陳天喜,姜岱山,沈艷,王伶俐,孫宏,張佳佳

(1.南通大學附屬醫(yī)院 護理部,江蘇 南通 226001;2.南通大學附屬醫(yī)院 急診醫(yī)學科)

急性創(chuàng)傷性腦損傷(traumatic brain injury,TBI)是導致患者死亡和致殘的最常見原因。有研究[1]表明,重度急性TBI患者死亡率為29%～55%。近年來,急性TBI相關的急診科就診率不斷增加[2]。而急性TBI預后與救治時間密切相關,快速而準確的分診是創(chuàng)傷救治系統(tǒng)高效運轉的前提,可影響患者的生存、總體功能結局[3]。創(chuàng)傷患者的分診是指快速而準確地評估患者,確定其損傷程度和所需醫(yī)療的恰當水平,其目標是將嚴重創(chuàng)傷患者全部轉運至可提供恰當治療的創(chuàng)傷中心搶救室。最常用的工具包括修正創(chuàng)傷評分(revised trauma score,RTS)[4]、損傷機制格拉斯哥年齡血壓評分(mechanism,Glasgow coma scale,age and arterial pressure score,MGAP)[5]、改良快速急診醫(yī)學評分(the modified rapid emergency medicine score,mREMS)[6]及改良早期預警評分(modified early waring score,MEWS)[7]。既往研究并未明確最適合急性TBI患者早期死亡(發(fā)病24 h以內)風險預測的特異性創(chuàng)傷分診評分模型。理想的院前用于創(chuàng)傷的分診工具應簡單易用,測量一致性較好,且能準確區(qū)分傷情嚴重程度。為此,本研究擬采用決策樹算法研究急性TBI患者早期死亡風險的分診預測模型,旨在為急診科醫(yī)護人員提供準確、直觀的早期分診工具。

1 對象與方法

1.1 研究對象 回顧性分析2020年1月至2021年12月某院急診室救治的急性TBI患者2287例的臨床數(shù)據。納入標準:(1)急性顱腦創(chuàng)傷;(2)患者年齡>18周歲;排除標準:(1)非單純顱腦創(chuàng)傷,合并其他部位的嚴重創(chuàng)傷;(2)資料無法收集齊全的患者;(3)入室時患者死亡。本研究獲本院醫(yī)學倫理委員會批準(2021-K084-01)。

1.2 資料的收集 通過急診麥迪斯頓系統(tǒng)分診數(shù)據庫,回顧性收集急性TBI患者在入急診室時的生命體征及一般資料情況,主要包括性別、年齡、心率、收縮壓、呼吸頻率、血氧飽和度、格拉斯哥昏迷評分(Glasgow coma scale,GCS)、損傷機制、雙瞳反應性等,并計算其評分。(1)RTS:該評分是Champion等[4]對創(chuàng)傷評分進行修正后得來,包含GCS、收縮壓和呼吸頻率3個變量。對上述變量分別評分并加權相加為RTS值。RTS=0.9368×GCS+0.7326×收縮壓+0.2908×呼吸頻率。RTS范圍0～7.84分,>4分為輕傷,0～4分為重度傷,分值越低預后越差。(2)MGAP:該評分是Sartorius等[5]通過多中心前瞻性觀察研究構建的院前創(chuàng)傷分診工具,包含損傷類型(鈍挫傷或穿透傷)、GCS、年齡和動脈壓4個變量。MGAP評分賦分方法為鈍挫傷計4分、穿透傷計0分;GCS 3～15分(按實際值評分);患者年齡<60歲計5分、≥60歲計0分;患者的收縮壓>120 mmHg(1 mmHg=0.133 kPa)計5分、60～119 mmHg計3分、<60 mmHg計0分。MGAP總分3～29分,3～17分為高危,18～22分為中危,23～29分為低危。(3)mREMS:該評分是Miller等[6]對REMS的改良版本,包含患者年齡、收縮壓、心率、呼吸頻率、GCS及氧飽和度6個變量。mREMS的計算方法為年齡、收縮壓、心率、呼吸頻率、氧飽和度評分范圍均為0～4分,mREMS總分最高26分,0～13分為輕傷,13分提示高風險。(4)MEWS:該評分作為基于心率、收縮壓、呼吸頻率、體溫和意識[7]的量化評分系統(tǒng)廣泛應用于臨床。MEWS的5個變量對應評分范圍為0～3分,MEWS評分越高,患者的狀態(tài)及預后越差。

