Early physiologic trajectory classes show concordant mortality associations among critically ill adults with operational stage 4 cardiovascular–kidney–metabolic syndrome
本研究表明，从患有 4 期心血管-肾脏-代谢综合征的重症成年患者生命体征中推导出的结果盲性生理轨迹类别，在独立数据库中显示出一致的死亡率关联，这证实了其技术可迁移性，同时也表明它们是依赖于算法的构建产物，而非独特的生物学亚型。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
当一名患者进入重症监护室（ICU）时，医疗团队面临着一个复杂的谜题。他们不仅需要了解是什么疾病导致了患者入院，还需要了解身体目前对这场危机是如何做出反应的。对于患有特定且严重的结合了心脏、肾脏和代谢问题的患者，医生通常会将他们归于同一个标签之下。然而，即使拥有相同的标签，两名患者在接受护理的前几个小时内可能表现得截然不同：一位可能在呼吸困难的同时心跳加速，而另一位虽然血压很高，但看起来相对稳定。研究人员提出的问题是，患者在最初的关键几小时内身体的表现方式是否可以被归类为不同的模式，从而预测谁更有可能生存下来，以及这些模式在不同的医院中是否看起来是一致的。
为了回答这个问题，一组研究人员转向了来自美国医院的两份庞大的医疗记录集。他们将研究对象集中在符合先进心脏、肾脏和代谢疾病严格定义的成年人身上。研究人员并没有观察患者状况的单一快照，而是观察了四个关键生命体征——血压、心率、呼吸频率和血氧水平——在最初二十四小时内的变化情况。他们将这一天分为四个六小时的时段，并寻找在这些小时内以相似方式变化的患者群体。通过使用一种在不知道最终结果的情况下寻找自然分组的计算机方法，他们识别出了三种截然不同的行为模式。
第一种模式（包含人数最多的患者组）表现出相对稳定的生命体征。第二种模式的特征是身体承受着巨大的压力：心跳加快、呼吸变得急促，且血氧水平略有下降。第三种模式则非常独特，因为这些患者保持了该组中最高的血压。当研究人员检查结果时，差异显而易见。第二组患者（即那些心跳加速和呼吸急促的患者）与稳定组相比，在第一天后在医院内死亡的可能性显著更高。相反，血压最高的第三组患者死亡的可能性实际上比稳定组要低。这些发现在这两家医院中均成立，表明这些特定的早期生命体征模式是可靠的风险指标。
然而，研究人员谨慎地解释了这些群体并非什么。他们强调，这些模式并不是独立于测量方式之外而存在的固定生物类型。当他们尝试使用另一种数学方法来寻找这些分组时，结果发生了彻底的变化，这意味着他们发现的三种模式取决于所使用的工具。研究还澄清，第三组患者拥有高血压并不意味着提高血压是一种疗法；它仅仅描述了一组由于本研究尚未完全解释的原因而具有更好生存机会的患者。这些群体最好被理解为对身体在第一天如何反应的描述性标签，而不是可以被单独治疗的截然不同的疾病。
研究还测试了是否可以在不重新教导计算机的情况下，在另一家医院识别出这些模式。他们将第一家医院的精确规则和测量标准应用到了第二家医院。计算机成功地将新患者归入相同的三个组别中，且准确率极高，并且各组别与生存风险之间的联系也保持不变。这表明，用于识别这些早期预警信号的方法足够稳健，可以在不同的医疗中心之间通用。尽管如此，研究人员得出结论认为，虽然这些模式对于预测风险很有用，但尚未准备好用于指导具体的治疗。在医生能够利用这些分组来决定治疗方案之前，还需要进一步的研究来证明这些组别代表了真实的生物学差异，并且改变患者在这些组别中的路径是否真的会改变其预后。目前，这些发现为观察人体在重症监护关键的第一天如何挣扎提供了一种更清晰的方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。