腦卒中患者機械通氣撤機影響因素的研究進(jìn)展*

【摘要】 腦卒中是一種嚴(yán)重的腦血管疾病，具有高發(fā)病率和高死亡率，常導(dǎo)致患者依賴機械通氣。撤機是腦卒中患者機械通氣管理中的關(guān)鍵環(huán)節(jié)，其成功與否直接影響患者的預(yù)后和醫(yī)療資源的分配。本文綜述了影響腦卒中患者撤機成功的因素及撤機預(yù)測模型的研究現(xiàn)狀。研究發(fā)現(xiàn)，程序化撤機、護(hù)士主導(dǎo)撤機、卒中類型、部位、范圍、超聲評估、膈肌運動指標(biāo)、早期肺康復(fù)訓(xùn)練等均對撤機成功有顯著影響。同時，機器學(xué)習(xí)和人工智能技術(shù)在構(gòu)建撤機預(yù)測模型方面展現(xiàn)出潛力，但需進(jìn)一步的構(gòu)建和驗證。本文還討論了撤機成功與否的定義，并強調(diào)了統(tǒng)一撤機成功標(biāo)準(zhǔn)的重要性。未來的研究需擴大樣本量，開展多中心臨床試驗，探索個體化撤機策略，并利用機器學(xué)習(xí)算法優(yōu)化撤機管理。

【關(guān)鍵詞】 腦卒中 機械通氣 撤機 預(yù)測模型 機器學(xué)習(xí)

Progress in the Study of Factors Affecting Withdrawal of Mechanical Ventilation in Stroke Patients/LIU Meiqi， ZHANG Xuehui， LI Yuanqing， LIU Anhao， YAN Ranran， WU Dongmei. //Medical Innovation of China， 2025， 22（06）： -184

[Abstract] Stroke is a serious cerebrovascular disease with high morbidity and mortality， which often leads to patients relying on mechanical ventilation. Withdrawal is a key link in mechanical ventilation management of stroke patients， and its success directly affects the prognosis of patients and the allocation of medical resources. This paper reviews the factors affecting the success of the withdrawal of stroke patients and the current research status of the withdrawal prediction model. It is found that programmed withdrawal， nurse-led withdrawal， stroke type， location， scope， ultrasonic assessment， diaphragm movement index， and early pulmonary rehabilitation training have significant effects on the success of withdrawal. At the same time， machine learning and artificial intelligence technologies show potential in building predictive models for downtime， but further construction and validation are needed. This paper also discusses the definition of successful withdrawal， and emphasizes the importance of unifying successful withdrawal criteria. Future studies need to expand the sample size， conduct multi-center clinical trials， explore individualized withdrawal strategies， and optimize withdrawal management using machine learning algorithms.

[Key words] Stroke Mechanical ventilation Withdrawal Predictive modeling Machine learning

First-author's address： College of Nursing， Shandong First Medical University， Jinan 250021， China

doi：10.3969/j.issn.1674-4985.2025.06.041

腦卒中通常稱為腦中風(fēng)，是一種由腦血管痙攣或破裂引起的腦動脈系統(tǒng)疾病，具有高發(fā)病率、高致殘率、高死亡率、高復(fù)發(fā)率和高經(jīng)濟(jì)負(fù)擔(dān)的“五高”特點。在中國，腦卒中占所有疾病死亡原因的24.16%[1]。這一疾病常導(dǎo)致中樞神經(jīng)系統(tǒng)損傷，進(jìn)而引發(fā)呼吸功能障礙，使患者在重癥期需要依賴機械通氣以維持生命。然而，長期依賴機械通氣可能導(dǎo)致多種并發(fā)癥，包括呼吸機相關(guān)性肺炎（ventilator-associated pneumonia，VAP）、氣管損傷及患者舒適度降低等[2]。盡管機械通氣對于重癥腦卒中患者至關(guān)重要，但其相關(guān)并發(fā)癥可能會增加死亡率、延長住院時間，并帶來額外的經(jīng)濟(jì)負(fù)擔(dān)。

