目的探讨入住重症监护室的脓毒症相关谵妄(sepsis-associated delirium,SAD)患者预后的影响因素,并进一步构建列线图。方法本研究为回顾性队列研究,收集医学信息市场重症监护数据库MIMIC-Ⅲ(Medical Information Mart for Intensive Car...目的探讨入住重症监护室的脓毒症相关谵妄(sepsis-associated delirium,SAD)患者预后的影响因素,并进一步构建列线图。方法本研究为回顾性队列研究,收集医学信息市场重症监护数据库MIMIC-Ⅲ(Medical Information Mart for Intensive CareⅢ,MIMIC-Ⅲ)数据库中符合脓毒症相关谵妄的患者作为建模组,以及嘉兴市第一医院2021年1月至2022年9月收治的符合脓毒症相关谵妄的患者作为验证组进行外部验证。纳入标准:(1)年龄≥18岁;(2)首次入住ICU;(3)住ICU时间>24 h;(4)符合脓毒症诊断;(5)采用CAM-ICU工具进行谵妄筛查符合谵妄诊断。收集患者一般信息、生命体征、既往史及实验室检查等,将28 d死亡作为结局指标。采用多因素logistic回归确定独立影响因素,建立列线图模型,通过校准曲线、受试者工作曲线下面积(the area under the receiver operating characteristic curve,AUC)、决策曲线分析以及Hosmer-Lemeshow检验对预测模型效度进行评价。结果建模组共250例患者纳入研究,验证组共154例患者纳入研究。在建模组中,多因素Logistic回归显示,年龄(OR=1.057,95%CI:1.030~1.084,P<0.001),呼吸频率(OR=1.117,95%CI:1.037~1.202,P=0.003),乳酸(OR=1.137,95%CI:1.011~1.279,P=0.032),血红蛋白(OR=0.983,95%CI:0.970~0.997,P=0.020),SOFA评分(OR=1.184,95%CI:1.070~1.309,P=0.001)是脓毒症相关谵妄患者28 d死亡的独立影响因素。由上述5个因素构建的列线图AUC为0.773(95%CI:0.705~0.841),Hosmer-Lemeshow检验显示模型拟合良好(P=0.875),决策曲线分析显示,该模型的净获益较好。验证组的AUC为0.864(95%CI:0.799~0.928),Hosmer-Lemeshow检验显示模型拟合良好(P=0.488),决策曲线显示模型净获益较好。结论本研究基于年龄、呼吸频率、乳酸、血红蛋白、SOFA评分构建的预测模型对脓毒症相关谵妄患者预后具有较好的预测价值。能够帮助临床医生早期识别脓毒症相关谵妄患者死亡的相关危险因素以进行早期�展开更多
BACKGROUND At present,large-scale studies on the clinical characteristics of sepsis-induced cardiomyopathy(SIC)are lacking.AIM To investigate the clinical characteristics of SIC.METHODS Based on the analysis of the MI...BACKGROUND At present,large-scale studies on the clinical characteristics of sepsis-induced cardiomyopathy(SIC)are lacking.AIM To investigate the clinical characteristics of SIC.METHODS Based on the analysis of the MIMIC-III public database,we performed a largescale retrospective study involving sepsis patients who were admitted to the intensive care unit(ICU)and had no concomitant cardiac disease.We used propensity score matching analysis and multivariate logistic regression to ensure the robustness of the results.The primary outcome was hospital mortality,and the secondary outcomes included the number of patients who received mechanical ventilation or renal replacement therapy during their hospital stay,the number of patients administered with vasopressors,the length of ICU stay,and the length of hospital stay.RESULTS In the present