重症监护医学信息数据库Ⅲ中的重症患者早期急性肾损伤风险分析

目的对重症患者入重症监护室(ICU)48 h内发生急性肾损伤(AKI)的影响因素进行分析,确定风险预测因素。方法以重症监护医学信息数据库Ⅲ(MIMIC-Ⅲ)为基础,提取符合条件的患者以及相应的临床信息。通过单因素及多因素Logistic回归分析确定重症患者入ICU后48 h内发生AKI的风险因素,并通过受试者工作特征曲线(ROC)确定所建立回归模型的预测效能。结果纳入重症患者34599例,早期AKI的发生率为6.21%,发生早期AKI的患者死亡率为12.10%。多因素分析结果显示,性别、年龄、序贯器官衰竭评分(SOFA)、冠状动脉疾病、白细胞计数、糖尿病、贫血、血尿素氮、血清肌酐及血小板计数是重症患者发生早期AKI的独立影响因素。所建立的回归模型预测效能良好,ROC曲线下面积为0.762(95%CI:0.751~0.772)。结论所建立的风险预测模型能够在患者入ICU时鉴别出48 h内发生AKI的高风险患者,帮助临床医生进行早期诊断,及时对患者进行监测和早期预防。

PPIs与重症缺血性脑卒中患者短期、长期死亡风险的关联:基于MIMIC-Ⅲ数据库的回顾性队列研究

目的 研究质子泵抑制剂(PPIs)的使用与重症缺血性脑卒中患者短期、长期死亡风险的关联。方法 基于美国重症监护医学信息数据库Ⅲ(MIMIC-Ⅲ),纳入年龄≥18岁、首次入住重症监护病房(ICU)并诊断为缺血性脑卒中的患者。根据住院期间是否使用过PPIs(泮托拉唑、兰索拉唑和奥美拉唑),将患者分为PPIs组和非PPIs组。对比2组基线数据后,采用Kaplan-Meier生存曲线和Cox比例风险回归模型分析使用PPIs与重症缺血性脑卒中患者ICU死亡风险、30 d死亡风险、90 d死亡风险的关联。结果 共纳入1 015例患者,其中PPIs组402例,非PPIs组613例。基线资料显示,重症缺血性脑卒中患者的ICU死亡率、30 d死亡率、90 d死亡率分别为15.37%,13.60%,20.10%。Kaplan-Meier生存曲线表明,相对于非PPIs组,PPIs组的ICU死亡风险较低(P=0.002)。Cox比例风险回归模型在调整多个变量后的结果显示,PPIs组相对于非PPIs组的ICU死亡风险比为0.671 9 [95%CI(0.478 8,0.942 8),P=0.021],但2组患者30 d和90 d的死亡风险差异均无统计学意义(P> 0.05)。结论 重症缺血性脑卒中患者中,使用PPIs可能会有效降低患者的ICU死亡风险,但对患者的30 d死亡风险和90 d死亡风险没有改善作用。

基于重症监护医学信息数据库-Ⅲ建立预测心脏术后再次转入重症监护室风险的模型

目的确定接受心脏手术后的患者再次转入重症监护室(intensive care unit, ICU)的独立预测因素。方法从重症监护医学信息数据库-Ⅲ(Medical Information Mark for Intensive Care Ⅲ,MIMIC-Ⅲ)中提取研究所需的患者数据;根据"再次转入ICU"的定义将其分为对照组与病例组。主要结果采用最小绝对收缩与选择算子(The least absolute shrinkage and selection operator, LASSO)回归、单因素以及多因素Logistic回归分析确定术后再次转入ICU的独立预测因素,并在此基础上构建列线图模型。结果最终共纳入4 420例接受心脏手术后的患者进行回顾性分析,其分为对照组(n=4 183,占94.6%)与病例组(n=237,占5.4%)。多因素logistic回归分析显示术前并发心律失常(OR=0.723,95%CI:0.546-0.958,P<0.05),外周血管疾病(OR=0.658,95%CI:0.465-0.930,P<0.05),肾功能不全(OR=0.649,95%CI:0.428-0.983,P<0.05),电解质紊乱(OR=0.549,95%CI:0.380-0.792,P<0.01),充血性心力衰竭(OR=0.476,95%CI:0.358-0.633,P<0.01),药物滥用(OR=0.453,95%CI:0.206-0.992,P<0.05),酗酒(OR=0.402,95%CI:0.206-0.786,P<0.01),失血性贫血(OR=0.260,95%CI:0.085-0.796,P<0.05),由急诊手术入院(OR=2.906,95%CI:2.118-3.986,P<0.01),术后并发重症脓毒症(OR=0.304,95%CI:0.095-0.974,P<0.05)为心脏术后患者再次转入ICU的独立预测因素。并且,该模型具有良好的区分能力。结论本研究建立的预测心脏术后再次转入ICU风险的列线图模型可能有助于ICU医生识别高风险患者。然而,在模型推荐用于临床实践之前,该模型需要进一步的外部验证。

