汪嘉敏，吳瑛

(首都醫(yī)科大學(xué) 護(hù)理學(xué)院，北京 100069)

譫妄是一種急性的意識和注意力障礙，以起病急和病情反復(fù)波動(dòng)為特征[1-2]。譫妄也是老年患者常見的并發(fā)癥[3]，發(fā)生率高達(dá)50%～ 87%[4-5]。老年患者在住院期間發(fā)生譫妄后，會導(dǎo)致認(rèn)知功能下降、住院時(shí)間延長、再住院率及死亡率增加等不良后果[6]。既往研究[7]表明，30%～40% 的譫妄是可以預(yù)防的，因此，早期預(yù)防譫妄十分重要。預(yù)測模型可幫助醫(yī)護(hù)人員預(yù)測疾病的發(fā)病風(fēng)險(xiǎn)，因此可對具有發(fā)病風(fēng)險(xiǎn)的人群實(shí)施針對性的干預(yù)措施[5]，降低譫妄發(fā)生率，進(jìn)而降低譫妄帶來的不良后果[7-8]。現(xiàn)將近年來國內(nèi)外適用于老年患者的譫妄風(fēng)險(xiǎn)預(yù)測模型的研究進(jìn)展進(jìn)行綜述，為譫妄預(yù)測模型的構(gòu)建及臨床應(yīng)用提供參考。

1 疾病風(fēng)險(xiǎn)預(yù)測模型的概述

疾病風(fēng)險(xiǎn)預(yù)測模型是指以引起疾病的多種危險(xiǎn)因素為基礎(chǔ)，將多危險(xiǎn)因素和疾病的發(fā)生之間確定為一種定量關(guān)系，用來預(yù)測某種疾病發(fā)生的概率[9]。疾病風(fēng)險(xiǎn)預(yù)測模型還可將疾病發(fā)病風(fēng)險(xiǎn)進(jìn)行分級，進(jìn)而醫(yī)護(hù)人員可以針對風(fēng)險(xiǎn)級別不同的群體實(shí)施針對性的干預(yù)措施。一個(gè)完整的預(yù)測模型的建立需要建模和驗(yàn)證兩個(gè)步驟，常用于建模的統(tǒng)計(jì)學(xué)方法有2種，分別為Logistic回歸模型和Cox比例風(fēng)險(xiǎn)模型；模型的驗(yàn)證又根據(jù)驗(yàn)證人群的不同分為內(nèi)部驗(yàn)證和外部驗(yàn)證[10]。譫妄風(fēng)險(xiǎn)預(yù)測模型能夠有效幫助臨床護(hù)理人員準(zhǔn)確、快速篩查譫妄的高危人群，同時(shí)及時(shí)采取針對性的預(yù)防措施，減輕譫妄帶來的危害。

2 譫妄的危險(xiǎn)因素

譫妄風(fēng)險(xiǎn)因素的研究，可為構(gòu)建譫妄風(fēng)險(xiǎn)預(yù)測模型及制定個(gè)性化干預(yù)措施提供參考。目前，關(guān)于譫妄的發(fā)病機(jī)制并不明確，關(guān)于譫妄病理生理機(jī)制的研究較少，但已有研究表明譫妄存在明確的風(fēng)險(xiǎn)因素：潘燕彬等[11]Meta分析結(jié)果表明，年齡>65歲、吸煙、慢性阻塞性肺疾病、使用鎮(zhèn)靜藥、機(jī)械通氣、膿毒癥、高急性生理與慢性健康評分(acute physiology and chronic health evaluation,APACHE)評分、腦卒中、腎功能不全和身體約束是重癥監(jiān)護(hù)病房(intensive care unit,ICU)成人患者發(fā)生譫妄的危險(xiǎn)因素；Naeije等[12]綜述表明，癡呆或認(rèn)知障礙、功能障礙、視力障礙、酒精濫用史、高齡(>70歲)和合并癥是老年患者發(fā)生譫妄的風(fēng)險(xiǎn)因素。

