免费医学论文发表-使用国际肺安全研究的数据验证用于估计临床医生对ARDS的识别的工具

抽象

临床医生对急性呼吸窘迫综合征 （ARDS） 的认识不足是采用循证实践（如低潮气量通气）的重要障碍。COVID-19大流行造成的负担使得开发可扩展的数据驱动工具以提高ARDS识别变得更加重要。本研究的目的是验证一种工具，使用电子健康记录中容易获得的离散临床特征准确估计临床医生ARDS识别率。我们对国际肺安全队列中的2，705名ARDS和1，261名非ARDS低氧血症患者进行了二次分析。主要结局是验证了一种从健康记录数据中估计临床医生ARDS识别率的工具。次要结局包括临床特征对潮气量输送的相对影响和临床医生对ARDS的记录。在ARDS和非ARDS患者中，较高的身高与较低的标准化潮气量（mL/kg PBW）相关（ARDS：调整β = -4.1，95%CI -4.5 –-3.6;非ARDS：β = -7.7，95%CI -8.8 –-6.7，P<0.00009[其中α= 0.01/111，Bonferroni校正]）。标准化潮气量已经针对患者身高进行了标准化，此外，身高与临床医生对 ARDS 的记录无关。ARDS患者低氧血症恶化与ARDS患者ARDS临床记录增加（β = -0.074，95%CI -0.093 –-0.056，P<0.00009）和标准化潮气量降低（β = 1.3，95%CI 0.94–1.6，P<0.00009）有关。 胸部影像学混浊、平台压升高和临床医生对 ARDS 的记录也与 ARDS 患者潮气量降低有关。我们基于EHR的数据驱动方法使用身高，性别，ARDS文档和最低标准化潮气量，估计临床医生对轻度ARDS的ARDS识别率为54%，中度为63%，严重ARDS为73%。我们的工具在LUNG SAFE研究中复制了临床医生报告的ARDS识别，从而能够识别出未被识别的高风险ARDS患者。我们的方法可以推广到需要增加循证护理采用的其他情况。

作者摘要

临床医生对急性呼吸窘迫综合征 （ARDS） 的认识不足一直是采用循证实践（如低潮气量通气）的主要障碍。在对包括2，705名ARDS患者和1，261名非ARDS患者的新队列的国际LUNG SAFE研究的二次分析中，训练有素的ARDS识别工具使用患者身高，性别和最低潮气量准确复制了临床医生报告的ARDS识别，这些特征在电子健康记录中很容易获得。在ARDS和非ARDS患者中，较高的身高与较低的潮气量相关，并且比ARDS本身的存在更能预测潮气量。这项研究表明，数据驱动的ARDS识别工具可以识别临床医生识别不足的高风险患者，同时考虑有影响力的患者特征，如身高。

数字

Table 2Fig 3图1表1图2Table 2Fig 3图1表1图2

引文： Bechel MA， Madotto F， Pah AR， Bellani G， Laffey JG， Pham T， et al. （2023） 使用国际肺安全研究的数据验证用于估计临床医生对 ARDS 识别的工具。公共科学图书馆数字健康 2（8）： e0000325. https://doi.org/10.1371/journal.pdig.0000325

编辑 器： Dukyong Yoon，延世大学医学院，大韩民国

收到： 13月 2022， 10;接受： 七月 2023， 25;发表： 2023月 <>， <>

版权所有： ? 2023 贝歇尔等人。这是一篇根据知识共享署名许可条款分发的开放获取文章，该许可允许在任何媒体上不受限制地使用、分发和复制，前提是注明原作者和来源。

数据可用性： 最初的LUNG SAFE协议包括一个数据管理计划，该计划限制公众访问LUNG SAFE数据。一些参与网站设定了这一限制，作为他们参与研究的协议的一部分。研究人员可以通过联系欧洲重症监护医学学会来请求访问 research@esicm.org。

资金： 该项目得到了国家普通医学科学研究所、格兰特T32GM008152（MAB）的支持;国家心脏、肺和血液研究所、格兰特K23HL118139和格兰特R01HL140362 （CHW）;以及约翰和莱斯利·麦奎恩礼物（LANA）。最初的LUNG SAFE研究得到了欧洲重症监护医学学会，米兰比科卡大学和多伦多圣迈克尔医院的支持。资助者在研究设计、数据收集和分析、发表决定或手稿准备方面没有任何作用。

