陸素青 韋文迪 胡道軍 史文杰 劉 慧

(1 桂林醫(yī)學(xué)院附屬醫(yī)院眼科,廣西桂林市 541001;2 上海交通大學(xué)醫(yī)學(xué)院附屬新華醫(yī)院崇明分院檢驗(yàn)科,上海市 200131;3 桂林醫(yī)學(xué)院公共衛(wèi)生學(xué)院,廣西桂林市 541002)

近年來,白內(nèi)障作為眼科的常見病,其發(fā)病率逐年上升[1]。盡管手術(shù)治療已經(jīng)被證實(shí)可以顯著提高此類患者的臨床獲益,但是部分患者就診時(shí)仍然存在不同程度的心理健康問題,其中以抑郁癥最為常見[2-3]。中度和重度抑郁癥患者會(huì)出現(xiàn)明顯的臨床表現(xiàn),此類患者因易被識(shí)別而可獲得及時(shí)的心理護(hù)理干預(yù),但早期抑郁癥患者或僅以情緒低落為表現(xiàn)的輕度抑郁癥患者則極易被忽略,錯(cuò)過最佳的心理干預(yù)時(shí)期[4-5]。因此,及時(shí)評(píng)估白內(nèi)障患者早期抑郁癥的發(fā)生傾向,對(duì)輔助臨床護(hù)理決策具有積極的指導(dǎo)意義。目前,評(píng)估白內(nèi)障患者發(fā)生抑郁癥風(fēng)險(xiǎn)的方法主要依靠于傳統(tǒng)的調(diào)查問卷和醫(yī)務(wù)人員的觀察。然而,此類評(píng)估方式具有人力資源成本高、效率相對(duì)較低及存在調(diào)查者主觀偏倚等缺點(diǎn),這給臨床護(hù)理工作帶來了極大的挑戰(zhàn)[6-7]。因此,開發(fā)一種全新、高效且便捷的早期抑郁癥風(fēng)險(xiǎn)評(píng)估系統(tǒng),對(duì)于評(píng)估白內(nèi)障患者的抑郁癥發(fā)生風(fēng)險(xiǎn)、提升護(hù)理質(zhì)量具有重要的臨床價(jià)值。本研究通過回顧性分析白內(nèi)障患者的一般資料和臨床資料,結(jié)合機(jī)器學(xué)習(xí)算法篩選出影響白內(nèi)障患者發(fā)生抑郁癥的獨(dú)立危險(xiǎn)因素,并由此構(gòu)建白內(nèi)障患者發(fā)生抑郁癥的風(fēng)險(xiǎn)預(yù)警模型及風(fēng)險(xiǎn)預(yù)警平臺(tái),為快速評(píng)估白內(nèi)障患者的抑郁癥發(fā)生風(fēng)險(xiǎn)及給予心理護(hù)理干預(yù)措施提供參考。

1 資料與方法

1.1 臨床資料 采用便利抽樣法,從某三甲醫(yī)院電子病歷系統(tǒng)中選取2021年1月至2022年1月期間確診為白內(nèi)障的476例住院患者作為研究對(duì)象。納入標(biāo)準(zhǔn):(1)符合白內(nèi)障相關(guān)臨床診斷標(biāo)準(zhǔn)[8],并經(jīng)?？漆t(yī)生確診為白內(nèi)障的住院患者;(2)臨床資料與隨訪資料完整;(3)住院期間完成漢密爾頓抑郁量表(Hamilton Depression Scale,HAMD)[9]評(píng)估。排除標(biāo)準(zhǔn):(1)就診時(shí)或入院前,已確診為抑郁癥并接受相關(guān)干預(yù)的患者,或合并其他精神類疾病的患者;(2)除白內(nèi)障之外,合并其他嚴(yán)重眼科疾病的患者。根據(jù)HAMD評(píng)分結(jié)果將患者分給心理健康組(427例)和抑郁癥組(49例)。

