亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        嚴(yán)重多發(fā)傷患者預(yù)后的影響因素研究及列線圖模型的建立和優(yōu)化

        2022-05-28 14:15:34殷菲劉云沈勰
        中國(guó)全科醫(yī)學(xué) 2022年20期
        關(guān)鍵詞:因素分析模型

        殷菲,劉云,沈勰

        《中國(guó)統(tǒng)計(jì)年鑒2020》報(bào)告,2019年我國(guó)部分地區(qū)城鄉(xiāng)居民主要疾病死亡率及死因構(gòu)成中損傷和中毒居第5位,城市居民損傷和中毒的死亡率為36.06/10萬(wàn),而在農(nóng)村居民中高達(dá)51.08/10萬(wàn)[1]。在發(fā)達(dá)國(guó)家,創(chuàng)傷已成為中青年人群第1位致死原因,因車禍、生產(chǎn)安全事故等造成的人體損害事件逐年攀升,其造成的社會(huì)危害和勞動(dòng)力損失遠(yuǎn)大于任何一類疾病[2]。對(duì)于創(chuàng)傷患者,尤其是嚴(yán)重多發(fā)傷患者病情變化迅速、病死率高,如何早期判斷傷情嚴(yán)重程度將直接影響臨床醫(yī)師的診療和患者的預(yù)后。近年來越來越多的評(píng)分系統(tǒng)被證實(shí)可以用來評(píng)估多發(fā)傷患者的病情嚴(yán)重程度及預(yù)后,包括基于生理學(xué)因素的改良創(chuàng)傷評(píng)分(RTS)、急性生理與慢性健康評(píng)分(APACHE),基于解剖因素的簡(jiǎn)明損傷定級(jí)標(biāo)準(zhǔn)(AIS)、損傷嚴(yán)重程度評(píng)分(ISS)和兩者兼有的創(chuàng)傷嚴(yán)重程度評(píng)分(TRISS)、創(chuàng)傷嚴(yán)重程度特征評(píng)分(ASCOT)等[3-5]。DE MUNTER等[6]在分析了1990—2015年發(fā)表的90篇文獻(xiàn)后發(fā)現(xiàn),基于雙重因素的TRISS、ASCOT較僅有生理或解剖單一因素的評(píng)分系統(tǒng)在評(píng)估預(yù)后方面具有更高的準(zhǔn)確性,但其仍需較多的變量,一定程度上增加了數(shù)據(jù)遺漏或不可靠的可能,并且計(jì)算復(fù)雜、缺少計(jì)算機(jī)參與無法完成評(píng)分,導(dǎo)致其在緊急情況下作用有限。因此本研究回顧性分析了近5年蘇州市第九人民醫(yī)院收治的多發(fā)傷患者的臨床資料,旨在尋找一個(gè)結(jié)合解剖學(xué)與生理學(xué)因素,在預(yù)測(cè)患者預(yù)后方面具有較高準(zhǔn)確性且可以被快速解讀、無需計(jì)算機(jī)參與、直觀的評(píng)分系統(tǒng)。

        本研究?jī)r(jià)值:

        (1)根據(jù)既往文獻(xiàn)的參考指標(biāo)及臨床工作中的經(jīng)驗(yàn),盡可能將與疾病相關(guān)的因素選入,創(chuàng)建列線圖(Nomogram圖)時(shí)應(yīng)用了較新穎的限制性立方樣條(RCS)分析方法探索數(shù)據(jù),最終篩選出5種因素(年齡、損傷嚴(yán)重程度評(píng)分、格拉斯哥昏迷評(píng)分、血小板計(jì)數(shù)、動(dòng)脈血乳酸)參與建模。這5種因素涵蓋了解剖學(xué)特征和生理學(xué)特征,且是臨床上容易獲得的,使建立的模型在參數(shù)選擇上具有一定的優(yōu)勢(shì)。

        (2)既往文獻(xiàn)多將連續(xù)性變量轉(zhuǎn)化成二分類或有序多分類等級(jí)變量后再進(jìn)行研究,但是數(shù)據(jù)分類后會(huì)丟失統(tǒng)計(jì)功效,相當(dāng)于直接剔除1/3的數(shù)據(jù);很少有研究直接描述連續(xù)性變量的非線性特征,且極少應(yīng)用在Nomogram圖中,但這種非線性的表現(xiàn)常更符合臨床數(shù)據(jù)的真實(shí)變化。經(jīng)驗(yàn)證,通過RCS擬合非線性優(yōu)化后的模型2具有更高的區(qū)分度、校準(zhǔn)度和臨床凈收益率。

