馮安麗 李亞玲 唐帆 羅玉紅 李蕾 吳柔

(1.貴州醫(yī)科大學護理學院,貴州 貴陽 550001;2.貴州醫(yī)科大學附屬醫(yī)院護理部,貴州 貴陽 550001)

顱內出血是新生兒的常見疾病,可致神經(jīng)系統(tǒng)功能預后不良、致殘或死亡,對其遠期生存質量造成明顯影響[1]。隨著圍產(chǎn)醫(yī)學的進步,早產(chǎn)兒存活率升高,但顱內出血的發(fā)生率并未降低。據(jù)調查[1-3],中國早產(chǎn)兒顱內出血發(fā)病率為9.3%,重度患病率為2.1%,嚴重顱內出血的早產(chǎn)兒死亡率則高達27%～50%。目前,國內外研究多集中于探索顱內出血的影響因素,臨床上缺乏判斷早產(chǎn)兒是否為顱內出血高危人群的評定工具。因此,本研究擬篩選早產(chǎn)兒顱內出血的獨立危險因素,運用logistic回歸、決策樹構建預測模型,從中挑選最優(yōu)模型,以便于臨床醫(yī)護人員及早識別潛在的高危患兒,為后續(xù)制定預見性護理方案提供參考。

1 對象與方法

1.1研究對象 采用回顧性病例對照法,選取2019年1月-2022年2月于貴州醫(yī)科大學附屬醫(yī)院新生兒科就診且符合納入排除標準的新生兒作為研究對象。納入標準:出生胎齡<37周。排除標準:(1)病案數(shù)據(jù)資料不完整的患兒。(2)有遺傳代謝性疾病、先天發(fā)育畸形、合并有多臟器功能衰竭的患兒。(3)入院前已明確診斷為顱內出血的患兒。參照《實用新生兒學》[2]中顱內出血的診斷標準,若影像學檢查明確出血部位、范圍、程度,判斷為顱內出血。本研究在前期meta分析的基礎上,通過臨床專家論證篩選可能的影響因素,共納入42個危險因素。根據(jù)樣本量計算公式[4],每個危險因素需要5～10例的患兒,再考慮到10%～20%的樣本流失率,經(jīng)過本院小樣本的預調查顯示,早產(chǎn)兒顱內出血的發(fā)生率為16.95%(119/702)。本研究的樣本量至少應為42×5×(1+0.2)÷16.95%≈1 487例,最終納入2 100例,將其按7∶3比例分為訓練集1 445例,測試集655例。

1.2方法

1.2.1危險因素調查表 根據(jù)meta分析、專家會議討論的綜合結果,制定統(tǒng)一的患兒資料調查表,包括以下4個方面。(1)一般資料:編號、性別、入院診斷及出院診斷。(2)孕母相關因素:是否存在妊娠高血壓、妊娠糖尿病、胎盤異常、臍帶異常、羊水異常、胎膜早破、宮內窘迫、異常分娩過程、產(chǎn)前使用皮質類固醇等情況。(3)患兒相關因素:胎齡、體質量、1 min Apgar評分、5 min Apgar評分,是否多胎妊娠、生后復蘇史、產(chǎn)傷、ABO溶血、高膽紅素血癥、維生素K缺乏、維生素D缺乏、窒息、呼吸暫停、代謝性酸中毒、乳酸≥3 mmol/L、凝血功能異常、血小板減少、肺出血、低血糖、肺炎、貧血、敗血癥、低氧血癥、新生兒呼吸窘迫綜合征、腦膜炎、膿毒癥、壞死性小腸結腸炎、低鈣血癥、動脈導管未閉、電解質紊亂。(4)治療因素:有無輸血、高濃度吸氧史及呼吸機使用時長。

1.2.2資料收集方法 從臨床電子病歷系統(tǒng)調取2019年1月-2022年2月入院的新生兒資料。經(jīng)過統(tǒng)一培訓,小組成員采用統(tǒng)一的調查表和判斷標準進行收集。收集后對5%～10%的數(shù)據(jù)資料進行核查。

2 結果

2.1研究對象的一般資料 本研究共納入2 100例有效病例信息,其中,男性患兒1 187例(56.52%),女性患兒913例(43.48%)。380例(18.1%)患兒發(fā)生顱內出血,平均胎齡(32.19±2.74)周,平均體重(1 860.48±597.62)g。1 720例(81.9%)患兒未發(fā)生顱內出血,平均胎齡(34.38±2.03)周,平均體重(2 297.93±576.62)g。

2.2早產(chǎn)兒顱內出血危險因素的單因素分析 對納入的42項影響因素進行分析,其結果顯示,2組宮內窘迫、呼吸暫停、代謝性酸中毒、孕母妊娠高血壓、胎盤異常、臍帶異常、低血糖、低鈣血癥、胎膜早破、維生素K缺乏、維生素D缺乏、電解質紊亂,差異無統(tǒng)計學意義(P>0.05),2組納入的影響因素及比較,見表1(掃后文二維碼獲取)。

