目的:在机械通气下的脓毒症患者由于肺部遭受炎症打击和机械通气外力的双重作用,肺部脆弱易感,因而对撤机的时机更为敏感。针对脓毒症患者的撤机,本研究通过对高危脓毒症患者的早期识别和撤机前的评估来构建撤机模型并实时精准预测脓毒症的撤机失败概率,为临床脓毒症患者的撤机提供参考。此外,本研究还进一步探讨了撤机后序贯治疗对脓毒症患者的影响,旨在为脓毒症患者撤机后序贯治疗的选择提供参考。方法:我们的研究数据来源于三个大型开源的重症监护医学数据库和本地收集的患者数据。三个开源数据库分别是重症监护医学信息数据库Ⅳ（Medical Information Mart for Intensive Care Ⅳ,version 2.0,MIMIC-Ⅳ）、飞利浦e ICU协作研究数据库（e ICU Collaborative Research Database,version 2.0,e ICU-CRD）、重症监护医学信息数据库-Ⅲ（Medical Information Mart for Intensive Care Ⅲ,version1.4,MIMIC-Ⅲ）。在这些数据集中,我们纳入了这些数据集中进入重症监护室（Intensive Care Unit,ICU）首日诊断为脓毒症并且使用机械通气的患者,且以MIMIC-Ⅳ为构建模型的训练集和测试集,其他为验证集。最终,训练集、测试集、MIMIC-Ⅲ验证集、e ICU-CRD验证集和本地验证集中被纳入的患者数量分别为9571例、1595例、4821例、6624例和110例。随后,我们以纳入的患者的人口统计学、实验室指标、生命体征、治疗学指标等数据构建撤机模型。为了使模型具有更好的功能性,我们将撤机模型分成两个部分来构建。第一部分采用患者入重症监护室（Intensive Care Unit,ICU）首日的数据,通过聚类模型实现对高危患者的识别。第二部分,利用患者撤机前24小时的数据和第一部分模型的结果构建撤机预测模型。这样可以使模型在开始机械通气和即将考虑撤机前都可以提供预警。在构建撤机模型后,为了使模型更具有应用价值,我们针对模型开发了可实时预测脓毒症患者撤机失败概率的在线撤机系统,可以辅助临床做快速的撤机决策。最后,为了更进一步辅助脓毒症患者的撤机,我们还利用反事实模型探讨和比较了脓毒症患者撤机后的序贯治疗对脓毒症患者预后撤机失败率的影响。结果:在第一部分研究中,我们推导了三种在机械通气下的脓毒症患者的独特临床表型,并按罗马数字顺序命名为Ⅰ型、Ⅱ型和Ⅲ型。在三种表型中,Ⅰ型患者为高危患者,主要的表现为呼吸和循环功能衰竭,其预后最差,撤机失败率最高。第二部分中撤机模型基于第一部分的研究结果和患者撤机前的31个临床常见变量构建。该模型具有良好的预测性能,它在训练集、测试集、e ICU-CRD验证集、MIMIC-Ⅲ验证集和本地验证集中的受试者工作曲线下面积（Area under the receiver operating curve,AUROC）分别为0.94、0.82、0.68、0.81和0.89。不仅如此,模型还具有良好的可解释性,通气时间、呼吸频率、是否为Ⅰ型患者、BMI、碱剩余、吸入氧浓度、尿量、心率和年龄是模型最重要的构成变量。进一步的分析表明,仅仅利用这九个变量构建的撤机模型性能仅有轻微的下降,但在多个验证集中都表现了较高的稳定性。在第三部分研究中,我们发现,在匹配后,使用高流量鼻导管吸氧（High-flow nasal cannula,HFNC）患者患者相比无序贯通气支持患者28天死亡率优势比（Odds ratio,OR）为0.40（P=0.001）,撤机失败率OR值为0.52（P=0.006）;使用无创通气（Non-invasive mechanical ventilation,NIV）相比无序贯通气支持的患者28天死亡率OR值为0.44（P=0.004）,撤机失败率OR值为1.30（P=0.278）。结论:本研究通过对机械通气下的脓毒症患者进行分阶段预测,实现了对该类人群撤机时机的精准预测。同时,我们在撤机模型的基础上还开发了可实时计算撤机失败率的在线撤机系统,增加了本研究的实用性。不仅如此,本研究还探讨了脓毒症患者在撤机后不同序贯通气治疗对预后的影响。研究结果表明无论是使用HFNC还是NIV都可以改善脓毒症患者的短期预后。上述结果均经过不同源数据或不同方法学的验证,研究结果可为临床实践提供参考。