一种PACU成人高活动型谵妄预测的建模

技术领域

本发明涉及一种PACU成人高活动型谵妄预测的建模。

背景技术

谵妄（delirium），被定义为：一种非特异性病因的有机脑综合征，其特征是同时意识和注意力，感知，思维，记忆，精神运动行为，情绪和睡眠 - 觉醒时间表的干扰；是可变的，严重程度从轻微到非常严重注意力的干扰（即降低引导，集中，维持和转移注意力的能力）和意识（减少对环境的定向）。谵妄在过去十年中引起了全世界许多研究人员的关注，是在急性护理环境中发现的最常见的神经精神病综合征，目前2013年美国精神病学协会协会出的第五版精神疾病诊断和统计手册普遍被认为是谵妄的定义和诊断的金标准。

麻醉复苏室（PACU）谵妄，即术后早期谵妄，被认为可能与患者的预后相关，是后续谵妄的强预测因子，敏感性为100％，特异性为85％，术后早期谵妄可有两种体征，分别是过度活跃体征（即具有激动和躁动的过度活跃性亚型）与具有低活动性体征（即具有嗜睡和注意力不集中的低活动性亚型）。其中术后高活动型谵妄 （postoperative delirium ofhigh activity，PDHA）患者表现为活动亢进、坐立不安及警觉性提高，占术后谵妄的10%～30%。

麻醉复苏室（PACU）高活动型谵妄(PDHA)，即术后早期高活动型谵妄，是大手术术后的常见且严重的并发症，PDHA患者往往躁动不安、破坏性较强，且依从性低，导致术后治疗及护理难度加大，致其与住院时间延长，发病率，死亡率和住院治疗需求增加呈正相关，并且增加患者或医疗团队受伤的几率。