        (3)本研究創(chuàng)建了網(wǎng)頁(yè)動(dòng)態(tài)列線圖,可支持他人訪問,便于今后的臨床應(yīng)用、科研學(xué)習(xí)和模型優(yōu)化。網(wǎng)址:https://yinfxyz.shinyapps.io/dynnomapp2/。

        1 資料與方法

        1.1 一般資料 選取2015年12月至2020年12月蘇州市第九人民醫(yī)院綜合ICU、急診ICU收治的嚴(yán)重多發(fā)傷患者作為建模組人群。納入標(biāo)準(zhǔn):?jiǎn)我恢聜蛩卦斐?個(gè)或2個(gè)以上解剖部位損傷,且至少有1個(gè)部位的損傷危及生命,即ISS≥16分[4]。排除標(biāo)準(zhǔn):年齡<16周歲;相關(guān)檢查未完成即已出院或死亡;合并其他可能影響研究結(jié)果的疾病,如嚴(yán)重心血管疾病、肝腎衰竭;合并凝血功能障礙性疾病,如白血病、血友病;影像學(xué)資料缺失;院前時(shí)間>24 h。初步篩選出331例患者,其中4例ISS評(píng)分<16分,1例合并嚴(yán)重肝硬化、肝衰竭,1例合并嚴(yán)重冠心病、心力衰竭,3例缺失影像學(xué)資料,1例院前時(shí)間>24 h。建模組最終納入321例患者,其中交通傷217例,墜落傷64例,打砸壓傷27例,刀刺傷3例,爆炸傷2例,其他原因損傷8例;男227例,女94例;平均年齡(50.8±15.2)歲;住ICU天數(shù)(10.8±10.3)d;總住院天數(shù)(25.7±24.2)d。

        收集2021年1—8月本院收治的嚴(yán)重多發(fā)傷患者作為預(yù)測(cè)模型的驗(yàn)證組人群,納入與排除標(biāo)準(zhǔn)參照建模組人群,共納入136例。本研究經(jīng)蘇州市第九人民醫(yī)院倫理委員會(huì)審核批準(zhǔn)(批件號(hào):KY2021-043-01),納入對(duì)象個(gè)人標(biāo)識(shí)符完全刪除,數(shù)據(jù)分析匿名化。

        1.2 研究方法 回顧性收集患者入院時(shí)的一般資料,包括患者的住院號(hào)、性別、年齡、基礎(chǔ)疾病(包括糖尿病、高血壓)、院前時(shí)間、損傷類型,入院24 h內(nèi)的臨床資料,包括格拉斯哥昏迷評(píng)分(GCS)、休克情況、平均動(dòng)脈壓(MAP)、體溫(T)、呼吸(R)、脈搏(P)、動(dòng)脈血酸堿度(pH值)、動(dòng)脈血氧分壓(PaO2)、動(dòng)脈血二氧化碳分壓(PaCO2)、動(dòng)脈血乳酸(LAC)、白細(xì)胞計(jì)數(shù)(WBC)、紅細(xì)胞計(jì)數(shù)(RBC)、血紅蛋白(Hb)、血細(xì)胞比容(HCT)、血小板計(jì)數(shù)(PLT)、總膽紅素(TBiL)、白蛋白(ALB)、丙氨酸氨基轉(zhuǎn)移酶(ALT)、天冬氨酸氨基轉(zhuǎn)移酶(AST)、乳酸脫氫酶(LDH)、血尿素氮(BUN)、血肌酐(Scr)、血清鈉離子(Na+)、血清鉀離子(K+)、肌酸激酶(CK)、肌酸激酶同工酶(CK-MB)、肌鈣蛋白I(cTnI)、肌紅蛋白(MYO)、凝血酶時(shí)間(TT)、凝血酶原時(shí)間(PT)、活化部分凝血活酶時(shí)間(APTT)、纖維蛋白原(Fib)、D-二聚體(D-D)、ISS。

