基于仰卧位复转后呼吸生理的机器学习模型预测机械通气患者28天死亡率

《Scientific Reports》：Respiratory physiology after resupination following prone ventilation to predict 28-day mortality in mechanically ventilated patients: a machine learning analysis

本研究针对俯卧位通气后仰卧位复转参数临床意义不明的问题，通过分析COVID-Predict荷兰数据仓库中522例机械通气患者的氧合指标与呼吸力学数据，采用LASSO回归特征选择结合XGBoost机器学习算法，发现非存活组患者复转后呈现更低PaO2/FiO2、更高驱动压等特征，构建的预测模型AUC达0.719，为危重症患者预后分层提供了新依据。

　　

对于需要机械通气（Mechanical Ventilation, MV）支持的危重症患者，俯卧位通气（Prone Positioning, PP）是改善氧合的重要治疗策略。然而，当患者从俯卧位恢复到仰卧位（这一过程称为resupination）后，其呼吸生理参数的变化与患者预后的关联尚不明确。临床医生迫切需要可靠的指标来预测这类患者的生存结局，以便制定个体化治疗方案。

为解答这一临床难题，研究团队开展了一项基于真实世界数据（Real-World Data, RWD）的机器学习（Machine Learning, ML）分析，旨在探索仰卧位复转后的呼吸生理参数能否有效预测机械通气患者的28天死亡率。该研究论文发表于《Scientific Reports》。

研究主要运用了以下关键技术方法：首先，从COVID-Predict荷兰数据仓库（Dutch Data Warehouse）中筛选出接受过仰卧-俯卧-仰卧顺序通气的机械通气患者队列；其次，记录患者俯卧位前4小时内及仰卧位复转后的呼吸生理变量，包括氧合指数（PaO₂/FiO₂）、通气比率（Ventilatory Ratio, VR）、生理死腔（Physiological Dead Space）、驱动压（Driving Pressure, ΔP）、静态肺顺应性（Static Lung Compliance, C_stat）和动态肺顺应性（Dynamic Lung Compliance, C_dyn）；最后，采用最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）回归进行特征筛选，并训练多种机器学习模型（包括XGBoost）来构建28天死亡率的预测模型。

患者基线特征与生理参数差异

研究共纳入522例患者，其中157例（30.1%）在28天内死亡。数据分析显示，与非存活者相比，存活者在仰卧位复转后表现出显著更优的呼吸生理状态：具有更高的PaO₂/FiO₂值（表明氧合功能更好）、更低的通气比率和生理死腔（提示通气效率更高）、更低的驱动压（反映肺应激程度更低），以及更高的静态和动态肺顺应性（说明肺组织更柔顺、弹性更好）。这些差异为后续的预测建模奠定了生物学基础。

单变量预测性能评估

研究人员首先评估了各个临床参数单独预测28天死亡率的能力。结果显示，大多数单一参数的预测效能较为有限。在所有评估的参数中，吸入氧浓度（FiO₂）、氧合指数（PaO₂/FiO₂）、生理死腔和动态肺顺应性被证明是预测死亡率的最佳单指标。这一发现提示，综合多个参数可能提供更强的预测力。

机器学习模型预测性能比较

研究团队比较了多种机器学习算法构建的预测模型。综合来看，XGBoost模型在预测死亡方面表现最为突出：其查全率（Recall）达到0.732，意味着它能较好地识别出实际会死亡的患者；其受试者工作特征曲线下面积（Area Under the Curve, AUC）为0.719，在所有模型中最高，表明模型具有良好的整体区分能力；尽管其精确度（Precision）相对较低（0.380），但其F1-score（0.500）是最优的，这反映了在查全率和精确度之间取得了相对最佳的平衡。

研究结论明确指出，接受俯卧位通气的机械通气患者，其生存结局可以通过仰卧位复转后的生理反应进行有效分层。非存活者在复转后表现出明显的呼吸力学和气体交换功能恶化。利用机器学习整合这些复转后的生理参数，能够构建出对28天死亡率具有中等预测效能的模型，其中XGBoost模型表现最佳。

该研究的讨论部分强调了其重要临床意义。它首次系统地评估了仰卧位复转这一特定时间点的呼吸生理参数在预后预测中的价值，将传统的生理监测与前沿的机器学习分析相结合，为危重症医学的精准预后判断提供了新视角。研究结果提示，临床医生在将患者从俯卧位转回仰卧位后，应密切关注其PaO₂/FiO₂、驱动压、肺顺应性等指标的变化，这些指标可能作为早期预警信号，有助于识别高风险患者并及时调整治疗策略。尽管模型精度有待进一步提升，但这项研究为开发动态、个性化的危重症患者预后预测工具迈出了关键一步。