拔管后无创通气失败的预测因素

2023-04-02 16:55

这项荟萃分析已将疾病的严重程度和肺炎确定为 NIV 失败的最强预测因素。HR、RR、PF 比率和 RSBI 提供实用的床边参数有助于识别拔管后有 NIV 失败风险的患者。

目标：确定与拔管后无创通气(NIV)失败相关的因素。

数据源：我们搜索 Embase Classic +、MEDLINE 和 Cochrane 系统评价数据库，从开始到 2022 年 2 月 28 日。

研究选择：我们纳入英语语言研究，这些研究提供了拔管后NIV 失败需要重新插管的预测因素。

数据提取：两位作者独立进行数据提取和偏倚风险评估。我们使用随机效应模型来汇集二进制和连续数据，并分别使用比值比 (OR) 和均值差 (MD) 汇总效应估计值。我们使用预后研究质量工具来评估偏倚风险，并使用建议、评估、开发和评估的分级来评估确定性。

数据综合：我们纳入了 25 项研究 ( n = 2,327)。与拔管后NIV 失败几率增加相关的疾病相关因素是较高的危重症严重程度（OR，3.56；95% CI，1.96–6.45；高确定性）和肺炎诊断（OR，6.16；95% CI，2.59 ）–14.66；中等确定性）。与拔管后NIV 失败风险增加的中等确定性相关的临床和生化因素包括较高的呼吸频率（MD，1.54；95% CI，0.61-2.47）、较高的心率（MD，4.46；95% CI，1.67-7.25), 较低的 PaO2 :F io 2（MD，–30.78；95% CI，–50.02 至 –11.54）NIV 启动后 1 小时，以及 NIV 启动前较高的快速浅呼吸指数（MD，15.21；95% CI，12.04–18.38）。体重指数升高是唯一可能与拔管后 NIV 失败的保护作用相关的患者相关因素（OR，0.21；95% CI，0.09-0.52；中等确定性）。

结论：我们在 NIV 启动前和启动后 1 小时确定了几个与拔管后NIV 失败风险增加相关的预后因素。需要精心设计的前瞻性研究来确认这些因素的预后重要性，以帮助进一步指导临床决策。

关键点

问题：哪些因素可以预测拔管后无创通气(NIV) 失败？

结果：我们确定危重疾病严重程度（比值比 [OR]，3.56）和肺炎（OR，6.16）是 NIV 拔管后失败的最强疾病相关预测因子。较低的 Pa o 2 :F io 2（平均差 [MD]，–30.78）、较高的心率（MD，4.46）和较高的呼吸频率（MD，1.54）在 NIV 启动后 1 小时与 NIV 后失败相关-拔管。

意义：肺炎和高疾病严重程度评分与拔管后NIV 失败几率增加相关。在这种情况下接受 NIV 的患者可能会受益于在 NIV 开始后 1 小时进行早期重新评估，以通过重新评估心率、呼吸频率和 Pao2:Fio2 比率来识别有再插管风险的患者。

临床医生的目标是及时、迅速地解放接受有创机械通气 (IMV) 的患者，以最大限度地减少与插管和通气相关的发病率和死亡率。尽管有基于证据的早期有效脱离 IMV 的实践，但拔管失败仍然是一种普遍现象。需要重新插管的患者会增加 ICU 住院时间、插管相关并发症、呼吸机相关感染、死亡率和费用。为了促进高危患者早期脱离 IMV，无创通气(NIV) 越来越多地用于拔管后阶段。多项研究已经证明了拔管患者直接接受 NIV 治疗的有效性，特别是在高危人群中，这些人群通常被认为是疾病严重程度评分较高的老年人，或者患有包括心力衰竭、慢性阻塞性肺疾病在内的合并症的人疾病或其他病因引起的高碳酸血症。最近的一项系统回顾和网络荟萃分析表明，与传统氧疗相比，NIV 降低再插管率，尽管亚组分析表明 NIV 用于预防而非挽救治疗的益处更大。使用 NIV 作为挽救策略仍然存在争议。美国胸科医师学会和美国胸科学会有条件地建议，拔管失败高危患者接受 IMV 至少 24 小时并通过自主呼吸试验 (SBT) 后，应拔管至预防性 NIV。因此，识别拔管后NIV 使用可能失败的患者的能力非常重要，尤其是对于延迟再插管的患者。拔管后预测因子的鉴定NIV 失败可以帮助临床医生识别有再插管风险的患者并帮助临床决策。因此，我们进行了一项系统回顾和荟萃分析，目的是确定和总结与拔管后接受 NIV 的患者拔管后失败相关的预后因素。

