刘 阳，魏路清，李国强，于 鑫，李国峰

目前循证医学证据表明，在呼吸机撤离前进行30～120 min的自主呼吸试验(SBT)是预测综合ICU患者是否能够成功拔除气管插管(简称拔管)的最好方式；对于SBT成功的患者通常建议拔管[1-2]。但是，即使SBT成功的患者也存在12%～25%的拔管失败率[2-5]。无论延迟拔管还是拔管失败均显著增加患者病死率[6]。因此选择准确性较高的拔管预测指标一直是ICU医师研究的焦点所在。多数预测指标只反映瞬间的状态，而拔管失败的患者在SBT过程中表现出的是多种生理学指标的动态变化[1，7]。因此单一的、单点的呼吸生理学参数测量，如呼吸浅快指数(RSBI)，常不能反映动态的、多种生理学指标异常的过程，预测准确性较低。笔者曾在小样本的研究中证实，对于呼吸ICU的老年机械通气患者，使用决策树技术，将多种呼吸生理学参数进行整合，形成数学模型可提高对拔管结果预测的准确性[8]。因此本研究旨在进一步证实由决策树技术形成的数学模型对于综合ICU成人机械通气患者拔管结果的预测价值。

1 资料与方法

1.1 研究对象 选取2008年12月—2012年12月武警后勤学院附属医院综合ICU收治的气管插管机械通气时间超过48 h的患者571例，其均使用具有自动管道补偿(ATC)功能的呼吸机。本研究经本院伦理委员会同意。

1.2 方法 呼吸机采用Evita-4或Evita-XL型(Draeger，Lubeck，Germany)，患者在进行SBT前均使用压力支持模式通气，外源性呼吸末正压(PEEPe)=5 cm H2O(1 cm H2O=0.098 kPa)。若患者符合2007版撤机指南中规定的撤机程序准入标准[2]，立即进入60 min ATC模式下的SBT。如果患者耐受SBT，由主治医生评估患者的气道保护能力和咳痰能力后，做出是否拔管的决定。如果患者在SBT试验中的任何时间出现不耐受[2]，则立即停止试验，给予非疲劳性通气支持。关于是否耐受SBT完全由患者的主治医生独立决定，主治医生对该试验的设计目的和试验数据完全不知情。

1.3 SBT结果的判定 将不能耐受SBT，在60 min内重新给予通气支持的患者定义为SBT失败，不进入最后的数据分析。将SBT成功的患者又分别纳入拔管成功(ES)组和拔管失败(EF)组。ES是指SBT成功，且拔管后能够在无任何通气支持的条件下维持自主呼吸超过48 h。EF是指SBT成功，拔管后48 h内，需要重新气管插管或需要使用无创机械通气。

1.4 观察指标 (1)一般资料：记录患者心率、平均动脉压、急性生理和慢性健康状况评分Ⅱ(APACHE Ⅱ)、机械通气时间等；(2)生理学参数：在SBT开始后1、30、60 min测量患者呼吸浅快指数(RSBI)、分钟通气量(VE)、口腔阻断压(P0.1)、P0.1×RSBI和SBT 30 min时RSBI变化率(ΔRSBI30)。RSBI=f(呼吸频率，次/min)/VT(潮气量，L)。ΔRSBI30= RSBI30/RSBI1×100%(RSBI30=SBT开始后30 min时测得的RSBI，RSBI1=SBT开始后1 min时测得的RSBI)。将RSBI≤105 次· min-1· L-1作为预测ES的临界值[8]。

2 结果

2.1 两组一般资料比较 共纳入451例患者，其中ES组376例，EF组75例。两组患者年龄、平均动脉压、APACHE Ⅱ评分比较，差异均无统计学意义(P>0.05)。ES组心率、机械通气时间低于EF组，差异均有统计学意义(P<0.05，见表1)。

表1 两组患者临床资料比较

注：APACHE Ⅱ=急性生理和慢性健康状况评分Ⅱ

2.2 两组生理学参数比较 组间比较显示，SBT开始后1、30、60 min ES组RSBI、P0.1、P0.1×RSBI均低于EF组，差异有统计学意义(P<0.001)；SBT开始后1、30、60 min两组VE比较，差异无统计学意义(P>0.05)。组内比较显示：ES组RSBI、P0.1×RSBI在SBT开始后30、60 min均低于SBT开始后1 min，VE、P0.1在SBT开始后30、60 min均高于SBT开始后1 min，差异有统计学意义(P<0.05)；EF组RSBI、VE、P0.1、P0.1×RSBI在SBT开始后30、60 min均高于SBT开始后1 min，差异有统计学意义(P<0.05，见表2)。ES组ΔRSBI30为(98±36)%，EF组为(130±63)%，ES组ΔRSBI30低于EF组，差异有统计学意义(t=-6.200，P<0.001)。

