Logistic回归及决策树模型在CCU老年病人睡眠障碍影响因素分析中的应用

李良俊，翟 荣，邬闻文，李 莉1，*

1.湖北医药学院卫生管理与卫生事业发展研究中心，湖北 442000；2.湖北医药学院护理学院；3.十堰市人民医院；4.湖北医药学院公共卫生与健康学院

睡眠障碍指睡眠的量或质的异常或在睡眠时发生 某些临床症状，包括失眠、不宁腿综合征、睡眠呼吸暂停综合征、生物节律紊乱性睡眠障碍等[1]。一项Meta分析结果显示,我国社区老年人睡眠障碍患病率为41.2%[2]；冠心病重症监护室（coronary care unit，CCU）病人中，约40%存在睡眠障碍[3]。睡眠时间与心肌梗死、充血性心力衰竭和心绞痛患病率之间存在相关性[4]，是心血管疾病预后的重要指标[5]。周桂玲等[6]研究显示，老年人在CCU 病人中占69.4%，由于其自身生理功能衰退、身体机能下降、睡眠障碍，易造成免疫系统、心血管系统功能下降，增加感染风险和病死率[7]。采用Logistic 回归探讨睡眠障碍的影响因素，可以了解自变量与因变量之间的依存关系，但当自变量个数较多时，回归模型中的交互效应不易体现[8]。决策树模型可以弥补Logistic 回归的不足，现已广泛用于医药卫生领域[9-10]。本研究通过调查CCU 老年病人睡眠障碍现状并建立Logistic 回归模型和决策树模型来探讨其影响因素，比较两种模型在预测CCU 老年病人睡眠障碍时的效果，对于早期识别CCU 老年病人睡眠障碍，后期预防和改善CCU 老年病人的睡眠质量具有重要意义。

1 对象与方法

1.1 研究对象 便利抽取2020 年10 月—2021 年8 月入住十堰市某三级综合医院CCU 的430 例老年病人作为研究对象。纳入标准：①年龄≥60 岁；②明确诊断并入住CCU 24 h 及以上；③格拉斯哥昏迷评分（Glasgow Coma Scale,GCS）>14 分；④24 h 内未使用镇静药物；⑤知情同意参与研究。排除标准：①不能理解量表条目内容者；②有听力、语言、视觉障碍者；③保护性隔离者；④谵妄病人,使用中文版ICU 意识模糊评估表（Confusion Assessment Model for Intensive Care Unit,CAM-ICU）筛查。本研究已通过湖北医药学院伦理审查委员会批准（编号：2020-TH-64）。

1.2 研究方法

1.2.1 评估工具

1.2.1.1 一般资料调查表 通过阅读相关文献，咨询专家后自行制定。调查内容包括：①基本信息（性别、年龄、婚姻状况、居住情况等）；②临床资料[营养风险筛查2002 评分、呼吸困难分级、纽约心脏病协会心功能分级、日常生活能力评定（Activities of Daily Living，ADL）、调查前一晚夜间有无侵入性操作等]。

1.2.1.2 中文版理查兹-坎贝尔睡眠量表（Richards-Campbell Sleep Questionnaire，RCSQ） 该 量 表 由Richards 等研制，陈丽霞等[11]汉化，用于对重症病人进行睡眠评估。量表共有6 个条目，前5 个条目测量睡眠深度、入睡时间、夜间觉醒次数、醒来后再入睡情况、睡眠质量；第6 个条目可用来评估病人对噪声的主观感受。每个条目均采用0～100 mm（1 mm=1 分）视觉模拟评分法，0 分表示睡眠最差，100 分表示睡眠最佳。量表总分为前5 个条目得分总和的平均分，0～25 分代表睡眠质量差，76～100 分代表睡眠质量好，分值越高，表示睡眠质量越好。中文版RCSQ 量表的Cronbach's α系数为0.895。本研究借鉴Naik 等[12]的研究，将RCSQ总分≥50 分定义为睡眠正常，RCSQ 总分<50 分定义为睡眠障碍。

1.2.1.3 数字疼痛评分法（Numeric Rating Scale,NRS）[13]用数字表示疼痛的程度，在一条直线上分段，将 疼 痛 程 度 用0～10 表 示；0 表 示 无 痛，10 表 示剧痛。

1.2.1.4 简易心理状况评分(The 10-item Kessler Psychological Distress Scale，Kessler 10) 该 量 表 由Kessler 等编制，周成超等[14]汉化并进行信效度评价。中文版Kessler 10 可以评价人群心理健康状况，用于诊断焦虑、压力和不安。该量表共10 个条目，用于评估研究对象过去4 周经历的压力和焦虑等心理健康相关症状发生频率，每个条目的发生频率分为5 个等级，即所有时间（5 分）、大部分时间（4 分）、有些时间（3 分）、偶尔（2 分）、几乎没有（1 分），量表总分为10 个条目所得分数之和。根据总分将个体心理健康状况分为4 个等级：Ⅰ级（10～15 分）表示患心理疾患的危险性很低，Ⅱ级（16～21 分）表示患心理疾患的危险性较低，Ⅲ级（22～29 分）表示患心理疾患的危险性较高），Ⅳ级（30～50分）表示患心理疾患的危险性高，其Cronbach's α系数为0.8011。