重症监护医学信息数据库隐私保护技术探讨

介绍《健康保险流通与责任法案》(HIPAA)对隐私的定义以及去标识化过程和方法,从属性删除、日期平移、自由文本处理几方面阐述并分析遵循HIPAA原则的重症监护医学信息数据库(MIMIC-Ⅲ)去标识化及脱敏技术规则制定、应用及改进方面。

心力衰竭重症患者院内死亡率的预测模型:基于MIMIC-Ⅲ数据库的回顾性研究

[目的]基于重症监护医学数据库(MIMIC-Ⅲ)分析心力衰竭重症患者院内死亡率的预后因素并构建预测模型。[方法]从MIMIC-Ⅲ数据库中提取心力衰竭患者的相关数据。随机将研究对象(n=8604)按7∶3分为训练组(n=6022)和验证组(n=2582),结局为院内死亡率。对训练组进行LASSO-Logistic回归分析,确定心力衰竭患者院内死亡率的预后因素,并据此构建列线图模型。受试者工作特征(ROC)曲线评估列线图模型的区分度,校准曲线评估列线图模型的校准能力,决策曲线分析(DCA)和临床影响曲线(CIC)评估列线图模型的临床疗效。[结果]LASSO-Logistic分析表明,红细胞分布宽度(RDW)、呼吸频率、血氧饱和度、急性生理评分Ⅲ(APSⅢ)评分和简化急性生理评分Ⅱ(SAPSⅡ)是心力衰竭重症患者院内死亡率的独立预测因素。在训练组和验证组中,ROC曲线下面积(AUC)分别为0.775(95%CI:0.757~0.792)和0.767(95%CI:0.742~0.793),校准曲线与对角线均高度重合,平均绝对误差为0.009和0.016,表明预测模型具有较好的区分度和校准度。同时,DCA和CIC曲线显示,预测模型在大部分的阈值概率范围内提供了显著的净收益。[结论]列线图模型能简单而准确地预测心力衰竭重症患者院内死亡率。

基于MIMIC-Ⅳ数据库构建重症心肌病病人预后预测模型

目的:分析合并心肌病重症病人院内死亡的影响因素,并构建列线图模型。方法:回顾性分析2008年—2019年在医学信息市场重症监护(MIMIC-Ⅳ)数据库中2 115例重症病人的临床资料,主要结局为院内死亡。采用多因素Logistic回归模型构建院内死亡的预测模型。应用R语言建立预测院内死亡的列线图模型,并计算C-指数评估该模型对预后的辨别能力。采用1 000次重采样的BootStrap方法绘制标定曲线,可反映实际概率与列线图预测概率的一致性。通过受试者工作特征(ROC)曲线及ROC曲线下面积(AUC)评价列线图。结果:多因素Logistic回归筛选出年龄、格拉斯哥昏迷量表评分、查尔森共病指数、心率、动脉血氧分压、平均动脉压及阴离子间隙是对重症心肌病病人院内死亡有影响的临床因素。采用独立预测因子构建合并心肌病的重症病人发生院内死亡的列线图。院内死亡预测的C-指数为0.847,通过校正曲线证明预测的院内死亡率与实际的院内死亡率具有较好的一致性。构建的临床预测模型的AUC为0.847,表明构建的列线图具有良好的预测能力。决策曲线分析(DCA)显示在验证队列的一系列死亡风险中可获得较大的净收益。结论:年龄、格拉斯哥昏迷量表评分、查尔森共病指数、心率、动脉血氧分压、平均动脉压及阴离子间隙是合并心肌病重症病人院内死亡的影响因素,基于多种因素构建的列线图模型具有良好的预测价值。