study,after screening 38605 patients,3530 patients with sepsis were included.A total of 997 patients met the SIC diagnostic criteria,and the incidence of SIC was 28.20%(95%confidence interval[CI]:26.80%-29.70%).Compared to patients in the non-SIC group,patients in the SIC group were of older age and had a higher Simplified Acute Physiology Score(SAPS)-Ⅰ score,SAPS-Ⅱ score,and Elixhauser comorbidity index(ECI).A total of 367(36.8%)of 997 patients in the SIC group and 818(32.3%)of 2533 patients in the non-SIC group died in the hospital,which resulted in a significant between-group difference(odds ratios=1.22,95%CI:1.05-1.42;P=0.011).For the secondary outcomes,more patients in the SIC group received mechanical ventilation and vasopressors.Multivariate logistic regression analysis showed that age,male sex,ECI,hemoglobin level,diabetes,and mechanical ventilation use on the first day of ICU admission were risk factors for SIC.CONCLUSION Compared with non-SIC patients,hospital mortality is higher in SIC patients.展开更多
目的评估患者时间序列相似性,验证融合时间序列相似性的K近邻(K-nearest neighbor,KNN)模型是否可以有效提高患者结局预测的效果。方法整合Medical Information Mart for Intensive Care(MIMIC-Ⅲ)数据库中急性心肌梗死患者的人口学信...目的评估患者时间序列相似性,验证融合时间序列相似性的K近邻(K-nearest neighbor,KNN)模型是否可以有效提高患者结局预测的效果。方法整合Medical Information Mart for Intensive Care(MIMIC-Ⅲ)数据库中急性心肌梗死患者的人口学信息、药物使用情况、疾病诊断、影像学报告、实验室指标以及手术操作数据,使用Jaccard系数、欧氏距离、编辑距离以及动态时间规整计算患者相似性。分别以入院基线数据和住院全程数据计算患者相似性,进而对患者死亡、长时住院和长时重症监护(intensive care unit,ICU)进行预测。使用接受者操作特征曲线下面积(area under curve,AUC)评估预测效果,与基于静态数据的支持向量机(support vector machine,SVM)模型、基于时间序列的长短时记忆(long short-term memory,LSTM)模型进行对比。结果输入数据为住院全程数据时,KNN模型在死亡和长时住院预测中AUC值为0.877和0.946,高于SVM模型(0.825,0.930)和LSTM模型(0.853,0.928);输入数据为入院基线数据时,KNN模型在三个结局预测中AUC值为0.680、0.738、0.728,与SVM模型(0.719,0.715,0.708)相比各有高低。结论时间序列患者相似性与机器学习方法相结合可以有效提高信息利用率和模型的预测效果。展开更多
目的确定接受心脏手术后的患者再次转入重症监护室(intensive care unit, ICU)的独立预测因素。方法从重症监护医学信息数据库-Ⅲ(Medical Information Mark for Intensive Care Ⅲ,MIMIC-Ⅲ)中提取研究所需的患者数据;根据"再次转...目的确定接受心脏手术后的患者再次转入重症监护室(intensive care unit, ICU)的独立预测因素。方法从重症监护医学信息数据库-Ⅲ(Medical Information Mark for Intensive Care Ⅲ,MIMIC-Ⅲ)中提取研究所需的患者数据;根据"再次转入ICU"的定义将其分为对照组与病例组。主要结果采用最小绝对收缩与选择算子(The least absolute shrinkage and selection operator, LASSO)回归、单因素以及多因素Logistic回归分析确定术后再次转入ICU的独立预测因素,并在此基础上构建列线图模型。