        根據(jù)患者出院時(shí)病情分為救治成功和救治失敗。救治成功指臨床治愈(癥狀和體征完全消失)、臨床好轉(zhuǎn)(癥狀和體征明顯改善)、合并顱腦創(chuàng)傷時(shí)格拉斯哥預(yù)后評(píng)分(GOS)≥4分;救治失敗指死亡、未愈(臨床癥狀、體征較入院時(shí)好轉(zhuǎn)不明顯或加重;病情極其危重,家屬放棄搶救,簽字出院)、合并顱腦創(chuàng)傷時(shí)GOS≤3分。驗(yàn)證組患者信息采集及分組情況參照建模組。

        1.3 統(tǒng)計(jì)學(xué)方法 采用IBM SPSS(Version 25.0)、MedCalc(Version 19.0.7)、R語(yǔ)言(Version 3.6.1)軟件進(jìn)行統(tǒng)計(jì)學(xué)分析。以P<0.05為差異有統(tǒng)計(jì)學(xué)意義。符合正態(tài)分布的計(jì)量資料以(±s)表示,兩組間比較采用獨(dú)立樣本t檢驗(yàn);非正態(tài)分布的計(jì)量資料以M(P25,P75)表示,兩組間比較采用非參數(shù)Mann-Whitney U檢驗(yàn)。計(jì)數(shù)資料以相對(duì)數(shù)表示,兩組間比較采用χ2檢驗(yàn)。采用單因素分析、LASSO(Least Absolute Shrinkage and Selection Operator)回歸分析篩選影響患者預(yù)后的相關(guān)變量,運(yùn)用多因素Logistic回歸分析建模,限制性立方樣條(restricted cubic spline,RCS)優(yōu)化,并通過Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)判斷模型的擬合優(yōu)度。繪制列線圖(Nomogram圖),采用Bootstrap方法和臨床決策曲線分析(decision curve analysis,DCA)驗(yàn)證模型的校準(zhǔn)度。繪制模型的受試者工作特征(ROC)曲線,利用ROC曲線下面積(AUC)、Brier Score、赤池信息準(zhǔn)則(AIC)指標(biāo)評(píng)價(jià)新模型。AUC之間的比較采用Delong檢驗(yàn)。在驗(yàn)證組人群中進(jìn)行新模型的外部驗(yàn)證,評(píng)估其實(shí)際臨床應(yīng)用價(jià)值。

        2 結(jié)果

        2.1 建模組

        2.1.1 影響嚴(yán)重多發(fā)傷患者預(yù)后的單因素分析 建模組321例嚴(yán)重多發(fā)傷患者中救治成功244例,救治失敗77例。單因素分析結(jié)果顯示:救治成功與救治失敗患者院前時(shí)間、損傷類型、GCS、休克情況、R、P、pH值、LAC、RBC、Hb、HCT、PLT、ALB、K+、CK、CKMB、cTnI、MYO、TT、PT、APTT、Fib、D-D、ISS比較,差異有統(tǒng)計(jì)學(xué)意義(P<0.05);救治成功與救治失敗患者性別、年齡、基礎(chǔ)疾病、MAP、T、PaO2、PaCO2、WBC、TBiL、ALT、AST、LDH、BUN、Scr、Na+比較,差異無統(tǒng)計(jì)學(xué)意義(P>0.05),見表1。

        表1 影響嚴(yán)重多發(fā)傷患者預(yù)后的單因素分析Table 1 Univariate analysis of possible prognostic factors of successfully and unsuccessfully treated patients with severe multiple trauma

        2.1.2 LASSO回歸分析篩選影響嚴(yán)重多發(fā)傷患者預(yù)后的相關(guān)因素 運(yùn)用R語(yǔ)言glmnet程序包,以嚴(yán)重多發(fā)傷患者預(yù)后情況(賦值:救治成功=0,救治失敗=1)為因變量,以單因素分析中P<0.05的24個(gè)變量為自變量(賦值:休克:否=0,是=1;損傷類型:交通傷=1,墜落傷=2,打砸壓傷=3,刀刺傷=4,爆炸傷=5,其他原因=6;其余變量均為實(shí)測(cè)值)進(jìn)行LASSO回歸分析,隨著懲罰系數(shù)λ的變化,模型初始納入的影響因素的系數(shù)被壓縮,最后部分影響因素系數(shù)被壓縮為0,從而避免了模型過度擬合,達(dá)到最佳影響因素選擇的效果(圖1)。為尋找最佳懲罰系數(shù)λ,使模型性能優(yōu)良且影響因素最少,經(jīng)過交叉驗(yàn)證,繪制均方誤差隨參數(shù)Logλ的變化圖(圖2),最優(yōu)解為距離最小均方誤差一個(gè)標(biāo)準(zhǔn)差(右側(cè)縱向虛線)時(shí)對(duì)應(yīng)的λ,經(jīng)計(jì)算λ=0.059。根據(jù)此λ值篩選出4個(gè)預(yù)測(cè)變量為GCS、LAC、PLT、ISS,回歸系數(shù)分別為:-0.262、0.036、-0.003、0.042。