3 老年患者譫妄風(fēng)險(xiǎn)預(yù)測模型的研究現(xiàn)狀

3.1 簡單的譫妄風(fēng)險(xiǎn)預(yù)測模型 在臨床中，譫妄患者往往同時(shí)存在多個(gè)風(fēng)險(xiǎn)因素。因此，近年來有學(xué)者根據(jù)譫妄的風(fēng)險(xiǎn)因素構(gòu)建了簡單的臨床譫妄風(fēng)險(xiǎn)預(yù)測模型，來預(yù)測譫妄的發(fā)生。邢煥民等[13]選取ICU術(shù)后患者 240 例(包括老年住院患者)，利用Logistic回歸建立ICU術(shù)后譫妄風(fēng)險(xiǎn)預(yù)測模型，該模型風(fēng)險(xiǎn)因素包括：病死率及并發(fā)癥發(fā)生率的生理學(xué)和手術(shù)嚴(yán)重性評分系統(tǒng)、酸堿失衡、糖尿病、高血壓、入院前一過性意識喪失等5個(gè)危險(xiǎn)因素，模型ROC曲線下面積為0.832，靈敏度為0.639，特異度為0.886；研究者隨后選取了25例ICU術(shù)后患者進(jìn)行內(nèi)部驗(yàn)證，結(jié)果顯示，模型的靈敏度為60%、特異度為100%、準(zhǔn)確率為92%。該模型預(yù)測效果良好，適用于臨床實(shí)際，易于護(hù)士使用，但驗(yàn)證模型樣本量較少，并且未區(qū)分風(fēng)險(xiǎn)等級，不能個(gè)性化預(yù)測，因此護(hù)理人員不能夠?qū)颊邔?shí)施針對性的預(yù)防措施。今后可擴(kuò)大樣本量，進(jìn)一步驗(yàn)證其臨床應(yīng)用效果。

3.2 譫妄風(fēng)險(xiǎn)分級模型

3.2.1 AWOL譫妄預(yù)測模型 2013年，Douglas等[14]研發(fā)了供護(hù)士使用的AWOL譫妄預(yù)測模型，該模型操作簡單，適用于內(nèi)科病房患者入院時(shí)的譫妄風(fēng)險(xiǎn)預(yù)測。模型通過 4 個(gè)條目預(yù)測患者發(fā)生譫妄的風(fēng)險(xiǎn)，分別是：年齡≥80歲、不能將“World”倒過來拼寫、地點(diǎn)定向障礙及疾病嚴(yán)重程度，每個(gè)條目為1分，分值越高表明發(fā)生譫妄的風(fēng)險(xiǎn)越高，總分≥2分，表示患者發(fā)生譫妄的風(fēng)險(xiǎn)較高；經(jīng)內(nèi)部驗(yàn)證，該模型ROC下面積為69%。Brown等[15]外部驗(yàn)證結(jié)果表明，該模型ROC下面積為78%。護(hù)士應(yīng)用AWOL模型預(yù)測譫妄的ROC下面積為 83%[15]。AWOL易于使用，容易掌握，護(hù)士所需評估時(shí)間小于2 min。因此，可以作為護(hù)士使用的簡單、準(zhǔn)確的譫妄預(yù)測工具。

3.2.2 PRE-DELIRIC譫妄預(yù)測模型 目前，應(yīng)用最為廣泛的ICU患者譫妄風(fēng)險(xiǎn)預(yù)測模型為2012年van等[16]構(gòu)建的PRE-DELIRIC 模型。該研究通過前瞻性的收集荷蘭5家醫(yī)院1613名ICU患者，利用logistic回歸建立PRE-DELIRIC風(fēng)險(xiǎn)預(yù)測模型。該模型共包括10個(gè)預(yù)測因子，分別為年齡、APACHE II評分、昏迷、疾病種類、感染、代謝性酸中毒、嗎啡用量、使用鎮(zhèn)靜藥物、血清尿素氮濃度以及急診入院；模型分為4個(gè)風(fēng)險(xiǎn)等級：0%～20%為低危、>20%～40%為中危、>40%～60% 為高危、>60% 為極高危[13]。內(nèi)部驗(yàn)證該模型的AUROC值為 0.89；外部驗(yàn)證該模型的AUROC值為0.84。2014年有學(xué)者[17]在原始PRE- DELIRIC模型的基礎(chǔ)上，展開了7個(gè)國家(澳大利亞、比利時(shí)、英國、德國、西班牙、瑞典和荷蘭)、13個(gè)ICU的前瞻性隊(duì)列研究，對模型進(jìn)行重新校準(zhǔn);經(jīng)過外部驗(yàn)證的 AUROC 值為0.76，雖然相對于原始模型 AUROC 值有所下降，但校準(zhǔn)后的模型更具普遍性和適用性。李云等[18]將PRE-DELIRIC 模型進(jìn)行了漢化，研究結(jié)果顯示，PRE-DELIRIC 模型評價(jià)者間的信度為0.94、靈敏度為 0.85、特異度為0.95、ROC曲線下面積為0.94，適用于我國ICU患者譫妄的預(yù)測。鄧露茜等[19]探討了基于PRE-DELIRIC譫妄預(yù)測模型實(shí)施的風(fēng)險(xiǎn)分級預(yù)護(hù)理措施在 ICU 患者中的運(yùn)用效果，結(jié)果顯示，結(jié)合PRE-DELIRIC譫妄預(yù)測模型實(shí)施的譫妄風(fēng)險(xiǎn)預(yù)防護(hù)理，能降低譫妄發(fā)生率，縮短譫妄持續(xù)時(shí)間和ICU住院日，改善患者預(yù)后。綜上結(jié)果表明，PRE-DELIRIC 模型可作為我國 ICU 醫(yī)務(wù)人員有效預(yù)測 ICU 譫妄風(fēng)險(xiǎn)的工具，并進(jìn)而改變患者的臨床結(jié)局。