竞争利益： 我已经阅读了该期刊的政策，这份手稿的作者有以下竞争利益：JL从Baxter Healthcare和Glaxosmithkline获得了咨询费。其余作者宣布不存在相互竞争的利益。

介绍

2019年严重冠状病毒病（COVID-19）主要表现为急性呼吸窘迫综合征（ARDS），尽管可能是一种独特的表型。[1-4]ARDS是一种异质性综合征，其特征是炎症性肺损伤和弥漫性肺泡损伤导致的急性低氧血症性呼吸衰竭和非心源性肺水肿。[5] 急性呼吸窘迫综合征通常与可识别的临床危险因素有关，例如肺炎或败血症。[5-6]在 COVID-19 之前的研究中，急性呼吸窘迫综合征影响了全球 10.4% 的重症监护病房 （ICU） 收治的患者，死亡率为 27-46%。[5-6]低潮气量通气（LTVV）—一种限制潮气量和平台压力的呼吸机策略（P平台）以防止进一步的肺损伤—将ARDS患者的死亡率降低近25%，是强烈推荐的做法。[7-8]然而，LTVV利用率被认为低至19%。[6，9-10]

临床医生对急性呼吸窘迫综合征的认识不足是LTVV的主要障碍。[6，11]以前，我们试行了一种计算方法，使用电子健康记录（EHR）中现成的特征（包括患者身高，性别和潮气量）来估计临床医生的ARDS识别，从而减少了潜在的偏差和资源需求。[11]

在这里，我们推进了我们之前的工作，并通过对大型观察性研究的二次分析来验证这种基于EHR的数据驱动工具，用于估计临床医生的ARDS识别，以了解严重急性呼吸衰竭（LUNG SAFE）队列的全球影响，这是迄今为止最大的ARDS流行病学研究。[6] 根据我们之前的工作，我们假设在 EHR 中随时可用的数据上训练的识别估计工具将产生临床医生的 ARDS 识别率，类似于从 LUNG SAFE 临床医生收集的自我报告的 ARDS 识别率。随着实践的重大变化和 COVID-19 大流行带来的负担，帮助机构评估和提高重症监护医生对 ARDS 的识别的低负担数据驱动方法变得不可或缺。

材料和方法

数据采集

这是对LUNG SAFE研究的二次分析，这是一项针对459个国家50个ICU中ARDS发病率的前瞻性队列研究。[6] 在肺安全研究中，当在同一 24 小时内，所有柏林定义标准都通过病例报告表 （CRF） 或电子健康记录审核出现时，则分配 ARDS 队列状态。[5] 另外，在最初的LUNG SAFE研究中，如果临床医生选择ARDS作为两种独立CRF中的至少一种的诊断，则认为他们已经识别了患者的ARDS。 [6]

LUNG SAFE在3年为期四周的冬季期间确定了022，2014名符合柏林ARDS定义的患者。在这项研究中，我们纳入了2，705名被诊断为接受有创机械通气的ARDS患者，与我们之前的纳入标准相似（图1）。[11]

缩略图 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图1. 包含标准和数据流。

一个如果受试者报告的ARDS状态在研究进入和结束之间发生变化（是/否，否/是）。b如果受试者报告的ARDS状态在研究进入和结束之间没有变化（是/是，否/否）。c急性呼吸窘迫综合征未记录的亚组。d合并记录的子组。e控制未记录的子组。ARDS：急性呼吸窘迫综合征，IMV：有创机械通气，PBW：预测体重，Vt：潮气量。

https://doi.org/10.1371/journal.pdig.0000325.g001

此外，我们通过选择急性低氧血症性呼吸衰竭的LUNG SAFE患者建立了非ARDS“对照”组（P一个O2/F我O2≤300mm Hg和新发肺实质混浊）和接受有创机械通气但被确定没有ARDS的人（n = 1，261，图1）。