2.3 各生理学参数预测ES的价值 各生理学参数预测ES准确性比较，差异有统计学意义(χ2=53.4，P<0.05)。P0.1×RSBI和ΔRSBI30预测RS的ROC曲线见图1。以P0.1×RSBI30≤384(cm H2O·次·min-1· L-1)预测ES的AUC为(0.87±0.03)，与AUC=0.5比较，差异有统计学意义(z=13.8，P<0.001，见表3)。

注：▲为界值点

图1 P0.1×RSBI和ΔRSBI预测ES的ROC曲线

Figure1 ROC curve of P0.1×RSBI and ΔRSBI for predicting of ES

表2 两组患者生理学参数比较

注：与ES组比较，*P<0.05；与SBT开始后1 min比较，△P<0.05；RSBI=呼吸浅快指数，VE=分钟通气量，P0.1=口腔阻断压

表3 各生理学参数预测ES的价值

注：与AUC=0.5比较，*P<0.001；SE=标准误

2.4 决策树模型 CRT分析选择P0.1×RSBI30、ΔRSBI30作为解释变量对患者进行分类，决策树的目标变量为ES。CRT选择可以导致两个分割后的子节点不纯性最低的分割变量数值作为该节点的最终分割变量，P0.1×RSBI30界值点为388 cm H2O· 次· min-1· L-1，ΔRSBI30界值点为100%，最终分割为精确、类似同质的子集合(见图2)。如果P0.1×RSBI30>388 cm H2O· 次· min-1· L-1且ΔRSBI30>100%，则该分类中只包括EF患者，无ES患者；如果P0.1×RSBI30>388 cm H2O· 次· min-1· L-1且ΔRSBI30≤100%，则该分类中97.8%(45/46)为ES患者，2.2%(1/46)为EF患者。决策树模型预测ES的灵敏度为100.0%，特异度为81.3%，阳性预测值为96.4%，阴性预测值为100.0%，准确性为96.8%，AUC为(0.91±0.02)，与AUC为0.5比较，差异有统计学意义〔95%CI(0.88，0.93)，z=17.96，P<0.001〕。决策树模型预测ES的AUC和准确性均高于P0.1×RSBI30，差异有统计学意义(z=2.168，P=0.047；χ2=29.2，P<0.001)。

图2 判断ES的决策树模型

3 讨论

撤机是机械通气管理中至关重要的环节，占用了大量的临床资源。一般认为，撤机是指两个分开但又密切相关的过程，即SBT和拔管[6]。因此，SBT失败或SBT成功但是拔管失败均称为撤机失败。Epstein[13]认为预测拔管结果的临床意义较大，主要是由于SBT较易在床旁实施，而且相对安全，没有证据表明SBT失败会导致患者预后不良[6]；然而拔管失败的患者病死率、ICU住院时间、机械通气时间均较成功者显著升高[2，14]。因此，本研究主要探讨SBT成功患者拔管后的结果。

RSBI、P0.1和相关衍生参数是普遍得到认可的预测拔管结果的指标[15]。RSBI最早由Yang等[16]在1991年提出，并肯定了其对拔管结果的预测价值。RSBI反映了拔管失败患者常见的呼吸浅快的呼吸模式，但其预测ES的缺陷在于灵敏度较高，特异度相对不足，具有较高的假阳性率和较低的阳性预测值。本研究以RSBI1≤105 次· min-1· L-1预测ES，结果显示，阳性预测值为86.4%，阴性预测值为26.5%，表示RSBI1>105 次· min-1· L-1预测会失败的患者中，实际上有73.5%的ES患者，因此将其应用至临床将导致严重的延迟拔管[17]。有研究认为，1 min不足以使EF患者的呼吸驱动发生改变，不能反映呼吸功、RSBI的真实情况。提示参数的测量应在SBT开始后30 min或者之后[7，15，18]。本研究结果显示，以ΔRSBI30≤105%预测ES，灵敏度为88.0%，特异度为61.3%，阳性预测值为91.9%，阴性预测值为50.5%，准确性为83.6%，AUC为0.82，与Segal等[19]研究结果基本一致。但是较低的阴性预测值仍是限制RSBI应用于临床预测的直接障碍。

