基于肢体肌力及TcPO2构建ICU病人压力性损伤预测模型

王雅萍 王晨 李莉 蒋叶伟 张耀文

Construction of a predictive model of pressure injury in ICU patients based on the combination of limb muscle strength and TcPO₂

WANG Yaping， WANG Chen， LI Li， JIANG Yewei， ZHANG Yaowen

Suzhou Ninth Hospital Affiliated to Soochow University， Jiangsu 215200 China

Corresponding Author  WANG Chen， E?mail： ur985ty@163.com

Abstract  Objective：To establish a predictive model of pressure injury （PI） in intensive care unit （ICU） patients by combining limb muscle strength and transcutaneous oxygen pressure （TcPO₂） with clinical data.Methods：429 patients admitted to the ICU of our hospital from April 2021 to January 2023 were retrospectively selected as the research objects.The patients were divided into a training set （n=299） and a test set （n=130） according to the ratio of 7∶3 by random sampling.Logistic regression model was used to analyze the influencing factors of pressure injury in patients，and random forest algorithm was used to construct a random forest model.The area under the receiver operating characteristic （ROC） curve，sensitivity，and specificity were used to evaluate the predictive efficacy of the two models.Results：71 cases occurred pressure injury among 299 patients in the training set， with an incidence of 23.75%.Multivariate analysis showed that diabetes mellitus，APACHE?Ⅱ score， Braden score，TcPO₂，limb muscle strength， mechanical ventilation，and use of vasoactive drugs were the influencing factors of PI in ICU patients （P<0.05）.The order of importance of predictors in the random forest model was TcPO₂，APACHE?Ⅱ score，limb muscle strength，Braden score，mechanical ventilation，use of vasoactive drugs，and combination of diabetes. The test set was introduced to verify the prediction efficiency of the two models. It was found that the area under the ROC curve of the logistic regression model was 0.871， the sensitivity was 84.5%，and the specificity was 81.4%.The area under the ROC curve of the random forest model was 0.912， the sensitivity was 88.5%，and the specificity was 84.2%.Conclusions：TcPO₂， APACHE?Ⅱ score， limb muscle strength，Braden score， mechanical ventilation，use of vasoactive drugs， and combination of diabetes were the influencing factors of PI risk in ICU patients. Furthermore， the predictive performance of the random forest model for PI risk in ICU patients was better than that of the Logistic regression model.

Keywords    intensive care unit， ICU； pressure injury； limb muscle strength； transcutaneous oxygen pressure； prediction model

摘要  目的：采用肢体肌力及经皮氧分压（TcPO₂）联合临床资料构建重症监护病房（ICU）病人压力性损伤的预测模型。方法：回顾性选取2021年4月—2023年1月我院ICU收治的429例病人作为研究对象。通过随机抽样按照7∶3比例将病人分为训练集（n=299）与测试集（n=130）。采用Logistic回归模型分析病人发生压力性损伤的影响因素，并借助随机森林算法构建随机森林模型。采用受试者工作特征（ROC）曲線下面积、灵敏度、特异度评价模型的预测效能。结果：训练集299例病人中71例发生压力性损伤，发生率为23.75%。多因素分析显示，合并糖尿病、急性生理与慢性健康状况（APACHE?Ⅱ）评分、Braden评分、TcPO₂、肢体肌力、机械通气、使用血管活性药是ICU病人发生压力性损伤的影响因素（P<0.05）。随机森林模型中预测因子重要性由高到低依次为TcPO₂、APACHE?Ⅱ评分、肌体肌力、Braden评分、机械通气、使用血管活性药物、合并糖尿病。测试集中，Logistic回归模型的ROC曲线下面积为0.871，灵敏度为84.5%，特异度为81.4%；随机森林模型的ROC曲线下面积为0.912，灵敏度为88.5%，特异度为84.2%。结论：ICU病人发生压力性损伤的影响因素为TcPO₂、APACHE?Ⅱ评分、肢体肌力、Braden评分、机械通气、使用血管活性药物、合并糖尿病，且随机森林模型对ICU病人压力性损伤风险的预测性能优于Logistic回归模型。