现场临床医生被问及患者在第1天（研究进入）和ICU出院或死亡（研究结束）是否在不同的CRF上患有ARDS。在研究开始时，临床医生从包括ARDS的列表中选择了低氧血症的所有潜在原因。在研究结束时，临床医生被明确询问患者在住院期间是否患有ARDS。[6]

所有研究变量（P一个O2/F我O2、潮气量 [mL]、其他呼吸机设置和测量值以及临床特征）记录多天。我们将标准化潮气量定义为（mL/kg）。S1 和 S2 表中列出了每个变量的数据可用性。如前所述，我们收集了其他临床和结局数据。[6]

这项研究被西北大学机构审查委员会（STU00205441）确定为豁免，并得到了开放-肺-安全倡议的批准。

识别工具假设

我们的方法依赖于以下两个假设：

急性呼吸窘迫综合征和非急性呼吸窘迫综合征患者的潮气量受临床特征的影响。

医生为他们认为患有ARDS的患者提供的标准潮气量比其他方式低。[12-13]

这些假设表明，提供的标准化潮气量为临床医生识别ARDS提供了代理。此外，他们提出了一个推论：

ARDS队列可以被视为已识别和未识别患者的混合体。

我们方法的目标是开发一种自动化的数据驱动工具，以确定ARDS患者是否被临床医生识别。需要注意的是，该工具的目标不是预测患者是否有临床ARDS（由图表审查确定的自变量），而是临床医生是否为患者诊断ARDS。为了实现这一目标，首先我们分别评估了临床特征对ARDS和非ARDS患者潮气量输送的影响（假设#1;由图表审查定义的队列）。

临床特点

为了确定在我们的临床医生ARDS识别工具中应该考虑哪些因素，我们采用了普通最小二乘（OLS）回归来评估这些因素与最低（S1文本）之间的关联。

我们评估了彼此协方差的显著单变量因子。我们从分析中排除了数据可用性差异的因素对（S1和。S2 表）之间的两个因素，用于考虑的队列超过队列规模的 10%。

我们使用单变量分析和适当交互作用项中显著因子的所有组合构建了多变量回归，排除了由于上述协方差引起的一些因素。我们计算了每次回归的AIC（赤池信息标准）和BIC（贝叶斯信息标准），以选择“最佳”模型拟合。我们使用 Python 和包统计模型（版本 0.6.1）进行所有计算。

我们将回归分析的结果报告为具有95%置信区间（CI）的归一化β系数。

显著性检验。

我们使用 α = 0.01 并对多个假设应用邦弗朗尼校正。在单变量分析中，有111个比较，其中最低的是因变量，因此我们将P<0.00009（0.01/111）设置为这些分析的统计显著性阈值。对于协变量分析，阈值为 P<0.001 （0.01/10）。

敏感性分析

在我们的试点研究中，我们将ARDS的临床医生记录定义为主治医生写的笔记中存在ARDS诊断。为了在无需获得临床医生笔记的情况下尽可能接近地复制这一严格的定义，我们将LUNG SAFE数据中ARDS的临床医生文献定义为ARDS作为研究进入和研究结束CRF的诊断的存在，这与最初的LUNG SAFE定义不同。对于在研究进入后（例如，第 2 天或第 3 天）发生 ARDS 的患者，这种文献定义是不准确的。在这种情况下，患者可以在第2天或第3天满足柏林定义标准，但临床医生在研究条目CRF上不会不正确，因为患者当时没有ARDS。我们认为这不是一个重大限制，原因有三。首先，我们仅使用研究结束的CRF文档进行了敏感性分析，并获得了类似的结果（S3表）。其次，只有12%的患者在第1天后出现ARDS。第三，使用严格的文档定义（包括入口和结束CRF）使我们能够放心，临床医生真正认识到ARDS。由于我们不知道谁负责填写条目和结束CRF，如果只有一份表格包含ARDS文件，我们就不能确信ARDS是由临床医生明确识别的。

作为额外的敏感性分析，我们在将队列限制为大多数天使用辅助控制呼吸机模式的患者时重复了所有分析（ARDS队列n = 409，对照队列n = 213）。

工具制造

在上述假设的指导下，我们将ARDS和对照队列分为三组（图1）：[11]