结果最终共纳入4 420例接受心脏手术后的患者进行回顾性分析,其分为对照组(n=4 183,占94.6%)与病例组(n=237,占5.4%)。多因素logistic回归分析显示术前并发心律失常(OR=0.723,95%CI:0.546-0.958,P<0.05),外周血管疾病(OR=0.658,95%CI:0.465-0.930,P<0.05),肾功能不全(OR=0.649,95%CI:0.428-0.983,P<0.05),电解质紊乱(OR=0.549,95%CI:0.380-0.792,P<0.01),充血性心力衰竭(OR=0.476,95%CI:0.358-0.633,P<0.01),药物滥用(OR=0.453,95%CI:0.206-0.992,P<0.05),酗酒(OR=0.402,95%CI:0.206-0.786,P<0.01),失血性贫血(OR=0.260,95%CI:0.085-0.796,P<0.05),由急诊手术入院(OR=2.906,95%CI:2.118-3.986,P<0.01),术后并发重症脓毒症(OR=0.304,95%CI:0.095-0.974,P<0.05)为心脏术后患者再次转入ICU的独立预测因素。并且,该模型具有良好的区分能力。结论本研究建立的预测心脏术后再次转入ICU风险的列线图模型可能有助于ICU医生识别高风险患者。然而,在模型推荐用于临床实践之前,该模型需要进一步的外部验证。展开更多
目的评价不同的疾病严重程度评分在心脏术后脓毒症中的诊断价值及其对心脏术后患者远期预后的预测价值。方法从重症监护医学信息数据库-Ⅲ(Medical Information Mark for Intensive Care-Ⅲ,MIMIC-Ⅲ)中提取心脏手术包括单纯冠状动脉旁...目的评价不同的疾病严重程度评分在心脏术后脓毒症中的诊断价值及其对心脏术后患者远期预后的预测价值。方法从重症监护医学信息数据库-Ⅲ(Medical Information Mark for Intensive Care-Ⅲ,MIMIC-Ⅲ)中提取心脏手术包括单纯冠状动脉旁路移植术和(或)瓣膜重建/置换术患者数据。共纳入6638例患者,其中男4558例、女2080例,平均年龄(67.0±12.2)岁。采用DeLong的方法比较各疾病严重程度评分的受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC),评价其区分脓毒症的准确性。采用X-tile程序确定每种疾病严重程度评分的最佳截断值,并根据截断值对术后患者进行风险分层。最后,绘制Kaplan-Meier生存曲线描述各分组或各分层患者远期生存状况,并采用log-rank法进行检验。结果与序贯器官衰竭评分(sequential organ failure assessment,SOFA)相比,急性生理学评分-Ⅲ(acute physiology score-Ⅲ,APS-Ⅲ,P<0.001)、简化急性生理学评分-Ⅱ(simplified acute physiology score-Ⅱ,SAPS-Ⅱ,P<0.001)、logistic器官功能障碍评分((logistic organ dysfunction score,LODS,P<0.001)区分脓毒症的准确性较高。与非脓毒症组相比,脓毒症组10年总体生存率较低(P<0.001)。除全身炎症反应综合征评分(systemic inflammation response score,SIRS)外,SOFA[HR=2.50,95%CI(2.23,2.80),P<0.001]、SAPS[HR=2.93,95%CI(2.64,3.26),P<0.001]、SAPS-Ⅱ[HR=2.77,95%CI(2.51,3.04),P<0.001]、APS-Ⅲ[HR=2.90,95%CI(2.63,3.20),P<0.001]、LODS[HR=2.17,95%CI(1.97,2.38),P<0.001]、修正logistic器官功能障碍评分[modified logistic organ dysfunction score,MLODS,HR=2.04,95%CI(1.86,2.25),P<0.001]、牛津急性疾病严重程度评分[Oxford acute severity of illness score,OASIS,HR=2.37,95%CI(2.16,2.60),P<0.001]的高风险层心脏手术患者术后10年总体生存率均低于低风险层患者。结论与SOFA评分相比,APS-Ⅲ评分可能在单纯的冠状动脉旁路移植术或瓣膜重建/置�展开更多