发明内容

本发明针对以上问题，提供一种PACU成人高活动型谵妄预测的建模及验模方法。

本发明的发明目的通过以下方案实现：一种PACU成人高活动型谵妄预测的建模，

第一步，选取同时间段入医院行手术治疗后入 PACU 观察的患者；

第二步，根据 PDHA 的诊断标准，将患者设置为两组：PDHA 组和非 PDHA 组；

第三步，观察时间自患者术后入 PACU 至出 PACU 期间,采用 Access 数据库回顾性收集两组患者资料；

第四步，整理收集完毕的研究数据由 stata15软件按照 2:1 比例随机匹配，分为训练集数据和验证集数据；

第五步，使用 R 语言进行统计及分析，采用逐步 logistic 回归筛选危险因素，从而构建成人术后早期高活动型谵妄预测模型。

一种PACU成人高活动型谵妄预测的建模的验模方法，采用 ROC 曲线评价本模型准确度，DCA 曲线来验证本模型有效性。

本发明的有益效果在于：构建的 PACU 成人高活动型谵妄预测模型预测效能较好，可实现对PACU 术后成人高活动型谵妄发生的可视化，图形化筛选。

附图说明

图1为实施例2流程图。

图2为实施例2成人术后PDHA发生风险预测模型列线图。

图3为实施例2训练集数据组ROC曲线图。

图4为实施例2验证集数据组ROC曲线图。

图5为实施例2 成人术后PDHA发生风险预测模型的精度曲线图。

图6为实施例2成人术后PDHA发生风险预测模型的决策曲线图（ DCA）。

具体实施方式

以下结合具体实施例和附图对本发明作进一步说明：

实施例1一种PACU成人高活动型谵妄预测的建模，

第一步，选取同时间段入医院行手术治疗后入 PACU 观察的患者；

第二步，根据 PDHA 的诊断标准，将患者设置为两组：PDHA 组和非 PDHA 组；

第三步，观察时间自患者术后入 PACU 至出 PACU 期间,采用 Access 数据库回顾性收集两组患者资料；

第四步，整理收集完毕的研究数据由 stata15软件按照 2:1 比例随机匹配，分为训练集数据和验证集数据；

第五步，使用 R 语言进行统计及分析，采用逐步 logistic 回归筛选危险因素，从而构建成人术后早期高活动型谵妄预测模型。

一种PACU成人高活动型谵妄预测的建模的验模方法，采用ROC曲线评价本模型准确度，DCA曲线来验证本模型有效性。

RASS为里士满躁动-镇静量表； CAM-ICU 意识模糊评估法；PACU为麻醉复苏室；PDHA为术后高活动型谵妄。

一种PACU成人高活动型谵妄预测的建模，患者资料包括：

患者一般资料：年龄、性别、BMI、文化程度、吸烟史、喝酒史、合并其他疾病史、合并既往手术史；

术前指标：术前睡眠情况、术前血红蛋白数值、术前白蛋白数值、有无镇静类药物使用史、术前有无疼痛，ASA 分级；

术中情况：手术部位、麻醉方式、有无使用吸入类麻醉药物、麻醉时长、手术时长、术中事件、术中出血；

术后 PACU 情况：术后疼痛评分、术后低体温、留置导尿、留置引流管。

一种PACU成人高活动型谵妄预测的建模，

先排除：年龄＜18 岁患者；脑实质损伤患者；术前有认知功能障碍患者；既往有精神疾病史患者；数据记录不完善患者；

得到：行术后入 PACU 观察、年龄≧18 岁、术前无认知功能障碍、术前可正常交流，可配合完成各项评分的患者。

实施例2参照附图1-6所示，本发明一种PACU成人高活动型谵妄预测的建模，

1、研究对象

（1）病例来源

历数据库和手术室麻醉电子记录数据库选取 2018 年 1 月 1 日—2019 年 12 月31日入 PACU 的行手术术后观察的成年患者。

（2）纳入标准

纳入标准：①行术后入 PACU 观察；②年龄≧18 岁；③术前无认知功能障碍；④术前可正常交流，可配合完成各项评分；

（3） 排除标准

排除标准：①年龄＜18 岁；②脑实质损伤患者；③术前有认知功能障碍；④既往有精神疾病史；⑤数据记录不完善。

2、诊断标准

采用2018 年美国 Darren F 团队及 A. Fields 团队最新的对于 PACU 谵妄研究里的诊断标准，即 RASS 量表≥3 分合并 CAM-ICU 量表阳性则是诊断 PDHA 的标准，如果患者出现躁动的迹象（RASS 评分高于零）但可能报告他们处于高度疼痛状态，则不会将其视为 CAM-ICU 阳性。

3、 研究量表

（1）d Richmond 躁动- - 镇静量表 (RASS）

RASS量表是由弗吉尼亚的一个多学科团队于2002年研制用来评估成年患者意识水平和镇静程度，它是评估患者意识水平的可靠工具。 该量表评分≠0时，对谵妄的预测敏感度是 84.0%，特异度为 87.6%；而当 RASS＜-1 或＞1 时，对谵妄的预测敏感度则为 22.0%，特异度为 98.9%。研究人员可通过 RASS 量表有助于快速筛查谵妄。通过客观评估确定患者的意识-镇静水平，具体量表见附录 1。

（2）意识模糊评估法（CAM- - ICU）

评估 BRAL 脑功能，使用的 CAM-ICU 量表是根据美国精神病学协会协会出的第五版精神疾病诊断和统计手册定义谵妄，它们是：①基于精神状态的改变或精神状态的波动过程；②注意力不集中；③思维混乱。CAM-ICU总体评估特征 1 加 2 和特征 3 或 4 阳性，即CAM-ICU 阳性，该量表具体详情见附录 2。

（3）直观模拟评分表 （VAS）

PACU 疼痛评分量表采用 VAS 评分标准，此评分法是目前各种痛觉评分法中最敏感的方法之一。它在一条 10 厘米直线两端注明“无痛”和“剧痛”，将疼痛的程度用 0 到 10之间共 11 个数字表示， 0 表示无痛，10 代表最痛，让患者根据自身疼痛在线上最能反应自己疼痛程度之处划一交叉线标记出疼痛程度。0 分表示无痛；患者可以忍受的 3 分以下表示有轻微的疼痛；4～6 分表示病人可持续地疼痛且影响睡眠， 但还尚能忍受；7～10 分则表示病人有强烈的疼痛，疼痛难忍。VAS 简单易行、有效，相对比较客观而且敏感。

