肝硬化患者肝性脑病风险评估量表模型构建与预测价值研究

陈丽娜，潘陈为，刘敏欧，易丽云

·论 著·

肝硬化患者肝性脑病风险评估量表模型构建与预测价值研究

陈丽娜，潘陈为，刘敏欧，易丽云

温州医科大学附属第二医院 育英儿童医院感染内科，浙江温州 325027

探讨肝硬化患者肝性脑病发生的危险因素，构建风险评估量表模型并分析其预测价值。回顾性分析温州医科大学附属第二医院2021年9月至2022年9月收治的123例单纯肝硬化患者（对照组）与85例肝硬化伴肝性脑病患者（研究组）资料，比较两组患者的一般资料，经二元Logistic回归分析肝性脑病的影响因素，并构建风险评估模型，应用受试者操作特征曲线（receiver operator characteristic，ROC曲线）模型评价肝性脑病患者发生的预测价值。单因素与二元Logistic回归分析结果显示，年龄、肝功能Child Pugh分级C级、总胆红素（total bilirubin，TBIL）、尿素氮（blood urea nitrogen，BUN）是肝硬化患者肝性脑病发生的影响因素（<0.05）；依据二元Logistic回归分析结果构建风险评估模型，曲线下面积为0.781（95%：0.718～0.844，<0.05），最大约登指数时肝性脑病发生概率为0.694，对应敏感度与特异性分别为0.694和0.756。年龄、肝功能Child Pugh分级C级、TBIL、BUN是肝硬化患者肝性脑病发生的影响因素，以上述因素为基础构建风险评估模型对肝性脑病发生风险预测价值优异。

肝硬化；肝性脑病；风险评估量表模型；模型构建；预测价值

肝性脑病为门静脉–体循环分流障碍或肝功能异常等原因导致的疾病，患者会出现不同程度神经异常以及代谢紊乱，依据患者病情严重程度划分为轻微型肝性脑病和有症状型肝性脑病，及时发现肝性脑病发生并予以针对性治疗有助于控制并延缓患者病情进展[1-3]。因此有必要探讨肝硬化患者肝性脑病发生的风险评估工具，帮助医护人员进行评估，并为患者的后续治疗及预后改善提供指导依据。尽管目前针对肝硬化肝性脑病影响因素研究较多[4-7]，但是以此为基础构建风险评估模型相对较少。因此，本研究旨在探讨肝硬化患者肝性脑病发生危险因素，构建风险评估量表模型并分析其预测价值，为肝硬化肝性脑病患者风险评估及管理提供参考依据。

1 资料与方法

1.1 一般资料

回顾性分析温州医科大学附属第二医院2021年9月至2022年9月收治的123例单纯肝硬化患者与85例肝硬化伴肝性脑病患者资料。纳入标准：①患者肝硬化病情由相关诊断标准[7]进行诊断，且由临床、生化指标、影像检查以及肝活检等证实；②患者年龄20～82岁；③诊断依据《肝硬化肝性脑病诊疗指南》[8]；④患者资料完整。排除标准：①其他类型脑病如脑梗死、代谢性脑病、脑出血、中毒性脑病、自身免疫性脑病以及颅内感染患者；②合并严重肺或心血管异常者；③合并恶性肿瘤者；④资料不全者。入选患者均经温州医科大学附属第二医院伦理委员会审批通过（伦理审批号：202102834）。

1.2 方法

收集患者的一般资料、病情资料、实验室检查及影像学检查资料，一般资料主要包括性别、年龄、体质量指数、吸烟史、饮酒史等，病情资料主要包括病因、分期、合并疾病、并发症、肝功能Child Pugh分级等，实验室检查主要包括血常规如中性粒细胞百分比、白细胞计数、血小板计数、红细胞计数、血红蛋白、总蛋白、白蛋白、淋巴细胞百分比，肝功能指标如丙氨酸氨基转移酶（alanine aminotransferase，ALT）、总胆红素（total bilirubin，TBIL）、天门冬氨酸氨基转移酶（aspartate aminotransferase，AST），肾功能指标如肌酐（reatinine，CRE）、尿素氮（blood urea nitrogen，BUN）、胱抑素C（cystatin C，Cys C），影像学资料主要包括超声检查获得脾静脉与门静脉直径。

