重症患者肠内营养喂养不耐受风险筛查方法研究进展

鲁小丹 汪永斌 刘雨今 金培英

【关键词】 重症疾病；肠内营养；喂养不耐受；预测模型；筛查工具

中图分类号：R473   文献标志码：A   DOI：10.3969/j.issn.1003-1383.2023.09.016

喂养不耐受（feeding intolerance，FI）是指患者在肠内营养（enteral nutrition，EN）过程中发生的常见不良反应，通常指一系列胃肠道症状，如胃残余量增多、呕吐、腹泻、腹痛等，会导致患者肠内营养输注量减少，营养需求得不到满足，达不到营养目标［1-2］。FI是全球重症监护室常见的问题，平均约38.3%的患者不能耐受EN［3］。FI与死亡率增加、机械通气持续时间及ICU住院时间延长等不良结局相关［4-5］。目前针对FI尚无高级别证据的治疗措施被推荐，静脉注射红霉素对FI的治疗效果如何尚无定论［6-8］。最新美国肠外和肠内营养学会/重症监护医学会重症监护营养指南指出，在重症监护营养研究中应评估营养状况［9］，FI的早期识别与预防可以改善重症患者的营养供应和临床结局［4］。现对FI筛查方法的研究进展进行综述，筛查方法包括风险预测模型、评估量表、影像学检查及其他特异性指标，旨在为临床早期识别FI高危人群，针对性预防方案的制订和实施，以及筛查工具的选择和开发提供参考。

1 FI风险预测模型

临床风险预测模型是根据多个预测因子的值来估计个体现有疾病或未来结局的风险，又叫预后模型、风险评分等［10］。如Framingham危险评分［11］，它可根据胆固醇水平和非胆固醇因素来计算个体未来10年冠心病发病概率。随着精准营养时代的到来，FI风险预测模型可以作为评估筛查FI高危人群的工具，实现FI的个体化预测，有助于临床早期识别FI患者，帮助医护人员及时采取措施以降低FI发生率。

1.1 重症监护室脓毒症患者喂养不耐受预测模型

在一项双中心病例对照研究中［12］，研究者使用一家医院重症监护室的124名脓毒症患者的人口学、疾病病史、实验室指标、营养液成分等27个临床指标的数据来构建模型，根据患者肠内营养过程中出现呕吐、腹胀、胃残余量（胃残余量≥500 mL/24小时）、腹泻和高腹内压（腹内压>12 mmHg，1 mmHg=0.133 kPa）情况诊断为FI，共构建了五个模型，包括逻辑回归、朴素贝叶斯、随机森林、决策树和深度学习模型，并使用来自另一家医院71名患者的数据来评估外部预测性能，统计分析显示深度学习模型预测性能最佳，下呼吸道感染是最强的预测因子，通过预测FI能及时采取预防措施以减少FI的发生率。训练集和外部验证集AUC分别为0.82（95% CI=0.74～0.90）和0.79（95% CI=0.68～0.89）。但該模型也有不足：模型基于回顾性数据构建，回顾性研究因其预测因子与结局指标非系统性收集，可能导致信息偏倚；训练集数据使用一个中心的样本，可能存在选择偏倚，影响在该数据集中训练的机器学习算法的普遍性，模型是否可以推广到中国其他地区或其他国家使用有待进一步研究。

1.2 胃癌术后管饲不耐受预测模型

WU等［13］回顾分析了225例胃癌术后患者管饲不耐受发生情况，确定了便秘史、术前美国麻醉医师协会评分、术后6小时疼痛评分和术后第一天的白细胞指标是独立危险因素，进而构建了列线图模型，采用200次自抽样进行内部验证，结果显示AUC为0.756，预测FI的最佳临界值为0.5410。该模型的敏感性、特异性、阳性预测值和阴性预测值分别为61.3%、74.6%、70.1%和66.5%。当概率>0.5410时，患者发生FI的可能性为70.1%。该预测模型可在术后第一天识别管饲不耐受高风险人群，有助于医生在肠内营养前制订预防策略。但该模型也存在局限性：术前美国麻醉医师协会评分及术后6小时疼痛评分具有一定的主观性，可能导致偏差；缺乏外部验证，推广性尚未可知。