4、数据采集

根据 PDHA 的诊断标准将纳入的研究对象分为两组，PDHA 组和非 PDHA 对照组，观察时间自患者术后入 PACU 至出 PACU 期间。查阅纳入统计的两组患者的电子病历、手术室麻醉及术后复苏室记录、护理记录，采用 Access 数据库回顾性收集两组患者资料包括患者一般资料、术前指标、术中情况、术后 PACU 情况。

⑴一般资料：包括患者年龄、性别、体重指数（BMI）、文化程度、吸烟史、喝酒史、合并其他疾病史、合并既往手术史等；另外 BMI（Kg／m²）＝体重／身高²；

⑵术前指标：包括患者术前睡眠情况、术前血红蛋白数值、术前白蛋白数值、有无镇静类药物使用史、术前有无疼痛，ASA 分级等；

⑶术中情况：包括手术部位、麻醉方式、有无使用吸入类麻醉药物、麻醉时长、手术时长、术中用药、术中事件、术中出血等；

⑷术后 PACU 情况：术后疼痛评分、术后低体温、留置导尿、留置引流管等。

5、统计学方法

（1）样本量估计

采用 logistic 回归样本量估算目前最常用的方法，即 EPV 经验准则，本研究协变量为 23 个，为保证结果稳健则需要 230 个以上病例纳入统计。

（2）统计处理

由 stata15 软件依 2:1 比例随机将整理收集完毕的研究数据，分为训练集数据和验证集数据。以是否发生PDHA为因变量，采用二项分类logistic回归分析，在训练集数据中使用 R 语言进行统计及分析，采用逐步 logistic 回归筛选危险因素，以 P ＜ 0.05 为差异有统计学意义。其中，正态分布连续变量以均值(标准差，SD)表示，另外非正态分布连续变量以中位数(四分位数间距，Q)表示。组间比较采用 t 检验(Student’s t test)进行正态分布数据比较，采用Mann-Whitney U 检验(Mann-Whitney U test)进行非正态分布数据比较。其中分类数据以数字和百分比(%)表示，再使用 Fisher 验亦或是 Pearson 卡方检验进行精准比较。在多因素 logistic 回归分析结果的基础上建立列线图，其性能在验证集进行验证，包括识别能力、校准和临床应用。

根据 PDHA 的诊断标准，将研究对象设置为两组：PDHA 组（303 例）和非 PDHA组（110056 例），PDHA 发生率为 0.275％；再由 stata15 软件依手术日期及主刀医生随机1:2 比例匹配出 PDHA 组(303 例)和非 PDHA 组（606 例），排除数据记录不完善例数，最终 PDHA 组(255 例)和非 PDHA 组（538 例）纳入统计分析；详见附图1。

PDHA 组 255 例，平均年龄 68.64 岁，其中男性患者 209 人，占比 81.96%；PDHA 组患者全部出现肢体躁动不安、欠配合，其中言语激烈及无法沟通的患者占比 30.20%，具有拔管倾向的患者占比 22.75%，有攻击行为、伤医行为占 6 %。另外非 PDHA 对照组538 例，其中男性 202 人，女性 336 人。详见下表1-2。

整理收集完毕的两组研究数据由 stata15 软件将，依 2:1 比例随机分为训练集数据和验证集数据。因手术时长和麻醉时长两个变量的方差膨胀因子大于10，说明存在严重的多重共线性，因此决定从 logistics 回归模型中将其中一项变量剔除。但由于本文选取的绝大多数变量为分类的虚拟变量，加之考虑临床经验，决定保留麻醉时长变量，剔除手术时长变量。训练集数据里非PDHA 组和 PDHA组患者使用 logistic 回归进行单因素分析，通过检测结果可以看出，在年龄（P<0.001）、性别（P<0.001）、文化程度（P<0.001）、吸烟史（P<0.001）、饮酒史（P=0.009）、合并冠心病病史（P=0.014）、合并糖尿病史（P=0.001）、合并高血压病史（P<0.001）、合并脑中风病史（P<0.001）、睡眠情况（P=0.001）、术前疼痛（P<0.001）、术前低血红蛋白（P<0.001）、术前低白蛋白（P<0.001）、手术部位（P<0.001）、ASA 分级（P<0.001）、麻醉方式（P<0.001）、麻醉时长（P<0.001）、术中使用吸入药物（P=0.022）、术中出血（P=0.027）、