        圖1 LASSO回歸篩選變量動(dòng)態(tài)過程圖Figure 1 Selection process of prognostic variables of severe multiple trauma by LASSO regression

        圖2 交叉驗(yàn)證最佳參數(shù)λ的選擇過程圖Figure 2 Selection process of the value of lambda by cross validation

        2.1.3 建模與RCS擬合優(yōu)化 運(yùn)用R語(yǔ)言rms程序包,首先將PLT轉(zhuǎn)化為二分類變量,以嚴(yán)重多發(fā)傷患者是否救治成功(賦值:成功=0,失敗=1)為因變量,以年齡(賦值:實(shí)測(cè)值)、GCS(賦值:實(shí)測(cè)值)、LAC(賦值:實(shí)測(cè)值)、PLT(賦值:≥100×109/L=0,<100×109/L=1)、ISS(賦值:實(shí)測(cè)值)為自變量進(jìn)行多因素Logistic回歸分析,結(jié)果顯示,年齡、GCS、LAC、PLT、ISS是嚴(yán)重多發(fā)傷患者預(yù)后的影響因素(P<0.05,表2),經(jīng)Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)顯示擬合良好(χ2=2.717,df=8,P=0.951),作為模型1;Nagelkerke R2=0.741,上述5個(gè)因素解釋了74.1%的數(shù)據(jù)變化,C-index為0.963。

        表2 嚴(yán)重多發(fā)傷患者預(yù)后影響因素的多因素Logistic回歸分析Table 2 Multivariate Logistic regression analysis of prognostic factors of severe multiple traumain patients in the model group

        運(yùn)用RCS分析上述因素,其中年齡與GCS的P值(for all)分別為0.009、<0.001,P值(for nonlinear)分別為0.027、0.001,表示年齡與GCS與預(yù)后呈非線性相關(guān);應(yīng)用RCS擬合優(yōu)化多因素Logistic回歸構(gòu)建的模型,作為模型2,Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)顯示模型2擬合良好(χ2=2.468,df=8,P=0.932);Nagelkerke R2=0.790,解釋了79.0%的數(shù)據(jù)變化;C-index為0.974。

        2.1.4 預(yù)測(cè)模型的列線圖繪制及Bootstrap內(nèi)部驗(yàn)證 將多因素Logistic回歸分析結(jié)果篩選出的變量納入列線圖預(yù)測(cè)模型,以嚴(yán)重多發(fā)傷患者是否救治成功為結(jié)局變量,繪制模型1與模型2(圖3~4)。采用Bootstrap方法(重復(fù)抽樣)在建模樣本中進(jìn)行內(nèi)部驗(yàn)證,樣本量為321,再次抽樣次數(shù)400次,結(jié)果顯示模型1和模型2校準(zhǔn)圖中標(biāo)準(zhǔn)曲線與預(yù)測(cè)曲線貼合良好(圖5~6),絕對(duì)誤差分別為0.010、0.019,說明模型的校準(zhǔn)度良好。通過R語(yǔ)言DynNom程序包建立網(wǎng)頁(yè)版動(dòng)態(tài)列線圖,模型1列線圖網(wǎng)址:https://yinfxyz.shinyapps.io/dynnomapp/,模型2列線圖網(wǎng)址:https://yinfxyz.shinyapps.io/dynnomapp2/。

        圖3 嚴(yán)重多發(fā)傷患者預(yù)后預(yù)測(cè)模型1列線圖Figure 3 Nomogram 1 predicting prognosis in severe multiple trauma

        圖4 嚴(yán)重多發(fā)傷患者預(yù)后預(yù)測(cè)模型2列線圖Figure 4 Nomogram 2 predicting prognosis in severe multiple trauma

        圖5 模型1列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的校準(zhǔn)曲線Figure 5 Calibration curve of nomogram 1 predicting prognosis in severe multiple trauma