关键词  重症监护病房；压力性损伤；肢体肌力；经皮氧分压；预测模型

doi：10.12102/j.issn.1009-6493.2024.09.006

重症监护病房（intensive care unit，ICU）是危重症病人强化医疗的场所，因病情特殊性，病人治疗期需长期卧床，容易发生压力性损伤（pressure injuries，PI）。压力性损伤是因局部组织受强烈和（或）长时间压力、压力联合剪切力所致皮肤与深部软组织的局部损伤，会延长病人住院时间，甚至增加感染、皮肤局部弥散性微血管内凝血、急性皮肤衰竭等并发症发生，危害极大。目前认为微循环血流障碍、缺氧与压力性损伤发生存在关联^[1]。经皮氧分压（transcutaneous oxygen pressure， TcPO₂）监测技术通过电极与皮肤连接，能有效反映组织和细胞实际的氧供应量及皮肤的微循环功能状态^[2]，对评估ICU病人的压力性损伤风险具有一定价值^[3]。然而监测电极膜属一次性耗材，若连续动态测量TcPO₂，病人的医疗费用高。肢体活动能加速全身血液流动，降低微循环血流障碍，肌力则是保证肢体活动时肌肉收缩的重要力量。尚未检索到有关肢体肌力与ICU病人的压力性损伤有关的报道。为能准确评估ICU病人的压力性损伤风险，本研究结合病人肢体肌力、TcPO₂及临床资料，分析与病人压力性损伤相关的影响因素并构建Logistic回归模型，通过绘制列线图使其直观实用。随后依托大数据挖掘技术，借助随机森林算法建立随机森林模型，将其与Logistic回归模型进行对比，旨在为医务人员提供更为精准的ICU病人压力性损伤风险预测模型。

1  资料与方法

1.1 一般资料

回顾性选取2021年4月—2023年1月我院ICU收治的429例病人作为研究对象。通过随机抽样按7∶3比例将入选的429例病人分为训练集299例和测试集130例。纳入标准：1）首次入住ICU，且年龄>18岁；2）入住ICU前无压力性损伤；3）在ICU 住院时间≥72 h；4）具有肢体肌力、TcPO₂评估者。排除标准：1）烫伤、烧伤者；2）精神疾病病人；3）入院前脊髓损伤、重度脑挫裂伤、重症肌无力等神经和肌肉疾病；4）肢体残疾、不稳定性骨折或金属假肢；5）存在偏瘫或截瘫者；6）在ICU住院期间死亡者；7）合并皮肤病，如系统性红斑狼疮、银屑病等。

1.2 资料收集

1.2.1 一般资料

1）人口学特征：年龄、体重指数（BMI）、性别、基础疾病；2）入院时指标：生命体征、急性生理和慢性健康评分?Ⅱ（APACHE?Ⅱ评分）、Braden量表评分、TcPO₂、肢体肌力、白细胞计数、血小板计数、凝血酶原时间、纤维蛋白原、白蛋白；3）治疗措施：是否机械通气、是否手术、是否用血管活性药物等。

1.2.2 肢体肌力

通过肌力6级记录法测评病人的肢体伸缩能力，再反方向给予阻力，测试病人对阻力的克服力。根据测试情况将肢体肌力划分0～5级，等级越高表示肢体肌力越强^[4]。评估完成后，选择病人上下肢体肌力等级平均数的整数为病人的肌力。

1.2.3 TcPO₂测量

病人入住ICU 2 h内，采用经皮氧分压监测仪（丹麦雷度公司生产，型号：TcM4 Series）测量TcPO₂。操作方法：1）病人卧于医用气垫床上，取左侧卧位，双手放于身体两侧，双腿自然伸直；2）暴露骶尾部皮肤，乙醇消毒擦拭；3）取出定环贴于病人臀沟上1横指与脊柱中点连线的交叉处，取出电极嵌入定环贴固定，调整电极并保持导线松弛，监测仪测得数值，稳定10 min后记录3次数据，取平均值为测量结果。