1.3 神经重症患者肠内营养喂养不耐受风险预警模型

李炜等人［14］通过前瞻性分析127例神经重症患者行肠内营养后发生FI的危险因素，基于logistic回归统计分析最终将高血压、机械通气、镇静镇痛药物、高血钾、高血糖、ICU住院天数、低格拉斯哥昏迷评分作为预测因子，构建了列线图模型，AUC为0.889，灵敏度为89.13%，特异度为74.07%。该模型具有较高的区分度，但样本量较小，缺乏对模型的验证，预测FI的效果还需进一步评估。

1.4 重症急性胰腺炎患者FI预测模型

王富艳等［15］回顾分析118例重症急性胰腺炎患者发生FI的相关危险因素，基于logistic回归统计分析最终将年龄、空腹血糖、肠内营养开始时间、未添加膳食纤维和腹内压作为预测因子，用R软件建立了列线图模型，采用bootstrap法重复自抽样1000次内部验证，结果显示预测FI发生的一致性指数为0.869，AUC为0.857（95% CI：0.779～0.931），该模型样本量较小，缺乏外部验证。

目前已开发的FI风险预测模型多以列线图及评分表的形式呈现，可根据临床易获取的指标计算FI发表风险，预测FI的发生。但研究也存在一些问题：研究大多存在样本量小，缺乏模型的外部验证等问题；研究设计多采用回顾性病例对照研究，预测模型研究的偏倚风险评估工具［16］不推荐传统的病例对照研究设计，可用巢式病例对照研究或病例队列研究设计以降低偏倚风险；研究对象的选取多是单一病种，尚无适合重症患者普适性的FI风险预测模型。

2 评估量表

王婷［17］通过质性访谈，德尔菲咨询法确定了重症患者发生FI的23种危险因素，并构成量表条目池，编制了《重症患者肠内营养喂养不耐受风险评估量表》，其中危险度较高的条目是急性胃肠功能损伤程度、格拉斯哥昏迷评分、高血糖、长期卧床等，统计显示AUC为0.95，P<0.001，灵敏度为89.3%，特异度为80%，该量表确定了FI诊断阈值为17分，当结果高于17分时，患者有发生FI的风险，FI风险等级分为三级，17～21分为Ⅰ级，22～32分为Ⅱ级，33分以上为Ⅲ级。此风险评估量表可以针对性地评估疾病的风险并识别其早期迹象，更直观方便地识别危险因素，并量化风险大小，根据FI风险等级制订预防措施。但该量表也存在局限性：条目根据专家意见构建，其客观性有待加强；量表缺乏效标关联效度和金标准，其效度有待进一步验证。

3 影像学检查

3.1 急性胃肠损伤超声（acute gastrointestinal injury ultrasonography，AGIUS）检查

近年来，床旁超声检查在ICU重症患者的应用范围越来越广［18］，超声指标已被多项研究证实可以预测FI［19-20］。一项前瞻性研究［20］设计了AGIUS评估重症患者胃肠功能损伤情况及预测FI等方面的作用，其包含肠直径、厚度及肠蠕动频率等指标的测量，结果发现肠道蠕动程度预测FI效果最好，与蠕动率正常（5～10次/min）的患者相比，蠕动率异常（<5次/min或>10次/min）的患者发生FI的风险增加。AGIUS预测效果良好，可以降低肠内营养的风险并促进个体化营养方案的实施。

3.2 胃窦横截面积（cross-sectional area，CSA）测量

一项前瞻性研究纳入了5家医院150名经胃管行EN持续3天以上的ICU患者，通过床旁超声测量前3天EN开始4 h后仰卧位及右侧卧位舒张期CSA，统计分析显示EN开始后第3天FI的发生率为28%，第3天右侧卧位CSA预测FI的AUC为0.699（95% CI：0.514～0.883）。其预测FI的最佳临界值为7.092 cm2，敏感性为0.727，特异度为0.755。当第3天右侧卧位CSA≥7.092 cm2时，FI发生率升高［21］。床旁超声测量CSA可以预测重症患者当日肠内营养FI。但该测量数据来自不同医院，各中心操作者之间可能存在异质性，导致结果出现偏差。

