连续性肾脏替代治疗非计划下机风险预测模型研究进展

Research Progress on Risk Prediction Models for Unplanned Termination of Continuous Renal Replacement Therapy

摘要: 连续性肾脏替代治疗(CRRT)在重症患者管理中发挥着至关重要的作用。然而，治疗过程中的非计划下机仍是影响患者疗效与预后的关键临床难题。研究表明，非计划下机与患者住院时间延长、病情恶化及死亡率增加密切相关。因此，识别CRRT非计划下机的影响因素并构建预测模型已成为当前的研究热点与临床迫切需求。本文旨在系统综述国内外关于CRRT非计划下机的危险因素及其风险预测模型的相关研究进展。以期为优化CRRT治疗策略、降低非计划下机率提供参考，最终有助于改善患者治疗效果与生存质量。

Abstract: Continuous Renal Replacement Therapy (CRRT) plays an essential role in the management of critically ill patients. Nevertheless, unplanned termination of CRRT remains a significant clinical challenge that adversely affects treatment efficacy and patient prognosis. Evidence indicates that unplanned termination is strongly associated with prolonged hospitalization, disease progression, and increased mortality. Consequently, identifying risk factors associated with unplanned CRRT termination and developing predictive models have emerged as both a research priority and an urgent clinical need. This article systematically reviews recent advances in the study of risk factors and risk prediction models for unplanned CRRT termination, both domestically and internationally. It aims to provide insights for optimizing CRRT treatment strategies, reducing the incidence of unplanned termination, and ultimately improving clinical outcomes and quality of life for patients.

1. 引言

连续性肾脏替代治疗(Continuous Renal Replacement Therapy, CRRT)是一种通过体外循环模拟肾脏的血液净化技术[1] [2]。该技术是重症医学领域较为常用的治疗手段，其通过弥散、对流、超滤和吸附等原理清除血液中的代谢废物，以维持患者内环境的稳定并纠正器官功能紊乱[3]。CRRT非计划下机是指在CRRT治疗过程中，未能完成治疗时间或没有达到既定的治疗目标而提前终止治疗[4]。重症监护病房(Intensive Care Unit, ICU)中的患者病情危重，常伴有凝血功能异常、免疫功能受损、并发症频发及多器官功能紊乱等临床表现，这些因素极易扰乱患者内环境稳态，从而增加非计划下机的风险。研究表明，重症CRRT患者非计划下机发生率高达43.75% [5]。因此，预测非计划下机的独立危险因素，进而构建前瞻性的风险评估与干预策略，对于CRRT治疗的顺利实施、降低不良事件发生率、乃至改善患者整体预后至关重要。

CRRT的疗效与治疗时长密切相关，通常需要持续治疗24小时或更长时间方可显现疗效[6]，在临床实践中，若未达到CRRT既定治疗目标或未完成24小时治疗过早中断，会降低溶质清除效率，导致超滤量不足，从而对患者预后产生不利影响[7]。非计划下机不仅导致体外循环血液丢失，加重患者贫血及凝血功能障碍，延长治疗周期，增加医疗费用；同时也加重医护人员工作负担，造成重症医疗资源的浪费[8]。

因此，构建CRRT非计划下机的风险预测模型，对于准确识别高风险患者，指导临床干预以及保障CRRT治疗的顺利实施具有重要意义。本研究旨在对近年来国内外CRRT非计划下机风险预测模型相关的研究进行综述，评估并总结其研究现状，包括模型类型、构建方法、模型性能、临床应用等方面，分析现有模型的优势与不足，进而探讨其面临的挑战、提出优化与未来的研究方向，为该领域的模型深化开发与临床转化应用提供参考。

2. 文献检索策略

计算机检索PubMed、Web of Science、Cochrane、Eabase、中国知网、万方数据库、中国生物医学文献数据库中有关CRRT非计划下机风险预测模型。检索年限为建库至2025年6月7日。

英文检索词为：continuous renal replacement therapy/continuous blood purification/CRRT，unplanned stop/filter failure/life*/coagula*/clot*，risk assessment/predict*/risk score/model。中文检索词为：CRRT、连续性血液净化、凝血、非计划性下机、寿命、非计划撤机、风险评估、预测、风险评分、模型。

