手术病人术后谵妄风险预测模型的研究进展

2023-01-02郑思琳

护理研究 2022年10期

叶丽，刘琰，陈静，郑思琳*

1.四川省肿瘤医院，四川 610041；2.西南医科大学护理学院；3.西南医科大学附属医院

谵妄是由多种原因引起的一过性意识混乱状态，意识障碍和认知功能改变是谵妄的主要特征[1]。近年来，随着医疗技术进步，外科手术安全性逐步提升，手术治疗方式适用人群也逐渐增多。调查显示，全世界每年进行的外科手术超过2.3 亿例[2]。随着接受手术治疗的病人人数增多，术后并发症成为医护人员需要重点关注的内容。已有研究发现，受手术创伤大、病人应激反应强烈、麻醉风险高等[3-4]因素影响，术后谵妄发生率较高，为7%～50%。术后谵妄（postoperative delirium，POD）是指外科手术后出现的谵妄，是手术后常见并发症之一，主要发生在术后1～3 d[5]。谵妄不仅会影响病人预后，还会增加病人经济负担以及国家医疗支出。已有调查数据显示，美国每年因谵妄而产生的医疗费用高达1 640 亿美元，欧洲国家高达1 820 亿美元[6]。目前尚无针对谵妄的有效治疗方法，术后谵妄的管理重在预防。而风险预测模型作为一种科学的统计性评估方法，对评估和及早识别术后谵妄高危人群具有重要意义。现通过回顾文献，旨在了解术后谵妄概况和术后谵妄风险预测模型的研究现状，并为术后谵妄风险预测模型的开发和临床应用提供参考。

1 谵妄概述

1.1 谵妄的分型 2017 版欧洲麻醉学会（European Society of Anaesthesiology,ESA）指南指出[7]，谵妄根据临床表现分为3 种类型：①活动亢进型谵妄，约占25%，该类型病人觉醒阈值提高，以躁动不安、高度警觉、对刺激极度敏感为主要表现，部分病人可出现幻觉或妄想；②活动抑制型谵妄，约占50%，该类型病人以活动减少、反应迟钝、嗜睡为主要表现；③混合型谵妄，约占25%，该类型病人同时具有活动亢进型谵妄和活动抑制型谵妄表现。活动亢进型谵妄临床表现突出，多呈昼轻夜重，医护人员易于发现，能及时诊断并干预；而活动抑制型谵妄常见于老年病人，其临床表现较为隐匿，常不易被察觉，漏诊率高。据统计，32%～67%的谵妄病人未被识别或诊断[6,8-9]。

1.2 术后谵妄的诊断国际疾病分类第10 版精神与行为障碍分类(ICD-10)和第5 版美国精神障碍诊断与统计手册(DSM-5)[10]提及的诊断标准是谵妄诊断的金标准，但其方法较复杂，需要有经验的专科医生进行诊断。为了快速识别谵妄，临床上常使用意识模糊评估法（Confusion Assessment Method,CAM）[6]进行术后谵妄评估，该方法灵敏度及特异度较高（均＞95%），并可被非精神心理专业医护人员使用（需接受专业培训）。重症监护室（ICU）意识模糊评估法（CAM-ICU）[11]也是常用的谵妄评估工具之一，其灵敏度为92%，特异度为98%，主要适用于ICU 内气管插管、气管切开、有语言障碍的病人。2014 年Marcantonio 等[12]研发了3 min 谵妄诊断量表(3D-CAM)，该量表含22 个条目，评估时间约3 min。2018 年，杨雪等[13]在征得原作者同意后，对3D-CAM 进行汉化。同年，高浪丽等[14]对中文版3D-CAM 进行信效度检验，结果显示，中文版3D-CAM用于评估病人谵妄发生的敏感度为94.7%，特异度为97.9%，具有较高的诊断价值。此外，谵妄评估量表还包括护理谵妄筛查量表（Nu-DESC）、ICU 谵妄筛查量表（ICDSC）、谵妄评定量表98 修订版（DRS-R-98）等[15]。医护人员应根据临床实际情况选择合适的谵妄评估工具。