3.3 胃窦回声强度检测

回声强度是指在周围组织中反射或传输超声波的能力。肌肉超声回声强度可以反映肌肉力量及肌肉损伤程度［22-24］。一项前瞻性研究［25］纳入了38名行EN的ICU患者，测量EN开始第一天的胃窦回声强度，通过床旁超声检查获取胃窦B超图像，再经成像处理分析回声强度，统计结果表明胃窦回声较高的患者更可能发生FI，成功输注肠内营养液会更困难。

由于经腹超声检查可能受腹腔内气体造成的伪影、腹壁缺损等原因的影响［20］，且超声检查高度依赖于设备和操作者［26］，操作者对一些主观参数的解读，会影响超声指标的客观截断值，目前仍需更多的研究结果来确定最佳肠道超声检查指标佐证及优化超声评分检查［19-20］。此外由于各个国家缺乏统一的培训计划和能力［27］，对重症监护室医护工作者进行规范的培训仍面临着挑战。

4 特異性指标

研究表明腹内压联合胃残余量监测能有效降低ICU患者早期FI发生率，使其尽快达到营养目标［28］。重症患者常会出现腹内压升高［29］，进而导致腹部灌注压下降、腹壁顺应性下降、血流减慢、腹腔和肠系膜血流减慢、肠系膜静脉压升高、脏器肿胀、缺血、胃黏膜 pH值下降及FI等，影响胃肠道的正常功能［30］。一项随机对照试验［31］研究了腹内压监测在腹部术后早期EN中的作用，结果显示早期EN前3天的腹内压基线值和腹内压平均值预测FI的AUC分别为0.784和0.797。当腹内压基线的临界值为12.5 mmHg， 腹内压平均水平的临界值为11.15 mmHg时，敏感性分别为85.5%和67.3%，特异性分别为60%和73.3%。EN前3天腹内压的基线值和腹内压平均值对于预测FI具有一定的价值。

然而也有研究表明仅仅依据腹内压的增加并不能反映存在胃肠功能障碍［32］。尽管现在测量腹内压的技术比较成熟，但是腹内压的标准化测量仍然受参考点的差异、ICU危重疾病制约下床头水平的高度及患者体型肥胖等原因的影响，造成腹内压结果存在异质性［33］。此外监测腹内压造成医疗费用增加，预测FI的成本效益分析尚未可知。

5 小结与展望

重症患者肠内营养FI发病率高，常常导致患者营养需求得不到满足，进而造成患者机械通气时间延长、营养不良等不良结局，对其早期识别、预防可以改善重症患者的营养供应与临床结局。FI是全球重症监护室亟待解决的问题，患者营养保健权国际工作组建议对患者进行筛查、诊断、营养评估，以期获得最佳和及时的营养治疗［34］。

现有的筛查方法，如用单一指标，腹内压及胃肠超声指标等来预测FI筛查各有局限性，多指标联合预测FI更加可靠。FI风险预测模型是实现重症患者FI个体化预测的科学工具，但目前仍缺乏适合重症患者的经过广泛验证和应用的FI风险预测模型。既往预测模型往往缺乏对研究人群的详细描述，导致模型使用者对模型适用性的担忧，为了评估今后所开发或验证的模型的性能及告知用户该模型的适用人群，建议未来预测模型研究参照预测模型报告规范指南［35］，详细地描述预测模型研究人群的招募、选择、预测因子的筛选、结局的测量等，进而提高预测模型研究的质量。随着大数据信息时代及机器学习的发展，今后可在重症监护电子系统中植入预测模型，通过自动采集预测因子的方法，人工智能化计算预测FI风险，动态筛查预警FI高危人群，科学指导肠内营养方案管理。

参 考 文 献

［1］  REINTAM BLASER A， DEANE A M， PREISER J C， et al. Enteral Feeding Intolerance： Updates in Definitions and Pathophysiology ［J］.Nutr Clin Pract， 2021， 36（1）： 40-49.

［2］  JENKINS B， CALDER P C， MARINO L V. A systematic review of the definitions and prevalence of feeding intolerance in critically ill adults ［J］.Clin Nutr ESPEN， 2022， 49： 92-102.