共检索574篇，筛去重复文献105篇，浏览标题和摘要469篇，浏览全文32篇，最终纳入14篇。两名研究者独立使用Endnote软件进行文献查重与初筛，并通过阅读全文进行复筛。若双方意见存在分歧，则通过咨询第三方研究者以达成最终共识。

英文数据库以PubMed为例：((((((((((continuous renal replacement therapy[Title/Abstract]) OR (continuous blood purification[Title/Abstract])) OR (CRRT[Title/Abstract])) AND (unplanned stop[Title/Abstract])) OR (filter failure[Title/Abstract])) OR (life*[Title/Abstract])) OR (coagula*[Title/Abstract])) OR (clot*[Title/Abstract])) AND (risk assessment[Title/Abstract])) OR (predict*[Title/Abstract])) OR (risk score[Title/Abstract])

3. CRRT非计划下机的危险因素

3.1. 患者相关因素

患者的年龄、性别、基础疾病及其严重程度均是影响CRRT持续性与效果的关键因素。例如，老年患者因生理功能衰退，对治疗的耐受性较差，更容易出现并发症，从而导致治疗中断[1]。此外，患有高血压、糖尿病等基础疾病的患者，其血液黏稠度往往显著增高，从而增加了非计划下机的风险[9]。

此外，治疗过程中需动态监测凝血相关指标，包括血小板计数(Platelet Count, PLT)、活化部分凝血活酶时间(Activated Partial Thromboplastin Time, APTT)、凝血酶原时间(Prothrombin Time, PT)、红细胞比容(Hematocrit, HCT)以及纤维蛋白原等，这些指标的异常与滤器的寿命减少密切相关[7] [10]-[12]。因此，了解患者的相关病理生理因素对于优化CRRT管理和降低非计划下机的发生率至关重要。

3.2. 治疗相关因素

CRRT是重症医学领域较为常用的治疗手段，其应用涉及多个治疗相关因素，包括CRRT的模式选择、治疗方案的制定以及治疗过程中的监测。目前常用的CRRT模式包括连续性静脉–静脉血液滤过(Continuous Veno-Venous Hemofiltration, CVVH)、连续性静脉–静脉血液透析(Continuous Veno-Venous Hemodialysis, CVVHD)、连续性静脉–静脉血液透析滤过(Continuous Veno-Venous Hemodiafiltration, CVVHDF)、缓慢连续性超滤(Slow Continuous Ultrafiltration, SCUF)等。不同模式在液体清除和溶质清除效率方面存在差异，这些差异可能影响患者对治疗的耐受性[13]。

3.3. 医疗环境因素

医疗环境因素对CRRT非计划下机具有重要影响，包括医院基础设施、设备可用性、护理人力资源以及多学科团队的合作等，这些因素直接关系CRRT的实施效果和患者的治疗体验[14]。

医疗设备作为现代医疗服务体系的核心组成部分，其性能与质量直接决定了医疗安全、治疗效果和医疗资源可及性[15]。CRRT是一项连续性治疗技术，其稳定运行高度依赖于设备的良好性能与可靠性。护理人力资源方面，护士需要根据患者病情进行实时床旁监测和操作，但在实际临床工作中常存在床护比不达标，护士工作负荷过重的情况，处理机器报警等突发情况，对护士的业务能力熟练度构成较大的挑战[16]，并且这种能力与护士年资[17]及护士负责机器台数[18]相关。多项研究表明[17] [19]，工作年资低于3年的护士在处理CRRT报警时往往不够及时、不够熟练，容易导致治疗中断次数增加，从而增加非计划下机的风险。

4. 预测模型的分类及研究进展

4.1. 基于Logistic回归设计的风险预测模型

Logistic是一种非线性模型，用于分析协变量与分类结果之间的多元关系，并预测事件发生的概率[20]。王海波[21]通过回顾性分析2012~2014年221例接受持续静脉–静脉血液透析滤过治疗的重症急性肾损伤患者数据，采用多因素Logistic回归分析建立了滤器凝血预测模型。研究发现，PLT降低、国际标准化比值(International Normalized Ratio, INR)升高和总胆红素(Total Bilirubin, TBIL)升高是滤器凝血的独立危险因素，最终模型公式为Logit(P) = −9.728 + 0.071 × TBIL + 7.425 × INR − 1.840 × PLT。模型验证显示AUC为0.898，最佳截断值0.434时敏感性达96.3%，但特异性仅46.9%。虽然模型通过了Hosmer-Lemeshow检验(P = 0.614)，但由于是单中心回顾性研究且缺乏外部验证，其临床适用性仍需进一步前瞻性研究确认。