2 风险预测模型概述

疾病风险预测模型是指通过数学公式，利用特定预测因子估计当前某个特定个体患某种疾病或发生某种结局的可能性[16]。疾病预测模型可用于协助医护人员帮助病人提前做出预防性生活方式改变以及进行预防性治疗、护理等，从而帮助病人将某种不良结局发生的可能性降低。预测因子涵盖的范围可包括人口统计学特征、病史、体格检查结果、临床病历数据等[17]。目前常用的预测模型构建方法为通过Logistic 回归和Cox 回归统计学方法分析结局发生的独立影响因素，再根据每个独立影响因素的回归系数建立风险预测模型，或者将独立影响因素引入R 软件，构建列线图风险预测模型。一个完整的预测模型包括建模和验证2 个部分，即包括建模组和验证组，验证方法分内部验证和外部验证，常用的外部验证方法为选用70%的样本量构建风险预测模型后将剩余30%的样本量作为验证组进行验证。模型预测性能以及优劣性评价主要依据校准度和判别效果，校准度常采用Hosmer-Lemeshow（H-L）检验方法进行拟合优度评价，判别效果常采用受试者工作特征（ROC）曲线下面积（AUC）评估。

3 术后谵妄风险预测模型的研究现状

3.1 我国术后谵妄风险预测模型的研究现状我国学者对谵妄发生风险因素研究较多，但对术后谵妄风险预测模型研究相对较少，且主要集中于对骨科手术病人[18-19]、腹部手术病人[20]、帕金森病病人[21]、心脏手术病人[22-24]和术后进入ICU 的病人[25]的术后谵妄风险预测模型构建。

3.1.1 骨科手术病人术后谵妄风险预测模型的构建随着我国老龄化进程加快，接受骨科手术的高龄病人增加。王玉强等[18]在前瞻性研究中纳入148 例行择期手术治疗的全身麻醉高龄骨科病人构建术后谵妄风险预测模型，纳入的因素包括病人一般信息以及术前、术中、术后相关临床病历资料，通过分析建模组数据找出相关危险因素，再通过Logistic 回归分析确定进入模型的独立危险因素，包括年龄≥75 岁、受教育时间＜9 年、术中输入异体血。有研究指出，大量输血可能诱发谵妄[26]。王玉强等[18]为进一步了解输血类型对术后谵妄的影响，将输血情况细分为术中输入自体血和异体血，结果显示，术中输入异体血的病人发生术后谵妄的风险是术中输入自体血病人的5.650 倍[OR=5.650，95%CI（1.060，30.104）]。王玉强等[18]构建的预测模型AUC=0.66，预测效能有待提高。谭秀娟等[19]对208 例髋关节置换术后老年病人的谵妄发生情况进行回顾性研究发现，年龄、体重、血钠浓度是术后谵妄发生的独立影响因素，年龄越大，体重、血钠浓度越低，术后谵妄发生风险越高。该研究构建的列线图预测模型操作简便、适用性较高，但未对预测模型进行验证，其外推性尚待验证；同时，由于该研究为回顾性研究，纳入资料的真实性和准确性可能存在偏移。王玉强等[18]的研究和谭秀娟等[19]的研究均证实年龄是术后谵妄发生的重要影响因素，但两项研究样本量均较小，且纳入因素不全面，如疼痛作为“第五大生命体征”[27]，可能是谵妄发生的重要影响因素，尤其是骨科病人手术创伤较大、病人年龄较高，更应关注术后疼痛与术后谵妄的关系。其他预测因子，如社会支持、睡眠障碍、焦虑、抑郁等也可能与术后谵妄相关，在今后骨科病人术后谵妄风险预测模型构建中可考虑纳入以上因素。

3.1.2 腹部手术病人术后谵妄风险预测模型的构建孔骞[20]将252 例在湖州市某三级甲等医院接受腹部手术的老年病人纳入研究用于构建术后谵妄风险预测模型，最终进入Logistic 回归模型的独立影响因素包括年龄、心脏疾病、入院状态、睡眠紊乱，该模型AUC=0.841，其灵敏度为52.9%，特异度为96.7%，准确率为89.9%，说明模型具有一定预测效能，具有较好的区分非谵妄病人的能力；研究通过对术后谵妄发生危险度进行分级，最终分为低危、中危、高危3 级，分级越高说明病人发生术后谵妄的风险越高，建议医务人员针对不同危险分级提供具有针对性、差异化的医疗和护理方案。该研究存在一定不足，如其为回顾性研究，病历资料的真实性和准确性可能存在偏移；研究样本量小；研究为单中心研究，样本代表性较差；研究未考虑病人家庭及社会相关因素。

3.1.3 帕金森病病人术后谵妄风险预测模型的构建王雪琪[21]对129 例帕金森病脑深部电刺激术病人进行调查，观察指标包括病人一般资料、帕金森病专科指标、术前资料、术前神经系统合并症、术中及术后资料，共25 项。通过Logistic 回归确定术后谵妄发生的独立危险因素，以术后谵妄发生情况作为临床结局构建列线图预测模型，内部验证结果显示AUC=0.809，模型具有较好的区分效果。但该研究未纳入病人心理状态预测因素，未对模型进行外部验证，其外推性还有待证实。

