预测急性冠脉综合征患者睡眠障碍发生风险的列线图模型的建立

张 围，王星慧，王俊超，谢 方，倪元元，李悦玮，罗 南

(1.吉林大学护理学院，吉林 长春130021；2.吉林大学第二医院)

急性冠状动脉综合征(ACS)患者睡眠障碍的发生率较高，有调查显示，接近2/3的ACS患者存在失眠症状[1]。有研究表明，睡眠不足会引起个体不良的全身改变，从而导致个体易患心血管疾病[2]。另一项研究也表明，睡眠时间短和睡眠质量差与ACS患者复发事件和死亡风险增加相关[3]。本研究建立预测ACS患者发生睡眠障碍风险的列线图模型，旨在帮助临床医护人员更好地筛查伴有睡眠障碍高风险的ACS患者，报道如下。

1 对象与方法

1.1 研究对象

选取2021年4月—6月在吉林省长春市某三甲医院心血管内科住院的150例ACS患者作为研究对象。对象纳入标准：①确诊为ACS；②年龄≥18岁；③既往和目前无精神疾病、认知障碍，具有正常的阅读和语言表达能力；④知情同意，自愿参加本研究。排除标准：①处于ACS急性发作期；②心源性休克；③急性左心衰竭；④反复胸痛发作并伴有心电图ST-T波改变；⑤既往有明确精神疾病史；⑥有自杀倾向；⑦同时患有慢性肾脏病、癌症等其他严重疾病的患者。

采用匹兹堡睡眠质量指数量表(PSQI)评估患者的睡眠质量，根据量表得分将其分为睡眠障碍组(PSQI得分>7分)和无睡眠障碍组(PSQI得分≤7分)。

1.2 方法

本研究为横断面调查。由经培训合格后的研究者向患者介绍本研究的目的、意义及问卷填写的注意事项。在取得患者知情同意后，研究者向患者发放一般资料调查表、PSQI量表、GAD-7量表、PHQ-9量表、SF-12量表、SSRS量表分别调查患者的一般资料信息、睡眠质量、焦虑状况、抑郁状况、健康状况以及社会支持状况。

1.3 统计学分析

数据均采用SPSS 25.0进行统计分析，连续变量表示为平均值±标准差或中位数，如果数据为正态分布，则采用t检验进行单因素分析，若为偏态分布，则采用秩和检验进行统计分析；分类数据用百分比表示并用卡方检验进行统计分析，双侧P<0.05视为差异具有统计学意义。

利用单因素分析和二元Logistic回归分析筛选出影响ACS患者发生睡眠障碍的独立危险因素，采用R软件建立列线图预测模型，caret程序包Bootstrap法进行内部验证，结合rms程序包计算一致性指数(C-index)，利用pROC程序包制作ROC曲线。通过C-index和AUC对模型效能进行评价。

2 结果

2.1 ACS患者睡眠障碍现状

共纳入150例ACS患者，年龄为41.00-86.00岁，平均62.75±9.30岁。本研究采用PSQI量表对患者的睡眠情况进行评估，存在睡眠障碍的有81人，占比54.00%(81/150)；无睡眠障碍的有69人，占比46.00%(69/150)。

2.2 患者一般资料和各量表评分单因素分析

睡眠障碍组患者和无睡眠障碍组患者在体力活动、GAD-7得分、PHQ-9得分、SF-12中的PCS和MCS得分、SSRS得分方面存在差异(P<0.05)，在年龄、性别、BMI、婚姻状况等方面比较，差异均无统计学意义(P>0.05)，见表1。

表1 两组患者一般资料和各量表评分单因素分析

2.3 两组患者二元Logistic回归分析结果

将单因素分析具有统计学意义的指标作为自变量，将是否发生睡眠障碍作为因变量，进行二元Logistic回归分析。分析结果显示，PHQ-9评分和SSRS得分为患者是否发生睡眠障碍的独立影响因素(P<0.05)，见表2。