目的血压是人体基本生命体征,是临床病情判断的重要依据之一,本文基于最新版的多参数重症监护数据库MIMIC-Ⅲ(Medical Information Mart for Intensive Care),研究比较无创和有创血压测量的一致性。方法提取了11 671例患者同时测量的226...目的血压是人体基本生命体征,是临床病情判断的重要依据之一,本文基于最新版的多参数重症监护数据库MIMIC-Ⅲ(Medical Information Mart for Intensive Care),研究比较无创和有创血压测量的一致性。方法提取了11 671例患者同时测量的226 093对无创和有创血压测量数据,采用探索性数据分析技术,从年龄和血压分层的角度对比了有创和无创测量结果的一致性,从ICU死亡率判别的角度,分析了两种方法在危重患者病情判断方面的差异性。结果收缩压在[80~120]mmHg(1 mmHg=0.133 k Pa)范围内,有创和无创测量结果的一致性较好;低于80 mmHg,无创高于有创,偏差随血压下降呈增大趋势;高于120 mmHg,无创低于有创,偏差随血压升高也呈增大趋势,Bland-Altman图显示两种测量方法存在难以消除的比例性偏倚。不同年龄分层的收缩压对照分析也呈现相同的现象。从ICU死亡率看,收缩压在低血压片段(<80 mmHg)的有创和无创结果存在显著性差异,无创血压所对应的死亡率明显高于有创血压,而基于平均压的判断,无创与有创结果基本一致,在各个血压段的死亡率不存在显著性差异。结论本研究基于大样本临床数据进一步验证了示波法无创血压测量技术的局限性:在各个年龄段,正常血压范围,无创和有创测量方法差异不大,但当血压异常时(无论是高血压还是低血压),二者差异较大,且呈增大趋势;从判断预后的角度而言,无创和有创平均压的结果较一致,比收缩压更适合用于指导ICU患者的治疗。展开更多
目的基于集成机器学习模型XGBoost(Extreme Grardient Boosting)构建ICU住院老年多器官功能不全综合征(multiple organ dysfunction syndrome in the elderly,MODSE)早期(入ICU 24h后)死亡预测模型,以更好地辅助临床决策和治疗。方法利...目的基于集成机器学习模型XGBoost(Extreme Grardient Boosting)构建ICU住院老年多器官功能不全综合征(multiple organ dysfunction syndrome in the elderly,MODSE)早期(入ICU 24h后)死亡预测模型,以更好地辅助临床决策和治疗。方法利用公开的基于电子病历的大型数据库中重症医学信息数据库MIMIC-Ⅲ(Medical Information Mart for Intensive Care),纳入MODSE患者14 329例,其中院内死亡2 341例(16.3%),随机抽取80%作为训练集,剩余20%为测试集,根据预后将患者分为死亡组(1 864例)和存活组(9 599例),采集人口统计学信息、入ICU第一天的生命体征、临床干预措施、全身炎症反应综合征评分(SIRS),序贯器官衰竭估计评分(SOFA)作为模型参数,比较两组患者各指标差异;采用XGBoost模型算法进行模型训练,研究死亡相关特征重要性排名分布;用受试者工作特征曲线(ROC)评估模型对MODSE患者死亡风险的预测价值。结果与存活组比较,死亡组患者格拉斯哥昏迷指数(glasgow coma scale,GCS)、年龄、心率最大值等较高,体质量指数(hody mass index,BMI)、收缩压最小值等较低,差异均存在统计学意义(P均<0.01)。XGBoost构建预测模型的特征排名前10的指标为呼吸频率、活化的部分凝血酶原时间(activated part of the prothrombin time,APTT)、年龄、体温、BMI、收缩压、血小板、血糖、休克指数、內细胞计数;Xghoost模型预测MODSE患者死亡的AUC为0.853,敏感性为0.824,特异性为0.725,准确率为0.854,高于SOFA等各类评分。结论与传统的评分相比,XGBoost模型的预测性能更加优越,可以更好地辅助临床决策,更早地指导临床医生开展集束化治疗。展开更多
文摘目的探讨入住重症监护室的脓毒症相关谵妄(sepsis-associated delirium,SAD)患者预后的影响因素,并进一步构建列线图。方法本研究为回顾性队列研究,收集医学信息市场重症监护数据库MIMIC-Ⅲ(Medical Information Mart for Intensive CareⅢ,MIMIC-Ⅲ)数据库中符合脓毒症相关谵妄的患者作为建模组,以及嘉兴市第一医院2021年1月至2022年9月收治的符合脓毒症相关谵妄的患者作为验证组进行外部验证。纳入标准:(1)年龄≥18岁;(2)首次入住ICU;(3)住ICU时间>24 h;(4)符合脓毒症诊断;(5)采用CAM-ICU工具进行谵妄筛查符合谵妄诊断。收集患者一般信息、生命体征、既往史及实验室检查等,将28 d死亡作为结局指标。采用多因素logistic回归确定独立影响因素,建立列线图模型,通过校准曲线、受试者工作曲线下面积(the area under the receiver operating characteristic curve,AUC)、决策曲线分析以及Hosmer-Lemeshow检验对预测模型效度进行评价。结果建模组共250例患者纳入研究,验证组共154例患者纳入研究。在建模组中,多因素Logistic回归显示,年龄(OR=1.057,95%CI:1.030~1.084,P<0.001),呼吸频率(OR=1.117,95%CI:1.037~1.202,P=0.003),乳酸(OR=1.137,95%CI:1.011~1.279,P=0.032),血红蛋白(OR=0.983,95%CI:0.970~0.997,P=0.020),SOFA评分(OR=1.184,95%CI:1.070~1.309,P=0.001)是脓毒症相关谵妄患者28 d死亡的独立影响因素。由上述5个因素构建的列线图AUC为0.773(95%CI:0.705~0.841),Hosmer-Lemeshow检验显示模型拟合良好(P=0.875),决策曲线分析显示,该模型的净获益较好。验证组的AUC为0.864(95%CI:0.799~0.928),Hosmer-Lemeshow检验显示模型拟合良好(P=0.488),决策曲线显示模型净获益较好。结论本研究基于年龄、呼吸频率、乳酸、血红蛋白、SOFA评分构建的预测模型对脓毒症相关谵妄患者预后具有较好的预测价值。能够帮助临床医生早期识别脓毒症相关谵妄患者死亡的相关危险因素以进行早期�
