麻醉深度和大手术后并发症: 一项国际,随机对照试验--晚课学习

大量的观察性研究探索了麻醉深度增加与死亡率之间的关系，表明麻醉深度的增加与术后生存率的降低有关，但是缺乏来自随机对照试验的证据。所以这篇文章的目的是比较大手术随机分配轻或深度全身麻醉的老年患者的1年全因死亡率。

BIS

▲BIS是目前以脑电来判断镇静水平和监测麻醉深度较为准确的一种方法,也可以对麻醉深度进行个体化调控。

▲所有已发表的同类研究都使用脑电双谱指数(BIS)来测量麻醉深度。

▲推荐的轻度镇静是BIS65－85，深度镇静为BIS40－65，当BIS＜40时，原始脑电图爆发抑制。

目前研究现状？

*麻醉深度对手术患者的近期预后与远期转归的影响是麻醉学领域近几年来关注的重点。

*大量观察性研究的meta分析显示，深度麻醉导致死亡率增加21% 。

*在一些观察性研究发现，一些BIS值较低的病人吸入麻醉药用量实际并不高，这提示了麻醉敏感性人群的存在。所以，全麻过程中，低BIS值（深度麻醉）到底是不良预后的原因呢，还是麻醉敏感性人群体弱的标志，预示着术后不良结局呢？

纳 入 标 准

▶年龄在60岁以上，
▶ASA分级为3、4级，
▶预计手术时间超过2小时， 
▶预计住院时间至少2天，

▶患者接受挥发性全身麻醉，（联合或不联合局部麻醉）

排 除 标 准

▶无法放置电极片和监控BIS者，
▶计划进行唤醒测试，
▶使用氧化亚氮、丙泊酚输注维持麻醉，或氯胺酮输注速度超过25mg/h，
▶预期1年内无法保持随访者

随机化

▶手术当天，患者完成了12项世卫组织残疾评估表(WHODAS 2.0)和查尔森合并症指数调查表。

▶利用网络按地区进行8区组随机化，以1:1的比例将患者随机分配到BIS目标50组或BIS目标35组。

盲法

▶麻醉医生对病人的分组有一定的了解。
病人和负责术后病人评估的研究人员并不知道分组。

▶在整个试验过程中，一名没有参与其他试验的数据分析人员对BIS目标的遵守情况进行了监控。对不满意的中心进行积极管理，如果有必要，中心退出试验。尽可能使用电子记录，以避免有记录偏差。

主要结局指标：

1年全因死亡率

次要结局指标次要结局指标：

心肌梗塞、心脏骤停、肺栓塞、脑卒中、脓毒症、手术部位感染、总重症监护室时长、住院时间、术中知晓、在术后30天,一年的WHODAS 2.0得分、无病生存情况（WHODAS 2.0的评分在一年后下降不到4点)、术后持续性疼痛、和肿瘤复发情况。

样本量计算

▶初步分析均为意向性分析。

▶主要结局指标采用按地区分层的Log-rank检验进行组间比较。结果用Cox回归模型生成的风险比(HRs)的95% CI表示。失去随访的病人被审查到他们出院后知道还活着的最后时间。取双尾p值0.049表示有统计学意义。
假定所有1年后失访的患者为死亡，并进行了敏感性分析。

▶次要结局指标采用Mantel-Haenszelχ²检验按地区分层进行组间比较，并总结为常见优势比(OR)和95% CI。对次要结果应用了Holm-Bonferroni检验。

▶在将所有BIS均值超过目标值5个单位的患者、失访的患者和严重违反协议的患者移除后，也进行了符合方案集分析，其中包括不符合试验纳入标准的患者和无意中接受了违禁药物维持麻醉的患者。

生存分析是将终点事件的出现与否和出现终点事件所经历的时间结合起来的一种统计分析方法。

通俗来讲，“一个个体能活多久”这个问题谁也无法回答，但通过对某一具有相同特质的群体进行数据分析，我们可以得到这类人活过一定时间的概率。这就叫做生存分析。

主要包括以下三个方面内容：

1.描述生存过程

研究生存时间的分布特点，估计生存率及平均存活时间，绘制生存曲线等，根据生存时间的长短，可以估算出各个时点的生存率，并根据生存率来估计中位生存时间，也可以根据生存曲线分析其生存特点，一般使用Kaplan-Meier法和寿命表法。

2.比较生存过程

获得生存率及其标准误的估计值后，可以进行两组或多组生存曲线的比较，也就是得到了其生存过程的比较，以探讨各组间的生存过程是否存在差异，一般使用Log-rank检验和Breslow检验。比如针对某种疾病有两种治疗方式，对比这两种治疗下患者的生存曲线，就可以得出哪种治疗方式更有效。

3.分析危险因素

是通过生存分析模型来探讨影响生存时间和终点事件的保护因素和不利因素，因素作用的大小及方向，相对危险度的大小，基本使用Cox回归模型。

如果我们只是想考察不同分组变量的结局变量是否相同（如本例如果只想考察不同分组的术后并发症发生率是否相同），采用简单的卡方检验就可以了；但如果我们想考察随着分组变量的变化，结局变量发生率是否在增加或减少，则需要使用Mantel-Haenszel卡方检验。

进行Mantel-Haenszel卡方检验，需要满足以下两个假设。

假设1：其中一个变量是有序分类变量。
假设2：另一个变量是有序分类变量（或二分类变量）。

举例：现在检验BIS50和BIS35组两组人之间术后心梗发生率差异是否显著（事实上假设BIS50组和35组之间是没有差异）那么，当我们设定α= 0.05时，有5%的概率得到两组有差异（其实此时该结论是错误的，尽管对应的统计出来的P值小于0.05）。那么，现在类似的检验再增加n个，即比较两组的心脏骤停、肺栓塞、脑卒中......发生率差异是否显著。

假设BIS50组和BIS35组这n个特性其实都是一模一样的，那么，在α= 0.05的情况下，通过统计得出BIS50组和BIS35组的确毫无差异的概率为P心梗 × P心跳骤停 ×P肺栓× P脑卒中 × ……× Pn =

0.95n。也就是说，通过刚才所运用的统计检验来检测两组的确没有差异的概率为0.95n，换言之，这n次检测中至少会有一项差异显著的概率为1-0.95n即，通过错用的统计检验，会有1- 0.95n的概率得到至少一个特性在两组间是差异显著的（即使我们假设了n组检验事实上是没有差异的），该结论在“事实上n个特性在两组间毫无差异的前提”下，是不对的，所以我们需要对此进行校正。