黃明亮，曾德蘭，張秋娟，黃世樹，梁 輝

廣西中醫(yī)藥大學第一附屬醫(yī)院，廣西 530022

壓力性損傷預防的首要原則是使用合適的風險評估工具(risk assessment scales， RAS)對病人進行精準評估,而早期識別圍術(shù)期壓力性損傷的高危人群很大程度上取決于已確定的危險因素。目前研究表明，圍術(shù)期壓力性損傷的危險因素較多，在構(gòu)建預測模型篩選危險因素時，很多文獻通常先進行單因素分析，單因素分析有統(tǒng)計學意義的變量納入多因素Logistic回歸分析，無意義的變量不納入分析[1-9]。然而，自變量間可能存在多重共線性等問題，因此只將單因素分析有統(tǒng)計學意義的因素作為自變量納入多因素Logistic回歸分析，很可能會將重要的危險因素漏掉[10]，造成模型對疾病的預測能力降低。在這種情形下，傳統(tǒng)的建模方法不再適用，因而需要尋找一些新的替代方法[11-12]。本研究基于圍術(shù)期壓力性損傷的臨床資料，實際分析比較逐步回歸和LASSO回歸在該背景下的表現(xiàn)，結(jié)合赤池信息準則(Akaike′s information criterion，AIC)[13]、貝葉斯信息準則(Bayesian information criterion,BIC)[14-15]、決定系數(shù)(R2)、受試者工作特征曲線(ROC)下面積(AUC)等策略，為臨床護理人員構(gòu)建壓力性損傷預測模型，篩選最佳變量組合提供參考依據(jù)。

1 資料與方法

1.1 觀察對象

回顧性收集2020年10月—2021年5月在我院住院行擇期手術(shù)的病人441例，按照圍術(shù)期是否發(fā)生壓力性損傷分為發(fā)生組(113例)和未發(fā)生組(328例)。

1.2 納入與排除標準

1.2.1 納入標準

年齡≥18歲；擇期手術(shù)病人，術(shù)前診斷及病例信息完整；無精神障礙，溝通順暢，自愿參加并簽署知情同意書。

1.2.2 排除標準

術(shù)前患有急慢性皮膚疾病或皮膚黏膜已存在壓力性損傷；嚴重關(guān)節(jié)功能障礙；術(shù)中出現(xiàn)病情惡化致?lián)尵葻o效或術(shù)后送至重癥監(jiān)護室(ICU)；術(shù)后拒訪或失訪；資料分析時發(fā)現(xiàn)某項數(shù)據(jù)缺失。

1.3 評估方法與時間

根據(jù)美國壓瘡專家咨詢組(NPUAP)2016年最新推薦的分期標準[16]評估病人是否發(fā)生壓力性損傷。由造口專家及科內(nèi)成員按評估標準進行評估，皮膚出現(xiàn)壓力性損傷的病人納入發(fā)生組，未出現(xiàn)皮膚壓力性損傷的病人則納入未發(fā)生組，評估時間為手術(shù)結(jié)束時、術(shù)后2 h、術(shù)后24 h及術(shù)后3～6 d。

1.4 資料收集

參閱國內(nèi)外文獻報道圍術(shù)期壓力性損傷的影響因素并結(jié)合我院實際情況，共納入 11 個預測變量為研究變量，變量信息及賦值情況如下：性別(男=1，女=2)、年齡、體質(zhì)指數(shù)、血紅蛋白、手術(shù)時間(<3 h=1，≥3 h=2)、術(shù)中出血量(<300 mL=1，≥300 mL=2)、手術(shù)體位(仰臥=1，側(cè)臥=2，俯臥=3)、麻醉方式(非全身麻醉=1，全身麻醉=2)、術(shù)中體溫(正常=1，異常=2)、高血壓(無=1，有=2)、糖尿病(無=1，有=2)。

1.5 統(tǒng)計學方法

2 結(jié)果

2.1 研究對象一般資料(見表1)

表1 兩組病人一般資料比較

2.2 逐步回歸篩選預測變量

2.2.1 前向逐步回歸

前向逐步回歸篩選出的變量有性別、血紅蛋白、手術(shù)時間、術(shù)中出血量、手術(shù)體位，見表2。

表2 前向逐步回歸分析結(jié)果

2.2.2 后向逐步回歸及雙向逐步回歸

后向逐步回歸及雙向逐步回歸篩選出的變量一致，見表3。

表3 后向及雙向逐步回歸分析結(jié)果

2.3 LASSO回歸篩選危險因素

LASSO回歸從11個危險因素中進行篩選。隨著懲罰系數(shù)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，從而避免模型過度擬合，達到最佳影響因素選擇的效果，見圖1。為尋找最佳懲罰項系數(shù)，使模型性能優(yōu)良且影響因素最少，選擇交叉驗證誤差為min+1個標準誤(lambda.1SE)時的值為模型最優(yōu)值[17]，最終篩選出6個變量，分別為性別、血紅蛋白、手術(shù)時間、術(shù)中出血量、糖尿病、高血壓。見圖2。

圖1 基于 LASSO 回歸的特征性變量篩選(11 個特征影響因素模型懲罰過程)

圖2 基于 LASSO 回歸的特征性變量篩選(回歸模型中最佳懲罰系數(shù)變化過程)

2.4 模型性能指標

在R中用lm函數(shù)擬合模型，將前向逐步回歸篩選的變量擬合模型命名為模型1，后向及雙向逐步回歸擬合的模型命名為模型2，LASSO回歸擬合的模型命名為模型3。通過performance包、pROC包計算3個模型的性能指標AIC、BIC、R2、AUC等值(見表4)，并繪制模型指數(shù)比較圖(見圖3)。根據(jù)AIC信息準則及BIC信息準則，當從一組可供選擇的模型中選取最佳模型時，通常選擇AIC或BIC值最小的模型作為最優(yōu)模型。從表4可以看出，模型2的AIC、BIC值均小于模型1和模型3，且R2值最大，由此可見，本次后向及雙向逐步回歸擬合的模型2較優(yōu)。

表4 3個模型的性能指標值

圖3 3個模型的性能指標比較圖

3 討論

將統(tǒng)計學方法應用于生物醫(yī)學領(lǐng)域來進行疾病預測性能的比較，從而建立起準確可靠的模型是一個非常值得研究的方向[18]。本研究以圍術(shù)期壓力性損傷的數(shù)據(jù)為例，進行單因素分析時發(fā)現(xiàn)性別差異無統(tǒng)計學意義，而采用逐步回歸與LASSO回歸對所有預測變量進行篩選時，性別均納入了回歸模型。并且，將性別納入模型后，模型的預測能力都表現(xiàn)較優(yōu)。因此，傳統(tǒng)單因素分析舍棄無統(tǒng)計意義的自變量，極可能造成遺漏重要危險因素的現(xiàn)象。本研究通過逐步回歸與LASSO回歸對圍術(shù)期壓力性損傷的11個預測變量進行篩選，擬合了3個Logistic回歸模型，然而受到樣本量及所選預測變量個數(shù)的局限，3個模型的AIC、BIC、R2等各項指標均未達到預期結(jié)果，但本次研究結(jié)果仍提示，在篩選變量時應盡量嘗試多種策略，并結(jié)合臨床和流行病學的意義以及生物學機制等專業(yè)知識[19-20]，對回歸方法的計算結(jié)果進行綜合分析，選擇較為準確、可靠的結(jié)果，以此為臨床護理人員構(gòu)建預測模型，篩選最佳變量組合提供更優(yōu)的參考依據(jù)。