基金Supported by Science and Technology Program of Guangzhou Science,Technology,and Innovation Commission,No.201904010258.
文摘BACKGROUND At present,large-scale studies on the clinical characteristics of sepsis-induced cardiomyopathy(SIC)are lacking.AIM To investigate the clinical characteristics of SIC.METHODS Based on the analysis of the MIMIC-III public database,we performed a largescale retrospective study involving sepsis patients who were admitted to the intensive care unit(ICU)and had no concomitant cardiac disease.We used propensity score matching analysis and multivariate logistic regression to ensure the robustness of the results.The primary outcome was hospital mortality,and the secondary outcomes included the number of patients who received mechanical ventilation or renal replacement therapy during their hospital stay,the number of patients administered with vasopressors,the length of ICU stay,and the length of hospital stay.RESULTS In the present study,after screening 38605 patients,3530 patients with sepsis were included.A total of 997 patients met the SIC diagnostic criteria,and the incidence of SIC was 28.20%(95%confidence interval[CI]:26.80%-29.70%).Compared to patients in the non-SIC group,patients in the SIC group were of older age and had a higher Simplified Acute Physiology Score(SAPS)-Ⅰ score,SAPS-Ⅱ score,and Elixhauser comorbidity index(ECI).A total of 367(36.8%)of 997 patients in the SIC group and 818(32.3%)of 2533 patients in the non-SIC group died in the hospital,which resulted in a significant between-group difference(odds ratios=1.22,95%CI:1.05-1.42;P=0.011).For the secondary outcomes,more patients in the SIC group received mechanical ventilation and vasopressors.Multivariate logistic regression analysis showed that age,male sex,ECI,hemoglobin level,diabetes,and mechanical ventilation use on the first day of ICU admission were risk factors for SIC.CONCLUSION Compared with non-SIC patients,hospital mortality is higher in SIC patients.