1.2 研究方法

1.2.1 基線信息采集:通過查閱文獻(xiàn)并結(jié)合3名眼科領(lǐng)域?qū)＜业慕ㄗh,確定入組患者所需收集的基線資料,并自制患者基線信息采集表。采集的基線信息包括患者的性別、年齡、體質(zhì)指數(shù)(正常范圍18.5～23.9 kg/m2)、婚姻狀況、學(xué)歷、職業(yè)、月收入、經(jīng)濟(jì)來源、付費(fèi)方式、病程、入院時(shí)的視力水平(視力>1.0記為正常)、煙酒史(有煙酒史定義為連續(xù)或累計(jì)吸煙/飲酒≥6個(gè)月)、糖尿病病史、就診陪護(hù)及白內(nèi)障并發(fā)癥(虹膜炎、眼底水腫及眼壓升高等)。

1.2.2 HAMD評(píng)估:HAMD是目前評(píng)估抑郁狀態(tài)最為常用的量表[9],本研究采用24項(xiàng)版本進(jìn)行評(píng)估。量表24個(gè)項(xiàng)目中,大部分項(xiàng)目采用5級(jí)評(píng)分法(無、輕度、中度、重度、極重度,分別計(jì)0分、1分、2分、3分、4分),小部分項(xiàng)目采用3級(jí)評(píng)分法(無、輕至中度、重度,分別計(jì)0分、1分、2分),最后將各項(xiàng)分值相加得到總分。總分<8分定義為正常,8分≤總分<20分定義為可能患有抑郁癥,20分≤總分≤35分定義為抑郁癥,總分>35分定義為嚴(yán)重抑郁癥。由2名經(jīng)過培訓(xùn)的?？谱o(hù)士通過訪談和觀察的方式對(duì)患者進(jìn)行評(píng)估,并獨(dú)立進(jìn)行評(píng)分,最后取二者的均值作為最終評(píng)分結(jié)果。總分<8分的患者被納入心理健康組,總分≥8分的患者則被納入抑郁癥組。

1.2.3 數(shù)據(jù)收集及整理:從電子病歷系統(tǒng)中下載患者的基線信息和臨床資料,并根據(jù)前期自制調(diào)查表進(jìn)行數(shù)據(jù)的收集和預(yù)處理。由2名?？谱o(hù)士和2名眼科專業(yè)主治醫(yī)師收集數(shù)據(jù),由1名統(tǒng)計(jì)學(xué)專業(yè)碩士研究生對(duì)獲取的數(shù)據(jù)進(jìn)行預(yù)處理,對(duì)于部分患者存在個(gè)別缺失的變量,采用多重插補(bǔ)法對(duì)其變量值進(jìn)行補(bǔ)充。所有資料的數(shù)據(jù)均由雙人編碼錄入后交由第一作者和科室數(shù)據(jù)員進(jìn)行統(tǒng)計(jì)分析,最終由統(tǒng)計(jì)學(xué)專業(yè)人員檢查分析結(jié)果,確保分析結(jié)果的準(zhǔn)確性。

1.3 統(tǒng)計(jì)學(xué)分析 采用R 4.1.2軟件進(jìn)行統(tǒng)計(jì)學(xué)分析。計(jì)數(shù)資料以例數(shù)(百分比)表示,計(jì)量資料以(x±s)表示。將基線信息的15個(gè)變量納入單因素Logistic回歸模型進(jìn)行分析,再將單因素Logistic回歸分析中有意義的變量納入隨機(jī)森林模型篩選重要特征變量,采用參數(shù)尋優(yōu)法確定隨機(jī)森林模型的最佳參數(shù),重要性評(píng)分>10分的變量被定義為重要特征變量。將篩選到的重要特征變量納入多因素Logistic回歸模型,分析影響白內(nèi)障患者發(fā)生抑郁癥的獨(dú)立危險(xiǎn)因素。根據(jù)得到的獨(dú)立危險(xiǎn)因素及其相關(guān)系數(shù),采用R軟件的“rms”包構(gòu)建列線圖模型[10],即白內(nèi)障患者抑郁癥發(fā)生風(fēng)險(xiǎn)預(yù)警模型。采用一致性指數(shù)和受試者工作特征(receiver operating characteristic,ROC)曲線下面積評(píng)價(jià)模型的診斷效能,使用校正曲線評(píng)估模型預(yù)測曲線與理想曲線的一致性。以P<0.05為差異具有統(tǒng)計(jì)學(xué)意義。

