动定位双侧TCD探头（Delica EMS 9D System, 深圳市得立医疗设备有限公司；Doppler Box, DWL Compumedics），并固定以连续照射大脑中动脉并评估CBv。所有信号（ABP、ICP、CBv）使用ICM+（Cambridge Enterprise Ltd）以最高采样率记录，然后以240 Hz重采样。

信号处理

所有回顾性时间序列分析均使用ICM+完成。2名经验丰富的研究人员通过目视选择质量最高的CBv曲线，分歧通过共识解决。经验丰富的医生手动审核片段，并排除信号质量差、伪影或设备故障的片段。作为自动清理的一部分，应用了生理极限（排除标准：ABP>300或<0 mmHg；ICP200 mmHg）和无线条变化的直线段。通过将ABP、ICP和CBv下采样至0.1 Hz（使用10秒均值）获取相关的参考变量。30个样本（5分钟窗口，每10秒更新一次）的滑动Pearson相关系数产生参考侵入性PRx和Mx值。表1描述并图1展示了用于非侵入性估计的8种基于TCD的方法。最终分析使用非重叠的5分钟片段，并建立了颅内高压（>22 mmHg）、低灌注CPP（<60 mmHg）和自动调节障碍（PRx>0.3，Mx>0.4）的分类阈值。

表1 基于经颅多普勒的脑灌注压（nCPP）非侵入性估计模型的公式及描述，从中可推导颅内压（ICP；ABP与非侵入性CPP估计值之差）、压力反应指数（PRx；ABP与非侵入性ICP估计值之间的相关系数）和平均血流指数（Mx；CBv与非侵入性CPP估计值之间的相关系数）的非侵入性估计值

| 非侵入性估计方法 | 衍生指标 | 公式 | 核心概念 |
|---|---|---|---|
| Mxa | PRx, Mx | ABP与CBv之间的相关系数，300秒窗口，每60秒更新。 | 通过将ABP变化与CBv变化相关来衡量脑自动调节功能。 |
| Sxa | PRx, Mx | ABP与sCBv之间的相关系数，300秒窗口，每60秒更新。 | 类似于Mxa，但使用sCBv评估自动调节功能。 |
| Aaslid | CPP, ICP, PRx, Mx | 假设ABP与CBv之间的谐波振幅比反映脑压力-流动力学。 |
| FVd | CPP, ICP, PRx, Mx | 假设CBF搏动指数与CPP状态相关。 |
| Edouard | CPP, ICP, PRx, Mx | 基于ABP和CBv估计CrCP，反映脑血管张力和ICP。 |
| CrCP | CPP, ICP, PRx, Mx | 脑血管阻抗模型，估计CrCP，假定与血管张力和ICP相关。 |
| Schmidt | CPP, ICP, PRx, Mx | 基于ABP和CBv的黑箱模型。机器学习模型，从ABP和CBv信号预测ICP，无明确公式。 |
| 搏动指数 | ICP, PRx | 假设CBv脉冲幅度（收缩期-舒张期）与平均CBv的比值反映下游阻力顺应性。 |

这8种模型使用不同的生理假设和血流速度特征来推导CPP和相关指数的估计值，为比较它们在估计ICP和脑血管自动调节方面的性能提供了框架。ABP表示动脉血压；aABP为脉搏频率处ABP基波振幅；aCaBV为脑血容量振幅（基波脉冲谐波）；aFV为流速振幅（基波脉冲谐波）；CBv为血流速度；CrCP为临界闭合压力；dABP为舒张期ABP；dCBv为舒张期CBv；HR为心率；sCBv为收缩期CBv。

图1 一段45分钟监测的示例，包含侵入性测量值（PRx、Mx、ICP、CPP）及其对应的非侵入性估计值（Aaslid、FVd、Edouard、CrCP、Schmidt、Mxa、Sxa、PI）。此代表性示例说明了不同非侵入性估计方法与侵入性测量值之间随时间变化的一致性差异。灰色阴影区域代表侵入性测量值，彩色线条代表不同模型的估计值。CPP表示脑灌注压；CrCP表示临界闭合压力；FVd表示舒张期脑血流速度；ICP表示颅内压；Mx表示平均血流指数；Mxa表示动脉平均血流指数；PI表示搏动指数；PRx表示压力反应指数；Sxa表示收缩期血流指数。

统计分析

所有统计分析和图形制作均在R 4.4.1版中完成。使用的软件包包括：boot、caret、gbm、ggplot2、lmerTest、pROC、PRROC、rmcorr和rstatix。