1.2.4 压力性损伤

参照《2019年版国际《压力性损伤的预防与治疗：临床实践指南》^[5]中的压力性损伤判别标准判别是否发生压力性损伤。

1.3 统计学方法

采用SPSS 22.0软件进行分析，符合正态分布的定量资料以均数±标准差（x±s）表示，比较采用t检验；定性资料以例数、百分比（%）表示，比较采用χ²检验；以P<0.05表示差异有统计学意义。通过多因素Logistic回归分析筛选出ICU病人发生压力性损伤的影响因素，采用R4.0.3软件将各影响因素进行可视化获得列线图；运行Random Forest包实现随机森林算法建立随机森林模型，模型构建过程中主要包含2个重要的模型参数，分别是决策树的数量（ntree）和数的最大深度（mtry），采用网格搜索方式对ntree、mtry参数进行参数调优，通过袋外误差率评估变量重要性以解释随机森林模型。引入测试集验证模型，采用受试者工作特征（ROC）曲线分析2种模型的预测效能。

2  结果

2.1 训练集ICU病人的资料特征与压力性损伤影响因素的单因素分析

训练集299例病人在ICU治疗期间有71例发生压力性损伤（压力性损伤组），发生率为23.75%，228例未发生压力性损伤（非压力性损伤组）。压力性损伤组与非压力性损伤组在合并糖尿病比例、APACHE?Ⅱ评分、Braden评分、TcPO₂、肢体肌力、机械通气比例、使用血管活性药比例方面比较，差异均有统计学意义（P<0.05），见表1。

2.2 训练集ICU病人发生压力性损伤影响因素的多因素分析

以ICU病人是否发生压力性损伤（否=0，是=1）作为因变量。将单因素分析中差异有统计学意义的项目作为自变量，对分类资料赋值（糖尿病：无=0，是=1；机械通气：否=0，是=1；使用血管活性药：否=0，是=1），定量资料原值代入。多因素Logistic回归分析显示，合并糖尿病、APACHE?Ⅱ评分、Braden评分、TcPO₂、肢体肌力、机械通气、使用血管活性药是ICU病人发生压力性损伤的影响因素（P<0.05）。见表2。

2.3 ICU病人发生压力性损伤风险的预测模型

2.3.1 Logistic回归模型

基于多因素Logistic回归分析结果的回归系数与常数项构建模型：Logit（P）=-5.875+0.406×糖尿病（有）+0.784×APACHE?Ⅱ评分-0.312×Braden评分-0.597×TcPO₂-0.658×肢体肌力+0.951×机械通气+0.599×使用血管活性药。利用R软件绘制列线图将Logistic回归模型可视化，以图形表达的每个指标数值对应得分相加得到总分，将总分转化为风险的预测概率，见图1。

2.3.2 随机森林模型

将多因素回归分析筛选的风险因素作为特征输入随机森林模型，利用训练集数据训练模型。在训练模型之前，采用网格搜索方式对随机森林模型的ntree、mtry参数进行参数调优，经验证，参数mtry为3、ntree为500时，袋外数据错误率最低，见图2。随机森林模型结果显示， ICU病人压力性损伤风险的影响因素重要性排序为：TcPO₂>APACHE?Ⅱ评分>肢体肌力> Braden评分>机械通气>使用血管活性药物>合并糖尿病，见图3。

2.4 ICU病人压力性损伤风险的预测模型验证

将模型所得的预测变量作为测试变量，以ICU病人发生压力性损伤与否为状态变量进行ROC曲线绘制。训练集中Logistic回归模型ROC曲线下面积（AUC）为0.906，灵敏度为87.5%，特异度为83.9%；随机森林模型的AUC、灵敏度和特异度均为1.000。引入测试集数据进行测试，结果发现，Logistic回归模型的AUC为0.871[95%CI（0.745，0.932）]，灵敏度为84.5%，特异度为81.4%；随机森林模型的AUC为0.912[95%CI（0.809，0.967）]，灵敏度为88.5%，特异度为84.2%，见图4。表明随机森林模型的预测效能高于Logistic回归模型。