方法

协议和注册

我们采用了以前用于解决预后因素的系统评价和荟萃分析的方法。我们根据 PROGnosis RESearch Strategy 小组的建议、预测模型研究系统评价的关键评估和数据提取以及预后因素荟萃分析指南进行审查。该研究方案于 2020 年 9 月在开放科学框架 (10.17605/OSF.IO/GDBJU) 上注册。

搜索策略

我们通过图书馆服务与大学信息专家协商制定了综合搜索策略。搜索包括：Embase Classic + Embase、MEDLINE 和 Cochrane Central Register of Controlled Trials 评论。我们将搜索限制在英语语言研究中，但没有根据日期或质量进行限制。我们搜索了谷歌学者和包含文本的参考文献以进行更多研究。我们于 2022 年 2 月 28 日更新并完成文献检索。

研究选择

我们纳入回顾性和前瞻性观察研究以及随机对照试验 (RCT)。对于 RCT，我们仅包括来自随机接受 NIV 的患者的数据。我们将符合以下标准的研究纳入：1) 成年患者（≥ 18 岁）；2) 在重症环境中使用 NIV；3) 主要包括（≥ 80%）拔管后 48 小时内或拔管后的患者期间（使用作者定义）；4) 检查 NIV 的使用（即断奶、预防或抢救治疗）；5) 评估与 NIV 失败相关的预后因素。我们在相关的地方包括了摘要出版物和未发表的数据。出于本次审查的目的，NIV 包括使用双水平气道正压通气 (BiPAP) 或持续气道正压通气 (CPAP)，包括所有通气模式和接口（口鼻、鼻腔、面罩或头盔）。我们纳入了报告调整后比值比 (aOR) 或未调整比值比 (uOR) 的研究，这些研究评估了与拔管后NIV 治疗失败相关的因素时期。我们还纳入提供事件发生率数据或原始患者数据以计算比值比或拔管后比较 NIV 使用成功与失败的变量的均值差 (MD) 的研究。我们优先使用 aOR 作为最值得信赖的合并估计。在 aOR 不可用的情况下，我们提取了未经调整的数据。我们使用了每位作者对 NIV 失败的定义。如果未提供定义，则将重新插管用作 NIV 失败的替代指标。我们在需要时联系了作者以获取缺失的数据。我们排除了儿童研究、病例报告评论文章和病例系列。我们使用 Covidence 软件（澳大利亚维多利亚州墨尔本）分两个阶段独立和重复地筛选研究。在第一阶段，我们审查了搜索确定的标题和摘要，任何被认为可能符合条件的研究然后进行第二阶段的全文审查。我们在审核过程中通过讨论解决分歧。

数据提取和质量评估

我们使用预先设计的数据提取表独立并一式两份地从每篇文章中提取数据。我们收集了研究特征，包括作者、年份、患者和研究特征、NIV 失败的定义、临床和生化数据、单变量和多变量分析中确定的预测因素以及具有 95% CI 的相关 aOR。对于报告了多种效果测量的研究，我们为每个因素提取了更值得信赖的点估计（例如，如果两者都被报告，则有利于调整分析而不是未经调整的分析）。在为多个时间点提供临床或生化数据的情况下，我们优先考虑在 NIV 开始之前或之时以及使用 NIV 后 1 小时的数据。我们使用预后研究质量工具独立评估纳入研究的偏倚风险。使用此工具，我们评估六个领域的偏倚风险和与研究问题的相关性，包括研究参与、研究流失、预后因素测量、结果测量、其他预后因素的调整以及统计分析和报告。分歧通过讨论解决。