基于MIMIC-Ⅲ数据库探寻脓毒症患者脉搏血氧饱和度的目标区间

目的利用美国重症监护医学信息数据库Ⅲ(MIMIC-Ⅲ)数据,探寻和验证脓毒症患者脉搏血氧饱和度(pulse oximeters,SpO_(2))的目标区间。方法提取MIMIC-Ⅲ数据库中2001年至2012年符合脓毒症标准的病历资料,构建以院内死亡为应变量,SpO_(2)中位数为自变量,年龄、性别、转移瘤、血培养、机械通气及时间、共病指数、序贯器官衰竭评分(sequential organ failure assessment,SOFA)、简化急性生理学评分(simplified acute physiology score,SAPS)Ⅱ为协变量的广义相加模型(generalized additive model,GAM),绘制院内病死率与SpO_(2)中位数的关系图,得到SpO_(2)目标区间。计算每例患者SpO_(2)处于目标区间内外的时间占比,拟合院内死亡与时间占比的关系图,验证SpO_(2)目标区间。结果共计纳入病例14203例,其中男性占比56.0%,年龄中位数68(55,79)岁,SpO_(2)中位数97%(96%,99%),院内病死率14.5%。当SpO_(2)处于95%~98%区间,脓毒症患者病死率最低,且随着SpO_(2)处于此区间时间越久,脓毒症患者病死率越低。结论脓毒症患者SpO_(2)目标区间为95%~98%。

基于MIMIC-IV数据库中发生血流感染的危重疾病患者相关数据构建革兰阴性菌血流感染风险预测模型

目的 基于重症医学信息数据库(MIMIC-IV)中发生血流感染的危重疾病患者相关数据构建预测危重疾病患者革兰阴性菌血流感染发生风险预测模型,以期为预测危重疾病患者发生革兰阴性菌血流感染风险提供新的方法。方法 收集MIMIC-IV中2 503例发生血流感染的危重疾病患者的临床资料及实验室检查指标[血常规(红细胞、白细胞、血小板等)、血生化(钾离子、钙离子、氯离子、碳酸氢根、阴离子间隙和尿素氮等)、凝血功能指标(INR、PT、PTT)]数据。将所有危重疾病患者以7∶3的比例分为训练集(1 752例)和验证集(751例)。在训练集中使用LASSO回归初步筛选出危重疾病患者发生革兰阴性菌血流感染的影响因素,并将筛选出来的影响因素行多因素Logistic回归分析,建立危重疾病患者革兰阴性菌血流感染风险预测模型(列线图模型)。在训练集和验证集中通过受试者工作特征曲线(ROC)、校准曲线和决策曲线(DCA)分别对列线图模型的区分度、一致性、临床适用性进行评价。结果 年龄、患有肿瘤、肝胆系统疾病、嗜酒史、钾离子、钙离子、碳酸氢根、阴离子间隙和尿素氮为危重疾病患者发生革兰阴性菌血流感染风险的影响因素,基于以上影响因素采用Logistic回归分析,构建列线图模型。训练集和验证集中,列线图模型预测危重疾病患者发生革兰阴性菌血流感染的ROC下面积分别为0.711(95%CI 0.667~0.756)、0.705(95%CI 0.678~0.733);校准曲线表明列线图模型预测革兰阴性菌血流感染发生的结果与实际结果之间具有良好的一致性(P=0.764);DCA显示列线图模型具有良好的临床适用性。结论 成功构建了预测危重疾病患者发生革兰阴性菌血流感染风险的列线图模型,该模型预测性能较好,能有效识别血流感染高风险危重疾病患者。