3.1.4 心脏手术病人术后谵妄风险预测模型的构建洪亮等[22]回顾了3 397 例接受心脏手术治疗的病人的临床资料，病人入ICU 后由管床护士使用CAM-ICU对其进行评估，通过统计分析，最终进入预测模型的因素包括老年、脑血管疾病史、手术时间、术中血压变异率、术后血红蛋白(Hb)、机械通气时间、术后左心室收缩功能、应用去甲肾上腺素。将70%的样本作为建模组，30%的样本作为验证组，检验结果显示，AUC=0.932，灵敏度为78.2%，特异度为93.5%。该预测模型样本量较大，且进行了外部验证，预测效果较好，通过列线图呈现，其操作较简便，有一定适用性。但由于其为回顾性研究，无法将病人睡眠状况、情绪等因素纳入，未对谵妄类型、持续时间及严重程度进行分层研究。Mu 等[24]针对243 例冠状动脉搭桥术术后病人进行研究，最终进入Logistic 回归的预测因素包括血清皮质醇、年龄、糖尿病史、手术时间、术后第1 天出现并发症。该研究未对病人精神状况及认知进行筛查，未考虑抑郁、焦虑、认知障碍可能对术后谵妄的影响，且研究仅在术后对血清皮质醇浓度进行检测，未对病人术前基线水平进行分析。

3.1.5 术后进入ICU 的病人术后谵妄风险预测模型的构建邢焕民等[25]对240 例术后进入ICU 的病人进行术后谵妄风险预测模型研究，以ICDSC 作为术后谵妄评估工具，基于生理学和手术严重性评分系统（POSSUM）[28]评分和前期通过Meta 分析确定的7 个危险因素进行统计分析，最终进入预测模型的独立危险因素包括POSSUM 评分、入院前一过性意识丧失、高血压、糖尿病、酸碱失衡评分。其构建的预测模型AUC=0.832，灵敏度为0.639，特异度为0.886。选取25 例病人进行临床应用，将预测结果与实际术后谵妄发生情况进行比较，发现模型的准确率为92%，预测效果较好。但该验证方法选取的样本量小，后期还需加大样本量进一步检验实际预测效果。POSSUM 是应用较广的外科大手术后病人并发症发生率和病死率评估工具，邢焕民等[25]研究结果显示，POSSUM 评分越高，病人术后谵妄发生风险越高，假设病人术前生理指标良好，当POSSUM 总分≥45 分时，术后进入ICU的病人发生术后谵妄的风险高，提示医护人员应尽可能帮助病人做好术前准备，纠正贫血、水电解质紊乱等情况，以改善病人术前生理指标，降低术后谵妄发生风险。POSSUM 可以帮助医护人员更客观地评估病人术前状况，改良后的POSSUM 适用范围更广，可用于肝胆外科、妇产科等手术病人[29]。今后研究可使用改良版POSSUM 进一步探讨其对术后谵妄的预测效果。

3.2 国外术后谵妄风险预测模型的研究现状预测模型最早应用于Framingham 心脏病研究，经验证该预测模型能够有效预测美国人口心血管疾病发生风险[30]。国外术后谵妄风险预测模型的构建研究主要包括对心脏手术病人[31-32]和术后进入ICU 的病人[33]术后谵妄风险预测模型的构建。随着研究深入，有研究者开始针对术后谵妄严重程度进行预测模型构建。

3.2.1 术后谵妄风险预测模型的构建

3.2.1.1 心脏手术病人术后谵妄风险预测模型的构建 Katznelson 等[31]收集了1 059 例心脏手术病人的相关资料，通过统计分析确定了心脏手术病人术后谵妄发生的独立危险因素，并构建了风险预测模型。研究者收集了病人术前及术中的18 个相关预测因子，最终进入预测模型的独立危险因素包括年龄≥60 岁、术前抑郁、术前肾功能不全（肌酐＞150 μmol/L）、复杂的心脏手术、围术期主动脉内球囊泵支持和大量输血（＞5 U），且术后谵妄的保护性因子为术前使用他汀类药物，其可使术后谵妄发生风险降低46%。但研究纳入的病人有三分之一接受了不同类型的他汀类药物治疗，研究者未细分不同他汀类药物对病人术后谵妄的影响。同时，该研究纳入的预测因素主要集中于术前及术中，对术后疼痛、镇静、低氧血症等可能影响术后谵妄发生的因素未予分析。经检验，Katznelson 等[31]构建的模型AUC=0.77，具有一定预测效能，但未对其进行外部验证。2017 年，Lee 等[32]利用600 例心脏手术病人对该模型进行外部验证，结果显示更新后的模型AUC=0.62，区分度欠佳。未来还需进一步进行大样本、多中心、多因素的全面研究，以构建预测效能更好的术后谵妄预测模型。