3.2.3 DYNAMIC-ICU譫妄動(dòng)態(tài)預(yù)測模型 既往構(gòu)建的譫妄預(yù)測模型都是靜態(tài)的預(yù)測模型，F(xiàn)an等[20]于 2019年構(gòu)建了ICU 譫妄動(dòng)態(tài)監(jiān)測模型DYNAMIC-ICU,該研究前瞻性地收集了560名ICU(普通外科 ICU、胸血管外科 ICU、心臟 ICU和呼吸 ICU)患者，研究者應(yīng)用中文版CAM-ICU每天早晚 7：00者進(jìn)行譫妄評估，同時(shí)收集患者易感因素、疾病相關(guān)因素及醫(yī)源性和環(huán)境因素等三方面風(fēng)險(xiǎn)因素，采用患者出現(xiàn)譫妄陽性前的所有指標(biāo)的最異常值以構(gòu)建動(dòng)態(tài)的ICU譫妄監(jiān)測模型；結(jié)果顯示，易感因素(慢性病史、聽力障礙)、疾病相關(guān)因素(感染、入院時(shí)較高的APACHE II評分)、醫(yī)源性和環(huán)境因素(鎮(zhèn)靜鎮(zhèn)痛藥物的使用、留置導(dǎo)管和睡眠障礙)被確定為譫妄的獨(dú)立預(yù)測因子。動(dòng)態(tài)DYNAMIC-ICU 模型總分為 0～33分，根據(jù)患者的總得分分為低危(0～9分)、中危(10～17分)、高危(18～33分)等三個(gè)風(fēng)險(xiǎn)等級。經(jīng)過內(nèi)部驗(yàn)證，結(jié)果顯示，該模型 AUROC 值為0.91，預(yù)測效果較好。將該模型整合到醫(yī)療系統(tǒng)中，護(hù)理人員能夠?qū)崟r(shí)監(jiān)測譫妄風(fēng)險(xiǎn)，從而可能夠及時(shí)制定預(yù)防干預(yù)措施，減少譫妄的發(fā)生及帶來的危害。但該模型尚未進(jìn)行外部臨床驗(yàn)證，其臨床適用性如何，有待進(jìn)一步研究。

3.3 病房自動(dòng)化譫妄預(yù)測模型 傳統(tǒng)的譫妄風(fēng)險(xiǎn)預(yù)測模型需要人工計(jì)算風(fēng)險(xiǎn)值，2016 年，荷蘭de Wit等[21]構(gòu)建了適用于老年患者的自動(dòng)化病房譫妄風(fēng)險(xiǎn)預(yù)測模型。該模型所有的風(fēng)險(xiǎn)因素均從患者的電子病歷中獲取，并通過應(yīng)用臨床決策支持系統(tǒng)(clinical decision support system，CDSS)自動(dòng)計(jì)算患者發(fā)生譫妄的風(fēng)險(xiǎn)。CDSS 可以全天監(jiān)控，并將風(fēng)險(xiǎn)預(yù)測模型和臨床管理表整合起來[22]。該研究構(gòu)建了譫妄的藥物模型和完整模型，藥物模型包括：年齡、聯(lián)合用藥、抗焦慮藥、抗癡呆藥、抗抑郁藥、抗帕金森藥、降血糖藥、精神病藥、鎮(zhèn)痛劑、安眠藥等10 個(gè)風(fēng)險(xiǎn)因素，經(jīng)內(nèi)部驗(yàn)證其AUROC值為0.76；完整模型在藥物模型10個(gè)風(fēng)險(xiǎn)因素基礎(chǔ)上，增加C反應(yīng)蛋白和尿素2個(gè)風(fēng)險(xiǎn)因素[21]。該預(yù)測模型能夠自動(dòng)預(yù)測患者發(fā)生譫妄的風(fēng)險(xiǎn)，可通過CDSS 提醒醫(yī)護(hù)人員展開預(yù)防治療和護(hù)理。