对于连续变量和有序变量，患者特征以中位数及四分位距（IQR）表示；对于分类变量，汇总为计数及相应百分比。

使用互补技术评估完整病例中侵入性与非侵入性估计值之间的关联性和一致性。每次记录的会话——定义为双侧TCD监测的单独连续片段——作为独立观察处理。进行了三个层次的相关分析："所有点"，将每个5分钟片段视为独立测量；"患者间"，使用每次记录的单均值；"患者内"，使用重复测量相关性来评估记录内的相关。三个层次中每对侵入性/非侵入性变量各自应用了Bonferroni校正，以控制这些相关分析中的多重检验。报告了跨记录的均值、标准差和95%置信区间（CI），并计算了逐记录基于时间的相关系数，以进一步考虑记录特异性变化。

此外，为评估侵入性和非侵入性测量中动态变化的可靠性，对参数的一阶差分计算了相关性。构建了一个线性混合效应模型，以侵入性参数作为因变量。记录标识定义为随机截距和随机斜率，相应的非侵入性测量值作为固定效应纳入。模型输出包括固定效应截距和斜率（及其标准误和p值）、随机效应方差估计、残差标准差、随机截距与斜率之间的相关系数，以及边际和条件R2值。

此外，使用Bland-Altman图和散点图描绘侵入性与非侵入性观测值之间的一致性和关系。报告了以下指标：平均绝对误差（MAE）、差值的标准差、一致性界限（LoA）、偏倚（均差）和均方根误差（RMSE）。尽管RMSE强调对显著偏差和异常值的敏感性，但MAE代表总体性能。报告了对应的线性回归方程。

使用受试者工作特征曲线下面积（ROC-AUC）和精确率-召回率曲线下面积（PRC-AUPRC）评估非侵入性估计值区分自动调节受损与保留（Mx）及脑血管反应性受损（PRx）、低灌注CPP和颅内高压的能力，每个指标均报告95% CI。通过最大化Youden J指数（ROC）和F1分数（PRC）确定最佳截断值。

基于准确和错误预测的列联表用于评估分类性能。对每种方法计算了阳性预测值和阴性预测值（PPV、NPV）。在此基础上，确定了每个分类任务的平衡准确率、敏感性和特异性。

结果

患者特征

共从38名TBI患者获取96次记录（中位数：每患者3次 [IQR: 2至4]；每次记录平均时长：285±90分钟），总计456小时监测时间和5393个非重叠5分钟片段。纳入患者的中位年龄为47岁 [IQR: 31至55]，30例（83%）为男性。9例患者（24%）为单纯性TBI，初始GCS评分中位数为8 [IQR: 6至12]。人口学数据完整。缺失的侵入性5分钟片段极少：CPP（n=210，4%）、ICP（n=146，3%）、PRx（n=234，5%）、Mx（n=548，10%）和CBv（n=399，7%）。没有记录被排除在分析之外。

侵入性估计值与非侵入性估计值之间的逐点一致性

使用散点图评估侵入性与非侵入性测量值之间的总体一致性及异常值的存在情况（补充数字内容2—图，https://links.lww.com/ANA/A22）。补充数字内容3—表（https://links.lww.com/ANA/A23）包含每一对的线性回归方程。在所有参数中，侵入性Mx和CPP与其非侵入性对应值显示出最强的线性相关。特别是，Schmidt模型（r=0.88；方程：0.98·Mx?0.07）和CrCP模型（r=0.82；方程：0.85·CPP+12.88）显示最佳对应关系。

尽管有创ICP在所有无创评估方法中均显示出较差的相关性，但有创PRx与Sxa之间的关联最为密切。补充数字内容4（图，https://links.lww.com/ANA/A24）展示了各种方法评估有创与无创估计值之间一致性边界和偏差的Bland-Altman图。补充数字内容5（表，https://links.lww.com/ANA/A25）汇总了相应的统计数据，如偏差、一致性界限（LoA）、标准差（SD）、平均绝对误差（MAE）和均方根误差（RMSE）。在所有方法中，PRx比较呈现出独特的菱形分布，提示接近均值时变异性较高，而两端的一致性更为紧密。Sxa表现出最佳的一致性（偏差=?0.02；LoA=[?0.71, 0.68]；SD=0.36；MAE=0.26；RMSE=0.36）。Schmidt法在Mx评估中产生了最低的偏差和变异性，呈现出相似的模式（偏差=?0.08；LoA=[?0.47, 0.32]；SD=0.20；MAE=0.16；RMSE=0.22）。相比之下，除Schmidt法外，所有无创ICP估计的Bland-Altman图均显示线性趋势。具体而言，与Schmidt法相比，CrCP在估计CPP和ICP方面表现出更好的一致性（CPP：偏差=2.80，LoA=[?8.25, 13.86]，SD=5.64，MAE=5.21，RMSE=6.30；ICP：偏差=?2.77，LoA=[?13.67, 8.13]，SD=5.56，MAE=5.16，RMSE=6.21）。

