重症患者早期肠内营养期间血糖轨迹亚表型的开发与验证：一项回顾性队列研究

为何ICU中的血糖波动至关重要

当患者在重症监护室内病情危重时，常常无法自行进食，需要通过喂养管接受液体营养。与此同时，身体处于强烈的应激状态，这可能使血糖水平危险地升高或降低。这些波动不仅仅是监视器上的数字；它们与感染、住院时间延长甚至死亡风险有关。本研究提出了一个简单但重要的问题：在开始管饲时，患者是否会遵循可识别的血糖变化模式，以及我们能否在足够早的时间预测这些模式以指导更安全的护理？

危重患者的不同血糖路径

研究人员回顾性分析了478名在一家大型医院ICU住院且连续接受至少两天管饲的成年人的病历。在前48小时内，每4小时通过常规血气检查测量一次血糖。研究团队没有将每次读数孤立对待，而是使用一种统计方法，根据血糖随时间变化的整体形态对患者进行分组。该方法显示患者并非遵循单一共有的模式，而是出现了三条不同的路径或“轨迹”，每条轨迹描述了入组时血糖的起始高度以及接下来的48小时内其变化情况。

三种血糖模式类型

第一组在科学上称为轻度高血糖稳定型，起始血糖略高且保持相对稳定。第二组起始于中等水平，并在两天喂养期间升至明显高峰。第三组起始即明显偏高，并在进一步上升后趋于平台。这些分组并非随机。高值及峰值组的患者更可能有糖尿病、接受强力胰岛素治疗、显示更严重疾病的迹象，并使用某些类型的喂养配方。这表明既有的健康状况和治疗选择共同影响了管饲开始时血糖的行为。

血糖路径与存活率的关联

研究还考察了这三种血糖路径与ICU入院后前28天存活情况的关系。在调整年龄、总体疾病严重程度、糖尿病史及其他医学因素后，研究人员发现，最严重且呈峰值的血糖组在28天内死亡风险显著高于轻度稳定组。中等峰值组显示出可能的风险增加，但这一结论不如前者确定。这些发现支持这样一种观点：不仅单次高值重要，血糖随时间的模式本身也携带关于患者预后的重要信息。

利用机器学习提前识别风险

为将观察结果转化为实用工具，团队构建了一个基于XGBoost的机器学习模型。他们向模型输入了管饲开始时通常可得的常规信息：年龄、病史、化验结果、严重度评分以及所用药物，包括胰岛素和类固醇。模型学习预测新患者更可能属于哪三种血糖轨迹之一。在未见数据上的测试显示，模型能够较好地区分这些组别，且预测结果与实际情况总体一致。最有影响力的输入变量包括是否使用胰岛素、患者是否患有糖尿病以及炎症标志物水平，如C反应蛋白和白细胞介素-6。

对患者和护理者的意义

对家属和护理人员而言，信息是：ICU早期管饲并不会以相同方式影响所有患者的血糖。一些患者路径相对平稳，而另一些则出现与更差转归相关的急剧峰值。通过识别这些不同的路径并使用可从常规数据预测它们的工具，临床医生或能更精细地调整喂养方案和胰岛素治疗。本研究并不能证明基于这些模式调整治疗会改善生存率，且研究仅在单一医院开展。但它为将原始血糖读数转化为更清晰的风险信号提供了一条路线图，可能有助于在病情非常脆弱的阶段提高危重患者的安全性。

引用: Weng, C., Su, J., Wang, H. et al. Development and validation of glucose trajectory subphenotypes in critically ill patients on early enteral nutrition: a retrospective cohort study. Sci Rep 16, 15841 (2026). https://doi.org/10.1038/s41598-026-47083-8

关键词: 危重病, 血糖, 肠内营养, 重症监护, 机器学习