2.3logistic回歸模型與決策樹模型的構建及對比分析

2.3.1輸入變量的選擇 將單因素分析中存在統(tǒng)計學意義的30個變量分別納入2種模型中作為自變量,將是否發(fā)生顱內出血作為因變量。所有數(shù)據(jù)按7∶3的比例建立訓練集與測試集(訓練集1 445例,測試集655例)。

2.3.2早產(chǎn)兒顱內出血的logistic回歸分析 logistic回歸模型以是否發(fā)生顱內出血為因變量Y(否=0,是=1),將單因素分析中有統(tǒng)計學意義的自變量納入多因素logistic回歸分析,賦值情況,見表2(掃后文二維碼獲取)。結果顯示:呼吸機使用時長、胎齡、體質量、窒息、產(chǎn)傷、多胎妊娠、貧血、凝血功能異常、血小板減少、腦膜炎為早產(chǎn)兒發(fā)生顱內出血的獨立危險因素,見表3。

表3 早產(chǎn)兒顱內出血的logistic回歸分析

2.3.3早產(chǎn)兒顱內出血的決策樹模型 決策樹共有6層,共16個節(jié)點,10個終節(jié)點,篩選出的影響因素主要有呼吸機使用時長、體重、腦膜炎、貧血、凝血功能障礙、胎齡。其中呼吸機使用時長為根節(jié)點,若呼吸機使用時長≤42 h,患兒發(fā)生顱內出血的占比為10.57%,若呼吸機使用時長>42 h,決策樹繼續(xù)向下分類至腦膜炎節(jié)點。若患兒存在腦膜炎情況,其發(fā)生顱內出血的占比為87.5%,不存在腦膜炎情況則繼續(xù)向下分類至體重節(jié)點。若體重為1 000～1 499 g,決策樹繼續(xù)向下分類至凝血功能障礙節(jié)點,若患兒存在凝血功能障礙情況,則發(fā)生顱內出血的占比為64.06%。若體重為1 500～2 499 g,決策樹繼續(xù)向下分類至胎齡節(jié)點,若胎齡在28～31+6周范圍內,決策樹繼續(xù)向下分類至貧血節(jié)點。若患兒存在貧血情況,決策樹繼續(xù)向下分類至呼吸機使用時長節(jié)點,若呼吸機使用時長>256 h,患兒發(fā)生顱內出血的占比為81.25%,決策樹結束分類。見圖1(掃后文二維碼獲取)。

2.3.4決策樹模型與logistic回歸模型的比較 決策樹和logistic回歸模型在訓練集與測試集的分類結果,見表4。對比訓練集和測試集中的準確度、靈敏度、特異度、陽性預測值、陰性預測值、約登指數(shù)及ROC曲線下面積(AUC)發(fā)現(xiàn),決策樹模型均高于logistic回歸模型,見表5。比較2種模型的AUC,差異有統(tǒng)計學意義(P<0.05),見表6。2種模型在訓練集和測試集中的ROC曲線對比情況,見圖2和圖3,掃二維碼獲取表1、表2及圖1～圖3。

表4 決策樹和logistic回歸模型在訓練集與測試集的分類結果

表5 2種模型在訓練集和測試集的預測性能對比結果

表6 2種模型在訓練集與測試集的AUC比較

3 討論

3.1早產(chǎn)兒顱內出血危險因素分析

3.1.1早產(chǎn)兒顱內出血產(chǎn)時危險因素分析 本研究顯示,胎齡、體重與顱內出血發(fā)生率呈負相關,表明胎齡越小、體重越低,其顱內出血發(fā)生率越高,與多項研究[5-6]結果一致。分析其原因可能與解剖特點有關,當胎齡<32周時,腦室周圍血管發(fā)育不成熟,室管膜下存留的胚胎生發(fā)基質(germinal matrix,GM)最為明顯;在32周以后,GM逐漸萎縮,足月時基本消失[7]。此處毛細血管豐富,是一個不成熟的毛細血管網(wǎng),其血管壁僅有一層內皮細胞,缺乏膠原和彈力纖維支撐,使得毛細血管伸展性較差,血管壁易于破裂引發(fā)出血。因此,提升孕期保健水平,提高胎齡與體重顯得尤為重要。此外,本研究顯示,產(chǎn)傷是早產(chǎn)兒顱內出血的獨立危險因素,與林楊等[8]研究結果一致。早產(chǎn)兒顱骨保護作用較弱,腦血流自主調控能力低下,GM對腦血流波動極為敏感,受高危因素影響導致顱內壓升高和腦血流波動,形成壓力被動型腦血流,尤其是“漲落”型腦血流在很大程度上對血管壁構成威脅,極易破裂出血[9-11]。若生產(chǎn)過程中使用產(chǎn)鉗,易引發(fā)顱骨受壓不均,發(fā)生靜脈竇阻塞,導致腦部毛細血管破裂出血[12]。因此,臨床上應根據(jù)孕婦及胎兒情況合理選擇分娩方式,嚴格把握陰道助產(chǎn)適應癥并進行正確操作,減少產(chǎn)傷的發(fā)生。