经鼻高流量氧疗对AECOPD患者预后的影响——基于MIMIC-Ⅲ数据库的回顾性队列研究

目的 观察经鼻高流量氧疗(HFNC)对慢性阻塞性肺疾病急性加重(AECOPD)患者预后的影响.方法 采用回顾性队列研究.从美国重症监护医学信息数据库-Ⅲ(MIMIC-Ⅲ)中提取首次入住重症监护病房(ICU)且ICU住院时间>24 h的成年AECOPD患者,收集患者的基本信息、合并症、疾病严重程度评分、24h内生命体征平均值、24h内实验室指标平均值、ICU住院期间血管活性药物使用情况等基线数据.按接受HFNC或无创机械通气(NIV)治疗将患者分为HFNC组和NIV组.将两组患者的基本资料进行倾向性评分匹配(PSM),绘制Kaplan-Meier生存曲线,比较PSM前后两组患者气管插管/气管切开率、全因ICU病死率、全因院内病死率、全因 28d病死率的差异.结果 最终筛选出符合纳入标准的AECOPD患者 246 例,其中HFNC组 102 例,NIV组 144 例.与HFNC组比较,NIV组女性占比较高(P<0.05),序贯器官衰竭评分(SOFA)、血乳酸(Lac)、离子间隙(AG)、血小板计数(PLT)、白细胞计数(WBC)和ICU住院期间血管活性药物的使用率均明显降低(均P<0.05),动脉血二氧化碳分压(PaCO_(2))和碳酸氢根(HCO3-)水平均明显升高(均P<0.05).Kaplan-Meier生存曲线分析显示:两组患者气管插管/气管切开率、全因ICU住院病死率比较差异均无统计学意义(Log-Rank检验:χ^(2) 值分别为 2.450 和 1.210,P值分别为 0.117 和 0.271),HFNC组全因住院病死率和全因 28d病死率均明显高于NIV组(Log-Rank检验:χ^(2) 值分别为 4.970 和 3.990,P值分别为 0.026 和 0.046).纳入氧疗方式和单因素分析差异有统计学意义的性别、SOFA评分、Lac、AG、PaCO_(2)、HCO_(3)^(-)、PLT、WBC、血管加压素使用、去氧肾上腺素使用、去甲肾上腺素使用变量,构建Cox比例风险模型,结果显示,HFNC组气管插管/气管切开风险较NIV组降低 72.6%[风险比(HR)=0.274,95%可信区间(95%CI)为 0.112~0.669,P=0.004];而HFNC组和NIV组全因ICU病死率(11.76%比 7.64%)、全因住院病死率(20.59%比 10.42%)、全因 28d病死率(24.51%比14.58%)比较差异均无统计学意义(HR分别为1.141、1.352,1.415,95%CI分别为0.452~2.879、0.641~2.853、0.726~2.757,P分别为 0.780、0.428、0.307).PSM匹配后得到HFNC组患者与NIV组各 73 例.两组基线特征数据比较差异均无统计学意义.Kaplan-Meier生存曲线分析显示:HFNC组气管插管/气管切开率明显低于NIV组(Log-Rank检验:χ^(2)=7.640,P=0.006);两组全因ICU住院病死率、全因住院病死率、全因 28d病死率比较差异均无统计学意义.PSM匹配后Cox比例风险模型结果与PSM匹配前一致:HFNC组患者气管插管/气管切开风险比NIV组降低 76.1%(HR=0.239,95%CI为 0.079~0.721,P=0.011);而HFNC组全因ICU病死率、全因住院病死率、全因 28d病死率与NIV组比较差异无统计学意义(HR分别为 0.996、1.358、1.505,95%CI分别为 0.321~3.090、0.572~3.223、0.699~3.244,P值分别为 0.995、0.488、0.296).结论 HFNC治疗可降低AECOPD患者气管插管/气管切开率的同时也不会增加病死率,可以考虑作为NIV的替代方案.但仍需要开展更高质量、更全面的研究来验证HFNC的确切疗效.

平均动脉压变异度与重症患者短期预后的关系:基于大型临床数据库MIMIC-Ⅲ的回顾性分析

目的探讨平均动脉压(mean arterial pressure,MAP)变异度与重症患者的重症医学科(intensive care unit,ICU)病死率之间的关系。方法回顾性分析重症监护医学信息数据库(Medical Information Mart for Intensive Care,MIMIC)-Ⅲ中38852例入ICU的重症患者的临床资料,计算入ICU后24 h内记录的MAP的变异系数作为MAP变异度,采用一般线性回归观察入ICU 24 h内MAP变异度与重症患者ICU病死率之间的相关性,并采用受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)评估MAP变异度预测重症患者ICU病死率的能力。结果入ICU 24 h的MAP变异度与ICU病死率之间有很好的相关性(R2=0.860,P<0.001),MAP变异度越大,ICU病死率越高。24h的MAP变异程度预测ICU病死率的AUC为0.61。结论重症患者入ICU 24 h内的MAP变异度与ICU病死率有很好的相关性,MAP变异度越大,ICU病死率越高;MAP变异度能够为简单快速预测危重患者的ICU病死率提供一定的信息。