1.3 统计学方法

2 结果

2.1 两组患者各项资料比较

研究组与对照组患者性别、体质量指数、吸烟史、饮酒史、病因、合并高血压、合并糖尿病、并发症（腹膜炎、腹水、消化道出血）、中性粒细胞百分比、白细胞计数、血小板计数、红细胞计数、血红蛋白、总蛋白、白蛋白、淋巴细胞百分比、AST、CRE、Cys C、脾静脉直径与门静脉直径等资料比较，差异无统计学意义（>0.05），两组患者的年龄、肝功能Child Pugh分级、ALT、TBIL、BUN等比较，差异有统计学意义（<0.05），见表1。

2.2 肝硬化患者肝性脑病发生风险影响因素的二元Logistic回归分析

二元Logistic回归分析结果显示，年龄、肝功能Child Pugh分级C级、TBIL、BUN是肝硬化患者肝性脑病发生的影响因素（<0.05），而肝功能Child Pugh分级B级、ALT不是肝硬化患者肝性脑病发生的影响因素（>0.05），见表2。

2.3 肝硬化患者肝性脑病发生风险评估模型构建与评估价值分析

将是否发生肝性脑病作为状态变量，将值作为检验变量绘制ROC曲线，曲线下面积为0.781（95%：0.718～0.844，<0.05），最大约登指数时肝性脑病发生概率为0.694，对应敏感度与特异性分别为0.694和0.756。

3 讨论

国内外指南均提出慢性肝病患者需要接受脑影像学、神经心理学及神经电生理检查以确定是否出现肝性脑病，但是这些检查项目均不适用于肝硬化患者群体常规检查及长时间随访观察[9-11]，因此，需要探讨更为方便、简捷的肝性脑病筛查工具，以便使研究者更为迅速地发现肝性脑病高危患者，进而指导治疗。

本研究中二元Logistic回归分析结果显示，年龄是肝硬化患者肝性脑病发生的影响因素，分析认为其可能与高龄患者肝脏代偿能力不佳，肝细胞再生能力下降，不能有效清除患者体内毒素，一定程度上会增加患者肝性脑病发生的风险[12]。另本研究中单因素分析结果显示，年龄是肝性脑病的影响因素，该研究发现相对于≥45岁患者，青年患者发生轻型肝性脑病风险相对较高，但该研究发现，52岁中位年龄患者各项指标回归分析结果显示年龄不是轻型肝性脑病发生危险因素，针对此结果该研究认为轻型肝性脑病发生的关键因素还是肝功能异常，而年龄是轻型肝性脑病发生影响因素，考虑可能是受到选择偏倚的影响[13]。

肝功能损伤是肝性脑病发生的病理基础，肝功能Child Pugh分级为评估患者肝功能障碍的常用工具，其用于评估肝硬化患者预后价值优异[14]。国外研究者发现肝功能Child Pugh分级为预测轻型肝性脑病发生独立指标，相对于肝功能Child Pugh分级A级患者，B级与C级患者轻型肝性脑病发生风险明显上升，与本研究中肝功能Child Pugh分级C级是肝硬化患者肝性脑病发生危险因素结论一致[15]。肝硬化患者本身即存在肝功能损伤，血清TBIL上升显示患者肝功能损伤加重，肝脏组织功能减退，对胆红素摄取、利用及排泄能力异常，机体代谢毒素累积过多，最终导致肝性脑病的发生，因此TBIL是肝性脑病发生[16]的危险因素。谈军涛等[17]研究显示，BUN是肝硬化相关肝性脑病发生的重要影响因素（=1.063，95%：1.022～1.105），该研究认为肝硬化患者多存在肾功能损伤，其会导致患者出现氮质血症，其具体临床表现为BUN升高，发生脑水肿，是患者肝性脑病发生的主要原因之一，本研究结果也证实BUN是肝硬化患者肝性脑病发生的影响因素，与上述研究结论一致。