万娜[22]学者通过一项回顾性研究，分析了45例接受体外膜肺氧合联合(Extracorporeal Membrane Oxygenation, ECMO)联合CRRT治疗的患者数据(共343例次治疗)，探讨了CRRT非计划性下机的影响因素，并构建了预测模型。研究结果显示，CRRT血流速度、ECMO血流速度及ECMO模式是CRRT非计划性下机的独立预测因子。得出风险预测公式为：Logit(P) = 7.599 − 0.079 × CRRT血流速度 + 0.534 × ECMO血流速度 + 1.561 × ECMO模式。经ROC曲线分析，AUC为0.812，灵敏度为0.825，特异度为0.696，表明该模型预测CRRT非计划下机的效果良好。Hosmer-Lemeshow检验(P = 0.257)显示模型拟合良好。

胡璐璐[23]采用二元Logistic回归构建预测模型，并使用160例独立数据对模型进行验证。研究指出治疗模式(CVVHD、CVVH)、抗凝方式(枸橼酸抗凝阿加曲班抗凝、无肝素抗凝)、血泵停泵、血流量不足、PLT、APTT等为凝血风险因素。最终建立预测模型：P = 1/[1 + exp(−0.866 + 0.909 × CVVHD + 1.002 × CVVH + 1.231 × 枸橼酸抗凝 + 1.147 × 阿加曲班抗凝 + 2.209 × 无肝素抗凝 + 1.415 × 血泵停泵 + 1.018 × 血流量不足 + 0.005 × PLT − 0.152 × APTT)]，最终测得AUC为0.865，表明模型对凝血与非凝血患者具有良好的区分能力。验证组准确率达80.63%，灵敏度与特异度均超过75%，提示模型在临床应用中具有一定可靠性；Hosmer-Lemeshow检验P > 0.05，说明模型预测值与实际观测值拟合良好，无显著偏差。

蒋丽丽[24]的研究旨在探讨CRRT中非计划性下机的风险因素并构建预测模型。研究通过对532例患者的数据分析，确定了年龄 ≥ 60岁、使用血制品、机械通气、PT < 13 s、APTT < 37 s及血流速度 > 200 mL/min等六个独立危险因素，并据此建立了一个预测性能良好的Logistic回归模型。最终得出CRRT非计划性下机的风险计算公式为：Logit(P) = 8.631 − 2.341 × 血流速度 + 1.256 × 年龄 + 1.775 × 使用血制品 + 1.682 × 机械通气 + 1.951 × PT + 2.084 × APTT。该模型的ACU为0.852，灵敏度和特异性分别为 0.826、0.914，预测效能较好。

许红妍[25]基于2021年1月至2022年8月浙江医院ICU 331例成人CRRT患者资料，采用单因素比较与二元Logistic回归筛选出4项独立影响因素：合并慢性疾病、血液净化导管功能、血流速及血泵停止次数，并以此构建风险预测模型。该模型内部验证阶段，Hosmer-Lemeshow检验显示模型拟合良好(χ² = 4.009, P = 0.856)，AUC达0.952。并且采用前瞻性队列完成外部验证，AUC为0.919 (95% CI 0.870~0.969)，敏感度91.5%，特异度79.4%。

贾燕[26]的研究显示血流量、是否应用血管活性药物、PLT、超滤量为独立危险因素。该研究的Hosmer-Lemeshow检验P = 0.988，表明模型拟合度良好，ROC曲线下面积AUC为0.973，表明模型具有较高的区分能力。在验证组中，模型的灵敏度为0.706，特异度为0.979，总准确率为0.938，表明模型在实际应用中具有较高的预测准确性和临床实用性。但该研究的多因素分析中未将PLT纳入模型，可能与样本量偏少有关。