3.2.1.2 术后进入ICU 的病人术后谵妄风险预测模型的构建目前ICU 应用最广泛的谵妄风险预测模型为Boogaard 等[34]利用1 613 例ICU 病人相关资料构建的谵妄风险预测（PRE-DELIRIC）模型，但该模型未对病人是否接受手术进行区分。因此，De La Varga-Martínez 等[33]在西班牙的6 个ICU 中开展了1 项观察性多中心、前瞻性研究，以CAM-ICU 为评估工具，通过文献综述确定了37 种可能的术前危险因素，共收集了689 例接受心脏手术病人的相关临床资料，随机将345 例病人作为建模组，344 例病人作为验证组，经统计分析，最终进入DELIPRECAS 模型的4 个独立危险因素包括年龄＞65 岁、简易精神状态检查量表(MMSE)评分≤26 分、失眠、低运动量（每天步行＜30 min）。经检验，该模型建模组的AUC=0.83，验证组的AUC=0.79，合并两组数据后得出总体校准斜率为0.97。验证结果表明，该模型具有良好的预测效能，其校准性和外推性较好。研究者将从ROC 曲线获得的敏感性结果分为4 个风险组，低危组（0%～20%）、中危组（＞20%～40%）、高危组（＞40%～60%）和极高危组（＞60%）。目前已有的预测模型几乎无法在病人入院24 h 内应用，而早期诊断及预防是改善谵妄预后的关键[35]，鉴于此，De La Varga-Martínez 等[33]的研究重点关注了病人术前危险因素，而未纳入术中及术后的危险因素，其预测模型纳入的4 个危险因素均为定义明确的临床变量，病人入院后易于测量及识别，便于临床医护人员使用，且该模型预测效能较好，在术后谵妄的早期预测中具有重要价值。

3.2.1.3 其他病人术后谵妄风险预测模型的构建Leung 等[36]利用581 例≥65 岁的非心脏手术病人术前资料构建了病人术后谵妄预测模型，并基于该模型开发了风险分层系统：低风险组和高风险组。该研究指出，术前谵妄风险高、术后疼痛评分高、术后阿片类药物使用剂量高的病人术后谵妄风险高，因此，医护人员可通过谵妄预测模型确定术后谵妄高风险人群，通过优化病人术后疼痛管理方案降低术后谵妄发生率。Sugimoto 等[37]收集了397 例接受开放性腹主动脉瘤手术的病人术前及术中资料构建术后谵妄风险预测模型，结果显示，年龄≥70 岁、无高脂血症和失血≥1 517 mL 是术后谵妄发生的重要预测因子。

3.2.2 术后谵妄严重程度预测模型的构建有研究者在构建术后谵妄风险预测模型后对风险进行分层，但受样本量限制可能导致模型过度拟合。美国外科医师学会建立的美国国家手术质量改进计划（NSQIP）纳入了1 414 006 例病人数据，包括1 557 种不同的手术方法，经广泛验证可用于预测各种手术病人不良事件结果[38-39]。为了构建术后谵妄严重程度预测模型，Lindroth 等[40]招募了97 例病人，分别来源于血管外科、泌尿科、脊柱外科等，并根据病人术后不同临床情境分别采用DRS-R-98、CAM、CAM-ICU 进行谵妄评估。为了抵消小样本量的影响并减少数据偏差，研究者采用LASSO 回归分析方法，该方法可以避免模型拟合过度问题，且已表现出优于传统方法的统计建模方法[41]。经LASSO 统计分析，将最终进入术后谵妄严重程度预测模型的预测因子应用于最佳子集回归，证明最佳拟合统计模型是一个包含NSQIP 严重并发症风险（NSQIP-SC）评分和执行功能衡量标准（TMT-B）的双因素线性回归模型。经验证，该模型校准准确，AUC=0.81，显示出中等预测能力。在该模型中，NSQIP-SC 对术后谵妄的预测能力表现优于年龄、美国麻醉医师协会（ASA）分级等，表明与手术病人年龄、合并症和急性疾病相比，NSQIP-SC 可以提供更准确的谵妄风险评估。虽然Lindroth 等[40]的研究应用的统计方法较为先进，但样本量较小仍可能对结果产生影响，且NSQIP 使用受限，今后可在本研究基础上进一步进行大样本的外部验证。