此外，撤機失敗可能加重呼吸衰竭，甚至危及生命[3]。研究表明，機械通氣撤機失敗的患者VAP發(fā)生率增加8倍，膈肌功能障礙等嚴(yán)重并發(fā)癥的發(fā)生率高達(dá)28%～69%[4]，死亡風(fēng)險增加6～12倍[5]。但是，腦卒中后的運動功能障礙可能導(dǎo)致自主呼吸功能未完全恢復(fù)，進(jìn)一步增加撤機的難度。同時，患者的意識水平和認(rèn)知功能狀態(tài)的變化也會增加撤機失敗的可能性[6]。因此，重癥腦卒中患者更易引起泵衰竭或混合性損傷，撤機失敗率可達(dá)47%～74%，是認(rèn)知功能正?；颊叩?倍以上；而撤機失敗后的再插管率達(dá)20%～30%，病死率則高達(dá)45%～91%[7]。這些問題要求醫(yī)護(hù)人員在制定撤機計劃時必須綜合考慮患者的具體情況，并結(jié)合最新的研究證據(jù)，以降低撤機失敗的風(fēng)險并提高成功率。因為成功撤機不僅可以降低這些風(fēng)險，還能促進(jìn)患者更快地恢復(fù)到獨立生活中[8]。

篩選影響機械通氣重癥腦卒中患者撤機成功的關(guān)鍵因素，對于有效預(yù)防撤機失敗至關(guān)重要。目前，構(gòu)建預(yù)測模型已成為一種常用的方法[9-10]，旨在綜合考慮多種影響因素，以提高撤機成功的預(yù)測準(zhǔn)確性。這種方法能夠更準(zhǔn)確地評估撤機成功的可能性，為臨床決策提供科學(xué)依據(jù)。然而，回顧現(xiàn)有文獻(xiàn)，發(fā)現(xiàn)盡管關(guān)于撤機失敗預(yù)測因素的研究逐漸增多，但這些研究大多涉及異質(zhì)性人群[7]，特別是專門針對腦卒中患者撤機成功預(yù)測因素的研究相對較少。Ko等[11]的研究表明，單一的撤機參數(shù)往往無法準(zhǔn)確預(yù)測神經(jīng)重癥患者的撤機失敗。張利利[12]也指出，常規(guī)的撤機參數(shù)對非昏迷神經(jīng)重癥患者的撤機結(jié)局預(yù)測效果有限。傳統(tǒng)的撤機指標(biāo)雖然靈敏度較高，但特異度較低，且未能綜合考慮患者的臨床特征、生理數(shù)據(jù)及醫(yī)學(xué)影像等因素[2，8]。這些因素和醫(yī)生的判斷在實際應(yīng)用中往往無法達(dá)到預(yù)期的準(zhǔn)確度[13]，導(dǎo)致10%～29%的患者即使符合撤機標(biāo)準(zhǔn)，仍需重新插管[3]。因此，目前仍缺乏系統(tǒng)性撤機指南和標(biāo)準(zhǔn)化的方案[14-15]。

所以本綜述旨在探討腦卒中患者機械通氣撤機影響因素的臨床研究進(jìn)展，分析撤機預(yù)測模型的研究現(xiàn)狀，并討論當(dāng)前存在的挑戰(zhàn)和未來研究方向。筆者將特別關(guān)注多樣化的預(yù)測影響因子，以提高預(yù)測準(zhǔn)確性，優(yōu)化臨床決策，從而提升撤機成功率并改善患者生活質(zhì)量。通過系統(tǒng)回顧現(xiàn)有文獻(xiàn)，希望為臨床醫(yī)護(hù)人員提供科學(xué)的指導(dǎo)，幫助他們更有效地管理腦卒中患者的撤機過程。

1 腦卒中撤機的影響因素研究進(jìn)展

1.1 程序化撤機的研究進(jìn)展

是一種標(biāo)準(zhǔn)化的撤機策略，該方法包括對機械通氣患者進(jìn)行每日的系統(tǒng)篩查，并動態(tài)評價自主呼吸試驗（spontaneous breathing trial， SBT）的結(jié)果，以確定是否適合撤機，從而提高撤機的成功率并減少并發(fā)癥[5]。王新存等[16]的研究通過隨機對照試驗，對比了程序化撤機法和經(jīng)驗性撤機法在重癥腦卒中患者中的應(yīng)用效果。研究發(fā)現(xiàn)，程序化撤機法不僅顯著提高了撤機成功率，還縮短了患者的機械通氣時間和重癥監(jiān)護(hù)室（intensive care unit，ICU）住院時間。此外，采用程序化撤機法的患者，其VAP發(fā)生率和住院費用也顯著降低。程序化撤機法通過一系列客觀標(biāo)準(zhǔn)對患者的撤機條件進(jìn)行評估，避免了經(jīng)驗性撤機法中存在的主觀性和隨意性，減少了撤機失敗的風(fēng)險。李穎蕾[17]的研究進(jìn)一步證實了，程序化撤機在提高腦卒中撤機成功率、縮短機械通氣時間及住院時間、降低VAP發(fā)生率和住院費用方面具有明顯優(yōu)勢。