上述六项研究均采用回顾性研究设计，基于多因素Logistic回归方法构建风险预测模型，并采用AUC、Hosmer-Lemeshow检验、灵敏度和特异度等指标系统评估模型的区分度与校准度。尽管各模型在内部验证中均表现出优异的预测性能，但其研究方法存在一定局限性。首先所有研究均依赖于回顾性数据，其数据质量、完整性和准确性受制于原始病历记录，可能存在选择偏倚和信息偏倚。其次，除许红妍和胡璐璐的研究外，其余研究均缺乏在独立队列或不同中心进行的外部验证，这一普遍存在的不足限制了模型在更广泛临床环境中的适用性和可靠性。

4.2. 基于列线图设计的风险预测模型

列线图(Nomogram)是一种用于临床预测模型的可视化工具，基于患者本身多个预测变量具体数值计算出总分[27]，再通过总分在列线图上的位置可估算出特定临床事件发生的风险及概率[28] [29]。

刘倩学者[30]研究运用列线图模型清晰直观地列出CRRT非计划下机的危险因素：PLT、HCT、APTT、跨膜压(Transmembrane Pressure, TMP)增加、血流速度减慢以及血泵停泵都是CRRT体外循环24小时内凝血的危险因素。构建了危险因素回归方程：Log(P) = −6.278 + 0.983 × PLT + 1.112 × HCT − 0.832 × APTT + 0.943 × TMP − 0.754 × 血流速度 + 0.979 × 血泵停泵。该模型通过ROC曲线、校准曲线和Bootstrap法验证，显示出良好的区分度和拟合效果，一致性指数(C-index)为0.936，AUC为0.978。但本研究模型的普适性缺乏多中心、前瞻性研究进行外部验证，以确保其在不同人群和临床环境中的适用性。

常蓉[17]通过单因素和Logistic回归分析确定危险因素，并构建列线图预测模型，纳入PTL、PT、血流速度、治疗时间和护士工作年限5个独立危险因素构建列线图模型。该模型的训练集和验证集的ROC曲线下面积AUC分别为0.732和0.751，具有良好的区分能力。然而，由于研究样本量有限且来源于单一中心，其结果的外推性和模型在更广泛人群中的适用性仍有待进一步验证。

Yang [31]基于多中心回顾性队列数据，开发并验证了一种用于预测危重症患者CRRT 48小时内凝血风险的列线图模型。研究共纳入2531例患者数据。通过LASSO回归筛选变量，最终纳入了5个关键预测因子：体温、抗凝方式、平均动脉压、2小时内TMP最大变化值及血管活性药物使用。模型表现出优异的预测性能：训练集与验证集的曲线下面积分别为0.897和0.877，Brier评分(Brier Score, BS)分别为0.087和0.120，校准曲线显示预测概率与实际观察概率高度一致，表明该模型具有良好的区分度与校准度。

上述三项研究均采用了列线图这一直观的可视化工具，基于不同的预测变量构建了CRRT凝血风险模型，并均通过内部验证显示出良好的区分度与校准度，证实了列线图在该领域具有良好的实用性与预测有效性。然而，刘倩的研究缺乏外部验证，常蓉的研究受限于单中心小样本数据，这均导致其模型在不同人群和医疗环境中的泛化能力存在不确定性，限制了其临床推广的可靠性。

4.3. 基于机器学习法设计的风险预测模型

Liu [32]的研究中，采用人工智能机器学习方法基于CRRT前治疗指标预测CRRT回路凝固的风险。该研究的预测模型涵盖来自不同重症监护病房部门的患者，可广泛适用于一般ICU人群。相比之下，Zhang [33]等的研究仅限于未接受抗凝治疗的患者，Chua [34]等的研究仅限于同时患有严重肝功能障碍的患者，而Fu [35]等的研究仅限于24小时内的CRRT凝血风险预测，无法适用于超过24小时的预测。Liu [32]的预测模型在训练集和外部验证集中均表现出较高的区分能力，AUC分别为0.897和0.877，这表明模型能够较好地区分高风险和低风险患者。

4.4. 基于多元线性回归的风险预测模型

Chua [34]研究者通过回顾性分析539个CRRT回路，构建了以部分凝血活酶时间、长时间使用血管活性药物(>24小时)以及较低的中位PLT为核心的出血风险预测模型。该模型的区分度AUC = 0.87与良好的校准度Hosmer-Lemeshow检验，P = 0.77表明，在验证组中，模型进一步证实了其稳健性，敏感度和特异度表现稳定，能够有效识别高风险患者。