1.4 基于人機(jī)交互模式搭建白內(nèi)障患者抑郁癥發(fā)生風(fēng)險(xiǎn)預(yù)警平臺(tái) 基于列線圖模型,使用R軟件的Shiny包搭建白內(nèi)障患者抑郁癥發(fā)生風(fēng)險(xiǎn)預(yù)警平臺(tái)[11],并根據(jù)列線圖模型變量評(píng)分獲得患者的抑郁癥風(fēng)險(xiǎn)概率,以中位值(風(fēng)險(xiǎn)概率50%)將患者分為高風(fēng)險(xiǎn)組(風(fēng)險(xiǎn)概率≥50%)和低風(fēng)險(xiǎn)組(風(fēng)險(xiǎn)概率<50%),然后給予相應(yīng)的護(hù)理干預(yù)建議。平臺(tái)移動(dòng)端的二維碼則由QR Code生成。

2 結(jié) 果

2.1 白內(nèi)障患者的基本人口學(xué)特征及抑郁癥發(fā)生情況 476例白內(nèi)障患者中,男性262例(55.04%)、女性214例(44.96%);患者年齡為(55.20±11.91)歲,≥50歲患者共304例(63.87%),<50歲患者共172例(36.13%);有39例(8.19%)患者合并并發(fā)癥,僅有231例(48.53%)患者由家屬陪同就診。共有49例(10.29%)患者被診斷為抑郁癥。

2.2 單因素Logistic回歸分析 將基線信息中的15個(gè)變量作為自變量,以抑郁癥發(fā)生情況作為因變量,納入單因素Logistic分析。除年齡為連續(xù)變量外,其余14個(gè)變量均為分類變量,為了便于后續(xù)分析,本研究使用限制性立方樣線條對(duì)患者年齡進(jìn)行分層,將患者年齡設(shè)置為二分類變量,變量賦值情況見表1。結(jié)果顯示,10個(gè)變量與白內(nèi)障患者發(fā)生抑郁癥有關(guān)(均P<0.05),包括患者年齡、性別、婚姻狀況、學(xué)歷、經(jīng)濟(jì)來源、入院時(shí)的視力水平、煙酒史、糖尿病病史、就診陪護(hù)、白內(nèi)障并發(fā)癥,見表2。

表1 賦值情況

表2 單因素Logistic回歸分析

2.3 隨機(jī)森林模型篩選的重要特征變量 隨機(jī)森林模型分析結(jié)果顯示,袋外數(shù)據(jù)錯(cuò)誤率為9.87%,提示根據(jù)重要特征變量判斷患者是否發(fā)生抑郁癥的正確率為90.13%。最終獲得6個(gè)重要特征變量,包括年齡(重要性評(píng)分為26.88分)、煙酒史(重要性評(píng)分為23.27分)、入院時(shí)的視力水平(重要性評(píng)分為18.91分)、白內(nèi)障并發(fā)癥(重要性評(píng)分為11.15分)、就診陪護(hù)(重要性評(píng)分為10.78分)及性別(重要性評(píng)分為10.19分)。見圖1。

圖1 隨機(jī)森林模型的袋外數(shù)據(jù)錯(cuò)誤率(A)和重要特征變量(B)

2.4 多因素Logistic回歸分析 將隨機(jī)森林模型篩選到的6個(gè)重要特征變量納入多因素Logistic回歸模型,結(jié)果顯示,年齡、性別、入院時(shí)的視力水平、就診陪護(hù)及白內(nèi)障并發(fā)癥是影響白內(nèi)障患者發(fā)生抑郁癥的獨(dú)立危險(xiǎn)因素(均P<0.05)。見表3。

表3 多因素Logistic回歸分析

2.5 白內(nèi)障患者抑郁癥發(fā)生風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建與驗(yàn)證結(jié)果 根據(jù)上述5個(gè)獨(dú)立危險(xiǎn)因素及其相關(guān)系數(shù)構(gòu)建白內(nèi)障患者抑郁癥發(fā)生風(fēng)險(xiǎn)預(yù)警模型,使用列線圖對(duì)模型進(jìn)行可視化。模型的一致性指數(shù)為0.783,ROC曲線下面積為0.712,提示模型具有良好的預(yù)測效能。此外,校正曲線圖顯示預(yù)測曲線與理想曲線幾乎一致,表明該模型具有良好的穩(wěn)定性。見圖2。