3.4 基于機(jī)器學(xué)習(xí)構(gòu)建的譫妄預(yù)測系統(tǒng) 近年來，隨著互聯(lián)網(wǎng)和大數(shù)據(jù)的發(fā)展，利用大數(shù)據(jù)分析、機(jī)器學(xué)習(xí)算法預(yù)測及輔助臨床疾病診斷等方面的研究逐漸成為熱點(diǎn)[23-24]，由于機(jī)器學(xué)習(xí)算法在處理復(fù)雜數(shù)據(jù)問題時(shí)準(zhǔn)確度較高[25]，被越來越多的研究者用于對譫妄的預(yù)測研究。Davoudi等[26]利用 51 457例入院時(shí)間>24 h 的術(shù)后患者電子健康記錄中的數(shù)據(jù)，通過數(shù)據(jù)清理、缺失數(shù)據(jù)的輸入以及分類變量和名義變量的優(yōu)化，80%的數(shù)據(jù)用于模型的構(gòu)建，20%用于驗(yàn)證模型，比較了線性模型、廣義加性模型、隨機(jī)森林、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)和極端梯度提升7種機(jī)器學(xué)習(xí)模型在譫妄預(yù)測方面的性能。結(jié)果顯示，主要的風(fēng)險(xiǎn)因素有 15 個(gè)，風(fēng)險(xiǎn)由高到低分別為：年齡、診斷數(shù)量、外科手術(shù)、主治醫(yī)師、郵政編碼、國家、入院服務(wù)、入院月份、入院后手術(shù)的時(shí)間、主要診斷分類、入院年份、乙醇或藥物使用、入院當(dāng)天藥物使用數(shù)量、入院時(shí)間、保險(xiǎn)等。在本研究評估的7 種模型中，隨機(jī)森林模型和廣義加性模型在預(yù)測譫妄的總體性能指標(biāo)方面優(yōu)于其他模型(正確性分別為0.80/0.81，AUC值分別為 0.85/0.86，靈敏度分別為 0.81/0.75，特異度分別為 0.73/0.81)?；跈C(jī)器學(xué)習(xí)的預(yù)測模型，代替了以往的人工計(jì)算模型，并且預(yù)測準(zhǔn)確度較高，能夠幫助醫(yī)護(hù)人員隨時(shí)篩查患者發(fā)生譫妄的風(fēng)險(xiǎn)，因此，將成為未來譫妄預(yù)測模型的發(fā)展趨勢。

4 小結(jié)

隨著譫妄預(yù)測模型研究的逐步深入，國內(nèi)外已經(jīng)構(gòu)建了預(yù)測性能、臨床實(shí)用性與適用性較好的預(yù)測模型，有利于醫(yī)護(hù)人員早期識別譫妄的高危人群。一個(gè)成熟的預(yù)測模型的臨床效用既取決于其預(yù)測風(fēng)險(xiǎn)的有效性，也取決于其可行性，因此在構(gòu)建和驗(yàn)證模型時(shí)必須同時(shí)考慮這兩個(gè)因素[5]。醫(yī)護(hù)人員需結(jié)合臨床的實(shí)際情況下，選擇合適的預(yù)測模型進(jìn)行老年患者譫妄的風(fēng)險(xiǎn)預(yù)測。目前國內(nèi)護(hù)理人員對譫妄的認(rèn)識不足，譫妄的風(fēng)險(xiǎn)預(yù)測模型仍未應(yīng)用到護(hù)理日常工作中。因此，了解譫妄的預(yù)測模型，能夠提高護(hù)理人員對譫妄的認(rèn)知水平，進(jìn)而指導(dǎo)臨床實(shí)踐，改變患者的臨床結(jié)局。另外，隨著信息技術(shù)和人工智能領(lǐng)域的飛速發(fā)展，傳統(tǒng)的預(yù)測模型即將被取代，未來應(yīng)開發(fā)適合我國老年患者的智能、有效、實(shí)用的風(fēng)險(xiǎn)預(yù)測工具，并將高質(zhì)量的譫妄預(yù)測模型整合到醫(yī)療護(hù)理信息系統(tǒng)，節(jié)省人力，提高護(hù)理人員工作效率，指導(dǎo)臨床早期預(yù)防和護(hù)理，減輕譫妄帶來的危害。