呼吸机相关性肺炎风险预测模型的研究进展

张雪梅，董 雪，郭燕杰

随着科学技术的发展，机械通气技术已在重症监护室(ICU)得到广泛应用，而呼吸机相关性肺炎(ventilator associated pneumonia,VAP)是ICU需要机械通气病人常见且严重的并发症之一。VAP是指接受机械通气48 h后或机械通气撤机、拔管后48 h内发生的肺炎[1]。在所有接受机械通气治疗的危重病人中，VAP的发生率为10%～20%，死亡率为25%～50%[2-7]。病人在住院期间发生VAP后会使住院时间延长、费用增加、发病率及死亡率增高等不良后果[8-10]。并且，VAP使得医院感染问题不断，逐渐发展成一个需要全球攻克的重大公共卫生难题。因此，对早期预防VAP的实施针对性的干预措施非常重要，风险预测是预防VAP的重要一步，根据预测结果选择相应有效的护理对策。现对国内外VAP的危险因素及风险预测模型进行综述，为VAP风险预测模型构建及临床应用提供参考。

1 疾病风险预测模型的概述

疾病风险预测模型[11]是指以引起疾病的多种危险因素为基础，建立统计模型，用来预测具有某些特殊人群的未来某种事件发生的概率。疾病风险预测模型还可将疾病发病风险进行分级，进而医护人员可以针对风险级别不同的群体实施针对性的干预措施。VAP风险预测模型能够有效帮助临床医护人员快速、准确地筛查VAP病人的危险因素，及时有效地针对高危人群采取相应的预防措施，降低VAP病人的死亡率。

2 VAP的危险因素

2.1 宿主因素 影响VAP发生的宿主因素包括年龄、免疫功能低下、基础疾病、误吸、长期卧床、意识障碍和消化道细菌定植等。随着年龄的增加，病人呼吸器官逐渐老化以及免疫功能低下，少量的致病菌就可导致VAP的发生，一旦发生VAP其病情会迅速进展[12]。合并基础疾病的病人VAP的发病率也会更高，有研究表明，慢性阻塞性肺疾病(COPD)被认为是VAP发展的一个危险因素，这可能与气流阻塞导致无法产生有效的咳嗽，以及皮质类固醇对肺宿主防御的抑制作用有关[13]。体位不当也是VAP发生的危险因素，而半卧位更有利于痰液的排出，从而减少误吸的发生[14]。格拉斯哥评分是用来评估脑外伤病人的意识状态，评分越低，意识障碍越严重[15]，越容易丧失自主排痰的功能，VAP发病率就越高。气管内导管的放置会刺激口咽部分泌物并沿着管道向下遗漏，易造成局部创伤和炎症的发生，而使细菌定植消化道内[16]。

2.2 医源性因素 影响VAP发生的医源性因素包括重症监护室滞留时间、机械通气时间过长、侵入性操作、留置胃管、手术、住院时间、胃酸抑制剂使用、抑制中枢神经系统药物使用和早期抗生素不规范使用等有关。韩明星等[17]Meta分析表明，病人在机械通气期间进行手术和住院时间延长是引起VAP发生的两个独立危险因素，这可能与病人病情较重，建立人工气道而破坏了人体正常的防御机制有关。机械通气时间过长是VAP发生的又一个重要危险因素，长时间机械通气导致下呼吸道黏膜损伤，生物膜的逐渐形成，又容易导致定植细菌的增加。侵入性操作包括气管切开、气管插管、非计划拔管和再插管和肠内营养等方面，有创操作的增加，使得VAP的发病率也越来越高。研究表明，有创操作每增加1次，VAP的发病率就增加2.3%[18]。Garibaldi等[19]研究表明，发现17%的术后病人患有肺炎，VAP的增加与较长的手术时间和吸烟史密切相关。抗生素不规范的使用，容易改变身体内正常的微生物环境，非致病菌被破坏，而致病菌被大量繁殖。