基于重症监护医学信息数据库-Ⅳ分析低三碘甲状腺原氨酸综合征与脓毒症患者病死率的相关性

目的探讨低三碘甲状腺原氨酸(T_(3))综合征对脓毒症患者病情严重程度及预后的影响。方法纳入重症监护医学信息数据库-Ⅳ(MIMIC-Ⅳ)中的脓毒症患者963例,根据T_(3)水平将其分为低T_(3)组488例(T_(3)<80 ng/dl)及非低T_(3)组475例(T_(3)≥80 ng/dl)。收集所有患者的一般资料、合并症、实验室检查指标、危重度评分、入ICU 24 h内是否接受机械通气或肾脏替代治疗情况、预后情况并进行组间比较。采用局部加权回归(Lowess)拟合整体死亡率趋势的曲线。采用多因素logistic回归分析评估影响脓毒症合并低T_(3)综合征患者死亡的危险因素。构建列线图预测模型,采用受试者工作特征(ROC)曲线分析该模型的预测效能,采用Hosmer-Lemeshow(H-L)检验对列线图模型的拟合度进行验证。结果低T_(3)组年龄、慢性心力衰竭、机械通气、肾脏替代治疗患者比例、序贯器官衰竭评估(SOFA)评分、急性生理学评分(APS)Ⅲ、WBC计数、中性粒细胞与淋巴细胞比值(NLR)、血肌酐(SCr)、血乳酸(Lac)均显著高于非低T_(3)组,T_(3)、甲状腺素(T_(4))、游离甲状腺素(FT_(4))及氧合指数均显著低于非低T_(3)组(P<0.05)。低T_(3)组28 d死亡、365 d死亡、ICU死亡、院内死亡患者比例及入住ICU时间、住院时间均高于非低T_(3)组(P<0.05)。Lowess曲线分析结果显示,T_(3)水平越低,脓毒症患者28 d死亡率、365 d死亡率、ICU死亡率及院内死亡率越高。多因素logistic回归分析结果显示,低T_(3)水平、SOFA评分、APSⅢ及年龄均是脓毒症合并低T_(3)综合征患者的独立危险因素(P<0.05)。构建列线图预测模型并绘制预测模型ROC曲线,结果显示预测模型的预测效能优于各独立危险因素单独预测。H-L检验结果显示模型拟合度良好,具备较高的预测价值(P=0.119)。结论低T_(3)综合征与脓毒症患者死亡风险增加相关,T_(3)水平对其预后有重要的预测价值。

可解释机器学习模型预测心脏骤停患者院内死亡风险:基于MIMIC-Ⅳ2.0数据库

目的构建可预测心脏骤停患者住院期间死亡风险的机器学习模型,并对其进行解释。方法提取美国重症监护医学信息数据库Ⅳ(Medical Information Mart for Intensive Care databaseⅣ,MIMIC-Ⅳ)2.0中心脏骤停患者转入ICU 24 h内首次临床资料及住院期间转归,基于机器学习算法构建6种可预测心脏骤停患者院内死亡风险的模型,包括XGBoost模型、轻量级梯度提升机(light gradient boosting machine,LGBM)模型、决策树(decision tree,DT)模型、K近邻(K-nearest neighbor,KNN)模型、Logistic回归模型、随机森林(random forest,RF)模型。采用受试者操作特征(receiver operator characteristic,ROC)曲线、临床决策曲线及校准曲线对模型进行评价,并采用Shapley加性解释(Shapley additive explanation,SHAP)算法评估不同临床特征对最优模型的影响,以增加模型的可解释性。结果共1465例符合纳入与排除标准的心脏骤停患者入选本研究。其中住院期间存活773例、死亡692例。经筛选,共纳入82个临床特征用于机器学习模型构建。模型评价结果显示,相较于其余5种模型,LGBM模型预测心脏骤停患者院内死亡的曲线下面积(area under the curve,AUC)更高[0.834(95%CI:0.688~0.894)],且相对于Logistic回归模型、XGBoost模型,其对死亡风险的预测准确性更高(校准度:0.166),临床决策性能更优,整体性能最佳。SHAP算法分析显示,对LGBM模型输出结果影响最大的3个临床特征分别为格拉斯哥睁眼反应评分、碳酸氢盐水平、白细胞计数。结论基于大型公共医疗卫生数据库建立的可预测心脏骤停患者住院期间死亡风险的机器学习模型中,LGBM模型性能最优,其可辅助临床进行更高效的疾病管理和更精准的医疗干预。