**各方法间的相关性分析**

所有相关性分析方法，包括时间段、每例患者平均值、重复测量（图2）和患者水平分析（补充数字内容6—表，https://links.lww.com/ANA/A26），均呈现出相似的趋势。在有创Mx、Mxa、Schmidt和CrCP之间观察到高度一致性（r=0.82至0.97）。总体而言，PRx相关性中等：Sxa与有创测量值的关联最强（r=0.40至0.64）。CPP估计值在无创配对之间（例如Edouard-FVd和Edouard-Aaslid）表现出高度一致性，有创测量值与Schmidt和CrCP之间也显示出强相关性（r=0.75至0.94）。另一方面，ICP估计值显示出方法间的大量相关性，特别是跨CrCP、Aaslid和Edouard（r=0.80至0.95），但与有创参考标准在所有技术中均仅表现为适度相关性（最高：r=0.16至0.34）。经Bonferroni校正后，所有报告的相关性均具有统计学显著性（校正后P<0.05），表明群体相关性偏离于零，并且在每项检验中均拒绝了零相关性（ρ=0）的原假设。因此，其置信区间排除了0。

**图2 图例**

图2展示了各方法（Aaslid、FVd、Edouard、CrCP、Schmidt、Mxa、Sxa、PI）的Pearson相关性（r）表，分别针对PRx（第1行）、Mx（第2行）、ICP（第3行）和CPP（第4行），使用所有个体片段（所有点—第1列）、每例患者平均值（患者间—第2列）和重复测量（患者内—第3列）。相关性在CPP和Mx方面普遍强于ICP和PRx，在使用所有数据点、患者间平均值和重复测量的分析中均保持一致。经Bonferroni校正后仍保持显著的相关性系数（校正后P<0.05）用星号（*）标注。不显著的系数以斜体显示。数据名称：5分钟监测；数据类型：连续；分析模型：Pearson相关性。CPP指脑灌注压；CrCP，临界闭合压；FVd，舒张期脑血流速度；ICP，颅内压；Mx，平均血流指数；Mxa，动脉平均血流指数；PI，搏动指数；PRx，压力反应指数；Sxa，收缩期血流指数。

采用一阶差分方法评估各方法间的动态变化（补充数字内容6—表，https://links.lww.com/ANA/A26 和 补充数字内容7—图，https://links.lww.com/ANA/A27）。使用所有时间点、患者内比较和每例患者平均值，在所有分析水平上结果相似，证明了绝对值分析中发现的相关性强度。Sxa仍然是预测有创PRx趋势的最佳方法（所有点/患者内r=0.38，P<0.05），而其他所有方法表现均较差（r<0.1，P>0.05）。对于无创Mx估计，Mxa、CrCP和Schmidt保持了与绝对值获得的相关性大致相似的水平，其中CrCP和Schmidt在患者间水平略有下降；其余方法在患者内水平上与绝对值分析表现相当（r=0.45至0.59）。相比之下，ICP趋势相关性在所有方法中均持续接近于零，少数具有统计学显著性的结果仅限于很小的范围（约?0.1至0.1）。然而，有创CPP趋势的估计精度明显更高：CrCP和Schmidt获得了最高相关性（所有点/患者内r=0.91和r=0.88），其他方法在趋势性能上相较于其绝对值相关性也表现出改善（r=0.64至0.73）。

**临床相关阈值的检测**

**ROC和精度-召回曲线**

ROC和PR曲线用于评估无创技术分类临床相关状态的能力（图3）。补充数字内容8—表（https://links.lww.com/ANA/A28）提供了汇总统计数据。Mxa、CrCP和Schmidt在分类受损Mx（Mx>0.4）方面取得了最佳结果，整体表现最优。Mxa和Sxa在受损PRx（PRx>0.3）方面表现相似。CrCP是检测颅内高压（ICP>22 mmHg；AUC=0.723 [0.692至0.754]）最有效的方法；然而，其对应的AUPRC较低。Schmidt和CrCP分别以AUC 0.846 [0.827至0.864] 和 0.885 [0.872至0.899]成功识别了低灌注压CPP（CPP<60 mmHg）；然而，两者的精度-召回表现均较差（AUPRC=0.05）。

