毛细血管渗漏综合征的诊断

毛细血管渗漏综合征的诊断

Wollborn J, Hassenzahl LO, Reker D, et al. Diagnosing capillary leak in critically ill patients: development of an innovative scoring instrument for non-invasive detection. Ann Intensive Care. 2021 Dec 15;11(1):175. doi: 10.1186/s13613-021-00965-8. PMID: 34910264; PMCID: PMC8674404.

1.背景

重症患者常常存在血管内低容量，需要液体复苏，因此导致液体正平衡、水肿和血流动力学不稳定。这种表现型，临床称为毛细血管渗漏综合征（capillary leak syndrome，CLS）。目前还没有CLS的共识定义。尽管有研究描述了调节内皮通透性的机制，还没有一致的诊断标准和临床名词。仍不清楚的是，CLS仅仅是重症患者的表象，还是一种独立的病理现象。值得注意的是，我们研究中使用的CLS，不是Clarkson病（Clarkson’s disease），后者也称为特发性全身毛细血管渗漏综合征，是一种少见的原因未知的病变。本研究除外了Clarkson综合征。

CLS在ICU中不限于脓毒症，但也见于心肺旁路后、过敏反应和热损伤。CLS的机制研究发现：促炎状态增加了血管内皮通透性，内皮细胞细胞间连接的完整性破坏，糖萼脱落。为了预防和治疗CLS，临床前模型显示，作用于这些机制的试验性药物显示有希望。设想这些新的脓毒症辅助治疗策略应该聚焦于内皮通透性。

尽管CLS发病率高，目前不清楚其对器官功能不全和病死率的影响。原因可能在于缺乏诊断标准。但是CLS并发的临床情况如促炎状态和液体正平衡与ICU患者病死率增加相关。设想CLS患者具有独特的特征。本研究目的是发现判断预后的评分系统。

2.方法

前瞻性观察性研究。入组from October 2017 to July 2019两家ICU的患者。

两位专家根据下面标准判断是否存在CLS：水肿、血管内低容量、液体正平衡、血流动力学不稳定。

3.结果

筛查220例患者，30例志愿者（图1）。

最后CLS入组100例，非CLS入组95例。

两组患者的30d病死率显著差异（12% vs. 1%, log-rank P = 0.002）。

表1是两组患者的特征。与非CLS患者相比，CLS患者年龄更大，BMI更大，COPD比例更高，脓毒症比例更高，术中出血更多，液体正平衡更多。

与非CLS患者相比，CLS患者更多需要儿茶酚胺支持，正平衡更多，乳酸水平更高，危重评分更高（SAPS II、SOFA和APACHE II）（图2）。

与非CLS患者相比，CLS患者血液中内皮标志物和炎症标志物水平更高。

多变量二分类分析发现，SOFA评分 (OR16.4 [5–57], P < 0.001), 血管生成素-2 (OR 15.1 [2–120],P = 0.01), 位相角（phase angle）(OR 12.2 [2–77], P = 0.008), 上肢回声 (OR 8.3 [1–51],P = 0.035), 细胞外质量（extracellular mass） (OR 5.9 [2–24], P = 0.011), 蛋白聚糖（syndecan-1 ）(OR 7.6[2–37], P = 0.012), and ICAM-1 (OR4.4 [1–18], P = 0.008)等与CLS相关（图3A）。

上述参数分别计算AUC后，形成了7个参数的评分系统（回声, SOFA评分, 血管生成素-2, 蛋白聚糖-1, ICAM-1, 乳酸和IL-6）。AUC = 0.899(P < 0.001) ，诊断敏感性0.786，特异性0.884, PPV=0.88，NPV=0.792。

机器学习分析的结果如下。

决策树分析发现，采用回声和血管生成素-2等两个变量，AUC = 0.865(P < 0.001) ，诊断敏感性0.815，特异性0.824, PPV=0.846，NPV=0.798（图4AB）。

评估了6个机器学习算法（随机森林、梯度提升树、概率神经网络、朴素贝叶斯、支持向量机和深度神经网络）的预测能力。结果发现随机森林方法的区分能力最强，AUC = 0.963(P < 0.001) ，准确性0.88，诊断敏感性0.893，特异性0.875, PPV=0.885，NPV=0. 848（图4C）。

4.结论

通过客观、无创的CLS评分方法可以诊断CLS。

两个参数的简化模型可以诊断CLS。

CLS增加临床病死率，应该作为一个临床独立的病变。