毛細血管滲漏綜合征的診斷

新用戶98808301 2022-10-12 發(fā)布于四川

展開全文

毛細血管滲漏綜合征的診斷

Wollborn J, Hassenzahl LO, Reker D, et al. Diagnosing capillary leak in critically ill patients: development of an innovative scoring instrument for non-invasive detection. Ann Intensive Care. 2021 Dec 15;11(1):175. doi: 10.1186/s13613-021-00965-8. PMID: 34910264; PMCID: PMC8674404.

1.背景

重癥患者常常存在血管內低容量,，需要液體復蘇，因此導致液體正平衡,、水腫和血流動力學不穩(wěn)定,。這種表現(xiàn)型，臨床稱為毛細血管滲漏綜合征（capillary leak syndrome,，CLS）,。目前還沒有CLS的共識定義。盡管有研究描述了調節(jié)內皮通透性的機制,，還沒有一致的診斷標準和臨床名詞,。仍不清楚的是，CLS僅僅是重癥患者的表象,，還是一種獨立的病理現(xiàn)象,。值得注意的是，我們研究中使用的CLS,，不是Clarkson?。?/span>Clarkson’s disease），后者也稱為特發(fā)性全身毛細血管滲漏綜合征,，是一種少見的原因未知的病變,。本研究除外了Clarkson綜合征。

CLS在ICU中不限于膿毒癥,，但也見于心肺旁路后,、過敏反應和熱損傷。CLS的機制研究發(fā)現(xiàn)：促炎狀態(tài)增加了血管內皮通透性,，內皮細胞細胞間連接的完整性破壞,，糖萼脫落。為了預防和治療CLS,，臨床前模型顯示,，作用于這些機制的試驗性藥物顯示有希望。設想這些新的膿毒癥輔助治療策略應該聚焦于內皮通透性,。

盡管CLS發(fā)病率高,，目前不清楚其對器官功能不全和病死率的影響。原因可能在于缺乏診斷標準,。但是CLS并發(fā)的臨床情況如促炎狀態(tài)和液體正平衡與ICU患者病死率增加相關,。設想CLS患者具有獨特的特征。本研究目的是發(fā)現(xiàn)判斷預后的評分系統(tǒng),。

2.方法

前瞻性觀察性研究,。入組from October 2017 to July 2019兩家ICU的患者。

兩位專家根據(jù)下面標準判斷是否存在CLS：水腫,、血管內低容量,、液體正平衡、血流動力學不穩(wěn)定,。

3.結果

篩查220例患者,，30例志愿者（圖1）。

最后CLS入組100例,，非CLS入組95例,。

兩組患者的30d病死率顯著差異（12% vs. 1%, log-rank P = 0.002）。

表1是兩組患者的特征,。與非CLS患者相比,，CLS患者年齡更大，BMI更大,，COPD比例更高,，膿毒癥比例更高，術中出血更多,，液體正平衡更多,。

與非CLS患者相比，CLS患者更多需要兒茶酚胺支持,，正平衡更多,，乳酸水平更高，危重評分更高（SAPS II,、SOFA和APACHE II）（圖2）,。

與非CLS患者相比，CLS患者血液中內皮標志物和炎癥標志物水平更高,。

多變量二分類分析發(fā)現(xiàn),，SOFA評分 (OR16.4 [5–57], P < 0.001), 血管生成素-2 (OR 15.1 [2–120],P = 0.01), 位相角（phase angle）(OR 12.2 [2–77], P = 0.008), 上肢回聲 (OR 8.3 [1–51],P = 0.035), 細胞外質量（extracellular mass） (OR 5.9 [2–24], P = 0.011), 蛋白聚糖（syndecan-1 ）(OR 7.6[2–37], P = 0.012), and ICAM-1 (OR4.4 [1–18], P = 0.008)等與CLS相關（圖3A）。

上述參數(shù)分別計算AUC后,，形成了7個參數(shù)的評分系統(tǒng)（回聲, SOFA評分, 血管生成素-2, 蛋白聚糖-1, ICAM-1, 乳酸和IL-6）,。AUC = 0.899(P < 0.001) ，診斷敏感性0.786,，特異性0.884, PPV=0.88,，NPV=0.792。

機器學習分析的結果如下,。

決策樹分析發(fā)現(xiàn),，采用回聲和血管生成素-2等兩個變量，AUC = 0.865(P < 0.001) ,，診斷敏感性0.815,，特異性0.824, PPV=0.846,，NPV=0.798（圖4AB）。

評估了6個機器學習算法（隨機森林,、梯度提升樹,、概率神經網絡、樸素貝葉斯,、支持向量機和深度神經網絡）的預測能力,。結果發(fā)現(xiàn)隨機森林方法的區(qū)分能力最強，AUC = 0.963(P < 0.001) ,，準確性0.88,，診斷敏感性0.893，特異性0.875, PPV=0.885,，NPV=0. 848（圖4C）,。