3 VAP风险预测模型的研究现状

3.1 基于传统统计学构建的VAP风险预测模型

3.1.1 基于列线图 黄欢欢等[20]基于单中心回顾性研究，收集了203例ICU机械通气病人，用LASSO回归筛选出年龄、急性生理与慢性健康评分系统Ⅱ(APACHEⅡ)评分、侵袭性操作次数、机械通气时间和意识障碍为VAP发生的危险因素，Logistic回归分析表明，APACHEⅡ评分≥20分和机械通气时间≥2周为VAP发生的独立危险因素，该模型ROC曲线下面积为0.817，实际临床价值还有待验证。薛莹等[21]选用ICU进行机械通气治疗的198例病人，采用LASSO分析和Logistic回归分析建立ICU机械通气病人发生VAP的风险列线图模型并进行验证，该模型风险因素包括年龄≥60岁、联用抗菌药物、血清白蛋白<40 g/L、机械通气时间≥7 d、住院时间≥14 d、使用抑酸剂、气管切开及糖尿病等8个危险因素，模型一致性指数为0.836[95%CI(0.803～0.869)]，模型ROC曲线下面积为0.815，决策曲线显示阈值概率在5%～84%范围时具有较高的净获益值。该模型预测效果较好，适用于临床医护人员对VAP高风险病人进行使用。但该模型只进行内部验证，未来还需要扩大样本量，进行外部验证以验证其临床应用效果。王锦栋等[22]对合并2型糖尿病的ICU机械通气治疗的136例病人构建预警模型，结果显示，合并2型糖尿病的ICU机械通气病人发生VAP的危险因素有糖化血红蛋白(HbA1c)、格拉斯哥昏迷(GCS)评分、APACHEⅡ评分、ICU住院时间、气管插管时间，预警模型下ROC曲线下面积为0.884[95%CI(0.830～0.938)]，该模型具有良好的精确度和区分度。但该模型选择病例数较少，容易对其研究结果造成一定的偏倚，还需对该模型进行更深入的验证，以便更好地应用于临床。戴旭红等[23]回顾性分析某院190例老年病人发生重症肺炎感染的危险因素，结果显示，机械通气时间>7 d、ICU停留时间>15 d、合并基础疾病、口腔卫生差、应用抗菌药物种类≥2种和APACHEⅡ>15分是其发生的独立危险因素，模型的一致性指数C-index为0.872[95%(0.854～0.891)]，表明该模型风险预测精准度较高。Wu等[24]结合病例对照和前瞻性队列研究的2项研究数据进行二次分析，采用Logistic回归分析构建的风险预测模型,神经肌肉阻滞剂、严重急性呼吸窘迫综合征(ARDS)、因非计划手术入院、创伤等4个是独立危险因素，其ROC曲线下面积为0.744[95%(0.644～0.844)]，模型拟合可接受(Hosmer-模型P=0.185)，具有良好的判别能力。DCA显示，当VAP概率阈值为1%～61%决定干预时，VAP预测列线图是临床有用的。利用现有的变量，该模型可以应用预测急性呼吸窘迫综合征病人在ICU住院后发生VAP。在临床实践中医护人员可以利用VAP预测图评估ARDS病人发生VAP的风险，并在早期提出预防策略，使这些危重症病人有较好的预后。

3.1.2 基于Logistic回归模型 Xu等[25]基于回顾性分析，收集了901例病人，筛选出老年机械通气病人发生VAP的独立危险因素，Logistic回归分析显示，包括COPD、ICU入院、机械通气方法、使用抗生素数量、中心静脉导管数量、留置导尿管时间、机械通气前使用皮质类固醇，该模型新变量的预测概率的AUC为0.722，Hosmer-仿真方法拟合优度检验表明，拟合优度模型较好(χ2=4.613，df=7，P=0.707)。但由于是横断面、单中心研究，所有病人均来自同一家医院，未来还需要进一步的多中心、前瞻性队列研究，纳入具有不同人口统计学特征的参与者。

李岩等[26]收集了574例使用呼吸机的老年病人，采用多因素Logistic回归模型筛选出4个显著预测VAP的危险因素，包括昏迷、平卧位、插管天数>10 d和插管次数>2次是VAP发生的独立危险因素，该模型ROC曲线下面积为0.851[95%CI(0.801～0.902)，P<0.001]，灵敏度为77.6%，特异度为80.8%，约登指数为58.4%，显示此模型预测能力较好，能够用于老年病人VAP发生的识别和评估，有助于进一步开展VAP的防控工作。张晓雪等[27]对ICU收治的185例机械通气病人进行风险预测，多因素Logistic回归分析结果显示，存在误吸危险因素数量≥3个(OR=45.086) 、低蛋白血症(OR=40.718)、机械通气时间越长(OR=1.464)、气管肺泡灌洗液中α-淀粉酶水平越高(OR=1.016)是导致VAP发生的独立危险因素，ROC曲线分析显示，α-淀粉酶水平在早期预测VAP发生的曲线下面积为0.887，高于误吸危险因素数量≥3个(AUC=0.733)、低蛋白血症(AUC=0.652)和机械通气时间(AUC=0.664)，最佳截点值为580.90 U/L，预测VAP发生的敏感度为94.59%，特异度为75.00%，α-淀粉酶水平对于预测早期VAP发生有一定的价值。但该预测受样本量有限，且其他因素还未得到证实，需要进行更多深入研究。张雯予等[28]对2 453例ICU住院病人资料纳入分析，结果显示，年龄≥72岁、新发脑卒中、入住ICU 24 h内APACHEⅡ评分≥18分、SOFA评分≥8分等4个医院感染的独立危险因素，根据以上危险因素建立量表，肺炎早期预测评分范围为0～7分,最佳截断值为5分，ROC曲线下面积为0.83[95%CI(0.74～0.78)]，敏感度为87.28%，特异度为68.56%。随后包括1 442例医院感染病人对该模型进行验证，显示该量表预测效果良好。新的预测量表简洁、方便，但还未经过外部验证，之后还需要大样本对其预测能力进行测试。

4 小结

目前，国内外对于VAP风险预测的模型深入研究较少，由于预测因子数量不同且内容相差较大，使得每一种模型都有其局限性。基于传统统计学方法研制模型，能够较好地筛查出ICU机械通气病人患VAP的危险因素，有助于为临床医护人员早期筛查高危人群。在构建预测模型时还要考虑其有效性和可行性，临床应用时，要针对病人个体情况选择出最合适的模型。目前国内护理人员对VAP的认识不足，VAP的风险预测模型仍未应用到日常护理工作中。因此，认识并运用VAP的预测模型，提高对VAP的认知水平，更好指导临床实践和改善病人的临床结局。随着信息技术的发展，未来应该更好地开发属于本土化的预测模型，提高护理人员的工作效率。