3  讨论

3.1 ICU病人压力性损伤的发生现状

压力性损伤是重症医学科的常见并发症。姚秀英等^[6]研究发现，ICU病人的压力性损伤发生率为16.4%。一项荟萃分析发现，ICU病人压力性损伤患病率为12.2%～24.5%^[7]。本研究结果发现，ICU病人治疗期间压力性损伤发生率为23.75%。压力性损伤的发生取决于不同人群以及医务人员对病人压力性损伤风险因素的预防管理。基于压力性损伤预防大于治疗的理念，为制定有效预防措施，需加强对ICU病人发生压力性损伤风险预测和相关机制探讨。

3.2 ICU病人压力性损伤的影响因素

本研究结果显示，合并糖尿病、APACHE?Ⅱ评分、Braden评分、TcPO₂、肢体肌力、机械通气、使用血管活性药均是ICU病人发生压力性损伤的影响因素。究其原因：1）2019年版国际《压力性损伤的预防与治疗：临床实践指南》^[5]提出糖尿病所引起的灌注变化及神经病变会影响皮肤敏感性和耐受性，需纳入压力性损伤风险中考虑。还有学者发现糖尿病是压力性损伤的危险因素^[8]，与本研究结果相符。伴有糖尿病的病人，体内长期糖代谢紊乱会导致广泛性小血管内皮增生、缺氧、损伤及神经病变，影响身体排汗，改变皮肤状态，致使皮肤受压力、剪切力、排泄物等因素刺激时易破损，因而压力性损伤发生风险较高。2）APACHE?Ⅱ是临床上评估病人病情危重情况的工具，相关研究表明其评分越高，病人压力性损伤风险越大^[9]，与本研究结果相符。病人APACHE?Ⅱ评分高时病情严重，突出电解质、水分及生化参数异常程度高，而身体水分缺失或电解质失衡会增加皮肤缺氧状态，使皮肤受压后出现损伤。3）Braden量表是临床用于评估压力性损伤风险的常用工具。但有研究表明，Braden量表对ICU病人压力性损伤风险预测效能欠佳^[10]，可能是此量表多为主观判断，过度依赖评分者的经验判断。高娟等^[11]研究发现，Braden评分联合TcPO₂指标可提升对压力性损伤的预测效能。TcPO₂能反映皮肤组织细胞的实际氧供应量和微血管功能状况。当检测到ICU病人TcPO₂水平较低时，预示其皮肤血管灌注差，皮肤局部组织存在缺氧，会影响代谢废物排泄，造成皮肤微血管扩张、水肿，导致皮肤无法承受长时间的压力、剪切力，因而皮肤组织溃烂和坏死等损伤的发生风险高。4）为预防ICU病人卧床期间出现微循环障碍，医务人员常嘱咐或帮助病人翻身、肢体伸屈活动，从而达到促进病人的全身血液流动。肢体肌力作为一个体格检查指标，能有效反映病人的肢体活动能力。肢体肌力强的病人在卧床期间能有效进行自主肢体伸屈活动；相反，肢体肌力弱影响其自主翻身、肢体伸屈活动，会增加局部血液淤滞风险，使身体长时间受压导致血管内氧气、养料供给和代谢废物排出受限，增加压力性损伤发生风险。5）需机械通气病人普遍存在氧合障碍和血液循环障碍，其中氧合障碍所导致的细胞携氧能力降低，会使皮肤组织缺氧，皮肤变得干燥，增加皮肤脆性。另外，机械通气过程中，为了预防呼吸机相关性肺炎，医务人员通常会将病人床头抬高30°～45°^[12]，而这种体位会极大增加病人着位点皮肤摩擦力及剪切力，从而增加压力性损伤发生风险。6）由于ICU病人病情变化急骤，在翻身移动时所致的血流动力学改变，存在心脏骤停、休克等危险情况。临床通常会采用血管活性药物收缩皮肤、黏膜血管，增加外围阻力，使血压回升，以保证重要生命器官的微循环血流供给^[13]。庄秋枫等^[14]研究发现，使用血管活性药物是ICU病人发生压力性损伤的危险因素，与本研究结果相符。尽管使用血管活性药能保障生命器官微循环血流供给，但却会反向导致外周皮肤的血流供给减少，易造成皮下組织缺氧，增加皮肤组织坏死风险，因而使用血管活性药物的病人更易出现压力性损伤。

