Hemodialysis Care
如何提前預測血液透析中的低血壓？從風險評估到即時監測
透析中低血壓並不是「突然發生」那麼簡單。多數情況下，它會在治療前的風險條件、透析過程中的血壓變化、血容量下降與病人症狀中留下線索。
血液透析病人最常見、也最讓臨床團隊緊張的併發症之一，就是透析中低血壓（intradialytic hypotension, IDH）。它可能造成頭暈、冒冷汗、噁心、抽筋、胸悶、嘔吐，嚴重時甚至需要提前中止透析，影響透析充分性與病人恢復時間。
要提前知道病人「這次會不會低血壓」，不能只看單一數字。比較實用的方法，是把透析前風險因子與透析中的即時變化合併判讀，建立一個動態的風險輪廓。
一、透析前先抓出高風險病人
IDH 的第一層預測，發生在病人上機之前。若病人本來就有心血管代償能力不足、血壓偏低，或這次需要移除太多水分，透析過程中就更容易出現血壓不穩。
病人相關風險因子
- 年齡較高、女性。
- 透析前收縮壓偏低，或平常就容易低血壓。
- 糖尿病、貧血、長期透析病史。
- 左心室功能不佳、心輸出量下降或左心室肥厚。
- 體重指數較高，或有較明顯心血管負荷。
透析處方與療程相關風險
- 兩次透析間體重增加過多，尤其是週末後或長間隔後的第一堂透析。
- 超濾速率偏高；臨床上常把 UFR > 13 mL/kg/h 視為需要特別警覺的門檻之一。
- 前一次或近期透析曾發生 IDH，這是很重要的預測因子。
- 需要較高透析劑量、乾體重設定可能過低，或抗高血壓藥物時機不合適。
二、治療中不要只看「現在幾毫米汞柱」
透析中的血壓監測，重點不是某一次讀數，而是趨勢。收縮壓從透析前一路下降，或短時間內下降超過 20 至 40 mmHg，即使尚未低於傳統低血壓門檻，也可能代表病人正在接近失代償。
臨床上可追蹤的即時訊號
- 收縮壓從透析前基準值逐步下降。
- 平均動脈壓下降達 10 mmHg 以上。
- 病人出現抽筋、噁心、頭暈、打呵欠、冒汗、胸悶或不尋常疲倦。
- 血容量監測顯示相對血容量快速下降。
- 若設備與臨床流程允許，可加入更進階的代謝與血流動力學指標作為輔助判讀：
- 中央靜脈血氧飽和度（ScvO2）：若 ScvO2 在透析早期動態下降，較能提示前 90 分鐘內發生早發型 IDH 的風險。
- 基礎乳酸值：若透析前或基礎 lactate 達 1.6 mmol/L 以上，較能預測較晚出現的 IDH。
- Base excess（BE）與 alactic base excess（ABE）：這兩項指標在透析過程中可能出現顯著變化，但單獨用來預測 IDH 的能力較有限。
- Subendocardial viability ratio（SEVR）：SEVR 可反映心肌灌流狀態；基礎 SEVR 較好時，IDH 風險通常較低。
- Augmented pressure（AP）變化：透析開始後第一小時 AP 的百分比變化，可反映血管對急性透析變化的調節能力。
- Augmentation index 與其他動脈波形指標：IDH 病人常可見較明顯的序列變化。這些指標適合作為高風險病人的加分資訊，但仍需和血壓趨勢、超濾速率、症狀與病人本身心血管狀態一起判讀。
其中，收縮壓的最低點與下降幅度常和病人症狀有關；而血容量與血氧相關指標，則有機會更早反映「血管內容量不足」或「循環代償變差」的狀態。
三、AI 預測模型能幫上什麼忙？
AI 在 IDH 預測上的角色，主要是把「單次透析前的靜態資料」與「病人過去幾次透析的動態模式」整合起來。對臨床現場而言，這類模型最有價值的地方，不是只告訴我們某個病人本來就高風險，而是進一步指出「這一次透析」是否比平常更容易發生低血壓。
Deep Learning Models
近年的 Deep Learning Models 會使用透析前特徵來預測 IDH，且當模型納入病人前 3 次透析的資料時，預測準確度通常會更好。原因是 IDH 往往不是孤立事件，而是和病人近期血壓趨勢、體液累積、超濾需求與前次治療反應有關。
常見排名較前面的預測特徵包括：
- 前一次透析期間的平均收縮壓。
- 本次設定的超濾目標或超濾目標速率。
- 本次透析前收縮壓。
- 前一次透析是否曾發生 IDH。
Machine Learning Approaches