未记录的ARDS患者：ARDS患者，现场临床医生没有在两种表格上记录ARDS，

对照非记录：非ARDS患者，其中现场临床医生没有在两种表格上记录ARDS，以及

合并记录：来自ARDS和非ARDS队列的患者，现场临床医生在两种形式上记录了ARDS。

我们的工具将患者分类为“已识别”或“未识别”。合并记录组中的所有患者都被归类为“认可”。ARDS非记录组的患者根据朴素贝叶斯模型进行分类，该模型确定他们接受的最低标准化潮气量是否与合并记录组中的最低标准化潮气量输送最相似，还是在对照非记录组中观察到的最低标准化潮气量输送。具体来说，利用贝叶斯定理，我们根据以下条件概率将ARDS未记录亚组中的患者分类为已识别或未识别：

在 P（documented） 和 P（control） 没有更好的支持先验的情况下，我们将它们设置为 0.5;也就是说，我们假设属于任一子组的先验概率相等。X 代表影响最大的因素，即在合并记录子组和对照非记录子组中回归分析中最高的标准化 beta 系数。

这种方法使我们能够确定由相等定义的X与最低平面的边界，使用核密度估计来估计在合并的记录子组和对照非记录子组上观察到最低值和X值对的特定对的概率（图1）。由于未记录的对照子组和合并的记录子组之间的大小差异，我们引导（100次迭代）控制非记录子组并重复分析以从边界的位置产生置信带（S1图）。对于低于此边界的最低值的患者，大于并且患者被归类为“公认”。最低高于此边界的患者被归类为“无法识别”。

结果

在我们纳入的LUNG SAFE研究中的2，705名ARDS患者和1，261名非ARDS对照患者中，临床医生记录了792名患者在入口和出口CRF上都有ARDS;其中92%属于肺安全ARDS队列（图1）。

临床特点

潮气量使用的预测因子 - 单变量分析。

ARDS和对照队列中患者身高z评分增加的下降幅度最低（ARDS：β系数，-3.8，95%CI，[-4.2，-3.4]，P<0.00009;对照：β系数，-7.7，95%CI，[-8.8，-6.7]，P<0.00009; 表1，图2）。此外，在ARDS队列中，随着ARDS严重程度的恶化，最低下降，浸润的胸部X线象限数量增加，P平台和临床医生对ARDS的记录（每个特征的P<0.00009，表1，S2图）。这些特征与对照队列中的较低特征无关。SOFA评分、ICU入院体重、研究区域、患者研究入组年龄和呼吸机模式在ARDS或对照队列中也与较低无关。

缩略图 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

表 1. 最低 （mL/kg PBW） 的预测变量（β系数 [95% CI]）。

https://doi.org/10.1371/journal.pdig.0000325.t001

缩略图 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图2. 患者身高对ARDS和对照队列中标准化潮气量（）和ARDS记录的影响。

顶部面板显示了有记录的 ARDS 患者（紫色钻石）和未记录的患者（棕褐色圆圈）。灰色区域代表当前指南中的 LTVV 范围，虚线为 6.5 mL/kg PBW。实线显示散点图数据（阴影区域、95% 置信带）的线性 （） 和逻辑（文档）拟合。报告的贝塔系数适用于标准化输入。ARDS：急性呼吸窘迫综合征，LTVV：低潮气量通气，PBW：预测体重，：标准化潮气量（mL/kg PBW）。

https://doi.org/10.1371/journal.pdig.0000325.g002

在合并记录的亚组中，与较低身高z评分相关的因素包括身高z评分、ARDS严重程度和胸部X线象限浸润的数量（表 1）。临床特征与文献亚组中最低值之间的其他关联可以在 S3 和 S4 表中找到。

潮气量使用的预测因子 - 协变量分析。

根据逻辑需要，身高与临床医生在ARDS或对照队列中对ARDS的记录无关（图2）。然而，低氧血症严重程度恶化与ARDS队列中ARDS的临床医生记录增加有关（S2图）。

最低 P一个O2/F我O2，浸润的胸部X线象限数量最多，研究结束时浸润的胸部X线象限，最高P平台，临床医生在研究结束时对ARDS的记录彼此协变量（P<0.00009，S5表）。研究入库时的ARDS记录与研究入库时浸润的胸部X线象限数量相关。患者身高与任何严重程度标志物无关。

潮气量使用的预测因子 - 多变量分析。

在为ARDS队列构建的七个多变量回归中，回归包括身高z得分，最低P一个O2/F我O2，临床医生 ARDS 文档作为自变量和最低 P一个O2/F我O2:d闭合相互作用项导致最佳拟合（S6表）。未对对照队列进行多变量分析，因为高度 z 得分是与最低 .