3.3 ICU病人壓力性损伤风险的预测模型

目前，关于ICU病人压力性损伤风险的预测模型多基于传统的统计学方法构建^[6，15]，稳定性较差，可能原因是传统的统计学方法无法较好地拟合高维数据点的分布。近年来，机器学习（如随机森林、支持向量机、决策树等算法）模型在预测模型的构建中取得重大进展，且稳定性好^[16?17]。本研究同时构建ICU病人压力性损伤风险的Logistic回归模型和随机森林模型，经引入测试集数据进行验证发现，Logistic回归模型的AUC为0.871[95%CI（0.745，0.932）]，灵敏度为84.5%，特异度为81.4%；随机森林模型的AUC为0.912[95%CI（0.809，0.967）]，灵敏度为88.5%，特异度为84.2%，证实随机森林模型的预测效能高于Logistic回归模型。随机森林算法是机器学习模型中的一种经典算法，具有处理高维数据的优势，引入随机性，模型不易过度拟合，因而准确度高、稳定性强。在本研究中，随机森林模型中的TcPO₂、APACHE?Ⅱ评分、肢体肌力、Braden评分、机械通气、使用血管活性药物、合并糖尿病7个指标均为重症医学科需要注意的重要指标，医务人员可根据这些指标预测ICU病人的压力性损伤发生风险。

4  小结

ICU病人的压力性损伤发生风险与TcPO₂、APACHE?Ⅱ评分、肢体肌力、Braden评分、机械通气、使用血管活性药物、合并糖尿病有关。基于随机森林算法构建预测模型，可对ICU病人的压力性损伤风险进行更精准的预测。但本研究设计为回顾性的单中心研究，样本来源单一，可能存在一定的选择性偏倚和信息偏倚，加之医学大数据的复杂性和个体差异，今后仍需进一步探究。

参考文献：

[1]  DEMARR? L，VERHAEGHE S，ANNEMANS L，et al.The cost of pressure ulcer prevention and treatment in hospitals and nursing homes in Flanders：a cost-of-illness study[J].International Journal of Nursing Studies，2015，52（7）：1166-1179.

[2]  LEENSTRA B，WIJNAND J，VERHOEVEN B，et al.Applicability of transcutaneous oxygen tension measurement in the assessment of chronic limb-threatening ischemia[J].Angiology，2020，71（3）：208-216.

[3]  王爱鹏，柳莹，高春平，等.经皮氧分压及二氧化碳分压在ICU压力性损伤风险评估中的应用[J].中华急危重症护理杂志，2021，2（1）：74-78.

WANG A P，LIU Y，GAO C P，et al.Application of transcutaneous oxygen pressure and carbon dioxide pressure in the risk assessment of pressure injury in ICU patients[J].Chinese Journal of Emergency and Critical Care Nursing，2021，2（1）：74-78.

[4]  LI Z B，WANG M R，ZHANG L W，et al.Neuronavigation-guided corticospinal tract mapping in brainstem tumor surgery：better preservation of motor function[J].World Neurosurgery，2018，116：e291-e297.

[5]  顾梦倩，赵燕燕，陈圣枝，等.2019年版国际《压力性损伤的预防与治疗：临床实践指南》解读[J].河北医科大学学报，2021，42（5）：497-500.

GU M Q，ZHAO Y Y，CHEN S Z，et al.Interpretation of the 2019 edition of "International Prevention and Treatment of Stress Injury：a Guide to Clinical Practice"[J].Journal of Hebei Medical University，2021，42（5）：497-500.

[6]  姚秀英，耿丽，张理想，等.ICU患者压力性损伤预测风险列线图模型的建立[J].护理学报，2019，26（11）：55-59.