1.2 護(hù)士主導(dǎo)撤機的效果

在傳統(tǒng)模式中，醫(yī)生主導(dǎo)撤機決策，但護(hù)士主導(dǎo)的撤機方法因其潛在的效率和安全性優(yōu)勢，逐漸受到重視。Roh等[18]的研究通過一項前瞻性、隨機對照試驗，評估了護(hù)士根據(jù)預(yù)設(shè)計劃操作呼吸機進(jìn)行撤機的效果。研究納入了122例在Asan醫(yī)療中心接受有創(chuàng)通氣的患者，結(jié)果顯示，護(hù)士主導(dǎo)的撤機組（protocol-based weaning，PBW）與醫(yī)生主導(dǎo)的常規(guī)護(hù)理組（usual care，UC）相比，顯著縮短了撤機時間（中位數(shù)25 h對比47 h），且撤機成功率無顯著差異。該研究強調(diào)了護(hù)士在密切監(jiān)護(hù)患者呼吸狀態(tài)和快速響應(yīng)撤機需求中的作用。護(hù)士主導(dǎo)的撤機策略，通過簡化流程和減少對醫(yī)生的依賴，為資源有限的醫(yī)療環(huán)境提供了一種有效的解決方案。然而，實施此策略需要確保護(hù)士接受適當(dāng)?shù)呐嘤?xùn)，以掌握呼吸機操作和撤機協(xié)議的執(zhí)行，并建立清晰的溝通機制以保證醫(yī)療團(tuán)隊間的有效協(xié)作[19]。

1.3 腦卒中類型對撤機的影響

腦卒中主要分為缺血性和出血性兩大類，每種類型的病理生理機制和臨床表現(xiàn)均有所不同。李淑娟等[20]的一項前瞻性研究急性缺血性卒中（acute ischemic stroke，AIS）患者機械通氣撤機成功的因素的結(jié)果顯示，年齡、消化道出血、肺部感染、機械通氣前和撤機前評分的變化大于2分、淺快呼吸指數(shù)、動脈血二氧化碳分壓、血磷、白蛋白、氧合指數(shù)、體溫、收縮壓和血糖等均是影響撤機成功的重要因素。Lioutas等[21]對AIS患者的研究顯示，輕度卒中和撤機前無構(gòu)音障礙與撤機成功獨立相關(guān)，盡管腦干/小腦卒中患者可能會因為顯著的腦水腫和腦干壓迫而影響撤機決策，但研究中并未發(fā)現(xiàn)梗死位置與撤機成功有直接關(guān)聯(lián)。傳統(tǒng)的呼吸參數(shù)，如吸入氧濃度（fraction of inspired oxygen，F(xiàn)iO2）、分鐘通氣量、呼氣末正壓（positive end-expiratory pressure，PEEP）和呼吸頻率/潮氣量比（rapid shallow breathing index，RSBI）在評估撤機成功方面并沒有顯示出顯著差異，表明在AIS患者中，神經(jīng)功能狀態(tài)可能是比呼吸功能更為重要的考量因素。而戢德宇等[22]發(fā)現(xiàn)體重指數(shù)（body mass index，BMI）≥25 kg/m2、有吸入性肺炎、血二氧化碳分壓（partial pressure of carbon dioxide in blood，PaCO2）≥45 mmHg為AIS患者術(shù)后呼吸機撤機延遲的危險因素。研究中，成功撤機的患者平均年齡、BMI、最大吸氣負(fù)壓和PaCO2均顯著低于延遲撤機的患者。同樣，陳錢喜等人對AIS患者的研究發(fā)現(xiàn)，入院時國家衛(wèi)生研究院中風(fēng)量表（national institutes of health stroke scale，NIHSS）≥15分和格拉斯哥昏迷量表（Glasgow coma scale，GCS）lt;8分是撤機失敗的獨立危險因素，同時大面積梗死、低GCS評分、低血紅蛋白水平和構(gòu)音障礙與患者的帶管時間延長有關(guān)。以上這些發(fā)現(xiàn)為臨床醫(yī)護(hù)人員提供了評估AIS患者撤機可能性的重要指標(biāo)。