在最佳拟合多变量回归中，高度 z 得分和最低 P一个O2/F我O2仍然是最低的预测因子（P<0.00009，表1）。在这些变量中，高度z得分是最低值的最强预测因子（β系数，-3.7，95%CI，[-4.3，-3.3]，P<0.00009）。

作为敏感性分析，我们将队列限制为仅使用辅助控制/容量控制通气模式的患者，并重复上述分析。除研究结束文献亚组外，唯一与所有其他队列和亚组的身高z评分显着相关的因素（S7表）。在研究结束文献亚组中，身高z评分和浸润胸部X线象限的最高数量与 相关。鉴于最终工具只需要最有影响力的因素，即所有子组中的高度z分数，呼吸机模式的限制和ARDS识别定义的放宽都没有对工具构建产生影响。

用于估计ARDS识别率的工具

我们认为身高z评分是预测临床医生识别ARDS的最有影响力的因素。在图3中，将合并记录子组和对照组未记录子组的观察一对最低和高度z得分的特定值的概率映射到热图，其中包括从每个子组（合并记录与对照未记录）得出的观测概率相等的线（图3，黑线）。我们使用该线来估计来自ARDS未记录亚组的患者是“识别”（线下方）还是“未识别”（线上方）。将合并记录的亚组与以这种方式识别的ARDS未记录亚组的患者相结合，得出以下临床医生对每个ARDS严重程度类别的ARDS识别率的估计：轻度，54%;中等， 63%;严重，73%（表2）。

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

表 2. 医生通过肺安全的低氧血症严重程度识别ARDS的比率。

https://doi.org/10.1371/journal.pdig.0000325.t002

thumbnail 下载：

.PPT幻灯片

.PNG大图

.TIFF原始图像

图3. 核密度估计，用于对照非记录和合并记录的患者。

来自对照非记录（黄色，顶部面板）和记录（紫色，底部面板）子组的数据的核密度估计概率密度的热图。实线表示属于记录（线下）和未记录控制（线上）的概率不相等的边界分隔区域。

https://doi.org/10.1371/journal.pdig.0000325.g003

如图 3 所示，在大约高度 z 分数±1.0 之外，分离线相对平坦，分别为 8mL/kg PBW （z<-1.0） 和 6mL/kg PBW （z>1.0），但对于 -1.0 和 +1.0 之间的 z 分数，分离线呈线性下降。

对于辅助控制/容量控制 （VAC） 敏感性分析亚组，记录和识别率低于整个队列;急性呼吸窘迫综合征的识别估计为：轻度，55%;中等，68%;严重，79%（S3图，S8表）。

讨论

在 COVID-19 大流行之前，采用循证实践对 ARDS 的管理远非最佳，研究表明对 ARDS 认识不足的主要障碍。[6，9-10]现在，重症监护医学面临着COVID-19，其严重形式经常表现为ARDS。[1-4]虽然仅仅存在COVID-19可能会提高ARDS的识别能力，但大流行带来的重症监护结构、人员配备和实践的空前变化可能会削弱这种益处。因此，能够广泛识别ARDS的工具变得至关重要。本研究的目的是验证一种基于EHR的自动化数据驱动工具，该工具可用于估计单个临床医生，医院单位甚至医院系统的ARDS识别率。