数据综合

从可用数据中提取或计算 MD 和 uOR 或 aOR。Review Manager 软件（5.4 版，丹麦哥本哈根）用于使用逆方差统计和随机效应模型对 MD 数据和比值比进行荟萃分析。我们分别汇集了 uOR 和 aOR。我们使用I2统计量、同质性卡方检验和森林图的目视检查来评估统计异质性（不一致性）。进行亚组分析以比较 NIV 的抢救性和预防性使用以及 NIV 在外科和医疗人群中的使用结果。一位作者 (BR) 使用推荐分级、评估、开发和评估 (GRADE) 方法来评估汇总估计的确定性和与 NIV 失败的关联。我们使用 GRADE 域将证据的确定性评估为高、中、低或非常低。为了与预后审查的方法保持一致，观察数据以“高确定性”开始，如果在任何 GRADE 域中发现问题，则降级。我们使用指南开发工具 (gradepro.org) 创建了 GRADE 证据概况，并使用信息性陈述来传达我们的发现。与之前的指南一致，高确定性关联被描述为“相关”，中等确定性被描述为“可能相关”，低确定性被描述为“可能相关”。

结果

搜索结果

我们确定了 2,727 次引用（图 1）。我们在删除重复项后筛选 2,650 份摘要，最终确定了 317 项研究以进行全文审查。二十五项研究 (n = 2,327) 被纳入最终分析。NIV 主要用作术后人群急性呼吸衰竭(ARF) 的抢救疗法 ( n = 1,061, 38.9%) 和预防性 (n = 988, 36.2%) 进入重症监护环境的内科患者。IMV 与 NIV 脱机是只有一项研究的重点 (n = 30) 而另一项研究中的少数患者 (n = 17)。仅在两项研究中专门使用了 CPAP 。这些都包括在预防性使用分析中。在拔管后设置中，NIV 失败的总体发生率估计在预防性使用子集中为 20% ( n = 993)，在救援 NIV 子集中为32% (n = 1,168)。普通 ICU 患者的抢救 NIV 失败率最高 (47%，n = 163)。而非心脏 ( n = 588) 和心脏 (n = 417) 手术患者的失败率为 30%。我们总结了作者对拔管后NIV 失败的定义补充表 6 。我们认为大多数纳入研究（表 10）在研究损耗、预后因素测量和结果测量领域的偏倚风险较低。许多研究被认为在选择性亚组（即特定术后人群）的背景下对研究参与者具有中度偏倚风险。由于为我们的研究分析目的而提取的未经调整的 MD 数据，一些研究被认为在调整和统计报告中存在高偏倚风险。

拔管后NIV 失败的预测因素

补充材料中提供了所有预后因素的森林图GRADE 确定性评估和基本原理详见补充表 11 。对于每个预后因素，对救援与预防性 NIV 以及内科与手术患者进行了亚组分析。在两个亚组分析中，精度均有所降低，但关联方向对于任何预后因素都没有改变。同样，排除研究数据的敏感性分析，对所有预后因素进行了专门的 CPAP。当 CPAP 数据从剩余数据中排除时，关联没有变化。

患者相关因素

根据作者的定义，肥胖可能在汇总调整数据中对 NIV 失败具有保护作用（aOR，0.21；95% CI，0.09–0.52；中等确定性）。肥胖被定义为体重指数 (BMI) 超过 25 kg/m 2 或超过 30 kg/m 2。

疾病相关因素

在使用抢救和预防策略的拔管后NIV 组中，NIV 前测量的疾病严重程度评分增加与 NIV 失败风险增加相关，合并 aOR 为 3.56（95% CI，1.96–6.45；高确定性）。该汇总数据包括急性生理学和慢性健康评估 (APACHE) II、序贯器官衰竭评估 (SOFA) 和简化急性生理学评分 (SAPS) II 疾病评分，这些评分基于总共 384 名入住 ICU 患者的数据。几项研究分析了拔管后呼吸衰竭的病因，作为这种情况下 NIV 失败的预测因素。发现肺炎患者拔管后NIV 失败的风险可能增加（aOR，6.16；95% CI，2.59–14.66；中等确定性）。尽管没有可用的调整数据，但肺不张作为拔管后呼吸衰竭的病因可能对拔管后NIV 具有保护作用（uOR，0.34；95% CI，0.13-0.88；低确定性）。调整后的分析表明急性呼吸窘迫综合征的存在与拔管后的关联不确定NIV 失败（aOR，18.33；95% CI，3.51-95；非常低的确定性），尽管未经调整的数据更多，但估计没有提供信息，并且基于非常低的确定性证据。