YAO X Y，GENG L，ZHANG L X，et al.Establishment of Nomogram model for prediction of pressure injury risk in ICU patients[J].Journal of Nursing （China），2019，26（11）：55-59.

[7]  CHABOYER W P，THALIB L，HARBECK E L，et al.Incidence and prevalence of pressure injuries in adult intensive care patients：a systematic review and meta-analysis[J].Critical Care Medicine，2018，46（11）：e1074-e1081.

[8]  宋文静，管晓萍，李蓉，等.成人开颅手术压疮的风险因素研究[J].中国全科医学，2015，18（11）：1270-1273;1279.

SONG W J，GUAN X P，LI R，et al.Risk factors for pressure ulcers in adult patients undergoing craniotomy[J].Chinese General Practice，2015，18（11）：1270-1273;1279.

[9]  韩妹，符杨，张春雨.老年重症患者压力性损伤风险模型构建[J].中国老年学杂志，2022，42（13）：3234-3237.

HAN M，FU Y，ZHANG C Y.Construction of risk model of stress injury in elderly patients with severe illness[J].Chinese Journal of Gerontology，2022，42（13）：3234-3237.

[10]  马妍，张玉勤，张春琰.早期预警评分联合Braden评分对急诊老年危重症病人预后的评估效果[J].实用老年医学，2022，36（5）：483-486.

MA Y，ZHANG Y Q，ZHANG C Y.Predictive value of Modified Early Warning Score combined with Braden score for the prognosis of emergency elderly critically ill patients[J].Practical Geriatrics，2022，36（5）：483-486.

[11]  高娟，羅嫚丽，梁美景，等.重症监护室患者压力性损伤的危险因素及Braden评分和经皮氧分压的预测价值分析[J].现代生物医学进展，2022，22（16）：3163-3167.

GAO J，LUO M L，LIANG M J，et al.Risk factors for pressure injury in intensive care unit patients and the predictive value analysis of Braden score and transcutaneous oxygen pressure[J].Progress in Modern Biomedicine，2022，22（16）：3163-3167.

[12]  徐萍，唐冰，翟怀香，等.床头抬高角度对机械通气重症患者呼吸机相关性肺炎及压疮影响的Meta分析[J].中华现代护理杂志，2017，23（23）：3002-3006.

XU P，TANG B，ZHAI H X，et al.Effects of bedside elevation angle on ventilator-associated pneumonia and pressure sores in critically ill patients with mechanical ventilation：a Meta analysis[J].Chinese Journal of Modern Nursing，2017，23（23）：3002-3006.

[13]  CHOI B K，KIM M S，KIM S H.Risk prediction models for the development of oral-mucosal pressure injuries in intubated patients in intensive care units：a prospective observational study[J].Journal of Tissue Viability，2020，29（4）：252-257.

[14]  庄秋枫，肖世极，周秀花，等.重症监护病房患者院内获得压力性损伤的危险因素分析[J].护理学杂志，2021，36（3）：53-56.

ZHUANG Q F，XIAO S J，ZHOU X H，et al.Pressure injury risk factors in critical care patients[J].Journal of Nursing Science，2021，36（3）：53-56.

[15]  祁进芳，董正惠，李阳，等.ICU患者头面部器械相关性压力性损伤风险预测模型的构建[J].护理学报，2022，29（19）：11-15.

QI J F，DONG Z H，LI Y，et al.Construction of risk prediction model of craniofacial medical device-related pressure injury in ICU patients[J].Journal of Nursing （China），2022，29（19）：11-15.

[16]  SULTAN A S，ELGHARIB M A，TAVARES T，et al.The use of artificial intelligence，machine learning and deep learning in oncologic histopathology[J].Journal of Oral Pathology & Medicine，2020，49（9）：849-856.

[17]  LU H X，YAO Y D，WANG L，et al.Research progress of machine learning and deep learning in intelligent diagnosis of the coronary atherosclerotic heart disease[J].Computational and Mathematical Methods in Medicine，2022，2022：3016532.

（收稿日期：2023-03-27；修回日期：2024-04-03）

（本文编辑 崔晓芳）