论文部分内容阅读
目的:重症监护病房（ICU）中接受机械通气的大部分患者并无急性呼吸窘迫综合症（ARDS）,什么样的呼吸机参数设置与此类患者尽早脱机,提高院内存活率相关呢?方法:本研究利用MIMIC-III数据库,针对2001年至2012年期间至少连续48小时接受有创机械通气的2932名无ARDS的重症患者进行了回顾性队列分析,通过使用单变量,多变量回归分析,然后使用协变量平衡倾向性评分（CBPS）,逆概率加权评分（IPTW）校正模型,并对纳入研究的危重患者的数据建立机器学习模型,对临床预后相关因素进行重要性的特征排序,预测相关因素对患者的不同的结局变量的影响。研究因素包括4个主要的机械通气参数,即驱动压（DP）,潮气量（VT）,呼吸末正压（PEEP）,和机械功率（MP）,和已知的与临床预后相关的生理参数,主要的结局变量为患者于第28日存活时的脱机天数（VFDs）,次要的结局指标为短期和长期的院内死亡率,ICU和院内的住院时长。结果:本研究共纳入了2932名重症患者,对于至少连续48小时接受机械通气的非ARDS患者进行IPTW的多变量加权回归分析表明,低DP（概率比OR为0.62（95%的置信区间CI为0.70,-0.54）,概率P值<0.0001）,低PEEP（OR 0.65（95%CI 0.58,0.72）,P值<0.0001）,和低MP（OR-0.11（95%CI-0.14,-0.09）,P值<0.0001）都与患者第28日增加的脱机时长,降低的院内死亡率（DP OR 1.02（95%CI 1.01,1.03）,P值<0.0001,PEEP OR 0.81（95%CI 0.80,0.85）,P值<0.0001,MP OR0.01（95%CI 0.002,0.02）P值<0.01）和住院时长相关,然而VT（OR 0（95%CI-0.11,0.09）,P值=0.88）与此类患者的预后的相关性并不显著。按照90:10的比例将数据集分为训练集和测试集,利用基尼（Gini）系数,方差系数,最小绝对值收缩和选择算子（LASSO）正则化识别出与预后最相关的临床特征,并建立不同的机器学习模型以预测患者不同的结局变量。在主要结局变量的机器学习模型中,随机森林模型用于预测脱机时长的效果最佳,均方根误差（RMSE）最小,为43.68;在次要结局变量的模型选择中,梯度提升模型预测院内死亡率的效果最好,曲线下面积（AUC）为0.93,错误率为0.09,f评分为0.87。结论:对于至少连续48小时接受机械通气的非ARDS的重症患者,低驱动压（DP<13cm H2O）,低呼吸末正压（PEEP<10cm H2O）,和低机械功率（MP<17 J/min）与患者良好的预后相关,然而潮气量（VT<7.5 m L/Kg PBW）的效果尚无定论,机器学习建模的预测效果好。