周越，张杰，潘宇帆，戴雨，孙羽健，肖益，余雨枫

（成都中医药大学护理学院，四川成都 610032）

机械通气（mechanical ventilation）是指患者在自然呼吸受阻或氧合功能受损时， 借助呼吸机达到有效通气并改善氧合的治疗手段，尤其是ICU 患者的重要高级生命支持技术之一。接受机械通气的患者，其呼吸肌长时间处于废用状态，再加上长期卧床，从而易出现呼吸肌无力、肌肉萎缩、反射减少等获得性衰弱表现[1]。 获得性衰弱（acquired weakness，AW）是患者无明确原因而继发的一种广泛性肢体乏力综合征，其临床表现为呼吸衰竭伴脱机困难、四肢瘫或轻瘫、肌无力和反射减少[2]，在机械通气患者中以ICUAW 最为常见。 目前临床应用较多的诊断方法为医学研究理事会评分（Medical Research Council，MRC），即间隔24 h 的2 次MRC 平均评分＜4 分或总分＜48分，在排除其他神经肌肉病变后，可诊断为ICU-AW[3]。机械通气患者ICU-AW 发生率为25%～75%，它会延长患者机械通气时间，增加死亡率和治疗成本，对患者及其家属造成重大影响[4]。 因此，及早识别高危人群并采取针对性措施对机械通气患者衰弱的预防尤为重要。 风险预测模型通过预测因子，利用数据对个体出现特定临床结局的风险进行预测[5]。 近年来，衰弱成为研究热点，尤其是针对机械通气患者获得性衰弱风险预测模型成为学者们关注的焦点。 因此，本研究旨在系统地收集数据，对机械通气患者获得性衰弱风险预测模型进行全面而系统的评价， 以期为临床工作者选取合适的预测模型提供参考。 本研究已在PROSPERO 平台注册，注册号为：CRD42024498703。

1 资料与方法

1.1 纳入与排除标准 纳入标准：（1） 研究对象为机械通气患者，年龄≥18 岁；（2）研究类型为队列研究、病例对照研究；（3）研究内容为机械通气患者衰弱风险预测模型的建立和（或）验证研究；（4）相同内容重复发表选择时间更近或内容更全的研究。 排除标准：（1）仅为影响因素研究，未描述模型建立过程或方法；（2）无法获取全文或数据不可用；（3）非中、英文；（4）综述、会议摘要等；（5）基于系统评价的数据建立模型；（6）预测因子＜2 个。

1.2 文献检索策略 检索PubMed、Web of Science、Embase、Cochrane Library、知网、万方和维普数据库，搜集机械通气患者衰弱风险预测模型的相关文献，检索时限为建库至2023 年12 月。 采用主题词加自由词的方式进行检索， 同时检索纳入研究的参考文献作为补充。 英文检索词包括：mechanical ventilation、ventilator、artificial ventilation、ventilatory support、respiratory support、respiratory tract intubation、weakness、muscular diseases、 neuromuscular diseases、 polyneuropathies、paresis、frailty、prediction model*、risk prediction、risk score、risk assessment、model*、nomogram、predictor；中文检索词包括：机械通气、人工通气、呼吸机、呼吸支持、衰弱、肌无力、多发性神经病、肌麻痹、轻瘫、神经肌肉障碍、预测模型、风险预测、模型、风险评分、列线图、机器学习。

1.3 文献筛选与资料提取 2 名研究者独立筛选文献、提取数据后交叉核对。 如遇分歧，则通过与第三方讨论解决。 导入NoteExpress 软件剔重，阅读标题和摘要排除明显不符合的文献后， 进一步阅读全文复筛以确定是否纳入。 基于预测模型系统评价数据提取清单 （Checklist for Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modelling Studies,CHARMS）制订标准化表格[6]。 提取内容包括：第一作者/年份、国家、研究类型、研究对象、诊断标准、研究内容、候选变量、变量选择、样本量、模型性能、验证方法、预测因子、模型呈现。

1.4 纳入研究偏倚风险和适用性评价 2 名研究者使用预测模型研究的偏倚风险评估工具（Prediction Model Risk of Bias Assessment Tool，PROBAST）[7]评价纳入研究的偏倚风险和适用性。

1.5 数据综合和统计分析 使用Stata16.0 软件对来自经验证模型的曲线下面积 （Area Under Curve,AUC）值进行Meta 分析。 采用I2值和Q 检验进行异质性检验。 I2值提供了异质性的程度，25%、50%和75%的值分别表示低、中和高异质性。 根据异质性检验结果，综合考虑研究结果的推广性、研究目的选择固定或随机效应模型[8-9]。Egger’s 检验用于识别发表偏倚，P＞0.05 表明发表偏倚的可能性较低[10]。

2 结果

2.1 文献筛选流程及结果 检索获得文献3 733篇，其中3 732 篇来自数据库，1 篇来自相关参考文献。剔除重复文献后获得2 671 篇，阅读标题和摘要排除明显不相关文献2 586 篇；阅读全文复筛（排除未建立预测模型35 篇、研究对象不符10 篇、无主要结局指标9 篇、重复发表6 篇、综述评论类9 篇），最终纳入16 篇文献。