术后低体温（P<0.001）、术后留置引流管（P<0.001）、术后留置导尿（P<0.001）和术后PACU 疼痛评分（P<0.001）共 23 项观察指标变量上两组的差异均显示具有统计学意义，且具有带入logistics回归模型中的意义，而PDHA组和非PDHA组在BMI（P=0.310）、合并既往手术史（P =0.908）、术前使用镇静药物（P=0.807）等因素的差异无明显统计学意义，详细见表3。

结合上述单因素分析有意义的结果，以术后在 PACU 观察期间是否发生 PDHA为因变量，将单因素分析中有统计学意义的 23 项变量（ P <0.05）纳入多因素logistic 回归分析并采用逐步法进行回归分析，最终得出患者的性别（ P<0.001,OR 4.477,95% CI 2.522-7.946）、年龄（ P <0.001,OR 2.600,95% CI1.787-3.783）、合并吸烟史（ P =0.001,OR2.717,95% CI 1.534-4.813）、术前低白蛋白（ P <0.001,OR 2.834,95% CI 1.638-4.903）、ASA 分级（ P =0.003,OR3.357,95% CI 1.507-7.476）、麻醉时长（ P <0.001,OR1.015,95% CI 1.011-1.019）和术后 PACU 疼痛评分（ P <0.001,OR 1.443,95% CI1.210-1.722）共 7 项观察指标变量与 PDHA 发生有直接相关，为 PACU 成人高活动型谵妄发生的独立危险因素，结果如表 4 所示。

列线（Nomogram）图是一种对临床事件个体化预测的统计学模型，它能对COX 或logistic 回归分析中各影响因素对因变量的贡献度进行各单项评分及合计总分，可基于总分的对应概率预测个体临床事件的发生风险。本研究基于训练集数据多因素分析所构建的预测模型采用列线图来展示，其预测模型风险总分为 0-200 分，风险率为 0.1～ 0.9，总分越高，则代表该患者发生术后 PDHA 的风险越高。PACU 成人术后 PDHA 发生风险Nomogram 图预测模型中各因素评分和风险详情见图2

使用训练集数据对 PDHA 发生风险总分行 ROC 曲线分析，结果显示训练集数据组ROC 曲线-曲线下面积及 95%置信区间分别为 0.936（0.917-0.955)，见图 3。另外使用验证集数据行 ROC 曲线显示曲线下面积及 95%置信区间则分别为 0.926（0.885-0.967)，见图 4。两组数据的曲线下面积（AUC）皆显示本预测模型有较好的准确性。

精度曲线图中横轴表示 PDHA 发生的可能性大小，纵轴表示 PDHA 发生的实际状态，虚直线斜角为 45°表示理想状况，而实曲线和弯曲线则为矫正曲线，它们可以预测模型真实情况。在虚直线时表示预测模型预测 PDHA 发生的可能性与实际情况吻合，而曲线与直线越靠近，则表示本模型一致性越好，验证效果越佳。本研究 PACU 成人术后 PDHA 发生风险预测模型精度曲线中，预测值和实际观测值之间有良好的一致性，它展示了较好的预测精度，详请见图5。

为更好地验证本预测模型的临床价值，本研究另做术后谵妄发生预测模型临床决策曲线，该曲线展示了净获益值较高，显示本模型具有较好的临床应用价值，具体见图6。

早期筛选 PDHA 高危人群，采取有效的干预措施，修正潜在的危险因素能够降低PDHA 发生率，减少麻醉护理工作量，降低 PACU 不良事件发生率，从而提升麻醉护理安全管理质量。

虽然本发明已通过参考优选的实施例进行了图示和描述，但是，本领域普通技术人员应当了解，可以不限于上述实施例的描述，在权利要求书的范围内，可作出形式和细节上的各种变化。