表1 两组患者各项资料比较

表2 肝硬化患者肝性脑病发生风险影响因素的二元Logistic回归分析

图1 肝硬化患者肝性脑病发生风险评估模型ROC曲线

研究者认为疾病评估模型主要用于疾病防控领域，其并不需要准确地进行疾病诊断，而是需要将存在高风险患者从群体中筛查出来，然后接受对症检查以明确诊断[18]。本研究中以二元Logistic回归分析筛选出对肝硬化患者肝性脑病发生的影响因素，进而构建风险评估模型，本研究应用ROC曲线分析构建风险评估量表模型以评估其价值，曲线下面积为0.781（95%：0.718～0.844），显示构建模型评估价值具有一定的临床应用价值。不同于本研究应用二元Logistic回归分析筛选肝性脑病发生的危险因素。王旭春等[19]应用基于ElasticNet和贝叶斯网络模型分析肝硬化并发肝性脑病发生的影响因素，该研究也显示贝叶斯网络模型有助于提示肝硬化并发肝性脑病与各相关因素之间关系，也有助于对肝硬化并发肝性脑病进行针对性预防控制。

综上，年龄、肝功能Child Pugh分级C级、TBIL、BUN是肝硬化患者发生肝性脑病的危险因素，基于上述因素构建风险评估模型评估价值优异，具有一定临床意义。

[1] ROSE CF, AMODIO P, BAJAJ JS, et al. Hepatic encephalopathy: Novel insights into classification, pathophysiology and therapy[J]. J Hepatol, 2020, 73(6): 1526–1547.

[2] RUDLER M, WEISS N, BOUZBIB C, et al. Diagnosis and management of hepatic encephalopathy[J]. Clin Liver Dis, 2021, 25(2): 393–417.

[3] MORAN S, LÓPEZ-SÁNCHEZ M, MILKE-GARCÍA MDP, et al. Current approach to treatment of minimal hepatic encephalopathy in patients with liver cirrhosis[J]. World J Gastroenterol, 2021, 27(22): 3050–3063.

[4] BUREAU C, THABUT D, JEZEQUEL C, et al. The use of rifaximin in the prevention of overt hepatic encephalopathy after transjugular intrahepatic portosystemic shunt: A randomized controlled trial[J]. Ann Intern Med, 2021, 174(5): 633–640.

[5] 樊亚楠, 纪童童, 梁荣月, 等. 肝硬化合并显性肝性脑病危险因素的回顾性分析：一项单中心病例对照研究[J]. 中华肝脏病杂志, 2021, 29(2): 133–136.

[6] 王娜, 李娟, 李霞, 等. 肝硬化患者肝性脑病发生风险的回顾性研究[J]. 第三军医大学学报, 2019, 41(9): 885–890.

[7] 中华医学会肝病学分会. 肝硬化诊治指南[J]. 临床肝胆病杂志, 2019, 35(11): 2408–2425.

[8] 中华医学会肝病学分会. 肝硬化肝性脑病诊疗指南[J]. 临床肝胆病杂志, 2018, 34(10): 2076–2089.

[9] BUTTERWORTH RF. Ammonia removal by metabolic scavengers for the prevention and treatment of hepatic encephalopathy in cirrhosis[J]. Drugs R D, 2021, 21(2): 123–132.

[10] 张丽, 李洁, 王黎, 等. 简化版肝性脑病心理测试评分量表对轻微型肝性脑病转归的预测价值[J]. 临床神经病学杂志, 2019, 32(2): 99–103.