关于心血管外科专业数据库与医院信息系统的思考

心血管外科的监护室拥有大量的医疗信息.基于监护室内的医疗信息的统计分析,促使了重症病人的器官功能判定与预后的预测模型的相继问世并得到了广泛应用.一旦实现心血管外科专业数据库与专家数据库、决策支持系统、医院信息系统的有效整合,就可充分发挥医院信息系统的高级功能,实现医疗信息最大程度的利用,实现医疗决策的智能化与管理决策的自动化.

体重指数对脓毒症患者预后的影响:基于大型临床数据库MIMIC-Ⅲ的回顾性分析

目的探讨体重指数(BMI)与脓毒症患者短期和长期临床结局的关系。方法回顾性分析2001-2012年在医学信息市场重症监护(MIMIC-Ⅲ)数据库中注册的贝斯以色列迪康医疗中心(美国马萨诸塞州波士顿)的5571例脓毒症患者的临床资料。采用Cox比例风险回归模型评估脓毒症患者BMI与30 d病死率、1年病死率的关系。结果根据BMI将患者进行分类[体重不足:336例(6.0%);正常体重:1752例(31.4%);超重:1563例(28.1%);肥胖:1920例(34.5%)],各类患者30 d病死率分别为42.3%、36.6%、32.2%、29.6%(P<0.001),1年病死率分别为64.6%、56.8%、52.5%、46.7%(P<0.001),院内病死率分别为35.4%、34.3%、31.6%、29.9%(P=0.018)。Cox比例风险回归模型分析显示,与正常体重患者相比,在30 d和1年内的死亡风险体重不足患者分别增高了13%和24%,超重患者分别降低了17%和14%,肥胖患者分别降低了22%和21%。结论超重或肥胖脓毒症患者入院后30 d和1年生存率高于体重不足及体重正常的脓毒症患者。

重症医学与信息化

重症医学是研究任何损伤或疾病导致机体向死亡发展过程的特点和规律性,并根据这些特点和规律性对重症患者进行治疗的学科。信息化作为名词指的是充分利用信息技术,开发利用信息资源,促进信息和知识共享,提高经济增长质量,推动经济社会发展转型的历史进程;作为形容词则指对象或领域因信息技术的深入应用所达成的新形态或状态。重症医学与信息化的结合共分3个阶段:重症医学、信息化;重症医学与信息化;信息化重症医学。信息化的发展是为了为人类服务,一定程度上体现为为重症医学服务,而重症医学的发展又肯定了信息化的意义,反过来促进信息化的发展,从电子计算机到互联网,到物联网,再到大数据和人工智能,重症医学与信息化的结合正不断翻开新的篇章。

大数据背景下关于重症医学研究生培养的思考

随着以社交网络为代表的新型通讯方式以及云计算、物联网等技术的不断进步,数据正以前所未有的速度增长和累积,大数据时代已经到来。在医疗行业,各类信息系统的广泛应用以及医疗设备和仪器的逐步数字化使得医疗健康数据呈爆发式增长,重症监护室(Intensive Care Unit,ICU)尤其如此。重症医学作为研究危及生命的疾病状态的发生、发展规律及其诊治方法的临床医学学科,在其临床诊疗工作中产生了大量的医疗数据。文章结合重症医学的学科特点和发展趋势,思考医疗大数据在重症医学领域的应用和实践,简要探讨在重症医学研究生培养中如何抓住"互联网+"的发展机遇及前景展望。