1.2.1.5 急性生理和慢性健康状况Ⅱ评分（Acute

Physiology and Chronic Health Evaluation，APACHEⅡ）由急性生理学评分、年龄、慢性健康评分3 个部分组成，总分0～71 分，分值越高表示病情越重；APACHEⅡ评分目前被广泛用于重症病人病情危重程度的评估和预后观察，APACHEⅡ分值与病死率之间呈正相关[15]。有研究表明，APACHEⅡ评分在分级护理病情评估中的Cronbach's α 系数为0.79[16]。

1.2.1.6 住院前睡眠质量调查表 参照Freedman等[17]的研究，对CCU 老年病人住院前1 个月睡眠质量进行调查，以0～10 分视觉模拟评分反映病人睡眠质量，0 分表示睡眠质量最差，10 分表示睡眠质量最佳。

1.2.2 资料收集方法 研究者本人接受规范培训。一般资料收集从病历、护理记录中获得；中文版RCSQ、疼痛数字评分法、中文版Kessler 10、住院前睡眠质量调查表，能自主填写量表的病人，由其本人完成；不能自主填写量表的病人，根据病人的口头表达或手势由调查者代其填写，并与病人进行确认；谵妄评估量表由调查者对病人进行评估，APACHEⅡ评分通过查阅病历进行评估。

1.3 统计学方法 采用SPSS 22.0 进行数据分析。定性资料以频数、构成比（%）描述，采用χ2检验；定量资料以均数±标准差（±s）描述，采用t检验或方差分析。通过单因素分析筛选有统计学意义的自变量，连续性变量根据Youden 指数计算最佳截断值。采用LR向前法做二元Logistic 回归分析，并产生Logistic 回归模型的睡眠障碍预测概率1。对睡眠障碍有统计学意义的变量做卡方自动交互检测CHAID 决策树分析，模型的参数设置如下：树的拆分节点显著性水准以及合并类别的显著性水准都规定为0.05。树的生长深度为3 层，父节点、子节点最小个案数分别为20,5，并产生决策树模型的睡眠障碍预测概率2。 采用MedCalc19.1 软件绘制受试者操作特征曲线（receiver operating characteristic curve，ROC），选择Logistic 回归模型的睡眠障碍预测概率1 和决策树模型的睡眠障碍预测概率2 为自变量，将是否发生睡眠障碍作为分类变量，计算两种模型ROC 曲线下的面积（area under curve，AUC）、模型的灵敏度和特异度，评价模型的效果。以P<0.05 有统计学意义。

2 结果

2.1 研究对象的一般资料 研究对象共430 例，年龄（69.90±6.38）岁，其 中 男271 例，女159 例；252 例（58.6%）睡眠障碍病人的RCSQ 总分<50 分。

2.2 CCU 老年病人发生睡眠障碍的单因素分析 以睡眠质量作为因变量，以病人性别、年龄、居住情况、心功能分级、疼痛数字评分等指标作为自变量，进行单因素分析。结果见表1。

表1 CCU 老年病人睡眠障碍单因素分析（n=430）

2.3 CCU 老年病人睡眠障碍Logistic 回归模型的建立 以CCU 老年病人是否发生睡眠障碍作为因变量，将单因素分析中有统计学意义的变量作为自变量进行多因素Logistic 回归分析。结果显示，夜间有无侵入性操作（X1）、疼痛数字评分（X2）、简易心理状况评分（X3）、APACHEⅡ评分(X4)、夜间噪声水平(X5)、住院前RCSQ评分(X6)是CCU 老年病人发生睡眠障碍的独立危险因素，见表2。由回归分析结果可以得到如下表达式：

表2 CCU 老年病人睡眠障碍危险因素的Logistic 回归分析

Logit(P)=2.656+（-1.488）X1+0.710X2+1.365X3+0.143X4+（-0.080）X5+（-0.081）X6。根据预测模型公式[18]制定CCU 老年病人睡眠障碍风险预测模型：P=1/[1+e-(2.656-1.488X1+0.710X2+1.365X3+0.143X4-0.080X5-0.081X6)]。

2.4 CCU 老年病人睡眠障碍决策树模型的建立 对单因素分析中有统计学意义的连续性变量，利用Medcal 绘制ROC 曲线，根据Youden 指数计算最佳截断值，分别是噪声水平<70 dB、疼痛数字评分<2 分、简易心理状况评分<Ⅱ级，住院前睡眠质量评分<7分、APACHEⅡ评分<9 分。根据所得截断值将5 个连续变量转变为二分类变量，再次赋值，分别为噪声水平<70 dB=0，≥70 dB=1；疼痛数字评分<2 分=0，≥2 分=1；简易心理状况评分<Ⅱ级=0，≥Ⅱ级=1；住院前睡眠质量评分<7 分=0，≥7 分=1；APACHEⅡ评分<9 分=0，≥9 分=1。将CCU 老年病人是否发生睡眠障碍作为因变量，单因素分析中有统计学意义的变量重新赋值后作为自变量进行决策树分析，决策树分为3 层，分类结果见图1。CCU 老年病人睡眠障碍的独立影响因素依次为数字疼痛评分、夜间噪声水平、性别、简易心理状况评分。模型的分类准确率为86.5%。