而腦出血（intracerebral hemorrhage，ICH）作為卒中的一種類型，其病理生理特點主要涉及腦血管破裂導(dǎo)致腦實質(zhì)內(nèi)血液積聚，引起周圍腦組織的壓迫和損傷。與缺血性卒中相比，ICH的臨床管理更為復(fù)雜，因其病情進(jìn)展快且需迅速干預(yù)以控制顱內(nèi)壓，但是相關(guān)研究較少，在2024年的研究中，Ho等[23]對中國臺灣的134例腦出血患者進(jìn)行了研究，以分析手術(shù)后撤機失敗和長時間機械通氣（mechanical ventilation，MV）的預(yù)測因素。這項研究是首次全面描述和分析了ICH患者手術(shù)后撤機失敗和長時間MV的預(yù)測因素。研究發(fā)現(xiàn)，撤機時白細(xì)胞計數(shù)gt;10 000/mm3是再插管的獨立預(yù)測因素，而年齡和初始GCS評分是長時間MV的預(yù)測因素。

1.4 卒中部位與撤機成功的關(guān)系

卒中發(fā)生的具體腦部位置對患者的臨床表現(xiàn)和預(yù)后有顯著影響。例如，Guru等[24]的研究指出，在后顱窩卒中患者群體中，GCSgt;6分和機械通氣時間少于1周，是預(yù)測撤機成功的關(guān)鍵因素。Wendell等[25]的研究強調(diào)了大腦中動脈急性缺血性卒中患者中，GCS≥8分[OR：23.30；95%CI（0.94，580.27）；P=0.055]在預(yù)測撤機成功方面的重要性。Mei等[26]對需要機械通氣的動脈瘤性蛛網(wǎng)膜下腔出血患者的一項研究發(fā)現(xiàn)，入院GCS、急性生理和慢性健康評估Ⅱ（acute physiology and chronic health evaluation Ⅱ，APACHE Ⅱ）、再出血、早期腦損傷和腦室外引流與動脈瘤性蛛網(wǎng)膜下腔出血患者的撤機成功和30 d死亡率顯著相關(guān)。這提示臨床醫(yī)生在評估卒中患者的撤機可能性時，需考慮卒中的具體部位及其對患者意識水平和神經(jīng)功能的影響。

1.5 卒中范圍對撤機的影響

卒中所影響的腦組織范圍同樣是一個重要的預(yù)后指標(biāo)。李淑娟等[27]的研究顯示，大面積梗死、低GCS評分、低血紅蛋白水平和構(gòu)音障礙等因素與患者撤機后的帶管時間延長相關(guān)。這些發(fā)現(xiàn)表明，卒中范圍可能通過影響患者的呼吸功能和神經(jīng)學(xué)狀態(tài)，間接影響撤機的成功率和時間。

1.6 超聲評估膈肌運動指標(biāo)的應(yīng)用

超聲技術(shù)作為一種非侵入性診斷工具，在評估腦卒中患者撤機時機方面展現(xiàn)出獨特的價值。何振芬等[28]的研究表明，超聲評估膈肌運動指標(biāo)在預(yù)測腦卒中患者撤機成敗中具有重要價值。研究對96例腦卒中機械通氣患者進(jìn)行超聲檢查，測量SBT期間的呼吸頻率、RSBI、膈肌位移（diaphragmatic excursion，DE）和收縮速度。結(jié)果顯示，成功撤機患者的DE和膈肌收縮速度顯著高于撤機失敗者，而呼吸頻率和RSBI則顯著低于撤機失敗者。另外，受試者操作特征（receiver operating characteristic curve，ROC）曲線分析進(jìn)一步證實了DE和膈肌收縮速度在預(yù)測撤機失敗中的高準(zhǔn)確度，曲線下面積（area under the curve，AUC）分別為0.852、0.754（敏感度：100%、89.3%；特異度：92.7%、60.2%；準(zhǔn)確度：95.8%、82.5%）。2020年戢德宇等[22]的研究同樣發(fā)現(xiàn)DE lt;10 cm為ICU急性腦卒中患者術(shù)后呼吸機撤機延遲的危險因素，撤機成功患者的DE則顯著高于撤機失敗的患者。