**图3 图例**

图3展示了不同方法（Aaslid、FVd、Edouard、CrCP、Schmidt、Mxa、Sxa、PI）的ROC和PR曲线，用于识别受损的脑血管反应性和脑自动调节功能（PRx>0.3，Mx>0.4）、颅内高压（ICP>22）和脑低灌注（CPP<60）。多种方法在低CPP（CrCP、Schmidt）和受损Mx（Mxa、CrCP、Schmidt）的判别中表现良好，而对颅内高压和受损PRx的表现较低且变异较大。数据名称：5分钟监测；数据类型：连续；分析模型：ROC和PR曲线。CPP指脑灌注压；CrCP，临界闭合压；FVd，舒张期脑血流速度；ICP，颅内压；Mx，平均血流指数；Mxa，动脉平均血流指数；PI，搏动指数；PR，精度-召回；PRx，压力反应指数；ROC，受试者工作特征曲线；Sxa，收缩期血流指数。

**混淆矩阵指标**

表2展示了混淆矩阵指标。Mxa和Sxa在检测和改善排除受损PRx方面提供了最佳的非创指标结果，具有高灵敏度、特异度、阴性预测值（分别为91.1%和89.9%）以及总体准确性。所有方法在排除受损Mx方面均取得成功（NPV>88%）。尽管Mxa表现出略高的准确性和灵敏度（分别为0.928和0.945），但Schmidt具有最高的阳性预测值（76.3%）和特异度（0.92）。

**表2 图例**

表2为不同无创方法（Aaslid、FVd、Edouard、CrCP、Schmidt、Mxa、Sxa、PI）识别受损的脑血管反应性和脑自动调节功能（PRx>0.3，Mx>0.4）、颅内高压（ICP>22）和脑低灌注（CPP<60）的混淆矩阵分析结果（平衡准确性、灵敏度、特异度、阳性预测值—PPV、阴性预测值—NPV）。

分类性能在低CPP（CrCP、Schmidt）和受损Mx（Mxa、CrCP、Schmidt）方面普遍最高，而对颅内高压和受损PRx的检测在各方法间一致性较差。数据名称：5分钟监测；数据类型：连续；分析模型：χ2列联表。CPP指脑灌注压；FVd，舒张期血流速度；ICP，颅内压；Mx，平均血流指数；Mxa，动脉平均血流指数；PI，搏动指数；PRx，压力反应指数；Sxa，收缩期血流指数。

所有方法均一致排除了低灌注压CPP（NPV>91%），且PPV始终较低（最高PPV：Schmidt为25.7%）。在这种情况下，CrCP的总体准确性最佳。CrCP和Aaslid分别以0.849和0.836的灵敏度，以及跨所有模型持续较高的NPV（NPV>91%），在ICP升高的检测中产生了最佳表现。然而，PPV仍极低（最高PPV=7.9%，CrCP），这表明尽管这些技术在检测不存在颅内高压的患者方面表现良好，但在验证其存在方面能力不足。

**有创-无创关系的混合效应建模**

为考虑截距和斜率两个方面的患者水平异质性，应用线性混合效应模型来量化无创与有创测量值之间的关联，包括绝对值和趋势（一阶差分）。补充数字内容9（https://links.lww.com/ANA/A29）和10（https://links.lww.com/ANA/A30）的表格包含完整的模型参数，包括解释方差、随机效应方差和固定效应。总体而言，ICP和PRx的预测相对具有患者特异性，对随机效应的依赖性更高，固定效应趋势不太稳定。Mx和CPP绝对值的模型与其有创等效值显示出显著的一致性。CrCP和Schmidt在趋势分析中表现最佳（R2m=0.830和0.771），在考虑患者水平变异后，条件拟合得到改善（R2c=0.862和0.807）。