P0.1是指在功能残气位关闭气道并测定吸气启动后0.1 s时的气道内压力值，可较为客观地反映中枢驱动水平。EF患者在SBT过程中常发生进行性的呼吸负荷加重，而ES患者的呼吸负荷在SBT过程中是稳定的。P0.1与呼吸负荷或呼吸功具有良好的相关性，使P0.1成为理想的预测拔管结果参数[20]。近年来，较多学者利用P0.1×RSBI预测拔管结果，取得了较好的效果。本研究以P0.1×RSBI30≤384 cm H2O· 次· min-1· L-1预测ES，结果显示，灵敏度为88.0%，特异度为82.7%，阳性预测值为96.2%，阴性预测值为57.9%，准确性为87.1%，AUC为0.87，与Nemer等[21]研究结果基本一致。表明P0.1×RSBI30≤384 cm H2O·次·min-1· L-1预测ES准确性较高，但阴性预测值仍较低，依然会导致患者延迟拔管。

基于单点测量的呼吸生理学参数(包括不同时间点的P0.1×RSBI、RSBI以及能反映动态生理学变化的ΔRSBI30)均不能理想的预测拔管结果。因此，如何将多种参数的信息有效整合，形成具有临床可操作性的逻辑流程将是研究的重点。本研究选择CRT法建立决策树，CRT法可处理大量的变量，不受变量类型和分布的影响，且比其他建模方式(如逻辑回归)更有效地发现变量间的交互作用；同时CRT模型的预测准确度与逻辑回归比较无差异[22-24]。更为重要的是，CRT的树形结构易于理解，可以较快的转化为临床实践的工具[23]。

本研究将决策树模型应用到综合ICU的全部成人患者，结果显示，P0.1×RSBI30、ΔRSBI30作为解释变量，对患者进行了精确地区分。在此模型中，ΔRSBI30对P0.1×RSBI30进行了有益的补充。当P0.1×RSBI30≤388 cm H2O·次·min-1· L-1，ΔRSBI30没有被CRT选择；表明针对不同组别的患者应该选择不同的参数。这正是决策树的优势所在，“个性化”地预测拔管结果使得决策树的准确率显著高于单一的参数。决策树模型预测ES不仅灵敏度、特异度较高，而且阴性预测值为100.0%，准确性为96.8%，克服了单一参数预测造成的延迟拔管的弊端。

综上所述，采用决策树模型预测拔管结果，可以将动态、静态参数信息有效整合，相比单一参数不仅具有较高的准确性，而且不会导致延迟拔管，具有临床可操作性，值得推广。但本研究是单中心研究，结果是否可应用于其他人群、是否有较强的可扩展性，还需进一步行大样本、多中心的研究进行外部验证。

来自本文更多的信息：

决策树采用“完全生长”，事后修剪(Postpruning)模式。本研究决策树的生成采用CRT(classification and regression tree model)算法，其是一种完全的二叉树型非参数方法，即在整体样本数据(根节点)的基础上，进行二分类节点划分，在树的不同深度、不同节点，通过选择分割变量(如本研究中的P0.1×RSBI30、ΔRSBI30)将数据逐渐分割为精确、类似同质的子集合。

所有两组间(如本研究中的ES和EF组)差异有统计学意义的变量均进入CRT模型，成为潜在的分割变量。在决策树的每个节点，为了找到最佳分割变量，CRT算法尝试所有的潜在分割变量及其每个界值点。CRT在某一个节点选择最终分割变量的依据是：选择可以导致两个分割后的子节点不纯性最低的分割变量以及其对应的数值，作为该节点的最终分割变量。两个分割后的子节点不纯性可以使用Gini Index量化。对于二值分类变量(如本研究中患者可分为ES和EF两个类别)，在节点t的Gini index可以表示为G(t)=1-p(t)2-〔1-p(t)〕2,其中p(t)代表在节点t第一分类(class 1，本研究中为ES)的频率。>

1 Thille AW，Cortés-Puch I，Esteban A.Weaning from the ventilator and extubation in ICU[J].Curr Opin Crit Care，2013，19(1)：57-64.