1.7 早期肺康復(fù)訓(xùn)練的效果

早期肺康復(fù)訓(xùn)練是指在疾病早期對患者進(jìn)行的一系列旨在改善呼吸功能、促進(jìn)肺部康復(fù)的干預(yù)措施。李海寧等[29]的研究納入了86例機械通氣的重癥腦卒中患者，隨機分為常規(guī)治療組和早期肺康復(fù)訓(xùn)練組。早期肺康復(fù)訓(xùn)練包括被動關(guān)節(jié)活動、體位擺放、神經(jīng)肌肉電刺激等。研究結(jié)果顯示，與常規(guī)治療組相比，早期肺康復(fù)訓(xùn)練組在撤機成功率、VAP發(fā)生率及機械通氣和ICU住院時間方面均有顯著改善。曲斯偉等[30]的研究進(jìn)一步驗證了早期康復(fù)訓(xùn)練的效果，該研究納入50例患者，實施了包括肢體運動和呼吸訓(xùn)練在內(nèi)的早期康復(fù)方案。結(jié)果表明，試驗組在減少VAP發(fā)生率、縮短機械通氣時間和提高撤機成功率方面均優(yōu)于對照組。

1.8 其他影響因素

Zhou等[31]研究發(fā)現(xiàn)，改良Rankin量表（modified Rankin scale，mRS）和Barthel指數(shù)（barthel index，BI）緊密相關(guān)（敏感度：86.23%、95.65%；特異度：92.89%、90.62%；AUC：0.956、0.976），可作為中風(fēng)患者功能結(jié)果評估的有效補充。Cheng等[32]研究發(fā)現(xiàn)影響腦卒中患者撤機成功的獨立危險因素包括≥65歲、APACHEⅡ評分≥15分、合并慢性肺病、GCS評分lt;8分、撤機當(dāng)天氧合指數(shù)lt;300 mmHg、頻繁需要吸痰、咳嗽反射差和合并吞咽困難。

綜上，腦卒中患者撤機成功與否受多種因素影響，包括患者的年齡、性別、基礎(chǔ)疾病、卒中類型、超聲評估膈肌運動指標(biāo)、神經(jīng)功能評分、營養(yǎng)狀態(tài)、血糖控制、肺部感染等。GCS評分和NIHSS評分是預(yù)測撤機成功的兩個重要指標(biāo)。

2 腦卒中撤機預(yù)測模型的現(xiàn)狀與挑戰(zhàn)

2.1 機器學(xué)習(xí)在撤機預(yù)測中的應(yīng)用

隨著精準(zhǔn)醫(yī)學(xué)的快速發(fā)展，被譽為深度分析“載體”的機器學(xué)習(xí)方法已衍生出廣泛臨床應(yīng)用的預(yù)測工具[13]。機器學(xué)習(xí)（machine learning，ML）算法作為人工智能的核心已經(jīng)發(fā)展了數(shù)十年，它提高了診斷的準(zhǔn)確性并減少了時間、人力等成本的消耗，提高了預(yù)測模型構(gòu)建的準(zhǔn)確性[19]。機器學(xué)習(xí)的方法主要有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)，常見的算法有l(wèi)ogistic回歸分析、決策樹、隨機森林、人工神經(jīng)網(wǎng)絡(luò)和支持向量機等[21]。

2.2 現(xiàn)有預(yù)測模型的性能評價

Cheng等[32]的研究使用邏輯回歸，通過總結(jié)建模組140例，驗證組60例腦卒中患者的年齡、APACHEⅡ評分、慢性肺部疾病、GCS評分、氧合指數(shù)、咳嗽反射、吸痰頻率、吞咽功能等因素，構(gòu)建了一個撤機失敗的預(yù)測模型。研究結(jié)果顯示，建模組AUC=0.832，驗證組AUC=0.763。另外， Suntrup-Krueger等[14]的前瞻性研究收集了133例經(jīng)口插管的急性腦卒中患者的數(shù)據(jù)，研究人口統(tǒng)計學(xué)和臨床參數(shù)與撤機失敗的關(guān)系。使用邏輯回歸分析得出撤機失敗在嚴(yán)重腦卒中的4項評分（通氣時間、口腔運動功能檢查、幕下病變和卒中嚴(yán)重程度）；該評分顯示出極好的區(qū)分度[AUC：0.89；95%CI（0.83，0.95）]和校準(zhǔn)度（Nagelkerke R2=0.54），其理想截斷值≥4（敏感度：81.3%，特異度：78.2%）。其次，Reis等[33]建立通過多元logistic回歸模型評估各自變量在撤機失敗事件中的預(yù)測能力預(yù)測腦外傷患者撤機失敗的風(fēng)險評分，采用了手動插入和移除變量的模型建立過程，AUC=0.81[95%CI（0.75，0.88）；P=0.001]。