急诊滞留时间与需要入住ICU的脓毒症患者的预后分析:一项基于大型数据库的回顾性队列研究

目的评价急诊滞留时间(Emergency Department Length of Stay,ED-LOS)与需要入住重症监护病房(Intensive Care Unit,ICU)的脓毒症患者预后之间的关系。方法此回顾性队列研究从重症监护医学信息数据库(Medical Information Mark for Intensive Care,MIMIC Ⅲ)提取出需要从急诊科(Emergency Department,ED)直接转入ICU的脓毒症患者的相关信息,以ED-LOS是否大于4 h将研究人群分成两组,比较两组患者结局指标的差异。倾向性评分匹配(Propensity Score Matching,PSM)用于平衡两组间的基线特征。多因素logistic回归分析探讨不同变量对院内死亡率、机械通气及肾脏替代治疗等临床结局的影响;绘制两组患者的28天Kaplan-Meier生存曲线,并进行log-rank检验。结果共有4 918例患者纳入分析,进行1:1 PSM后,两组均有1 895例患者,两组患者的院内死亡率及总住院时间无统计学差异。而与ED-LOS≤4 h组患者相比,>4 h组有更多的患者需要进行机械通气(29.4%vs. 39.9%,P <0.001)以及肾脏替代治疗(8.6%vs.9.8%,P=0.022)。多因素logistic回归分析提示:ED-LOS并未增加或降低院内死亡率(OR=1.016,95%CI:0.988-1.045,P=0.258);而ED-LOS降低了患者需要进行机械通气(机械通气:OR=0.912,95%CI:0.888-0.936,P=0.000)及肾脏替代治疗(OR=0.963,95%CI:0.954-0.972,P=0.021)的风险。结论 ED-LOS与脓毒症患者的院内死亡率及总住院时间并不存在相关性;但ED-LOS的延长,使得更多的脓毒症患者需要进行呼吸支持及肾脏支持治疗。

危急重症监护数据库MIMIC-Ⅲ疾病谱分析

目的深度解析重症监护医学信息数据库（MIMIC-）患者疾病谱，为基于MIMIC-数据库解决临床科研问题的临床医生及工程师提供相关数据参考。 方法利用探索性数据分析方法，探究MIMIC-数据库中各年龄层患者（不包括新生儿）疾病及急症分布特点；基于相同方法，分析新生儿孕周、体重、重症加强治疗病房（ICU）住院时间等数据的分布特点。结果MIMIC-数据库中首次入院46-428例患者，49？214例次ICU记录。其中男性26-076例，女性20？352例；中位年龄为60.5（38.6，75.6）岁；分布在61-80岁的患者最多。疾病谱分析中，第一诊断以循环系统疾病患者占比最大（占32%），其次为损伤和中毒（占14%）、消化系统疾病（占8%）、肿瘤（占7%）、呼吸系统疾病（占6%）等。循环系统疾病中缺血性心脏病患者占比最大（占42%），患者比例随年龄增加到60-70岁达最大值后逐渐下降；而脑血管疾病患者比例则随年龄增长呈先下降后升高趋势，并且是循环系统疾病死亡的主要原因（占22.5%）。损伤和中毒患者随年龄增加比例呈明显下降趋势。消化系统疾病较总人群分布偏年轻化（50-60岁者最多），非感染性肠炎和结肠炎是其主要死亡原因（ICU病死率18.3%）。在感染患者中以呼吸系统感染为主（占34%），但循环系统感染是其主要死亡原因（ICU病死率25.6%）。监护室新生儿中早产儿占82%，随孕龄增加，ICU住院时间减少，且病死率下降。 结论通过对MIMIC-数据库患者疾病谱进行深度解析，能为相关领域研究者提供一定数据参考，利于先期掌握研究目标对象的体量和分布概况以及开展下一步研究，同时可了解探索性数据分析技术在医疗数据分析领域的重要作用，为利用电子健康档案进行数据研究提供便利。