在之前对361个ICU的9名ARDS患者的研究中，我们确定了哪些患者和医生因素与LTVV利用有关，然后开发了一个计算模型来估计ARDS识别，发现识别率与LUNG SAFE识别严重ARDS相似。[11] 我们目前的研究在 2 个 ICU 的 705，459 名 ARDS 患者中验证和推广了这些结果，发现我们的自动化工具在所有 ARDS 严重程度组中准确复制了 LUNG SAFE 临床医生报告的 ARDS 识别，仅使用患者身高、性别和潮气量在 ARDS 本身没有记录的患者中。LUNG SAFE队列的庞大性和多样性为这些结论在地理区域和临床实践差异中的普遍性提供了强有力的支持。

确认先前的工作，[11]我们发现，在ARDS和非ARDS患者中，较高的身高可以预测较低的标准化潮气量 - 已经根据身高进行了调整。值得注意的是，患者的身高对其标准化潮气量的影响大于 ARDS 的记录。这一发现表明，呼吸机管理方法并非由对急性呼吸窘迫综合征的识别驱动。无论 ARDS 状态或识别情况如何，临床医生在提供潮气量时都可能使用启发式方法：大多数通气患者的默认潮气量（例如，450mL、500mL），并根据极端身高进行一些调整。图3支持了这一解释。在身高 z 评分 -1.0 到 +1.0 之间，大多数患者被发现，在 中，默认潮气量将产生确切的线性下降。矮个子和较高的患者的PBW水平分别为约8mL/kg PBW和6mL/kg PBW。在这种情况下，无论ARDS状态如何，较高的患者仅凭身高就接受严格的LTVV（6mL / kg PBW）。

另一种可能性——临床医生有意对所有急性低氧血症性呼吸衰竭患者进行类似的治疗，无论 ARDS 状态如何——不太可能。对于ARDS患者，LTVV有显著的证据支持（对于非ARDS患者缺乏此类证据），[7-8]并且我们发现ARDS文献与标准化潮气量之间的关联支持基于ARDS与非ARDS状态的潮气量使用存在一些区别。

高度和潮气量之间的关系对于测量LTVV依从性具有重要意义，因此对于实施提高LTVV利用率的策略具有重要意义。先前探索 LTVV 在 ARDS 中使用障碍的研究使用平坦的标准化潮气量阈值（例如，小于 6.5 mL/kg PBW）来测量 LTVV 递送。[9，14]我们的结果强烈表明这种方法是不够的。单独使用作为有意使用 LTVV 的指示并不能解释身高作为向患者输送潮气量背后的驱动力所起的额外作用。因此，临床医生似乎比推荐或真正预期的更频繁地提供LTVV。这种做法可能掩盖LTVV实施的重要障碍的影响，从而延迟制定克服这些障碍的有效战略。

我们的分析有几个局限性。首先，没有规定谁为每个站点的患者填写CRF。因此，ARDS文档可能无法代表床旁临床医生ARDS识别的真实衡量标准。其次，由于临床医生认为LTVV不是ARDS患者使用的主要障碍，[12-13]我们假设如果临床医生识别出ARDS，他们会尝试降低潮气量。第三，肺部安全记录过程涉及提示临床医生有关ARDS的信息，而不是依赖于从头鉴别诊断生成;因此，即使LUNG SAFE是一项大型的跨国观察性研究，它可能仍然不能反映现实世界中的认可。第四，由于识别工具建立在进入和退出CRF上的ARDS文档上，被认为是“公认的”，因此在ICU入院后发生ARDS的12.2%的患者可能被错误地归类为“未识别”。然而，我们仅使用出口CRF的文件进行的敏感性分析表明，该分析将捕获在研究进入后发生ARDS的患者，结果没有差异。第五，本研究仅限于验证先前开发的工具，并不探讨将其他计算方法（如随机森林或梯度提升）应用于区分已识别和未识别的ARDS的任务是否会产生更高的性能。我们认为这一决定是合理的，原因有两个：1）因为我们估计的识别率与原始的LUNG SAFE识别率之间的差异很小，其次，在确定哪些患者被识别时固有的不确定性阻止了我们获得完全准确的地面真相。最后，肺安全研究代表了 COVID 前对 ARDS 管理的理解。急性呼吸窘迫综合征管理，特别是急性呼吸窘迫综合征识别，可能因COVID-19而有所发展。