        圖6 模型2列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的校準(zhǔn)曲線Figure 6 Calibration curve of nomogram 2 predicting prognosis in severe multiple trauma

        2.1.5 模型1、模型2列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的ROC曲線及比較 繪制模型1、模型2列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的ROC曲線(圖7),結(jié)果顯示,模型1、模型2列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的AUC、最佳截?cái)嘀?、靈敏度、特異度、Brier Score、AIC見表3。Delong檢驗(yàn)結(jié)果顯示,模型2列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的AUC大于模型1列線圖,差異有統(tǒng)計(jì)學(xué)意義(Z=-2.400,P=0.016)。

        圖7 模型1、模型2列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的ROC曲線Figure 7 The ROC curves of nomograms 1 and 2 for predicting the prognosis in severe multiple trauma

        表3 模型1、模型2列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的AUC、最佳截?cái)嘀怠㈧`敏度、特異度、Brier Score、AICTable 3 The AUC,optimal cut-off value,sensitivity,specificity,Brier Score and Akaike information criterion of nomograms 1 and 2 for predicting the prognosis of severe multiple trauma

        2.1.6 模型1、模型2列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的DCA 模型1、模型2列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的DCA顯示,在任何閾值概率下(0~100%),使用列線圖(模型1、模型2)預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的凈收益率均較高,且模型2的凈收益率高于模型1(圖8)。

        圖8 模型1、模型2列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的DCAFigure 8 Decision curve analysis of nomograms 1 and 2 for predicting the prognosis of severe multiple trauma

        2.2 驗(yàn)證組

        2.2.1 驗(yàn)證組救治成功和救治失敗患者年齡、GCS、LAC、PLT、ISS比較 驗(yàn)證組136例嚴(yán)重多發(fā)傷患者中救治成功104例,救治失敗32例。救治成功和救治失敗患者GCS、LAC、PLT、ISS比較,差異有統(tǒng)計(jì)學(xué)意義(P<0.05);救治成功和救治失敗患者年齡比較,差異無統(tǒng)計(jì)學(xué)意義(P>0.05),見表4。

        表4 驗(yàn)證組救治成功和救治失敗患者年齡、GCS、LAC、PLT、ISS比較Table 4 Comparison of age,Glasgow Coma Score,arterial lactate,platelet count and Injury Severity Score of successfully and unsuccessfully treated patients with severe multiple trauma in validation group

        2.2.2 模型2列線圖的外部應(yīng)用 在驗(yàn)證組人群中,模型2列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的AUC為0.949〔95%CI(0.898,0.979),P<0.001〕,見圖9,Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)表明該模型擬合良好(χ2=5.813,df=8,P=0.668)。模型2列線圖在建模組及驗(yàn)證組人群中的AUC比較,差異無統(tǒng)計(jì)學(xué)意義(Z=1.124,P=0.263)。

        圖9 模型2列線圖預(yù)測(cè)驗(yàn)證組嚴(yán)重多發(fā)傷患者預(yù)后的ROC曲線Figure 9 The ROC curve of nomogram 2 for predicting the prognosis of patients with severe multiple trauma in the validation group

        3 討論

        一般認(rèn)為,當(dāng)評(píng)估多發(fā)傷的嚴(yán)重程度時(shí),可依據(jù)解剖學(xué)標(biāo)準(zhǔn)和生理學(xué)標(biāo)準(zhǔn)來確定,其中以解剖學(xué)最可靠,因?yàn)閯?chuàng)傷發(fā)生后身體形態(tài)方面相對(duì)穩(wěn)定,通過肉眼觀察、影像學(xué)檢查獲取更為直觀,但多發(fā)傷患者病情復(fù)雜,最大的缺陷是容易出現(xiàn)信息缺失和遺漏,因此臨床醫(yī)生常需要結(jié)合其他生理學(xué)指標(biāo)完成評(píng)估。生理學(xué)指標(biāo)能反映身體功能(包括年齡、性別、合并癥)和器官系統(tǒng)對(duì)損傷產(chǎn)生的一系列變化(包括生命體征、生化指標(biāo)、血常規(guī)、凝血功能等)[7],這類臨床參數(shù)并不穩(wěn)定,在治療過程中和不同的疾病時(shí)期可能發(fā)生變化,患者從受傷至送達(dá)醫(yī)院的時(shí)間不同,且在采集血液、體液標(biāo)本時(shí)是否接受治療、接受何種治療也無法統(tǒng)一。因此本研究同時(shí)收集生理學(xué)數(shù)據(jù)與解剖學(xué)數(shù)據(jù),其中解剖學(xué)數(shù)據(jù)的采集參照AIS-ISS(2005)評(píng)分標(biāo)準(zhǔn)[8]。