不同时间段血乳酸水平对脓毒症院内死亡的预测价值比较:基于重症监护医学信息数据库

目的比较不同时间段的血乳酸水平对脓毒症院内死亡的预测价值,以期为临床上合理选用血乳酸提供一定的研究证据。方法基于重症监护医学信息数据库,纳入3299例脓毒症患者。根据患者院内死亡情况,将3299例脓毒症患者分为院内存活组(2445例)和院内死亡组(854例)。比较两组患者的性别比、监护室类型、简化急性生理学评分Ⅱ(SAPSⅡ)、序贯器官衰竭估计(SOFA)评分、入院24 h内血乳酸的最大值[血乳酸(24 h,max)]及最小值[血乳酸(24 h,min)]及24~48 h血乳酸的最大值[血乳酸(48 h,max)]及最小值[血乳酸(48 h,min)]。采用Logistic回归分析及受试者工作特征(ROC)曲线分析影响脓毒症患者院内死亡的相关因素,并用Z检验比较曲线下面积(AUC)。结果院内存活组患者的血乳酸(24 h,max)[3.0(1.8,4.8)mmol/L vs.3.6(2.1,6.3)mmol/L]、血乳酸(24 h,min)[1.5(1.1,2.2)mmol/L vs.1.8(1.3,2.9)mmol/L]、血乳酸(48 h,max)[1.5(1.1,2.3)mmol/L vs.2.5(1.5,4.4)mmol/L]、血乳酸(48 h,min)[1.3(1.0,1.8)mmol/L vs.1.9(1.3,3.2)mmol/L]、SAPSⅡ评分[44(35,54)分vs.48(37,59)分]及SOFA评分[6(4,9)分vs.8(5,11)分]均较院内死亡组显著降低(H=7.350、9.535、13.473、12.720、6.734、8.033,P均<0.001)。将上述指标纳入Logistic回归分析,结果显示,血乳酸(24 h,max)[比值比(OR)=1.099,95%置信区间(CI)(1.069,1.130)]、血乳酸(24 h,min)[OR=1.300,95%CI(1.220,1.385)]、血乳酸(48 h,max)[OR=1.330,95%CI(1.271,1.391)]、血乳酸(48 h,min)[OR=1.558,95%CI(1.451,1.673)]、SAPSⅡ评分[OR=1.014,95%CI(1.008,1.020)]和SOFA评分[OR=1.084,95%CI(1.059,1.110)]均为影响脓毒症患者院内死亡的危险因素(P均<0.001)。ROC曲线分析结果显示,血乳酸(24 h,max)[AUC=0.574,95%CI(0.551,0.597)]、血乳酸(24 h,min)[AUC=0.614,95%CI(0.591,0.636)]、血乳酸(48 h,max)[AUC=0.693,95%CI(0.672,0.715)]、血乳酸(48 h,min)[AUC=0.689,95%CI(0.668,0.710)]、SAPSⅡ评分[AUC=0.577,95%CI(0.555,0.600)]及SOFA评分[AUC=0.592,95%CI(0.569,0.614)]对脓毒症患者院内死亡均具有预测价值(P均<0.001),且血乳酸(48 h,max)和血乳酸(48 h,min)的AUC均显著高于血乳酸(24 h,max)(Z=7.310、7.064,P均<0.001)和血乳酸(24 h,min)(Z=5.078、4.821,P均<0.001)、SAPSⅡ评分(Z=7.126、6.880,P均<0.001)和SOFA评分(Z=6.204、5.959,P均<0.001)。结论入院24~48 h的血乳酸水平对脓毒症患者院内死亡可能具有更好的预测价值。

基于血压及心率变异度预测重症患者院内死亡风险

目的 利用入住重症监护病房(intensive care unit, ICU)时的血压变异度(CV-MAP)及心率变异度(CV-HR)构建预测模型,预测ICU患者院内死亡的风险。方法 回顾性分析在美国重症监护医学信息数据库Ⅲ(medical information mart for intensive care, MIMICⅢ)中年龄≥18岁,且首次入住ICU患者的临床资料。通过多因素Logistic分析筛选危险因素并构建评分系统,采用受试者工作特征(receiver operator characteristic, ROC)曲线和校准曲线评估模型区分度和校准度,采用临床决策曲线评估模型实际应用价值。结果 共筛选符合标准的患者38 824例,院内死亡患者4075例(住院病死率为10.5%)。从危险因素中选择年龄、是否合并肝脏疾病、是否合并血液系统恶性肿瘤、是否合并转移癌、住院类型、24 h心率变异系数、24 h血压变异系数、是否使用血管活性药、是否接受镇痛治疗、是否接受镇静治疗、是否接受有创机械通气构建简化预测模型。模型预测院内死亡的ROC曲线下面积(AUC)为0.743(95%CI 0.735~0.750,P<0.001),Hosmer-Lemeshow检验χ^(2)=4.978,P=0.083。使用Bootstrap法进行1000次重复采样进行内部验证,校正曲线判断预测值与实际值一致性较好。决策曲线分析提示,在高阈值风险0.1~0.6时,预测模型具有较高的实用价值。结论 基于CV-MAP及CV-HR建立ICU患者院内死亡风险预测模型具有较好的临床预测价值,有助于识别高危患者。