［3］  BLASER A R， STARKOPF J， KIRSI al. Definition， prevalence， and outcome of feeding intolerance in intensive care： a systematic review and meta-analysis ［J］.Acta Anaesthesiol Scand， 2014， 58（8）： 914-922.

［4］  HEYLAND D K， ORTIZ A， STOPPE C， et al. Incidence， risk factors， and clinical consequence of enteral feeding intolerance in the mechanically ventilated critically ill： an analysis of a multicenter， multiyear database ［J］.Crit Care Med， 2021， 49（1）： 49-59.

［5］  HU B， SUN R， WU A， et al. Prognostic value of prolonged feeding intolerance in predicting all-cause mortality in critically ill patients： a multicenter， prospective， observational study ［J］.JPEN J Parenter Enteral Nutr， 2020， 44（5）： 855-865.

［6］  SINGER P， BLASER A R， BERGER M M， et al. ESPEN guideline on clinical nutrition in the intensive care unit ［J］.Clin Nutr， 2019， 38（1）： 48-79.

［7］  CHEN Y T， TAI K Y， LAI P C， et al. Should we believe the benefit of intravenous erythromycin in critically ill adults with gastric feeding intolerance？ Reinspecting the pieces of evidence from a series of meta-analyses ［J］.JPEN J Parenter Enteral Nutr， 2022， 46（6）： 1449-1454.

［8］  PREISER J C， ARABI Y M， BERGER M M， et al. A guide to enteral nutrition in intensive care units： 10 expert tips for the daily practice ［J］.Crit Care， 2021， 25（1）： 424.

［9］  COMPHER C， BINGHAM A L， MCCALL M， et al. Guidelines for the provision of nutrition support therapy in the adult critically ill patient： The American Society for Parenteral and Enteral Nutrition ［J］.JPEN J Parenter Enteral Nutr， 2022， 46（1）： 12-41.

［10］  BONNETT L J， SNELL K I E， COLLINS G S， et al. Guide to presenting clinical prediction models for use in clinical settings ［J］.Bmj， 2019， 365： l737.

［11］  WILSON P W， D'AGOSTINO R B， LEVY D， et al. Prediction of coronary heart disease using risk factor categories ［J］.Circulation， 1998， 97（18）： 1837-1847.

［12］  HU K， DENG X L， HAN L， et al. Development and validation of a predictive model for feeding intolerance in intensive care unit patients with sepsis ［J］.Saudi J Gastroenterol， 2022， 28（1）： 32-38.

［13］  WU X Y， LI X Z， YU D L， et al. Construction of a model predicting the risk of tube feeding intolerance after gastrectomy for gastric cancer based on 225 cases from a single Chinese center ［J］.Oncotarget， 2017， 8（59）： 99940-99949.

［14］  李煒，杨富，王晓平，等.神经重症患者肠内营养喂养不耐受风险预警模型的构建［J］.中国神经免疫学和神经病学杂志，2022，29（5）：398-403.

［15］  王富艳，赵庆云，张雪云.重症急性胰腺炎患者肠内营养喂养不耐受风险的列线图模型的建立［J］.中华现代护理杂志，2019， （1）：42-48.

［16］  MOONS K G M， WOLFF R F， RILEY R D， et al. PROBAST： a tool to assess risk of bias and applicability of prediction model studies： explanation and elaboration ［J］.Ann Intern Med， 2019， 170（1）： W1-w33.

［17］  王婷.重症患者肠内营养喂养不耐受风险评估量表的研制［D］.重庆：第三军医大學，2016.

［18］  WONG A， ROBBA C， MAYO P. Critical care ultrasound ［J］.Intensive Care Med， 2022， 48（8）： 1069-1071.

［19］  PEREZ-CALATAYUD A A， CARRILLO-ESPER R， ANICA-MALAGON E D， et al. Point-of-care gastrointestinal and urinary tract sonography in daily evaluation of gastrointestinal dysfunction in critically ill patients （GUTS Protocol） ［J］.Anaesthesiol Intensive Ther， 2018， 50（1）： 40-48.

［20］  GAO T， CHENG M H， XI F C， et al. Predictive value of transabdominal intestinal sonography in critically ill patients： a prospective observational study ［J］.Crit Care， 2019， 23（1）： 378.