        本研究單因素分析結(jié)果顯示,共24個(gè)變量可能影響嚴(yán)重多發(fā)傷患者的預(yù)后,從統(tǒng)計(jì)學(xué)角度分析,Logistic回歸分析模型中每個(gè)變量至少應(yīng)該有10個(gè)陽(yáng)性病例[9],本研究數(shù)據(jù)中陽(yáng)性病例數(shù)(即建模組救治失敗患者)為77例,未達(dá)到Logistic回歸分析所需的條件,故先選用LASSO回歸對(duì)變量行初步篩選[10],結(jié)果顯示最佳λ為0.059,在此懲罰系數(shù)下,GCS、LAC、PLT、ISS這4個(gè)變量的系數(shù)未歸零,分別為-0.262、0.036、-0.003、0.042。GCS是目前全球公認(rèn)的用于意識(shí)狀態(tài)評(píng)估的有效評(píng)分方法[11],GALKOVA等[12]表示該量表具有較高的靈敏度和特異度,可用于預(yù)測(cè)多發(fā)傷患者的死亡率。多發(fā)傷患者因快速失血導(dǎo)致組織灌注不足易發(fā)生酸中毒,生物標(biāo)志物如pH值、乳酸和堿剩余常被用于判定組織灌注不足,進(jìn)而確定患者是否需要干預(yù)以幫助改善預(yù)后;多項(xiàng)研究表明,對(duì)于多發(fā)傷患者,入院時(shí)血清乳酸水平升高與較高的死亡率和輸血需求相關(guān)[13]。多發(fā)傷患者血小板減少的原因在于大量丟失與高消耗,而血小板急劇減少可導(dǎo)致彌散性血管內(nèi)凝血(DIC)、創(chuàng)傷性凝血病的發(fā)生[14]。LIU等[15]在一項(xiàng)多發(fā)傷合并顱腦損傷的研究中證實(shí),PLT為患者預(yù)后不良的獨(dú)立危險(xiǎn)因素,其OR值為0.982,PLT每減少1個(gè)單位,患者預(yù)后不良的概率增加1.8%?;貧w模型中變量的臨床意義表現(xiàn)在每增加或減少1個(gè)單位時(shí)發(fā)生陽(yáng)性結(jié)果風(fēng)險(xiǎn)的變化程度,在本研究LASSO回歸結(jié)果中PLT系數(shù)僅為-0.003,遠(yuǎn)小于其他3個(gè)變量,以連續(xù)性變量的形式構(gòu)建模型的臨床意義不顯著,故根據(jù)臨床經(jīng)驗(yàn)將PLT以100×109/L為截點(diǎn)轉(zhuǎn)化為二分類變量再進(jìn)入下一步分析。雖然本研究單因素分析中年齡無統(tǒng)計(jì)學(xué)意義,但根據(jù)既往研究結(jié)果顯示,多發(fā)傷患者的年齡與醫(yī)院死亡率指數(shù)呈正相關(guān),年齡是不良結(jié)果的獨(dú)立預(yù)測(cè)因子[16-17]。因此筆者在構(gòu)建新的嚴(yán)重多發(fā)傷患者預(yù)后預(yù)測(cè)模型時(shí),將年齡一并納入分析中。根據(jù)多因素Logistic回歸分析建立的模型1列線圖具有較好的區(qū)分度及校準(zhǔn)度,采用Bootstrap方法進(jìn)行的內(nèi)部驗(yàn)證結(jié)果顯示該模型絕對(duì)誤差為0.010(<0.05)。