2.2 纳入文献基本特征 纳入16 篇文献发表在2001—2023 年，中国发表8 篇，国外发表8 篇，包括9 篇前瞻性研究，7 篇回顾性研究；8 篇为模型建立，7 篇为模型建立及内部和（或）外部验证，1 篇是针对已开发模型的外部验证及更新；研究样本量为48～4 157 人，纳入文献基本特征见表1。

表1 纳入文献及模型基本特征

2.3 预测模型呈现、模型性能及预测因子情况 纳入研究中模型呈现形式不尽相同，主要为回归方程，此外，3 个模型采用列线图，其中1 个模型采用回归方程结合电子表格计算器，1 个模型采用列线图结合加权评分系统的方式呈现模型； 模型的区分度主要通过受试者工作特征AUC 评估，其范围在0.710～0.926，除2 个模型未报告AUC，其余模型均显示出较好的预测性能（AUC＞0.70）；1 个模型仅使用了校准图进行校准度评估，6 个模型未报告校准度信息，1 个模型仅报告拟合优度值， 剩余8 个模型使用Hosmer Lemeshow 拟合优度检验（H-L 检验）进行评估（其中2 个模型同时报告了H-L 检验和校准图），均报告了P 值且P＞0.05，说明一致性良好；在模型验证方面，8 个模型进行了内部验证，包括Bootstrap法和随机拆分法， 其中4 个模型同时进行了内外部验证； 模型中出现频次前5 的预测因子依次为机械通气时间、 年龄、 急性生理与慢性健康评估(Acute Physiology and Chronic Health Evaluation，APACHE II)评分、血乳酸水平和多器官功能障碍。纳入模型构建的基本情况见表1， 预测模型性能及预测因子见表2。

表2 机械通气患者衰弱风险预测模型性能及预测因子

2.4 偏倚风险和适用性评价结果 纳入16 个模型总体偏倚风险高。在研究对象领域，7 项研究[11，13-16，19，23]被评为高偏倚风险，主要因为数据来源于回顾性研究，在模型构建和验证过程上可能存在较大偏倚； 在预测因子领域，6 项研究[11-12，15，18，22-23]偏倚风险不清楚，主要因为无法得知是否在结果数据未知的情况下评估预测因子；2 项研究[18，23]的数据来源于多中心医疗机构，未报告预测因子的定义和评估是否相同，因此该领域偏倚风险为不清楚。 在结果领域，7 项研究[14，17，21，23-26]偏倚风险不清楚，主要因为研究中未报告预测因子评估和结果确定的时间间隔是否合理；在统计分析领域，16 项研究均为高偏倚风险。 建模要求每个预测因子的事件数≥20，验模样本量≥100，但4 项研究[12，20，25，26]的样本量不足，模型可能出现过度拟合；5 项研究[13，15，17，21，24]将连续性变量处理成分类变量；7 项研究[11-15，19，22]在单变量分析后直接进行多变量分析；仅2 项研究[18，24]通过多重插补法处理缺失数据，其余研究未报告相关信息；2 项研究[17，25]未报告区分度，模型评价指标不全。 模型在研究对象、预测因子、结果3 个方面适用性均较好。

2.5 纳入模型的Meta 分析 由于纳入研究中模型开发的细节报告不足，只有6 项研究[13-16，18，23]符合数据合成条件。异质性检验结果显示I2=89.4%、P＜0.001，表明研究间存在高度异质性， 故采用随机效应模型进行Meta 分析， 结果显示纳入模型的AUC 合并估计值为0.80（95%CI：0.74-0.85）见图1。Egger’s 检验（P＞0.05），表明无显著发表偏倚。

图1 6 个验证模型合并AUC 估计值的Meta 分析森林图

3 讨论

3.1 现有预测模型尚存在一些不足 机械通气患者获得性衰弱风险预测模型的研究始于2001 年，国内于2017 年开始相关研究。 虽已有系统评价对ICU-AW 预测模型进行总结[27-28]，但由于纳入研究对象范围较大， 并不能针对性地反映机械通气患者获得性衰弱预测因子的情况。因此，本研究聚焦机械通气患者，通过收集分析数据，对现有模型性能和预测因子做出全面和系统的评价。本次纳入的16 项研究中模型总体预测性能和适用性较好， 但偏倚风险较高。模型在数据来源、构建设计和统计分析领域有待进一步优化。

3.1.1 在数据来源上 数据多来自单中心且样本量较小，其中7 项研究[11，13-16，19，23]为回顾性分析，研究证实，前瞻性研究的数据代表性更好，而利用现有数据的回顾性研究并不能很好满足模型构建的需要，可能会造成回忆偏倚，进而影响其整体质量。此外，大部分模型对获得性衰弱的诊断依据MRC 评分， 不能用于意识不清或不能配合床旁肌力评估的患者，结局事件发生率可能被低估。而Socorro 等[20]、Montero 等[26]研究采用超声或电生理检查，诊断准确，但需要专业人员借助仪器进行操作，数据不易获得且费用较贵。 今后可根据研究对象的不同， 针对性地选择诊断方法，开展多中心、大样本的前瞻性研究以降低偏倚风险。