文摘目的评估患者时间序列相似性,验证融合时间序列相似性的K近邻(K-nearest neighbor,KNN)模型是否可以有效提高患者结局预测的效果。方法整合Medical Information Mart for Intensive Care(MIMIC-Ⅲ)数据库中急性心肌梗死患者的人口学信息、药物使用情况、疾病诊断、影像学报告、实验室指标以及手术操作数据,使用Jaccard系数、欧氏距离、编辑距离以及动态时间规整计算患者相似性。分别以入院基线数据和住院全程数据计算患者相似性,进而对患者死亡、长时住院和长时重症监护(intensive care unit,ICU)进行预测。使用接受者操作特征曲线下面积(area under curve,AUC)评估预测效果,与基于静态数据的支持向量机(support vector machine,SVM)模型、基于时间序列的长短时记忆(long short-term memory,LSTM)模型进行对比。结果输入数据为住院全程数据时,KNN模型在死亡和长时住院预测中AUC值为0.877和0.946,高于SVM模型(0.825,0.930)和LSTM模型(0.853,0.928);输入数据为入院基线数据时,KNN模型在三个结局预测中AUC值为0.680、0.738、0.728,与SVM模型(0.719,0.715,0.708)相比各有高低。结论时间序列患者相似性与机器学习方法相结合可以有效提高信息利用率和模型的预测效果。
文摘目的确定接受心脏手术后的患者再次转入重症监护室(intensive care unit, ICU)的独立预测因素。方法从重症监护医学信息数据库-Ⅲ(Medical Information Mark for Intensive Care Ⅲ,MIMIC-Ⅲ)中提取研究所需的患者数据;根据"再次转入ICU"的定义将其分为对照组与病例组。主要结果采用最小绝对收缩与选择算子(The least absolute shrinkage and selection operator, LASSO)回归、单因素以及多因素Logistic回归分析确定术后再次转入ICU的独立预测因素,并在此基础上构建列线图模型。结果最终共纳入4 420例接受心脏手术后的患者进行回顾性分析,其分为对照组(n=4 183,占94.6%)与病例组(n=237,占5.4%)。多因素logistic回归分析显示术前并发心律失常(OR=0.723,95%CI:0.546-0.958,P<0.05),外周血管疾病(OR=0.658,95%CI:0.465-0.930,P<0.05),肾功能不全(OR=0.649,95%CI:0.428-0.983,P<0.05),电解质紊乱(OR=0.549,95%CI:0.380-0.792,P<0.01),充血性心力衰竭(OR=0.476,95%CI:0.358-0.633,P<0.01),药物滥用(OR=0.453,95%CI:0.206-0.992,P<0.05),酗酒(OR=0.402,95%CI:0.206-0.786,P<0.01),失血性贫血(OR=0.260,95%CI:0.085-0.796,P<0.05),由急诊手术入院(OR=2.906,95%CI:2.118-3.986,P<0.01),术后并发重症脓毒症(OR=0.304,95%CI:0.095-0.974,P<0.05)为心脏术后患者再次转入ICU的独立预测因素。并且,该模型具有良好的区分能力。结论本研究建立的预测心脏术后再次转入ICU风险的列线图模型可能有助于ICU医生识别高风险患者。然而,在模型推荐用于临床实践之前,该模型需要进一步的外部验证。