3.1.2顱內出血早產(chǎn)兒產(chǎn)后危險因素分析 本研究顯示,窒息、血小板減少、呼吸機使用時長、凝血功能異常、貧血、腦膜炎為早產(chǎn)兒顱內出血的危險因素,與既往研究[6,13]結果相似。GM內皮細胞中含線粒體較多,耗氧量較大,若發(fā)生缺氧窒息,血管壁易破裂出血[14-15]。發(fā)生機制可能是體內阿片黑素促皮質激素原的β-內啡肽分泌增加,β-內啡肽會抑制呼吸功能,增加顱內出血的風險[16]。早產(chǎn)兒肝臟酶系統(tǒng)發(fā)育不成熟,若存在凝血功能異常則不能快速有效地凝固血液,加之乳酸堆積,毛細血管通透性增加致血液進入脈絡膜,導致顱內出血的發(fā)生[17-19]。呼吸機的使用頻率隨早產(chǎn)兒人數(shù)的增多而增加,而機械通氣增加了顱內出血的發(fā)生風險,呼吸機使用時間的延長會影響顱內出血的嚴重程度[20]。究其原因可能是,患兒在進行機械通氣時腦血管血流速度加快,若呼吸機參數(shù)設置不當,患兒自主呼吸頻率與呼吸機不同步,腦血管收縮不穩(wěn)定,腦血流連續(xù)沖擊血管壁而引發(fā)破裂出血[21-22]。臨床上應嚴格掌握機械通氣指征,正確設置呼吸機參數(shù),縮短呼吸機使用時長,爭取早日撤機。腦膜炎、呼吸機使用時間的延長均易增加感染風險,感染時激發(fā)的免疫反應和炎癥瀑布反應致炎癥因子增多,腦耗氧量增加,引起腦靜脈壓波動較大,血管壁易破裂出血[23]。針對早產(chǎn)兒顱內出血疾病,目前尚無特異性治療手段,故及早識別潛在的高風險患兒,對其采取預見性護理措施具有重要的臨床意義。

3.22種預測模型對早產(chǎn)兒顱內出血的預測結論不完全一致 2種預測模型均顯示,呼吸機使用時長、胎齡、體重、貧血、凝血功能異常和腦膜炎為早產(chǎn)兒發(fā)生顱內出血的重要預測因子。但2種模型的預測并不完全一致,例如窒息、產(chǎn)傷、多胎妊娠、血小板減少等預測因子只在logistic回歸模型中出現(xiàn)。從logistic回歸模型可知,早產(chǎn)兒腦膜炎的OR值最大,為早產(chǎn)兒發(fā)生顱內出血最重要的預測因子;通過決策樹模型可知,呼吸機使用時長是預測早產(chǎn)兒是否發(fā)生顱內出血的首要劃分依據(jù)。

3.32種模型的預測性能分析 本研究結果顯示,決策樹在訓練集與測試集的表現(xiàn)均優(yōu)于logistic回歸模型。究其原因,可能是決策樹依據(jù)信息增益值逐層進行構建,呈現(xiàn)自上而下的樹狀圖,根節(jié)點位于最上方,代表首要測試條件,繼而根據(jù)其內部規(guī)則繼續(xù)向下劃分,得到不同的分支,每條分支代表著一種路徑,最后到達葉節(jié)點結束分類[24]。樹狀圖具有可視化的優(yōu)點,其呈現(xiàn)方式較為簡潔直觀。便于醫(yī)護人員及早識別潛在的高風險患兒,并對此類患兒采取預見性護理措施,以減輕疾病嚴重程度或降低疾病發(fā)生率。但決策樹也存在一定缺陷,例如當納入的自變量較多且較為復雜時,輸出的決策樹顯得深大而繁瑣,導致構建的模型泛化能力較差,不易解讀預測結果。因此,本研究對決策樹進行了修剪,以避免發(fā)生過擬合情況。logistic回歸是一種非線性回歸,主要反映數(shù)據(jù)類型為分類變量的因變量與自變量的依存關系[25],但本研究對2種模型比較時發(fā)現(xiàn):在訓練集和測試集中,決策數(shù)的準確率、靈敏度、特異度、約登指數(shù)等均優(yōu)于logistic回歸,且AUC大于logistic回歸,差異有統(tǒng)計學意義(P<0.05),說明決策樹的預測能力更優(yōu)。

綜上所述,在預測早產(chǎn)兒是否發(fā)生顱內出血方面,決策樹的預測能力優(yōu)于logistic回歸模型,其可視化的結果呈現(xiàn)方式更適用于臨床工作。但本研究只運用2個模型進行對比分析,后期應基于機器學習算法構建更多的預測模型,以尋找更為準確的早產(chǎn)兒顱內出血預測模型。其次,此研究的樣本量僅來源于一家醫(yī)院,其代表性不足,今后有待進一步開展多中心、大樣本的研究。