圖2 白內(nèi)障患者抑郁癥發(fā)生風(fēng)險(xiǎn)預(yù)警模型及驗(yàn)證結(jié)果注:A為列線圖,B為模型的ROC曲線,C為模型的校正曲線。

2.6 基于人機(jī)交互模式的白內(nèi)障患者抑郁癥發(fā)生風(fēng)險(xiǎn)預(yù)警平臺(tái)搭建 為了便捷高效地完成白內(nèi)障患者抑郁癥發(fā)生風(fēng)險(xiǎn)的評(píng)估,本研究進(jìn)一步開發(fā)和搭建了基于人機(jī)交互模式的白內(nèi)障患者抑郁癥發(fā)生風(fēng)險(xiǎn)預(yù)警平臺(tái)(http://ckr123.synology.me:3838/DRAS/),見圖3。通過該平臺(tái),護(hù)理人員可以在患者入院登記基本信息資料后,依據(jù)列線圖變量評(píng)分,直接獲得患者的抑郁癥風(fēng)險(xiǎn)概率(例如,視力正常的50歲男性就診時(shí)有陪護(hù)且有白內(nèi)障并發(fā)癥,其獲得的投射得分約為120分,發(fā)生抑郁癥對(duì)應(yīng)的風(fēng)險(xiǎn)概率為11%),并根據(jù)中位值(風(fēng)險(xiǎn)概率50%)將患者分為高風(fēng)險(xiǎn)組(風(fēng)險(xiǎn)概率≥50%)和低風(fēng)險(xiǎn)組(風(fēng)險(xiǎn)概率<50%)。對(duì)于低風(fēng)險(xiǎn)組的患者,平臺(tái)會(huì)提示給予其常規(guī)護(hù)理,而針對(duì)高風(fēng)險(xiǎn)組的患者,平臺(tái)除給予護(hù)理人員預(yù)警外,還會(huì)提供一定的護(hù)理干預(yù)建議,以便患者獲得及時(shí)的心理護(hù)理。此外,本研究還開發(fā)了基于該平臺(tái)系統(tǒng)的移動(dòng)端二維碼。通過掃描二維碼,患者或其家屬可在患者入院前完成抑郁癥風(fēng)險(xiǎn)測評(píng),見圖3。

圖3 白內(nèi)障患者抑郁癥發(fā)生風(fēng)險(xiǎn)預(yù)警平臺(tái)注:A、B分別為模擬低、高風(fēng)險(xiǎn)預(yù)警的結(jié)果;C為平臺(tái)移動(dòng)端二維碼。

3 討 論

3.1 白內(nèi)障患者發(fā)生抑郁癥的影響因素

3.1.1 低齡、女性白內(nèi)障患者發(fā)生抑郁癥的風(fēng)險(xiǎn)增加:有研究表明,年齡是影響白內(nèi)障患者發(fā)生抑郁癥的重要因素,相較于高齡患者而言,低齡患者更容易發(fā)生抑郁癥[12-13]。本研究結(jié)果顯示,與≥50歲的患者相比,<50歲的白內(nèi)障患者發(fā)生抑郁癥的風(fēng)險(xiǎn)更高,與上述研究結(jié)論一致。造成這一現(xiàn)象的原因可能是<50歲的患者往往需要承擔(dān)更多來自生活的壓力,這些負(fù)擔(dān)和疾病本身造成了壓力的堆積,最終導(dǎo)致患者發(fā)生抑郁癥。本研究結(jié)果還顯示,女性白內(nèi)障患者發(fā)生抑郁癥的風(fēng)險(xiǎn)高于男性,這與其他學(xué)者的研究結(jié)果[14-15]相似。上述結(jié)果提示,在白內(nèi)障患者中抑郁癥的發(fā)病人群呈低齡化趨勢。因此,我們需要轉(zhuǎn)變傳統(tǒng)觀念,給予50歲以下人群更多的關(guān)愛和心理疏導(dǎo);對(duì)于女性白內(nèi)障患者,我們需要做好及時(shí)的宣教工作和積極的心理護(hù)理指導(dǎo),緩解其來自疾病本身、生活或精神上的壓力,從而降低抑郁癥的發(fā)生風(fēng)險(xiǎn)。