        經(jīng)多因素Logistic回歸分析擬合的模型1中,年齡與其他4項(xiàng)獨(dú)立因素校準(zhǔn)后,其統(tǒng)計(jì)學(xué)意義仍處于臨界狀態(tài),強(qiáng)制納入后對(duì)模型的改善度較小。因此,筆者再次深入分析數(shù)據(jù)時(shí)發(fā)現(xiàn),在年齡、GCS與預(yù)后的平滑曲線中大致可知兩者并非呈簡(jiǎn)單的線性相關(guān),僅使用線性模型不能準(zhǔn)確地反映年齡對(duì)預(yù)后情況的影響,這也可能是導(dǎo)致在單因素分析中年齡無統(tǒng)計(jì)學(xué)意義的重要原因。連續(xù)性變量的轉(zhuǎn)換及評(píng)價(jià)其與結(jié)果的關(guān)聯(lián)是多變量建模的必要步驟,特別是列線圖,因此本研究通過使用RCS,設(shè)置3個(gè)節(jié)點(diǎn),尋求評(píng)估連續(xù)預(yù)測(cè)的最佳效果。FATOVICH等[18]在研究中表示,當(dāng)嚴(yán)重創(chuàng)傷患者年齡>47歲時(shí),其死亡風(fēng)險(xiǎn)呈指數(shù)級(jí)增長(zhǎng)。本研究中,從模型2列線圖中可知該閾值年齡約為50歲,年齡越大救治失敗的概率也越大;老年患者組織器官功能衰退,免疫力與抵抗力低下,常合并其他慢性病,機(jī)體一旦受到創(chuàng)傷,組織器官功能恢復(fù)時(shí)間長(zhǎng),容易受到致病菌的侵襲,出現(xiàn)并發(fā)癥的概率也越大,對(duì)預(yù)后產(chǎn)生不利影響[19]。同樣,本研究RCS分析發(fā)現(xiàn)GCS與預(yù)后亦呈非線性相關(guān),且具有統(tǒng)計(jì)學(xué)意義,P值(for nonlinear)<0.05,GCS的閾值約為8分,當(dāng)GCS<8分時(shí),救治失敗的概率隨分值的減少呈指數(shù)級(jí)增長(zhǎng)。因此筆者在創(chuàng)建列線圖時(shí)考慮到非線性持續(xù)性變量的存在,運(yùn)用RCS擬合多因素Logistic回歸構(gòu)建非線性優(yōu)化后的模型2列線圖,并繪制模型2列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的ROC曲線,其AUC為0.974,提示該模型區(qū)分度表現(xiàn)良好;經(jīng)Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)顯示該模型擬合良好,再采用Bootstrap方法進(jìn)行模型的內(nèi)部驗(yàn)證,均提示該模型的校準(zhǔn)度良好。根據(jù)回歸方程計(jì)算患者預(yù)后概率比較繁瑣,同時(shí)還需借助專業(yè)計(jì)算設(shè)備,不易于臨床推廣,且含有非線性因素的模型不適宜用方程推導(dǎo),因此本研究運(yùn)用列線圖的可視化方式,以便簡(jiǎn)單、快捷地獲得一個(gè)較為精確的概率值[20],同時(shí)本研究還提供了列線圖的網(wǎng)頁(yè)動(dòng)態(tài)版本,具有一定的推廣意義和臨床應(yīng)用價(jià)值。

        本研究結(jié)果顯示,模型2列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的AUC大于模型1列線圖,說明模型2列線圖的區(qū)分度更優(yōu)。由于Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)得到的P值并不能用來量化模型校準(zhǔn)度[21],本研究再引入 Brier Score[22]、AIC[23]進(jìn)一步評(píng)估模型 1、2 列線圖的校準(zhǔn)能力,結(jié)果顯示模型2列線圖的Brier Score、AIC小于模型1,且在最佳截?cái)嘀迪戮哂休^高的靈敏度和特異度。DCA結(jié)果顯示在各個(gè)閾概率下,兩模型均具有較好的臨床凈收益率,且模型2列線圖的臨床凈收益率高于模型1列線圖。以上結(jié)果均說明應(yīng)用RCS擬合非線性優(yōu)化后的模型2列線圖較模型1列線圖有一定的改善效果。將模型2列線圖在驗(yàn)證組人群中進(jìn)行同中心時(shí)段驗(yàn)證[24],結(jié)果顯示,模型2列線圖預(yù)測(cè)嚴(yán)重多發(fā)傷患者預(yù)后的AUC為0.949,Hosmer-Lemeshow擬合優(yōu)度檢驗(yàn)表明該模型擬合良好;且模型2列線圖在建模組及驗(yàn)證組人群中的AUC比較差異無統(tǒng)計(jì)學(xué)意義,提示模型2列線圖在預(yù)測(cè)外部人群救治成功與否中的表現(xiàn)良好,預(yù)測(cè)能力無下降。