表2 ACS患者是否发生睡眠障碍二元Logistic回归分析结果

2.4 预测ACS患者发生睡眠障碍的风险列线图模型的建立

纳入PHQ-9评分和SSRS得分进行ACS患者睡眠障碍发生风险的列线图构建，如图1所示。采用计算机模拟重复采样的方法(Bootstrap法)对该模型进行内部验证，进行重复抽样1000次以后利用校正曲线与ROC曲线对模型的预测效果进行评估，模型的C-index为0.79，如图2；ROC曲线显示该模型的AUC值为0.79(95%CI 0.72—0.86)，见图3，提示该模型具有较精准的预测能力。

图1 预测ACS患者发生睡眠障碍的风险列线图模型

图2 列线图模型ACS患者发生睡眠障碍的风险验证

图3 列线图模型预测ACS患者发生睡眠障碍

3 讨论

本研究纳入的150名研究对象中，睡眠障碍的发病率高达54.00%，与孔悦[1]、汪明翰[4]等人的研究结果相近。可见，ACS患者是睡眠障碍的高发人群。另一方面，睡眠障碍会增加患者心脑血管疾病、抑郁症等疾病的患病风险以及加重患者病情[5-7]。因此，探究睡眠障碍的风险因素，建立相关预测模型对改善ACS患者的预后至关重要。

国内外大量研究表明，躯体疾病、负性情绪、人际关系差等是睡眠障碍发生的危险因素[8-10]。本研究通过分析ACS患者的一般资料以及焦虑、抑郁、社会支持量表评分，较为全面地筛选出ACS患者发生睡眠障碍的独立危险因素：(1)抑郁状态。越来越多的生化证据表明，控制睡眠的机制与调节情绪的机制重叠。进入快速眼动睡眠(REM)时，单胺能张力迅速下降，胆碱能张力增加，而这些单胺类神经递质的失调又与抑郁有关[11]。因此，患者抑郁时，机体存在着单胺类神经递质失调的情况，从而导致睡眠异常。(2)社会支持。社会支持是一种重要的社会资源，林丽燕等人[12]对住院乙型肝炎肝硬化患者的研究发现，患者社会支持较完善时，生活质量及睡眠情况较好。而孔悦等人[1]的研究则表明，低社会支持是ACS患者发生失眠的独立影响因素。

本研究的单因素分析未显示出患者年龄与睡眠障碍的相关性。这可能是由研究样本量较少导致。然而，袁凤新[13]等人调查慢性心力衰竭患者睡眠障碍影响因素的研究结果表明，年龄是患者睡眠障碍的影响因素。Uchmanowicz[14]等人对高血压患者的研究也表明，患者的失眠情况受到年龄因素的影响。本研究的单因素分析筛选出的体力活动、GAD-7得分、PCS标准化得分及MCS标准化得分在logistic回归分析中被剔除，可能与样本量较少以及研究对象均取自于单中心所造成的数据偏倚有关。未来应该进行更大规模的调查研究来探讨这一点。

列线图作为一种新型可视化的统计学模型，具有直观、预测效能好等优点，在临床医学研究中逐渐得到推广应用。本研究建立了ACS患者睡眠障碍发生风险的列线图预测模型。经校正曲线和ROC曲线验证显示，该列线图具有良好的预测能力。医护人员可根据患者的PHQ-9评分情况以及社会支持评分情况得出预测的睡眠障碍发生风险。列线图中显示，PHQ-9得分≥5分对应列线图中的52分，提示医护人员在积极治疗患者原发病的基础上，应关注其精神状态及情绪变化，做好心理护理。社会支持得分为23—44分时，所对应列线图的分值为80分，而社会支持得分≤22时，所对应分值为100分，说明患者的社会支持度越低，发生睡眠障碍的风险越高，这提示增强患者的社会支持度，可以在一定程度上降低其睡眠障碍发生风险。

综上所述，PHQ-9评分、社会支持量表评分是ACS患者发生睡眠障碍的独立影响因素。本研究建立的列线图预测模型具有较高的预测能力和区分度，可帮助临床筛查高风险患者并为医护人员采取有效的对策提供参考。本研究也存在一定的局限性：(1)样本量有限，数据代表性不足。(2)在选取指标时，未纳入ACS患者的实验室检查指标(如肌钙蛋白)以及患者用药情况等，故构建的模型有待今后的研究予以进一步验证和改进。