支持信息

临床特征。

显示 1/12： pdig.0000325.s001.docx

跳到无花果共享导航

S1 文本临床特征基于以前的工作，我们使用一种前向逐步方法，包括队列和所有亚组的以下特征：P一个O2/F我O2，平台压力（P平台， 厘米高2O）、入住 ICU 时的患者体重 （kg） 和患者身高 z 评分（根据患者性别单独计算;我们选择了性别归一化身高z评分，因为它允许用于在同一分析中比较男性和女性患者）。[11] 此外，我们考虑了数字胸部 X 线象限伴浸润 （0-4）、序贯器官衰竭评估 （SOFA） 评分、地理地区，最常用的呼吸机模式，患者研究入组年龄（开始之间的时间差患者在某个站点的入组和特定患者在该站点的入组），以及ARDS识别（研究进入，研究结束，以及两者）。对于 P一个O2/F我O2，胸部 X 线象限数浸润，P平台和SOFA，我们提取了它们的最差值，以及它们在研究进入和研究结束时的值。以前执行回归分析，我们进行线性变换范围 [0， 1] 的连续变量。

1 / 12

下载

无花果分享

S1 文本。 临床特征。

https://doi.org/10.1371/journal.pdig.0000325.s001

（文档）

S1 表。 肺安全全队列的数据可用性。

https://doi.org/10.1371/journal.pdig.0000325.s002

（文档）

S2 表。 肺安全VAC亚组的数据可用性。

https://doi.org/10.1371/journal.pdig.0000325.s003

（文档）

S3 表。 肺安全文献亚组中最低 （mL/kg PBW） 的预测因子（β系数 [95% CI]）。

https://doi.org/10.1371/journal.pdig.0000325.s004

（文档）

S4 表。 未记录亚组中最低标准化潮气量 （mL/kg PBW） 的预测因子（β系数 [95% CI]）。

https://doi.org/10.1371/journal.pdig.0000325.s005

（文档）

S5 表。 急性呼吸窘迫综合征亚组中的协方差分析（β系数 [95% CI]）。

https://doi.org/10.1371/journal.pdig.0000325.s006

（文档）

S6 表。 ARDS队列中最低标准化潮气量（mL / kg PBW）的多变量模型。

https://doi.org/10.1371/journal.pdig.0000325.s007

（文档）

S7 表。 VAC 亚组中最低 （mL/kg PBW） 的预测因子（β系数 [95% CI]）。

https://doi.org/10.1371/journal.pdig.0000325.s008

（文档）

S8 表。 医生通过肺安全VAC亚组的低氧血症严重程度识别ARDS的比率。

https://doi.org/10.1371/journal.pdig.0000325.s009

（文档）

S1 图 已知和未识别区域之间的朴素贝叶斯边界，自举-肺安全队列的置信区间为 95%。

实线表示边界分隔区域，属于记录的概率不相等（线下）和未记录的对照（线上），自举数据的置信区为 95%（阴影区域）。

https://doi.org/10.1371/journal.pdig.0000325.s010

（文档）

S2 图 最低P的影响一个O2/F我O2ARDS和对照队列中标准化潮气量（）和ARDS文档的比率。

顶部面板显示了记录在案的急性呼吸窘迫综合征患者（紫色钻石）和未记录的患者（棕褐色圆圈）。灰色区域表示当前指南中的 LTVV 范围，虚线为 6.5 mL/kg PBW。实线显示散点图数据（阴影区域、95% 置信带）的线性 （） 和逻辑（文档）拟合。报告的贝塔系数适用于标准化输入。

https://doi.org/10.1371/journal.pdig.0000325.s011

（文档）

S3 图 肺安全（VAC 亚组）中对照非记录和合并记录患者的核密度估计。

来自对照非记录（黄色，顶部面板）和记录（紫色，底部面板）子组的数据的核密度估计概率密度的热图。实线表示属于记录（线下）和未记录控制（线上）的概率不相等的边界分隔区域。VAC：辅助控制/音量控制模式。

https://doi.org/10.1371/journal.pdig.0000325.s012

（文档）

引用

1.钟敏， 伯恩海姆， 梅 X， 张 N， 黄 M， 曾 X， 等. 2019年新型冠状病毒（2019-nCoV）的CT成像特征.放射学。2020;295: 202–207.密码：32017661