2.3 預(yù)測模型的局限性與改進(jìn)方向

近年來，已有一些研究探索了機器學(xué)習(xí)模型準(zhǔn)確預(yù)測重癥監(jiān)護(hù)病房患者撤機失敗的能力[34-35]。其他預(yù)測重癥監(jiān)護(hù)病房患者撤機失敗的研究基于更大的數(shù)據(jù)集開發(fā)了模型[36-37]。但是，當(dāng)前針對腦卒中患者的撤機研究主要依賴于邏輯回歸模型。因此，未來的研究應(yīng)著重于構(gòu)建基于針對腦卒中患者撤機的機器學(xué)習(xí)的預(yù)測模型，以提高預(yù)測的準(zhǔn)確性和臨床實用性。

3 撤機成功的定義及其臨床影響

3.1 不同定義標(biāo)準(zhǔn)的比較

撤機成功的定義在不同研究中有所差異，但普遍關(guān)注的是撤機后患者是否能夠穩(wěn)定地維持自主呼吸而不再需要機械通氣。例如，一些研究將撤機失敗定義為撤機后72 h內(nèi)的再次插管[38]，而有研究則沒有設(shè)定具體的時間間隔，僅以撤機后立即或任何時間內(nèi)的再次插管作為撤機失敗的指標(biāo)[28]。Zhao等[39]進(jìn)一步擴展了撤機失敗的定義，將其包括撤機后48 h內(nèi)需要無創(chuàng)通氣或有創(chuàng)通氣支持，或者撤機后48 h內(nèi)死亡的情況。這種定義更加全面地考慮了撤機后患者的臨床狀況，包括對呼吸支持的依賴和生存率。

3.2 撤機定義的臨床影響

有些研究將撤機失敗定義為撤機后2周內(nèi)需要重新插管或氣管切開，結(jié)果顯示撤機失敗率為77%[40]。Karanjia等[41]的研究則采用了72 h再次插管的撤機失敗定義，發(fā)現(xiàn)撤機失敗率為6%。這表明，不同研究中撤機失敗的發(fā)生率可能因定義的不同而有所變化。綜上所述，選擇合適的定義對于準(zhǔn)確評估撤機結(jié)果、指導(dǎo)臨床實踐以及比較不同研究結(jié)果具有重要意義。

4 展望

隨著醫(yī)學(xué)科學(xué)的進(jìn)步，腦卒中患者機械通氣撤機的研究逐漸深入，尤其是在影響撤機成功的因素和預(yù)測模型方面取得了顯著進(jìn)展。未來的研究可以集中在應(yīng)用更先進(jìn)的機器學(xué)習(xí)算法，如隨機森林、支持向量機和深度學(xué)習(xí)等，以提升模型的預(yù)測能力和臨床實用性。由于腦卒中患者的臨床表現(xiàn)和病情差異較大，探索個體化撤機策略將有助于更精準(zhǔn)地滿足不同患者的需求。此外，進(jìn)行多中心臨床試驗對于驗證撤機策略和預(yù)測模型的有效性及普適性至關(guān)重要，同時應(yīng)關(guān)注撤機后患者的生存質(zhì)量、呼吸功能恢復(fù)以及再入院率等方面，以全面評估撤機對患者的長期影響。加強醫(yī)護(hù)人員的撤機管理教育和培訓(xùn)，提升對撤機流程的認(rèn)識和技能，也是未來研究的關(guān)鍵。這些研究方向的深入將有助于提高撤機成功率，改善患者預(yù)后，減少醫(yī)療資源消耗，并提升患者的生活質(zhì)量。

參考文獻(xiàn)

[1] WANG Z H，GAO L，WANG W Z，et al.Coagulative necrotic pituitary adenoma apoplexy： a retrospective study of 21 cases from a large pituitary center in China[J].Pituitary，2018，22：13-28.