目前已有多種 Machine Learning Approaches 正在開發與驗證，用來預測血液透析病人的 IDH。不過，臨床研究結果仍不完全一致，代表模型在不同族群、不同透析單位、不同資料品質下，表現可能會有差異。值得注意的是，當使用多次透析療程資料時，Deep Learning Models 的表現可優於傳統 logistic regression、random forest 與 XGBoost 等方法。這也提醒我們：對 IDH 這種高度動態的事件來說，模型若能讀到連續療程的脈絡，往往比只看單次治療前資料更有幫助。
Advanced Dialysis Machine Technology
Advanced Dialysis Machine Technology 則把預測往「即時介入」推進一步。未來的透析機不僅可以即時估算有效循環血量，也可能透過 biofeedback system 自動調整透析液組成、導電度、鈉濃度或相關參數，以維持血管張力與循環穩定。不過，這類技術要真正有效，仍需要更成熟的演算法：它必須分辨哪些血壓或血容量變化只是暫時波動，哪些則代表病人即將進入 IDH，並且要能在不造成鈉負荷、體液控制不佳或透析不足的前提下做出調整。
因此，AI 的價值不是取代臨床判斷，而是把病人近期療程中的細微模式更系統地整理出來。對於反覆低血壓、心血管代償差、兩次透析間體重增加較多，或前一次透析已出現 IDH 的病人，AI 與智慧透析技術未來可能成為透析前風險分層與透析中即時調整的重要輔助工具。
四、生物回饋系統：讓機器即時調整透析
除了人工判讀，部分透析設備也發展出生物回饋系統。概念是透過連續監測血壓、相對血容量、血氧或溫度等資料，讓機器自動微調超濾速率、透析液鈉濃度、透析液溫度或相關參數，盡量維持血流動力學穩定。
| 系統類型 | 監測重點 | 可能調整 |
|---|---|---|
| 血容量回饋 | 相對血容量、血比容、血紅素或總蛋白變化 | 調整超濾速率、透析液導電度或鈉濃度曲線 |
| 血壓回饋 | 每數分鐘自動量測血壓，或未來連續血壓監測 | 血壓下降時降低超濾，血壓穩定時再調整回目標 |
| 溫度回饋 | 血液溫度與周邊血管反應 | 使用較低溫或等溫透析，以幫助血壓穩定 |
| 多參數回饋 | 血容量、血氧、血壓等多項訊號 | 以演算法動態調整超濾或其他透析參數 |
不過，生物回饋系統目前不是萬能解法。研究結果並不完全一致，效果也可能取決於病人選擇、設備演算法、透析處方與團隊執行方式。最適合的對象通常是反覆發生 IDH、兩次透析間體重增加很多，或心血管代償能力較差的病人。
五、一個實用的臨床判斷流程
透析前
- 評估透析前血壓，要特別注意收縮壓低的病人。
- 計算兩次透析間體重增加與本次所需 UFR (UFR >13 mL/kg/h 將大為提高風險)。
- 回顧前次透析是否有 IDH、抽筋、頭暈或提前收針。
- 高風險病人可考慮監測基礎乳酸。
透析中
- 一般至少每 30 分鐘追蹤血壓；高風險病人可更頻繁。
- 觀察收縮壓下降幅度，若下降超過 20-40 mmHg 則須介入。
- 注意 IDH 的早期症狀：抽筋、噁心、頭暈、冒汗、打呵欠、胸悶。
- 開始透析後的90分鐘內量測 ScvO₂ 可抓到早期 IDH; 量測動脈波形也可提供相關資訊。
六、若判定為高風險，可以怎麼預防？
當病人被判定為高風險時，介入策略應由腎臟科醫師與透析團隊依病人狀況調整。常見方向包括：
- 延長透析時間或增加透析頻率，降低單次需要移除的水分。
- 重新評估乾體重，避免乾體重設定過低。
- 使用低溫透析液，幫助血管收縮與血壓穩定。
- 視情況調高透析液鈉濃度，但需避免長期鈉負荷增加。
- 洗前停用降血壓藥物。
- 使用 midodrine 等藥物，但須考量適應症、禁忌症與副作用。
結語：預測 IDH 的核心，是「提前看見趨勢」
預防透析中低血壓，最重要的不是等病人已經頭暈、冒汗、血壓掉下來才處理，而是在透析前就辨認高風險病人，並在透析中密切追蹤趨勢。
未來 AI 預測模型、連續血容量監測、血壓回饋與多參數生物回饋系統，可能讓臨床團隊更早知道「哪位病人、哪一個時間點」需要介入。但即使技術進步，真正的關鍵仍是個別化：把病人的心血管狀況、體液控制、過去透析反應與當下監測資料整合起來，才能更接近安全而穩定的透析治療。