临床和生化因素

拔管后呼吸频率 (RR)升高可能与拔管后NIV 失败有关，因为经历过失败的患者在拔管后 1 小时有更高的 RR（MD，4.82；95% CI，1.12-8.52；中等确定性）和在 NIV 开始时（MD，2.33；95% CI，1.62-3.04；中等确定性）。同样，拔管后心率 (HR)升高可能与失败有关；他们在拔管后 1 小时（MD，7.60；95% CI，2.62-12.59；中等确定性）和 NIV 启动时（MD，4.39；95% CI，1.09-7.70；中等确定性）也有更高的 HR . 在拔管失败和成功的患者中，平均动脉压之间没有临床上重要的差异NIV 疗法。拔管后NIV 失败的患者也被证明在拔管前具有较高的快速浅呼吸指数 (RSBI)，并且可能与 NIV 失败有关（MD，15.21；95% CI，12.04-18.38；中等确定性）（表3）。在NIV开始后1小时（MD，–102.05；95% CI，–145.95 至 –58.15）和 NIV 开始前（MD，–30.78；95% CI ，– 50.02 至 –11.54；中等确定性）与 NIV 失败相关。在 NIV 启动后 4-6 小时汇总 PF 比率的可用 MD 数据并未表明临床差异（表3）。

讨论

在拔管后期间使用 NIV已被证明可以减少再插管。然而，关于预测 NIV 在这种情况下使用失败的因素知之甚少。提高我们对 NIV拔管后预测失败因素的了解有可能有助于临床决策，并在需要时避免延迟再插管。据我们所知，这是第一项系统回顾文献以预测拔管后NIV 失败的因素的研究。我们确定了几个与拔管后NIV 失败相关的中等或高度确定性的重要因素包括较高的疾病严重程度、肺炎的存在、较高的 HR 和 RR 在开始时和 NIV 开始后 1 小时，以及较低的 PF 比率在 NIV 开始时和在 NIV 开始后 1 小时。此外，肥胖对拔管后NIV 失败有保护作用。值得注意的是，这些结果与更新后的 HACOR（HR、酸中毒、意识、氧合、RR）评分有相似之处。该评分使用生命体征、血气和格拉斯哥昏迷量表参数以及其他特征（例如呼吸窘迫的病因和疾病严重程度）对 NIV 失败的风险进行分层。疾病严重程度是拔管后NIV 失败的重要预测因素，并且这一发现在包括 SAPS II、APACHE II 和 SOFA 评分在内的多个危重疾病严重程度评分以及手术和医疗 ICU 患者。就诊时疾病的严重程度可能会通过影响插管的最终持续时间以及随之而来的神经肌肉无力和呼吸机撤机来影响拔管后结果。最近的证据表明，疾病的严重程度是所有拔管后人群的重要考虑因素，而不仅仅是接受 NIV 的人群。在对通过 SBT 的 IMV 患者拔管失败预测因子的荟萃分析中，发现 ICU 入院时的 SAPS II 是多变量分析失败的重要预测因子。在我们的研究中，肺炎作为 ARF拔管后的病因是 NIV 失败的最强预测因子。值得注意的是，肺炎引起的 ARF 的可用调整数据反映了完全使用抢救 NIV 治疗来防止再插管的术后 ICU 人群。然而，这些发现与我们对术后和内科患者的未经调整的分析一致。虽然我们的数据不足以评估初始肺炎插管是否也是拔管后NIV 使用失败的预测因素，最近的一项荟萃分析表明，插管时肺炎的诊断是所有患者拔管失败的预测因素。