[2] WANG H，ZHAO Q Y，LUO J C，et al.Early prediction of noninvasive ventilation failure after extubation： development and validation of a machine-learning model[J].Bmc Pulmonary Medicine，2022，22（304）：2022.

[3] B?SEL J，NIESEN W，SALIH F，et al.Effect of early vs standard approach to tracheostomy on functional outcome at 6 months among patients with severe stroke receiving mechanical ventilation[J].Jama，2022，327（19）：1899.

[4]李峰，徐方林，鄒颋，等.重癥神經(jīng)疾病ICU內(nèi)機械撤機方案探討[J].中國實用神經(jīng)疾病雜志，2015，18（3）：18-20.

[5]趙華，畢研新，付茂亮，等.基于改良Burns撤機評分量表的程序化撤機方案在機械通氣gt;48 h重癥病人中的應(yīng)用[J].循證護(hù)理，2023，9（10）：1892-1896.

[6] LAHIRI S，NAVI B B，MAYER S A，et al.Hospital readmission rates among mechanically ventilated patients with stroke[J].Stroke; a Journal of Cerebral Circulation，2015，46（10）：2969-2971.

[7]馬玉杰，楊曉軍，曹相原，等.智能化撤機和經(jīng)驗性撤機的前瞻性隨機對照研究.中華結(jié)核和呼吸雜志，2010，33（3）：174-178.

[8] LIU C F，HUNG C M，KO S C，et al.An artificial intelligence system to predict the optimal timing for mechanical ventilation weaning for intensive care unit patients： a two-stage prediction approach[J].Frontiers in Medicine，2022，9：1-17.

[9] TRIVEDI V，CHAUDHURI D，JINAH Ｒ，et al.The usefulness of the rapidshallow breathing index in predicting successful extubation：asystematic review and meta-analysis[J].Chest，2022，161（1）：97-111.

[10] FOSSAT G，DAILLET B，DESMALLES E，et al.Does diaphragm ultrasoundimprove the rapid shallow breathing index accuracy for predicting thesuccess of weaning from mechanical ventilation？[J].Aust Crit Care，2022，35（3）：233-240.

[11] KO R，RAMOS L，CHALELA J A.Conventional weaning parameters do not predict extubation failure in neurocritical care patients[J].Neurocritical Care，2009，10：269-273.

[12]張利利.神經(jīng)危重癥患者撤機方法和預(yù)測因素研究[D].廣州：南方醫(yī)科大學(xué)，2014.

[13] LUO J H，ZHAO Q Y，TU G W.Clinical prediction models in the precision medicine era：old and new algorithms[J].Annals of Translational Medicine，2020，8（6）：274.

[14] SUNTRUP-KRUEGER S，SCHMIDT S，WARNECKE T，et al.

Extubation readiness in critically ill stroke patients[J].Stroke，2019，50（8）：1981-1988.

[15] CASTRO A A，CORTOPASSI F，SABBAG R，et al.

Evaluación de la musculatura respiratoria en la predicción del resultado de la extubación de pacientes con ictus[J].Archivos De Bronconeumología，2012，48：274-279.

[16]王新存，葛保國，劉亞敏，等.程序化撤機對機械通氣重癥腦卒中患者撤機成功率和并發(fā)癥的影響[J].中國實用神經(jīng)疾病雜志，2019，22（18）：2049-2055.

[17]李穎蕾.程序化脫機在重癥腦卒中患者的應(yīng)用[D].石家莊：河北大學(xué)，2018.

[18] ROH J H，SYNN A，LIM C，et al.A weaning protocol administered by critical care nurses for the weaning of patients from mechanical ventilation[J].Journal of Critical Care，2012，27（6）：549-555.

[19] CEDERWALL C，ROSE L，NAREDI S，et al.Care practices for patients requiring mechanical ventilation more than seven days in Swedish intensive care units： a national survey[J].Intensive and Critical Care Nursing，2023，74：103309.

[20]李淑娟，孫奉輝，劉岳陽，等.缺血性卒中患者機械通氣撤機成功的影響因素分析[J].中國卒中雜志，2009，4（12）：956-960.

[21] LIOUTAS V，HANAFY K A，KUMAR S.Predictors of extubation success in acute ischemic stroke patients[J].Journal of the Neurological Sciences，2016，368：191-194.