［21］  邹同娟，冉启芳，尹万红，等.床旁超声测量胃窦横截面积对重症患者喂养不耐受的预测价值［J］.四川大学学报（医学版），2019，50 （6）：815-820，782.

［22］  LEIVA-CEPAS F， BENITO-YSAMAT A， JIMENA I， et al. Ultrasonographic and histological correlation after experimental reconstruction of a volumetric muscle loss injury with adipose tissue ［J］.Int J Mol Sci， 2021， 22（13）：6689.

［23］  NAOI T， MORITA M， KOYAMA K， et al. Upper arm muscular echogenicity predicts intensive care unit-acquired weakness in critically ill patients ［J］.Prog Rehabil Med， 2022， 7： 20220034.

［24］  NETO SILVA I， DUARTE J A， PERRET A， et al. Diaphragm dysfunction and peripheral muscle wasting in septic shock patients： Exploring their relationship over time using ultrasound technology （the MUSiShock protocol） ［J］.PLoS One， 2022， 17（3）： e0266174.

［25］  WANG L P， YANG H， LV G X， et al. Association of gastric antrum echodensity and acute gastrointestinal injury in critically ill patients ［J］.Nutrients， 2022， 14（3）：566.

［26］  MAYO P H， CHEW M， DOUFL G， et al. Machines that save lives in the intensive care unit： the ultrasonography machine ［J］.Intensive Care Med， 2022： 1-10.

［27］  WONG A， GALARZA L， DUSKA F. Critical care ultrasound： a systematic review of international training competencies and program ［J］.Crit Care Med， 2019， 47（3）： e256-e262.

［28］  SONG M L， ZHAO P R， HU W J. Application effect of intra-abdominal pressure monitoring system in early enteral nutrition nursing of ICU patients ［J］.Contrast Media Mol Imaging， 2022， 2022： 3545278.

［29］  SMIT M， KOOPMAN B， DIEPERINK W， et al. Intra-abdominal hypertension and abdominal compartment syndrome in patients admitted to the ICU ［J］.Ann Intensive Care， 2020， 10（1）： 130.

［30］  AGOSZ P， SOKOLSKI M， BIEGUS J， et al. Elevated intra-abdominal pressure： a review of current knowledge ［J］.World J Clin Cases， 2022， 10（10）： 3005-3013.

［31］  DU L Q， ZHAO Y Y， YIN C H， et al. Application of intra-abdominal pressure monitoring in early enteral nutrition after abdominal surgery ［J］.Am J Transl Res， 2021， 13（6）： 7140-7147.

［32］  REINTAM BLASER A， PADAR M， MNDUL M， et al. Development of the gastrointestinal dysfunction score （GIDS） for critically ill patients—a prospective multicenter observational study （iSOFA study） ［J］.Clin Nutr， 2021， 40（8）： 4932-4940.

［33］  SMIT M， VAN MEURS M， ZIJLSTRA J G. Intra-abdominal hypertension and abdominal compartment syndrome in critically ill patients： a narrative review of past， present， and future steps ［J］.Scand J Surg， 2022， 111（1）： 14574969211030128.

［34］  CARDENAS D， CORREIA M， OCHOA J B， et al. Clinical nutrition and human rights. An international position paper［J］.Clin Nutr， 2021， 40（6）： 4029-4036.

［35］  COLLINS G S， REITSMA J B， ALTMAN D G， et al. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis （TRIPOD）： the TRIPOD statement ［J］.Bmj， 2015， 350： g7594.

（收稿日期：2022-12-12 修回日期：2022-12-29）

（编辑：王琳葵 潘明志）

基金项目：浙江省医药卫生科技计划项目（2023KY311）

第一作者简介：鲁小丹，女，护师，理学学士，在读硕士研究生，研究方向：循证医学、重症护理、重症营养。E-mail：luxiaodan2020@163.com

通信作者：金培英。E-mail：JPY04570518@126.com

［本文引用格式］鲁小丹，汪永斌，刘雨今，等.重症患者肠内营养喂养不耐受风险篩查方法研究进展［J］.右江医学，2023，51（9）：853-857.