图1 CCU 老年病人睡眠障碍的CHAID 决策树模型

2.5 CCU 老年病人睡眠障碍Logistic 回归模型与决策树模型的比较 Logistic 回归模型的AUC 为0.938，95%CI(0.910,0.958)，敏感度为89.68%，特异度为88.20%。决策树模型的AUC 为0.926,95%CI(0.897,0.949），灵敏度为90.87%，特异度为80.34%，两个模型的AUC 均>0.5，见图2。两者比较，差异无统计学意义（Z=1.220，P=0.222 4）。

图2 Logistic 回归模型与决策树模型的ROC 曲线比较

3 讨论

本研究中CCU 老年病人睡眠障碍的发生率为58.6%（252/430），高于赖新燕等[19]的研究。其原因可能是：赖新燕等[19]是对CCU 冠状动脉介入术后病人的睡眠情况进行调查，研究对象所患疾病主要是心肌梗死，随着冠状动脉介入手术的完成，病人心肌缺血、缺氧的状况得到改善，病情得到缓解，睡眠质量随着心肌缺血、缺氧程度的降低有一定改善。而本研究中的研究对象既有冠状动脉介入术后病人，又有心力衰竭、心律失常等非手术的病人，受CCU 环境、疾病类型、生理和心理等多种因素的影响，病人睡眠障碍的发生率较高。本研究采用多因素Logistic 回归法和决策树分类法，建立了CCU 老年病人睡眠障碍的风险预测模型。通过Logistic 回归分析预测建模，可以获得89.68%的预测敏感度，即在真正发生睡眠障碍的研究人群中，Logistic 回归分析建模预测的正确率为89.68%。而决策树法构建的风险预测模型的敏感度为90.87%，即在实际发生睡眠障碍的研究群体中，决策树法构建的风险预测模型预测的正确率为90.87%。针对90.87%的病人，可在睡眠障碍发生前加强早期监测，并通过有效的干预措施降低睡眠障碍的发生率。两个模型都强调了疼痛状况、噪声水平、简易心理状况评分是CCU 老年病人睡眠障碍的危险因素。而夜间有无侵入性操作、APACHEⅡ评分、住院前RCSQ 评分在Logistic 回归分析中有意义的变量，在决策树中未进入模型。这种结果可能与研究的样本量有关，受各节点样本量的设置和决策树深度的限制，夜间有无侵入性操作、APACHEⅡ评分、住院前RCSQ 评分对CCU 老年病人睡眠质量的影响可能在决策树上才能展现出来。另外一种可能的原因是，在决策树分析时，夜间有无侵入性操作、APACHEⅡ评分、住院前RCSQ 评分对CCU老年病人睡眠质量有一定的影响，但是与其他变量相比，其作用相对较小，在数据分析时被当作干扰因素剔除了。有研究者明确指出，Logistic 回归与决策树法存在明显差异[20]，具体表现在以下方面：①Logistic 回归模型展示了自变量与因变量的数量依存关系，但各自变量间的交互作用在Logistic 回归中不能很好地体现。②决策树分析在筛选变量时不受自变量之间相关关系的影响，因而自变量之间的交互作用能被体现出来[21]。③决策树分析能深入数据细节，但对数据全局的把握能力较差；Logistic 回归构建模型相对稳健，对全局有较好的把握，建模时更不容易发生过度拟合[22]。④Logistic 回归可以在校正干扰变量后，探索自变量与因变量之间的线性关系，并以OR 值及置信区间的形式进行展示；决策树模型无法输出OR 值，不利于比较某种因素引发睡眠障碍的情况。⑤决策树分析结果受实际数据影响，因叶子节点的数量不同而有差异，相对不稳定[23]。本研究采用Logistic 回归分析建模，模型选出了6 个与睡眠障碍有关的因素，而决策树分析得到的影响因素有4 个，前者多于后者。就预测效率而言，两者比较无统计学意义，建议将两种模型结合使用，以便于更早地识别CCU 老年睡眠障碍病人，为后期预防和改善CCU 老年病人的睡眠质量提供指导。睡眠质量与疾病的发展和预后关系密切，好的睡眠质量有利于促进CCU 病人的康复。CCU 医护人员应积极采取各项措施提高病人的睡眠质量，如降低病人病房噪声水平，减轻疼痛程度，加强人文关怀，减轻老年病人的焦虑等负性情绪。未来的研究有必要采用前瞻性研究设计，纳入病人生物标志物等实验室检查，以更加全面地评估CCU 老年病人发生睡眠障碍的风险指标。