[22]戢德宇，彭相虹，楊智超，等.ICU急性腦卒中術(shù)后患者脫機延遲的危險因素分析[J].中國現(xiàn)代藥物應(yīng)用，2020，14（21）：51-53.

[23] HO U，HSIEH C，LU H，et al.Predictors of extubation failure and prolonged mechanical ventilation among patients with intracerebral hemorrhage after surgery[J].Respiratory Research，2024，25（1）：19.

[24] GURU P K，SINGH T D，PEDAVALLY S，et al.Predictors of extubation success in patients with posterior fossa strokes[J].Neurocritical Care，2016，25：117-127.

[25] WENDELL L C，RASER J，KASNER S，et al.Predictors of Extubation Success in Patients with Middle Cerebral Artery Acute Ischemic Stroke[J].Stroke Research and Treatment，2011：248789.

[26] MEI Q，SHEN H，LIU J.A nomogram for the prediction of short-term mortality in patients with aneurysmal subarachnoid hemorrhage requiring mechanical ventilation： a post-hoc analysis[J].Frontiers in Neurology，2024，14：1280047.

[27]李淑娟，王淑敏，王艷麗，等.影響腦梗死后行機械通氣患者撤機的危險因素分析[J].中國腦血管病雜志，2010，7（4）：182-186.

[28]何振芬，王軒，賈紹俊.腦卒中機械通氣患者撤機前超聲評估膈肌運動指標(biāo)的價值分析[J].重慶醫(yī)學(xué)，2021，50（6）：977-981.

[29]李海寧，陳英道，何德深，等.重癥腦卒中機械通氣病人行早期肺康復(fù)訓(xùn)練的臨床療效研究[J].中西醫(yī)結(jié)合心腦血管病雜志，2022，20（22）：4212-4214.

[30]曲斯偉，楊曉龍，孫麗，等.早期康復(fù)訓(xùn)練對機械通氣重癥腦卒中患者的影響[J].中國康復(fù)醫(yī)學(xué)雜志，2020，35（11）：1302-1308.

[31] ZHOU M C，LIU X X，ZHA F B，et al.Stroke outcome assessment： optimizing cutoff scores for the Longshi Scale， modified Rankin Scale and Barthel index[J/OL].Plos One，2021，16：e0251103（2021-05-13）[2024-09-10].https：//doi.org/10.1371/journal.pone.0251103.

[32] CHENG W L，ZHANG N，LIANG D C，et al.Derivation and validation of a quantitative risk prediction model for weaning and extubation in neurocritical patients[J].Frontiers in Neurology，2024，15：1337225.

[33] REIS H F C D，GOMES-NETO M，ALMEIDA M L O，et al.

Development of a risk score to predict extubation failure in patients with traumatic brain injury[J].Journal of Critical Care，2017，42：218-222.

[34] TSAI T，HUANG M，LEE C，et al.Data science for extubation prediction and value of information in surgical intensive care unit[J].Journal of Clinical Medicine，2019，8（10）：1709.

[35] FABREGAT A，MAGRET M，F(xiàn)ERRéJ A，et al.A machine learning decision-making tool for extubation in intensive care unit patients[J].Computer Methods and Programs in Biomedicine，2021，200：105869.

[36] CHEN T T，XU J，YING H C，et al.Prediction of Extubation Failure for Intensive Care Unit Patients Using Light Gradient Boosting Machine[J].IEEE Access，2019，7：150960-150968.

[37] HSIEH M，HSIEH M，CHEN C，et al.An artificial neural network model for predicting successful extubation in intensive care units[J].Journal of Clinical Medicine，2018，7（9）：240.

[38] STEIDL C，BOESEL J，SUNTRUP-KRUEGER S，et al.

Tracheostomy， extubation， reintubation： airway management decisions in intubated stroke patients[J].Cerebrovascular Diseases，2017，44（1）：1-9.

[39] ZHAO Q Y，WANG H A，LUO J，et al.Development and validation of a machine-learning model for prediction of extubation failure in intensive care units[J].Frontiers in Medicine，2021，8：1-12.

[40]陳錢喜.影響重癥急性缺血性卒中患者帶管時間的因素[D].南昌：南昌大學(xué)，2020.

[41] KARANJIA N，NORDQUIST D，STEVENS R，et al.A clinical description of extubation failure in patients with primary brain injury[J].Neurocritical Care，2011，15：4-12.

（收稿日期：2024-09-30）（本文編輯：馬嬌）