2 Boles JM，Bion J，Connors A，et al.Weaning from mechanical ventilation[J].Eur Respir J，2007，29(5)：1033-1056.

3 Esteban A，Alía I，Tobin MJ，et al.Effect of spontaneous breathing trial duration on outcome of attempts to discontinue mechanical ventilation.Spanish Lung Failure Collaborative Group[J].Am J Respir Crit Care Med，1999，159(2)：512-518.

4 Uusaro A，Chittock DR，Russell JA，et al.Stress test and gastric-arterial PCO2measurement improve prediction of successful extubation[J].Crit Care Med，2000，28(7)：2313-2319.

5 Perren A，Previsdomini M，Llamas M，et al.Patients′ prediction of extubation success[J].Intensive Care Med，2010，36(12)：2045-2052.

6 Macintyre NR.Evidence-based assessments in the ventilator discontinuation process[J].Respir Care，2012，57(10)：1611-1618.

7 Jubran A，Grant BJ，Laghi F，et al.Weaning prediction：esophageal pressure monitoring complements readiness testing[J].Am J Respir Crit Care Med，2005，171(11)：1252-1259.

8 Liu Y，Wei LQ，Li GQ，et al.A decision-tree model for predicting extubation outcome in elderly patients after a successful spontaneous breathing trial[J].Anesth Analg，2010，111(5)：1211-1218.

9 DeLong ER，DeLong DM，Clarke-Pearson DL.Comparing the areas under two or more correlated receiver operating characteristic curves：a nonparametric approach[J].Biometrics，1988，44(3)：837-845.

10 Bewick V，Cheek L，Ball J.Statistics review 13：receiver operating characteristic curves[J].Crit Care， 2004，8(6)：508-512.

11 Molinaro AM，Simon R，Pfeiffer RM.Prediction error estimation：a comparison of resampling methods[J].Bioinformatics，2005，21(15)：3301-3307.

12 Goto Y，Maeda T，Goto Y.Decision-tree model for predicting outcomes after out-of-hospital cardiac arrest in the emergency department[J].Crit Care，2013，17(4)：R133.

13 Epstein SK.Weaning from ventilatory support[J].Curr Opin Crit Care，2009，15(1)：36-43.

14 Thille AW，Harrois A，Schortgen F，et al.Outcomes of extubation failure in medical intensive care unit patients[J].Crit Care Med，2011，39(12)：2612-2618.

15 BouAkl I，Bou-Khalil P，Kanazi G，et al.Weaning from mechanical ventilation[J].Curr Opin Anaesthesiol， 2012，25(1)：42-47.

16 Yang KL，Tobin MJ.A prospective study of indexes predicting the outcome of trials of weaning from mechanical ventilation[J].N Engl J Med，1991，324(21)：1445-1450.

17 Chastre J，Fagon JY.Ventilator-associated pneumonia[J].Am J Respir Crit Care Med，2002，165(7)：867-903.

18 Chatila W，Jacob B，Guaglionone D，et al.The unassisted respiratory rate-tidal volume ratio accurately predicts weaning outcome[J].Am J Med，1996，101(1)：61-67.

19 Segal LN，Oei E，Oppenheimer BW，et al.Evolution of pattern of breathing during a spontaneous breathing trial predicts successful extubation[J].Intensive Care Med，2010，36(3)：487-495.

20 Nemer SN，Barbas CS.Predictive parameters for weaning from mechanical ventilation[J].J Bras Pneumol， 2011，37(5)：669-679.

21 Nemer SN，Barbas CS，Caldeira JB，et al.A new integrative weaning index of discontinuation from mechanical ventilation[J].Crit Care，2009，13(5)：R152.

22 Yoo W，Ference BA，Cote ML，et al.A comparison of logistic regression，logic regression，classification tree，and random forests to ldentify effective gene-gene and gene-environmental interactions[J].Int J Appl Sci Technol，2012，2(7)：268.

23 Adams ST，Leveson SH.Clinical prediction rules[J].BMJ，2012，344：d8312.

24 Brown LM，Calfee CS，Matthay MA，et al.A simple classification model for hospital mortality in patients with acute lung injury managed with lung protective ventilation[J].Crit Care Med，2011，39(12)：2645-2651.