庄耀宁[36]研究者基于机器参数的动态监测预警策略。该研究挖掘治疗过程中产生的实时数据的预测价值。并指出导管通畅、血流速度、APTT、滤过分数高、肝素水预冲、PLT、红细胞压积高为影响因素。ROC曲线显示，夹角 > 34.3˚时对非计划下机有一定预测能力AUC = 0.679，敏感性96.3%，特异性46.9%。但该研究样本量较小，仅214例，且未进行多中心验证，结论外推性不足。

综上所述，两项研究均致力于解决CRRT中的凝血问题，分别从临床决策支持和治疗过程监控两个不同维度提出了解决方案。首先，Chua等的研究和庄耀宁的研究构成了一个从治疗前到治疗中的连续管理闭环，前者指导抗凝策略的初始制定，后者则指导治疗过程中的动态调整。

4.5. 基于Cox回归分析设计的风险预测模型

Fu [35]的研究可视为一项初步探索，其在于广泛筛选了影响体外循环回路寿命的因素，包括年龄、血红蛋白、HCT、中性粒细胞比例、APTT、凝血酶原时间活性、PT、纤维蛋白原、动脉血气分析中的乳酸、葡萄糖、抗凝剂使用情况以及足够的血流等12个因素，为后续研究奠定了变量基础。然而，该模型仅经内部验证，AUC = 0.790虽显示一定区分度，但尚未进一步优化，加之缺乏外部验证，限制了其临床的直接适用性与泛化能力。

何朝生[37]的研究纳入425例患者，采用单因素方差分析和Cox比例风险回归模型，最终确定了5个独立预测因子：血流量不足、无抗凝剂治疗、HCT ≥ 0.37、乳酸 ≤ 3 mmol/L以及APTT < 44.2 s。并明确了低、中、高风险等级(低危0~1分，中危2~3分，高危4~5分)。该模型在验证集中达到了相同的AUC = 0.790，且通过Hosmer-Lemeshow检验证明了良好的校准度。尽管同样依赖内部验证，但其通过设立独立验证集增强了结果可靠性，最终发展为一个更具临床可操作性的风险评估工具，便于医护人员快速识别高危患者并实施干预。

综上所述，两项研究均致力于构建预测CRRT体外循环管路堵塞的风险预测模型，但在方法学、模型产出及临床适用性上呈现出显著的递进关系。Fu [35]的研究到何朝生[37]的研究体现了预测模型研究从初步探索到临床工具转化的发展路径，前者重在广泛探索预测因子，后者则侧重于模型的简化、实用化与决策支持。

5. 小结与展望

在连续肾脏替代治疗中，非计划下机的现象对患者预后和治疗效果产生了显著的不利影响。现有研究表明，非计划下机不仅增加了患者的病死率，还可能导致治疗时间的延长及资源的浪费。因此，准确预测非计划下机的发生，对于改善CRRT的临床管理和提高患者的生存率具有重要意义。目前已有多项非计划下机的风险预测模型研究，但仍存在较大的局限性。多数模型仅基于单中心或回顾性数据构建，样本代表性和外推性能有限，尚未广泛应用于临床实践。为提升预测效能并推动临床应用，未来研究应着力开展多中心、大样本的前瞻性研究，以增强数据的代表性和模型的外部有效性。可进一步融合机器学习等先进技术，不断提高模型的准确度与实用性。在研究方向方面，应深入探讨CRRT实施过程中的各类风险因素，包括患者基础疾病、治疗反应等，并致力于构建综合风险预测模型，整合临床指标、生物标志物及患者个体特征，从而显著提高预测的准确性与可靠性。

此外，预测模型从理论算法转化为可靠的临床决策工具，其终极价值并非取决于预测精度，而在于能否切实改善患者预后。这一价值的确证，需通过评估其临床研究来实现。可设计进行一项随机对照试验进行验证，由风险预测模型的危险因素制定标准化干预流程，比较两组差异，将有效降低CRRT非计划下机率、延长滤器寿命率作为结局指标，为临床提供循证医学证据，最终促进CRRT技术的进一步发展和推广。

综上所述，CRRT中非计划下机的风险预测模型仍然是一个充满挑战的领域。通过加强多学科合作，整合不同领域的研究成果，有望为患者提供更为个性化的治疗策略，最终改善CRRT的临床管理和患者预后。

NOTES

^*通讯作者。