文摘目的评价不同的疾病严重程度评分在心脏术后脓毒症中的诊断价值及其对心脏术后患者远期预后的预测价值。方法从重症监护医学信息数据库-Ⅲ(Medical Information Mark for Intensive Care-Ⅲ,MIMIC-Ⅲ)中提取心脏手术包括单纯冠状动脉旁路移植术和(或)瓣膜重建/置换术患者数据。共纳入6638例患者,其中男4558例、女2080例,平均年龄(67.0±12.2)岁。采用DeLong的方法比较各疾病严重程度评分的受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC),评价其区分脓毒症的准确性。采用X-tile程序确定每种疾病严重程度评分的最佳截断值,并根据截断值对术后患者进行风险分层。最后,绘制Kaplan-Meier生存曲线描述各分组或各分层患者远期生存状况,并采用log-rank法进行检验。结果与序贯器官衰竭评分(sequential organ failure assessment,SOFA)相比,急性生理学评分-Ⅲ(acute physiology score-Ⅲ,APS-Ⅲ,P<0.001)、简化急性生理学评分-Ⅱ(simplified acute physiology score-Ⅱ,SAPS-Ⅱ,P<0.001)、logistic器官功能障碍评分((logistic organ dysfunction score,LODS,P<0.001)区分脓毒症的准确性较高。与非脓毒症组相比,脓毒症组10年总体生存率较低(P<0.001)。除全身炎症反应综合征评分(systemic inflammation response score,SIRS)外,SOFA[HR=2.50,95%CI(2.23,2.80),P<0.001]、SAPS[HR=2.93,95%CI(2.64,3.26),P<0.001]、SAPS-Ⅱ[HR=2.77,95%CI(2.51,3.04),P<0.001]、APS-Ⅲ[HR=2.90,95%CI(2.63,3.20),P<0.001]、LODS[HR=2.17,95%CI(1.97,2.38),P<0.001]、修正logistic器官功能障碍评分[modified logistic organ dysfunction score,MLODS,HR=2.04,95%CI(1.86,2.25),P<0.001]、牛津急性疾病严重程度评分[Oxford acute severity of illness score,OASIS,HR=2.37,95%CI(2.16,2.60),P<0.001]的高风险层心脏手术患者术后10年总体生存率均低于低风险层患者。结论与SOFA评分相比,APS-Ⅲ评分可能在单纯的冠状动脉旁路移植术或瓣膜重建/置�
文摘目的探讨1 h血清乳酸(Lac)水平与重症监护病房(ICU)重症患者30 d病死率的关系。方法采用回顾性观察性队列研究方法,从美国重症监护医学信息数据库(MIMIC-Ⅲ)中收集首次入住ICU 1 h内测定过Lac水平的成人(年龄≥16岁)重症患者的临床资料。根据1 h Lac水平将患者分为<2 mmol/L组、2~4 mmol/L组、>4 mmol/L组,分析患者基线特征。采用多变量Logistic回归分析评估1 h Lac水平与30 d病死率之间的关系。用受试者工作特征曲线(ROC)分析1 h Lac水平对重症患者30 d病死率的预测价值,并根据最佳截断值分组,绘制30 d Kaplan-Meier生存曲线。此外,对各分类变量分层进行敏感性分析。结果共纳入3969例ICU重症患者,30 d死亡673例,30 d总病死率为16.96%。1 h Lac<2 mmol/L 1664例,1 h Lac 2~4 mmol/L 1588例,1 h Lac>4 mmol/L 717例,3组患者年龄、入住ICU时间、入住ICU类型、心率、白细胞计数、血红蛋白、血肌酐、序贯器官衰竭评分(SOFA)、呼吸机使用、血管活性药物使用以及主要诊断差异均有统计学意义。多变量Logistic回归分析显示,1 h Lac每增加1 mmol/L,重症患者30 d病死率将增加0.24倍〔优势比(OR)=1.24,95%可信区间(95%CI)为1.19~1.29,P<0.0001〕。ROC曲线分析显示,1 h Lac预测重症患者30 d病死率的ROC曲线下面积(AUC)为0.694(95%CI为0.669~0.718),最佳截断值为3.35 mmol/L时,敏感度为0.499,特异度为0.779,阳性似然比为2.260,阴性似然比为0.643。根据1 h Lac最佳截断值将患者分为高乳酸组(≥3.35 mmol/L)和低乳酸组(<3.35 mmol/L),其30 d病死率分别为31.58%(336/1064)和11.60%(337/2905),Kaplan-Meier生存曲线显示,高乳酸组30 d累积存活率显著低于低乳酸组(Log-rank检验:χ^2=247.72,P<0.0001)。多元回归分析显示,考虑到年龄、入住ICU时间、入住ICU类型、血红蛋白水平、白细胞计数、血管活性药物使用、呼吸机使用及主要诊断等因素,高乳酸组30 d病死率是低乳酸组的2.34倍(OR=