查看文章PubMed/NCBI谷歌学术搜索

2.COVID-19 中的急性呼吸衰竭：是“典型”急性呼吸窘迫综合征吗？暴击护理。2020;24: 198.密码：32375845

查看文章PubMed/NCBI谷歌学术搜索

3.Grieco DL， Bongiovanni F， Chen L， Menga LS， Cutuli SL， Pintaudi G， et al.COVID-19 诱发的呼吸衰竭的呼吸生理学与其他病因的 ARDS 的比较。暴击护理。2020;24: 529.密码：32859264

查看文章PubMed/NCBI谷歌学术搜索

4.Fan E， Beitler JR， Brochard L， Calfee CS， Ferguson ND， Slutsky AS， et al. COVID-19 相关急性呼吸窘迫综合征：是否需要采用不同的管理方法？柳叶刀呼吸医学 2020;8：816–821。密码：32645311

查看文章PubMed/NCBI谷歌学术搜索

5.急性呼吸窘迫综合征定义工作组。急性呼吸窘迫综合征：柏林定义。贾马。2012;307: 2526–2533.密码：22797452

查看文章PubMed/NCBI谷歌学术搜索

6.贝拉尼 G， 拉菲 JG， 范 T， 范 E， 布罗查德 L， 埃斯特万 A， 等.50个国家重症监护病房急性呼吸窘迫综合征患者的流行病学、护理模式和死亡率。贾马。2016;315: 788–800.密码：26903337

查看文章PubMed/NCBI谷歌学术搜索

7.急性呼吸窘迫综合征网络。与传统潮气量相比，对于急性肺损伤和急性呼吸窘迫综合征，通气量较低。N Engl J Med. 2000;342： 1301–1308.密码：10793162

查看文章PubMed/NCBI谷歌学术搜索

8.Fan E， Del Sorbo L， Goligher EC， Hodgson CL， Munshi L， Walkey AJ， et al.美国官方胸科学会/欧洲重症监护医学学会/重症监护医学学会临床实践指南：急性呼吸窘迫综合征成人患者的机械通气。美国呼吸暴击护理医学杂志 2017;195： 1253–1263.密码：28459336

查看文章PubMed/NCBI谷歌学术搜索

9.Weiss CH， Baker DW， Weiner S， Bechel M， Ragland M， Rademaker A， et al.低潮气量通气用于急性呼吸窘迫综合征。暴击护理医学 2016;44： 1515–1522.密码：27035237

查看文章PubMed/NCBI谷歌学术搜索

10.Kalhan R， Mikkelsen M， Dedhiya P， Christie J， Gaughan C， Lanken PN， et al.肺保护性通气使用不足：分析解释医生行为的潜在因素。暴击护理医学 2006;34： 300–306.密码：16424706

查看文章PubMed/NCBI谷歌学术搜索

11.Bechel MA， Pah AR， Shi H， Mehrotra S， Persell SD， Weiner S， et al.一种使用电子健康记录数据分析临床医生识别急性呼吸窘迫综合征的定量方法。公共图书馆一号。2019;14： e0222826.密码：31539417

查看文章PubMed/NCBI谷歌学术搜索

12.Weiss CH， Baker DW， Tulas K， Weiner S， Bechel M， Rademaker A， et al.一项重症监护临床医生调查，将低潮气量通气的态度和感知障碍与实际实践进行比较。Ann Am Thorac Soc. 2017;14： 1682–1689.密码：28771042

查看文章PubMed/NCBI谷歌学术搜索

13.Dennison CR，Mendez-Tellez PA，Wang W，Pronovost PJ，Needham DM.急性呼吸窘迫综合征中低潮气量通气的障碍：调查开发，验证和结果。暴击护理医学 2007;35： 2747–2754.密码：17901838

查看文章PubMed/NCBI谷歌学术搜索

14.Checkley W，Brower R，Korpak A，Thompson BT，急性呼吸窘迫综合征调查员。临床试验对急性肺损伤患者机械通气实践的影响。Am J Respir Crit Care Med. 2008;177： 1215–1222.

查看文章谷歌学术搜索