总而言之，临床医生在考虑使用 NIV 来避免对有持续肺炎证据的患者重新插管时应谨慎。我们还发现，在继续重新插管的患者中，包括 HR 和 RR 在内的选定临床参数更高。这些发现可能反映潜在病理和心肺储备背景下的生理压力程度。在 NIV 失败队列中进行类似的生理学观察，NIV 前 HR 和 RR 提示拔管后的潜在失败。同样，NIV 启动前较高的 RSBI 和较低的 PF 比率与拔管后NIV 失败相关，并可能反映肺实质病变的潜在严重程度。有趣的是，其他人发现，在所有拔管患者中，无论是否拔管后NIV，类似的参数预测失败的风险。我们的数据强调了在拔管后1 小时对使用 NIV 的患者进行早期重新评估的重要性，以确定那些需要重新插管的风险较高的患者。这在术后患者中得到了其他支持，其中 1 小时 PF 比率降低或没有改善与拔管后失败相关。对于拔管后使用 NIV 的患者，BMI 升高似乎是再插管的保护因素。我们审查的两项研究发现，BMI 升高与拔管后ARF的 NIV 失败率降低独立相关，阈值确定为心脏手术后患者的BMI 大于 30 kg/m 2或大于 25 kg/m2。这一发现得到了涉及内科 ICU 患者的研究的未经调整的数据的支持，从而表明预防性 NIV 也降低了该人群的再插管率。肺泡塌陷的更大倾向、肥胖低通气综合征和阻塞性睡眠呼吸暂停的流行以及对术中镇静药物的呼吸抑制作用的敏感性可以解释这些发现。应该注意的是，由于可用于荟萃分析的数据有限，因此纳入了包括内科、心脏手术和非心脏手术患者在内的广泛患者群体。此外，还包括预防和救援策略以及 CPAP 和 BiPAP。这并不意味着 NIV 在所有临床环境中的使用都是平等的。

事实上，拔管后NIV 成功率因患者人群而异（表 1）。然而，尽管患者人群存在异质性，但注意到相似的变量会影响拔管后NIV 失败和亚组证明了给定参数对结果的一致正面或负面影响。这向作者表明，在评估拔管后NIV 失败时，这些生理和患者因素具有一定程度的普遍性。我们的研究有一些局限性。首先，虽然调整后的数据优先包含在研究中，但它们很少，因此 uOR 和 MD 数据也被包含在内，以捕获与拔管后NIV 失败相关的潜在重要因素。尽管如此，未经调整的数据与 GRADE 确定性降低相关。其次，在我们的荟萃分析中评估的患者总数受到纳入研究的小样本量的限制，GRADE 分析也考虑到了这一点。第三，可能还有其他重要因素可预测拔管后NIV 失败由于缺乏可用数据，我们的研究未发现这些问题。其他感兴趣的变量可能包括意识水平、虚弱和排痰困难、腹胀、镇静剂的选择和在 IMV 期间可能使用的麻痹、使用的 NIV 设置、相关时进行的手术类型，以及先前存在的医疗状况，包括阻塞性气道或喉气管或神经肌肉疾病。第四，可以得出结论，我们的结果可能代表过早拔管而不是 NIV 失败；然而，撤机方案和拔管标准，尽管在个别研究中没有标准化，这应该有助于确保临床优化和限制早期拔管。第五，NIV 失败的回顾性数据可能包括这样的患者，在这些患者中，这只是作为插管的桥梁，而不是临床改善的桥梁。最后，我们专门检查了接受 BiPAP 和 CPAP 并排除高流量鼻插管 (HFNC) 的患者。这可能会限制我们的研究对更广泛患者的普遍性拔管后时期。为此，我们无法评论 HFNC 与 NIV 结合的能力，这是正在进行的研究课题。我们的研究结果表明，几个现成的床边参数可以让临床医生深入了解拔管后NIV 失败的预期风险。未来的工作将旨在进一步确定重要的临床和生化变量，以构建风险评分，以便更好地对床边患者风险进行分层。特别感兴趣的是拔管前 SBT 期间心率变异性 (HRV) 和呼吸率变异性 (RRV) 与拔管失败的关联。使用这些指标，与临床实践中使用的生理变量相比，SBT 期间从 RRV 得出的模型在预测拔管失败方面提供了更高的预后准确性，特别是在高风险患者中。考虑到这些重要参数与 NIV 失败的关联拔管后，未来在使用 NIV 期间调查 HRV 和 RRV，或 RR 和 HR 的变化率，可以更早地了解 NIV 反应。

结论

这项荟萃分析已将疾病的严重程度和肺炎确定为 NIV 失败的最强预测因素。HR、RR、PF 比率和 RSBI 提供实用的床边参数有助于识别拔管后有 NIV 失败风险的患者。此外，我们提倡在这种情况下接受 NIV 的患者将受益于在 NIV 开始后 1 小时进行早期重新评估，以通过重新评估 HR、RR 和 PF 比率来识别有再插管风险的患者。最终，我们的审查结果为更好地理解和进一步调查拔管后使用 NIV以帮助临床决策提供基础。

94781680391704063