[11] STREBEL H, HALLER B, SOHN M, et al. Role of brain biomarkers s-100-beta and neuron-specific enolase for detection and follow-up of hepatic encephalopathy in cirrhosis before, during and after treatment with l-ornithine-l-aspartate[J]. GE Port J Gastroenterol, 2020, 27(6): 391–403.

[12] 钱珠萍, 杨艳. 肝硬化患者发生轻微型肝性脑病现状及影响因素研究[J]. 中华护理杂志, 2020, 55(6): 872–876.

[13] 唐艳芳, 刘旭东, 王文鑫, 等. 肝硬化合并轻微型肝性脑病的临床特点以及相关影响因素分析[J]. 传染病信息, 2022, 35(4): 316–320.

[14] LIU J, ZHOU C, WANG Y, et al. The combination of Child Pugh score and quantitative CT-based spleen volume could predict the risk of hepatic encephalopathy after transjugular intrahepatic portosystemic shunt creation[J]. Abdom Radiol (NY), 2021, 46(7): 3464–3470.

[15] BALE A, PAI CG, SHETTY S, et al. Prevalence of and factors associated with minimal hepatic encephalopathy in patients with cirrhosis of liver[J]. J Clin Exp Hepatol, 2018, 8(2): 156–161.

[16] 王娜, 李娟, 李霞, 等. 肝硬化患者肝性脑病风险预测模型的构建及应用研究[J]. 中华护理杂志, 2019, 54(6): 805–811.

[17] 谈军涛, 许晓梅, 何雨芯, 等. 基于机器学习算法的肝硬化相关肝性脑病预测模型的构建[J]. 解放军医学杂志, 2021, 46(4): 354–360.

[18] 刘思琴, 李霞, 梁露文, 等. 肝硬化隐匿型肝性脑病筛查平台的建立及应用研究[J]. 护理学杂志, 2021, 36(21): 81–84.

[19] 王旭春, 宋伟梅, 翟梦梦, 等. 基于ElasticNet和贝叶斯网络模型的肝硬化并发肝性脑病相关因素分析[J]. 现代预防医学, 2021, 48(9): 1705–1709.

Construction of risk assessment model for hepatic encephalopathy in patients with liver cirrhosis and its predictive value

Department of Infectious Disease, the Second Affiliated Hospital of Wenzhou Medical University, Yuying Children’s Hospital, Wenzhou 325027, Zhejiang, China

To investigate the risk factors of hepatic encephalopathy in patients with liver cirrhosis, construct a risk assessment model, and analyze its predictive value.The data of 123 patients with simple liver cirrhosis and 85 patients with liver cirrhosis and hepatic encephalopathy who were admitted to the hospital from September 2021 by September 2022 were retrospectively analyzed. The general information of two groups of patients were compared, binary Logistic regression analysis was performed to screen the influencing factors of hepatic encephalopathy, and a risk assessment model was constructed based on these factors. The predictive value of this model for hepatic encephalopathy was analyzed using the receiver operator characteristic (ROC) curve.Univariate analysis and binary logistic regression analysis results showed that age, Child Pugh grade C, total bilirubin (TBIL), and blood urea nitrogen (BUN) were influencing factors of hepatic encephalopathy (<0.05). The area under the curve (AUC), maximum Youden index, sensitivity, and specificity of the model for predicting hepatic encephalopathy were 0.781 (95%: 0.718～0.844,<0.05), 0.694, 0.694, and 0.756, respectively.Age, Child Pugh grade C, TBIL, and BUN are influencing factors of hepatic encephalopathy in patients with liver cirrhosis. The risk assessment model constructed based on these factors helpful for risk prediction of hepatic encephalopathy.

Liver cirrhosis; Hepatic encephalopathy; Risk assessment scale model; Model construction; Predictive value

R576；R735.7

A

10.3969/j.issn.1673-9701.2023.18.007

（2022–10–19）

（2023–05–22）

温州市科研项目（Y2020630）

陈丽娜，电子信箱：764991051@qq.com