**讨论**

无创评估颅内动力学仍然是一个重要的机遇和挑战，特别是在有创监测不切实际或不可用的情况下。本研究彻底评估了八种基于TCD的无创评估ICP、CPP和脑血管自动调节（Mx和PRx）技术，并将其与有创金标准进行比较。采用多种统计技术，包括逐点一致性、动态跟踪、分类准确性和混合效应建模，结果表明某些无创技术在预测Mx和CPP方面表现相当良好。相反，无创ICP和PRx的估计受到与有创测量值中等静态一致性、对时间波动跟踪不佳、对临床相关阈值判别较差以及显著的患者间和患者内变异性等因素的限制。据我们所知，这是第一项将无创验证从ICP和CPP的单点评估扩展到包括自动调节指数在内的研究，并明确评估了ICP和CPP动态变化的重现性。

**无创CPP和ICP**

有创和无创CPP测量之间的一致性总体良好。Schmidt和CrCP方法在患者内和患者间水平、绝对值和一阶差分趋势分析中均持续优于替代方法。它们表现出较高的相关性、适度的预测误差和较高的AUC估计值。混合效应建模进一步表明，当考虑个体变异时，这些方法能够捕捉CPP趋势。

相反，无创ICP估计与有创测量值的一致性明显较弱。在分析方法上，无创方法表现出低相关性、显著的比例偏差以及检测ICP升高的有限准确性。即使是表现最佳的模型（Schmidt和CrCP）也仅显示出适度的相关性和相当大的变异性，限制了它们在本队列中进行精确绝对ICP估计的临床效用。对于评估颅内顺应性、指导干预措施（如脑脊液引流或镇静调整）以及支持预后判断而言，ICP动力学而非孤立的绝对值至关重要。搏动指数的表现尤其差，相关性接近于零且判别能力较弱，与既往报告一致。

这些发现与Cardim等人的2016年范围综述相一致，该综述报告了相似的可诊断性能，并得出结论，尽管基于TCD的方法前景广阔，但其精确度不足以在常规实践中替代有创ICP监测。同样，Martinez-Palacios等人的2024年综述再次强调了准确无创预测绝对ICP的持续困难。重要的是，这两项综述均未深入探讨如Mx或PRx等自动调节指数，凸显了本研究提供的额外视角。

**无创Mx和PRx**

本研究通过系统评估无创监测的动态和自动调节维度，推进了当前的认知。尽管先前的研究主要关注ICP或CPP的单点估计，但我们考察了这些方法是否能捕捉脑血管的时间变化。在临床上，Mx和PRx的趋势可能比孤立的CPP或ICP值提供更具有可操作性的见解，可能实现更早地检测到与较差预后相关的自动调节功能衰竭。

在评估的无创方法中，有创Mx的无创估计表现最为有利。基于Schmidt、CrCP和Mxa的方法在静态和动态分析中与有创Mx显示出最强的相关性，表明其对CPP变异性具有敏感性。Schmidt法的表现与原始研究中报告的极为相似，支持了跨队列的可重复性。然而，有创PRx的无创估计弱于先前描述的情况，这可能反映了本数据集中无创ICP估计精度的局限性。Mxa（ABP-CBv相关性）值得一提，作为一种较简单、创伤更小的CPP基于Mx的替代方案，在多项分析中表现出相当的性能。然而，Mx和Mxa之间已确立的生理差异，特别是在颅内顺应性降低或存在非系统性因素对ICP和脑血容量产生影响的情况下，限制了直接互换性，尤其是在ICP升高或波动的患者中。

相比之下，有创PRx的无创估计实用性有限。尽管如此，PRx仍然是一个相关的指标，它反映了血管压力反应性，在生理上与Mx所捕捉的基于血流的自动调节功能不同。因此，一个可靠的替代指标可以提供互补而非冗余的信息。在我们的分析中，如Sxa和Mxa等指数与有创PRx仅表现出中等的相关性，且对快速或细微变化的检测灵敏度不足。这可能反映了生理限制：PRx需要对ICP对动脉压力波动的反应进行精确的动态跟踪，而大多数无创方法依赖于静态或逐点ICP估计，缺乏足够的时间保真度。

这些发现与既往研究相一致。

Zeiler等人29报告了基于多普勒派生的收缩期血流参数的中度内部相关性，但在外部验证时性能下降，引发了对可推广性的担忧。Calviello等人30同样观察到无创与有创PRx之间存在温和的相关性（r ≈ 0.42）。近期，B?gli等人31比较了来自多种模态的自主调节指标，包括被认为反映脑血容量变化的近红外光谱学测量，发现其与PRx的总体一致性较为有限；Mx显示出最强但仍有限的相关性。