3.1.2 伴發(fā)并發(fā)癥與視力受損的白內(nèi)障患者發(fā)生抑郁癥的風(fēng)險(xiǎn)增加:白內(nèi)障并發(fā)癥包括急性閉角型青光眼和過敏性葡萄膜炎,這些并發(fā)癥一旦發(fā)生或加重會(huì)導(dǎo)致患者弱視甚至失明[16]。視力受損會(huì)致使患者視物模糊,使得其原本正常的工作和生活方式受到影響,并在一定程度上加重其心理負(fù)擔(dān)[17]。本研究結(jié)果提示,伴發(fā)并發(fā)癥與視力水平降低是影響白內(nèi)障患者發(fā)生抑郁癥的獨(dú)立危險(xiǎn)因素?？紤]到并發(fā)癥主要發(fā)生在老年患者,因此應(yīng)在公益日積極進(jìn)行白內(nèi)障及其相關(guān)知識(shí)的科普宣傳,以幫助老年人加深對(duì)白內(nèi)障疾病的認(rèn)知與理解,促進(jìn)其在疾病的早期階段積極就醫(yī),減少并發(fā)癥的發(fā)生,減輕心理負(fù)擔(dān)。

3.2 風(fēng)險(xiǎn)預(yù)警模型與風(fēng)險(xiǎn)預(yù)警平臺(tái)的臨床應(yīng)用價(jià)值 本研究將隨機(jī)森林模型篩選到的重要特征變量納入多因素Logistic回歸分析,這在一定程度保證了所構(gòu)建的白內(nèi)障患者抑郁癥發(fā)生風(fēng)險(xiǎn)預(yù)警模型的準(zhǔn)確性,提升了模型的應(yīng)用效能和穩(wěn)定性。最為重要的是,與傳統(tǒng)白內(nèi)障患者抑郁癥發(fā)生風(fēng)險(xiǎn)評(píng)估方式相比,風(fēng)險(xiǎn)預(yù)警模型中的變量相對(duì)簡潔,錄入患者基本信息后即可直接獲得相應(yīng)變量的評(píng)分及風(fēng)險(xiǎn)概率。此外,針對(duì)這一模型所開發(fā)的風(fēng)險(xiǎn)預(yù)警平臺(tái)還可以同步報(bào)告預(yù)警風(fēng)險(xiǎn),極大地提升了評(píng)估效率,減少了護(hù)理人員的臨床工作量。隨著“互聯(lián)網(wǎng)+”醫(yī)療護(hù)理模式的開展,患者的就診和隨訪已變得極為便捷[18]。因此,本研究同時(shí)開發(fā)了預(yù)警平臺(tái)的二維碼,患者或其家屬只需要在就診前掃描二維碼填寫相關(guān)信息,即可自行評(píng)估患者的抑郁狀態(tài),并做出相應(yīng)的就醫(yī)決策。

3.3 研究局限性與前景展望 盡管本研究的風(fēng)險(xiǎn)預(yù)警模型具有良好的預(yù)測效能及穩(wěn)定性,但是模型的實(shí)際應(yīng)用價(jià)值仍然需要大量臨床樣本的檢驗(yàn)。因此,我們將會(huì)在后期納入前瞻性數(shù)據(jù)進(jìn)行模型效能檢驗(yàn),并依據(jù)檢驗(yàn)結(jié)果進(jìn)一步優(yōu)化模型。

3.4 小結(jié) 年齡、性別、入院時(shí)的視力水平、就診陪護(hù)及白內(nèi)障并發(fā)癥是影響白內(nèi)障患者發(fā)生抑郁癥的獨(dú)立危險(xiǎn)因素,根據(jù)這些變量構(gòu)建的白內(nèi)障患者抑郁癥發(fā)生風(fēng)險(xiǎn)預(yù)警模型具有較高的準(zhǔn)確性,這保證了基于模型構(gòu)建的預(yù)警平臺(tái)同樣具有穩(wěn)健性,應(yīng)用這一預(yù)警平臺(tái)可以為識(shí)別抑郁癥高風(fēng)險(xiǎn)的白內(nèi)障患者及制訂精準(zhǔn)的心理護(hù)理治療策略提供參考。