文摘目的血压是人体基本生命体征,是临床病情判断的重要依据之一,本文基于最新版的多参数重症监护数据库MIMIC-Ⅲ(Medical Information Mart for Intensive Care),研究比较无创和有创血压测量的一致性。方法提取了11 671例患者同时测量的226 093对无创和有创血压测量数据,采用探索性数据分析技术,从年龄和血压分层的角度对比了有创和无创测量结果的一致性,从ICU死亡率判别的角度,分析了两种方法在危重患者病情判断方面的差异性。结果收缩压在[80~120]mmHg(1 mmHg=0.133 k Pa)范围内,有创和无创测量结果的一致性较好;低于80 mmHg,无创高于有创,偏差随血压下降呈增大趋势;高于120 mmHg,无创低于有创,偏差随血压升高也呈增大趋势,Bland-Altman图显示两种测量方法存在难以消除的比例性偏倚。不同年龄分层的收缩压对照分析也呈现相同的现象。从ICU死亡率看,收缩压在低血压片段(<80 mmHg)的有创和无创结果存在显著性差异,无创血压所对应的死亡率明显高于有创血压,而基于平均压的判断,无创与有创结果基本一致,在各个血压段的死亡率不存在显著性差异。结论本研究基于大样本临床数据进一步验证了示波法无创血压测量技术的局限性:在各个年龄段,正常血压范围,无创和有创测量方法差异不大,但当血压异常时(无论是高血压还是低血压),二者差异较大,且呈增大趋势;从判断预后的角度而言,无创和有创平均压的结果较一致,比收缩压更适合用于指导ICU患者的治疗。
文摘目的基于集成机器学习模型XGBoost(Extreme Grardient Boosting)构建ICU住院老年多器官功能不全综合征(multiple organ dysfunction syndrome in the elderly,MODSE)早期(入ICU 24h后)死亡预测模型,以更好地辅助临床决策和治疗。方法利用公开的基于电子病历的大型数据库中重症医学信息数据库MIMIC-Ⅲ(Medical Information Mart for Intensive Care),纳入MODSE患者14 329例,其中院内死亡2 341例(16.3%),随机抽取80%作为训练集,剩余20%为测试集,根据预后将患者分为死亡组(1 864例)和存活组(9 599例),采集人口统计学信息、入ICU第一天的生命体征、临床干预措施、全身炎症反应综合征评分(SIRS),序贯器官衰竭估计评分(SOFA)作为模型参数,比较两组患者各指标差异;采用XGBoost模型算法进行模型训练,研究死亡相关特征重要性排名分布;用受试者工作特征曲线(ROC)评估模型对MODSE患者死亡风险的预测价值。结果与存活组比较,死亡组患者格拉斯哥昏迷指数(glasgow coma scale,GCS)、年龄、心率最大值等较高,体质量指数(hody mass index,BMI)、收缩压最小值等较低,差异均存在统计学意义(P均<0.01)。XGBoost构建预测模型的特征排名前10的指标为呼吸频率、活化的部分凝血酶原时间(activated part of the prothrombin time,APTT)、年龄、体温、BMI、收缩压、血小板、血糖、休克指数、內细胞计数;Xghoost模型预测MODSE患者死亡的AUC为0.853,敏感性为0.824,特异性为0.725,准确率为0.854,高于SOFA等各类评分。结论与传统的评分相比,XGBoost模型的预测性能更加优越,可以更好地辅助临床决策,更早地指导临床医生开展集束化治疗。