临床意义

本研究的发现表明，当前基于TCD的方法的临床价值可能主要在于生理监测，而非精确复制有创测量。对于CPP，尽管平均预测误差约为7 mm Hg可能对总体趋势监测而言可以接受，但其临床适用性取决于具体情境。在需要严格控制CPP的情况下，如严重创伤性脑损伤或自主调节障碍，即使是微小的偏差也可能产生重要影响。2 同样，几种基于TCD的模型在Mx估计方面的良好表现表明，当有创神经监测不可用或存在禁忌时，无创实时评估自主调节状态可能是可行的。

对于ICP，当前结果不支持用其替代有创监测。然而，对颅内高血压的较高阴性预测值提示，当有创监测不可用时，基于TCD的方法可作为实用、保守的筛查工具发挥潜在作用。这一解读与IMPRESSIT-2研究的发现一致，该研究报告了颅内高血压检测的高阴性但有限的阳性预测值。18 然而，在本研究数据集中，颅内高血压和低CPP相对少见（分别为5%和9%），此类类别不平衡可能夸大了阴性预测值，同时限制了阳性预测值和特异性。32 因此，在这些方法能在临床决策中实际运行之前，需要在颅内高血压和低CPP患病率更高的队列中进行进一步验证。

这些发现也应在无创神经监测的更广泛格局中进行解读。替代方法——如计算机断层扫描、视神经鞘直径超声、近红外光谱学、脑电图、自动瞳孔测量以及新兴技术（包括Brain4care）——为颅内高血压、脑氧合、神经活动和颅内顺应性，以及近期的脑自主调节提供了互补的生理信息。1,33–36 用于无创评估脑血管血流动力学的基于光学的方法（包括CrCP）也已被研究。37 这些模态仍受到间断采集、对颅内过程的间接评估、易受混杂因素影响或在神经重症监护人群中的验证有限等限制。TCD仍然是研究最广泛的技术，因为它能够独特地提供可重复的实时床边脑血流动力学和自主调节功能评估。然而，其操作者依赖性、对足够声窗的依赖以及ICP绝对值估计的有限准确性仍是重要局限。因此，未来的临床实践可能受益于整合互补无创技术的多模态策略，结合血流动力学、代谢、神经生理学和结构信息，以提供比任何单一模态更为全面的脑血管状态评估。

研究局限

需注意多项局限。尽管样本量足以进行统计分析，但样本较小，且单中心设计限制了可推广性。尽管如此，本研究的每例患者重复记录和相对较长的监测期强化了受试者内结果。结果可能受到患者特征的影响，包括全身血流动力学、CO2波动和探头位置。此外，ICP升高代表一种病理生理异质性状态，源于不同的机制，如血管源性/细胞毒性水肿、脑充血或静脉流出障碍，这些可能以不同方式影响脑血流动力学和波形形态。38 由于队列未按这些潜在ICP表型进行分层，因此无法评估颅内高血压不同机制对无创估计准确性的潜在影响。TCD数据采集由3名经验丰富的临床医师按照标准化方案进行；然而，该技术仍具有操作者依赖性。不同的超声入射角度导致大脑中动脉CBv测量的变异性，这可能影响无创CPP估计，但不影响趋势分析。尽管AUC可接受，但ICP升高和低CPP事件的类别不平衡阻碍了分类指标的表现。

未来研究应着重于更大、多中心队列中的个体化校准和验证，以改进无创模型并更好地表征不同患者人群中自主调节过程。具体而言，未来纳入生理分型的方案以区分ICP亚组（如水肿型与充血型）可能有助于明确表型特异性表现并潜在提升模型准确性。进一步的改进，包括基于机器学习的信号分析、改进的多普勒波形处理和增强的实时监测能力，可能有助于克服当前在ICP和PRx估计中的局限。应特别重视改善生理变化的动态追踪，因为这仍然是无创监测方法临床转化的关键障碍。

结论

本研究为无创方法监测脑血管自主调节和灌注的潜力及潜在缺陷提供了重要见解。尽管某些基于TCD的方法在估计Mx和追踪CPP趋势方面显示出明确前景，但所评估的无创技术在准确估计ICP或捕捉动态脑血管反应性变化方面仍然有限。总体而言，这些发现强调了单次预测的有限效用，并指出需要超越复现静态压力值，转而优先考虑对脑灌注和自主调节潜在动态生理过程进行建模的方法。未来无创脑监测研究不仅应评估其与有创参考值的一致性，还应评估其再现具有临床相关性的时间变化的能力。