        綜上所述,年齡及入院24 h內(nèi)GCS、LAC、PLT、ISS是影響嚴(yán)重多發(fā)傷患者預(yù)后的重要因素,上述因素涵蓋了患者的解剖和生理特征,且年齡、GCS與患者預(yù)后呈非線性相關(guān)。經(jīng)RCS擬合非線性優(yōu)化后的模型2列線圖較模型1列線圖有更高的區(qū)分度和校準(zhǔn)度,且在驗(yàn)證組人群的預(yù)后評(píng)估中準(zhǔn)確性未下降,因此模型2列線圖有助于分析患者病情、指導(dǎo)臨床治療(網(wǎng)址:https://yinfxyz.shinyapps.io/dynnomapp2/),值得推廣。由于本研究人群來自單中心,樣本量較少,且多數(shù)為鈍性損傷,結(jié)果可能存在一定的局限性,因此在后續(xù)的研究工作中還需要開展與其他中心的合作研究,完善模型的多中心驗(yàn)證與優(yōu)化。

        作者貢獻(xiàn):殷菲提出研究思路和研究目標(biāo),設(shè)計(jì)研究方案,包括LASSO回歸、RCS擬合Logistic回歸探索各參數(shù)、繪制非線性效應(yīng)列線圖等,并負(fù)責(zé)論文起草、最終版本修訂,對(duì)論文整體負(fù)責(zé)。殷菲、劉云負(fù)責(zé)研究過程的實(shí)施,各項(xiàng)數(shù)據(jù)的采集,包括患者入院時(shí)的一般資料,入院24 h內(nèi)的臨床資料,并負(fù)責(zé)數(shù)據(jù)的校對(duì)、清洗。殷菲、沈勰負(fù)責(zé)數(shù)據(jù)的統(tǒng)計(jì)學(xué)分析、圖表繪制,包括運(yùn)用SPSS軟件行單因素、多因素分析,ROC曲線分析,R語(yǔ)言繪制列線圖、校準(zhǔn)圖、ROC曲線圖、DCA圖等。

        本文無利益沖突。

        猜你喜歡
        因素分析模型
        一半模型
        腹部脹氣的飲食因素
        中老年保健(2022年5期)2022-08-24 02:36:04
        群眾路線是百年大黨成功之內(nèi)核性制度因素的外在表達(dá)
        隱蔽失效適航要求符合性驗(yàn)證分析
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        電力系統(tǒng)不平衡分析
        電子制作(2018年18期)2018-11-14 01:48:24
        電力系統(tǒng)及其自動(dòng)化發(fā)展趨勢(shì)分析
        3D打印中的模型分割與打包
        短道速滑運(yùn)動(dòng)員非智力因素的培養(yǎng)
        一本一道av中文字幕无码| 国产精品亚洲综合久久| 久久久久久免费播放一级毛片| 2021久久精品国产99国产| 国产一区二区三区蜜桃| 白白白在线视频免费播放| 午夜成人理论福利片| 久久人人爽天天玩人人妻精品| 伊人婷婷色香五月综合缴激情| 一区二区在线观看视频亚洲| 亚洲a无码综合a国产av中文| 夜夜未满十八勿进的爽爽影院| 中文字幕一区二区人妻出轨| 国产亚洲精品一区二区在线播放| 免费观看91色国产熟女| 西西人体444www大胆无码视频 | 性一交一乱一伦一视频一二三区| 亚洲av综合色区久久精品| 久久成人国产精品一区二区| 久久久精品人妻久久影视| 84pao强力打造免费视频34| 亚洲啪啪AⅤ一区二区三区| 一区二区在线观看精品在线观看| 男女啪动最猛动态图| 真正免费一级毛片在线播放| 国模一区二区三区白浆| av在线观看免费天堂| 久久午夜夜伦鲁鲁片免费无码 | h视频在线播放观看视频| 国产成人精品一区二区三区视频| 一区二区三区日韩亚洲中文视频| 日韩十八禁在线观看视频| 亚洲大尺度无码无码专区| 好吊色欧美一区二区三区四区| 日本a在线天堂| 深夜福利国产精品中文字幕| 好男人社区影院www| 欧美一级在线全免费| 亚洲av第二区国产精品| 久久国产劲爆∧v内射-百度| 人妻少妇av无码一区二区|