3.1.2 在构建设计上 本研究中均为静态模型，可计算发生率， 但缺少对患者健康状况变化的动态评估，由于在机械通气患者的健康状况可能随时变化，衰弱的发生率也可能随之波动， 这是大多数模型的局限性。 本研究中均采用Logistic 回归构建模型，即按照回归系数权重对预测因子赋值计算风险， 但很难避免变量间的相关性，从而造成较大的异质性，影响模型的精准度和实用性。 当前机器学习在疾病影响因素分析中成为热点， 它利用多种算法能够有效提高模型应对复杂问题的预测能力， 但机器学习存在可解释性差和计算繁琐等问题。因此，优化逻辑回归算法，进行可解释的机器学习算法，提高模型性能是未来研究的重要方向， 同时将模型呈现与人工智能相结合，简化人工计算，提升模型的准确性和可操作性。 如Wieske 等[24]以电子表格计算器评估结局风险，计算准确，操作简便。此外，本研究中所纳入模型均未对疾病风险细化分层， 建议今后可将疾病发生概率分为高危、中危、低危和极低危，临床可依据不同风险等级采取针对性措施。

3.1.3 在统计分析上 仅2 项研究[18，24]选择多重插补法处理缺失数据，其余研究未报告或直接删除，这会导致预测因子和结局的相关性存在偏倚，影响模型性能。 多重插补法可有效减少缺失数据对模型性能造成的不利影响，确保结果的可靠性。7 项研究[11-15，19，22]使用单因素分析筛选预测因子，仅纳入有统计学意义（P＜0.05）的变量，可能会忽略重要的自变量， 而这也是导致模型出现高偏倚的重要原因之一。逐步回归能有效规避多重共线性问题，LASSO回归利用最小绝对值收缩和筛选算法， 可同时进行参数估计和变量筛选。建议可根据专业知识、临床经验和评估指标等选择合适变量筛选方法。 由于研究地点和对象的差异，将预测模型应用到临床之前，应对模型进行内、外部验证，以减少过度拟合，确保其适用性与有效性。 然而本研究中，仅25%（4/16）的模型采用内、外部相结合的验模方法，超过70%的模型未做外部验证，外推性受限。外部验证用来评估模型的稳定性和有效性，相比重新构建模型，更节约时间和经济成本[29]。 因此，今后可在本研究的基础上选择高质量模型进行优化校准，采取空间验证、时段验证等方法提高模型性能。

3.2 纳入模型的预测因子存在共性 纳入的16 个模型中，出现频次较高的预测因子为机械通气时间、年龄、APACHE II 评分、血乳酸水平、多器官功能障碍等，这些预测因子容易获得、数据采集方便。 研究显示，机械通气4 d 以上获得性衰弱发生率为33%～82%[30]，长期机械通气易引发膈肌功能障碍，同时为防止意外拔管、烦躁等，患者常需镇痛镇静，完全或者部分制动使其无法进行康复锻炼，引起衰弱发生率增加[31]。APACHE II 评分是应用最广泛的危重症评估工具之一，反映病情严重程度及预后。 APACHE Ⅱ评分简单可靠，预测准确，是机械通气患者获得性衰弱早期预测的较好选择。 5 个模型将血乳酸水平列为预测因子， 乳酸是机体氧代谢和组织灌注的关键指标，随着乳酸水平增高，血液PH 值下降，肌肉神经末端发生损伤，从而造成Ca2+大量流失，肌肉神经兴奋性降低，进而引发肌无力[32]。 高龄患者身体功能退化，肌肉储备和肌力下降，再加上合并多种疾病，最终导致获得性衰弱的发生。合并多器官功能障碍会引起机体发生炎症反应，血管通透性增加，使得神经肌肉结构和功能遭到破坏，从而造成肌肉萎缩。因此，应将机械通气时间长、高龄、APACHE II 评分高、高血乳酸水平、合并多器官功能障碍患者视为机械通气患者获得性衰弱的高危人群并重点监测，以期及早识别风险。

3.3 本研究的局限性 （1）研究只纳入了中英文文献，可能存在一定偏倚；（2）由于纳入研究报告的完整度和方法学差异， 仅纳入6 个验证模型的数据进行定量Meta 分析，这可能会导致研究间异质性来源无法充分解释。

综上所述， 本研究所纳入机械通气患者衰弱风险预测模型预测性能较好，但整体质量不理想，在构建过程、 内外验证和结果报告上存在一定方法学缺陷，临床价值有待进一步探讨，未来应按照PROBAST标准， 依据更全面准确的临床数据对已有模型进行验证或建立基于不同算法的预测模型， 以期为临床医务人员早期识别机械通气患者衰弱风险提供可靠、科学、便捷的评估工具。