2 結果

2.1 急性TBI患者的一般資料 共納入急性TBI患者2287例,年齡18～100歲,平均(60.18±15.67)歲;男1479例、女808例;心率為30～160次/分,平均(83.21±18.09)次/分;呼吸為5～45次/分,平均(19.15±4.26)次/分;收縮壓為36～254 mmHg(1 mmHg=0.133 kPa),平均(142.77±29.56)mmHg;血氧飽和度為10%～100%,平均(95.88±5.63)%;GCS為3～15分,平均(12.26±4.29)分;RTS 為1.31～7.84分,平均(7.08±1.30)分;MGAP 為7～29分,平均(23.08±5.09)分;mREMS為 0～24分,平均(4.60±3.55)分;MEWS 為0～11分,平均(2.28±1.72)分。

本研究依據急性TBI患者是否發(fā)生24 h內死亡分為生存組(n=2121)和死亡組(n=166),兩組患者在年齡、性別、心率、呼吸頻率、收縮壓、血氧飽和度、瞳孔反應性、GCS、RTS、MREMS、MEWS以及MGAP等項目上的差異均有統(tǒng)計學意義(均P<0.05),詳細情況見表1。

表1 急性TBI患者一般資料

2.2 急性TBI患者早期死亡相關危險因素 采用CHAID算法進行決策樹分析,以急性TBI患者是否出現(xiàn)≤24 h死亡事件為因變量,以年齡、性別、心率、呼吸頻率、收縮壓、氧飽和度、瞳孔反應性、GCS、RTS、MREMS、MEWS以及MGAP為解釋變量,最大生長深度為3,父節(jié)點與子節(jié)點最小樣本數(shù)目分別為100與50,節(jié)點檢驗水準ɑ=0.05,所構建的決策樹模型共包括3層、15個節(jié)點,篩選出6個解釋變量,分別是瞳孔反應性、RTS、MEWS、MGAP、血氧飽和度以及收縮壓,見圖1。分類樹模型預測急性TBI患者早期死亡風險的準確率為94.6%,其中瞳孔反應性是急性TBI患者發(fā)生早期死亡風險的重要危險因素,瞳孔雙側無反應組中60.7%的患者進入死亡組,高于雙側瞳孔反射正常的患者(2.2%)和一側有反應的患者(32.8%)。

圖1 急性TBI患者早期死亡風險分診樹模型

2.3 急性TBI患者早期死亡風險分診樹模型評價 累計增益圖是從0%開始到100%結束,且良好模型的增益圖應先向100%快速增長,最后趨于平穩(wěn)。此急性TBI患者早期死亡風險分診樹模型符合良好模型的標準。分類樹重替代估計量和交叉驗證估計量分別為0.054和0.058,標準誤差均為0.005,表示采用分類樹模型預測急性TBI患者早期死亡風險的正確率為94.6%,證明模型擬合效果良好。采用十折交叉驗證模型,結果顯示決策樹模型較為穩(wěn)定,預測效能依然較高,與建模組的結果相似。

決策樹模型與MEWS、RTS、mREMS和MGAP比較,結果顯示,決策樹模型的AUC為0.917,高于MEWS(0.855)、RTS(0.741)、MGAP(0.846)和mREMS(0.604);經過兩兩比較發(fā)現(xiàn),各組AUC之間的差異均有統(tǒng)計學意義(均P<0.01),具體情況見表2。

3 討論

3.1 急性TBI患者發(fā)生早期死亡風險分診預測指標 本研究納入了2287例急性TBI患者,其中166例急性TBI患者發(fā)生≤24 h內死亡。單因素分析顯示,生存組與死亡組患者在年齡、性別、心率、呼吸頻率、收縮壓、氧飽和度及GCS等項目上的差異均有統(tǒng)計學意義(均P<0.05)。在以往研究中,年齡增大和收縮壓下降是公認的不良預后危險因素。既往研究[8]表明,急性TBI病死率隨年齡增長而增加,從15～24歲的15%增加到85歲及以上患者的71%。男性急性TBI患者總死亡率高于女性患者(22.1%vs17.3%)[9]。

決策樹模型進一步篩選出6個解釋變量。樹的第1層變量是瞳孔反應性,不難看出,在急性TBI患者是否出現(xiàn)早期死亡這一結局中,最重要的因素(靠近根部的變量)是瞳孔反應性。國際臨床試驗預后與分析任務組(International Mission for Prognosis and Analysis of Clinical Trials,IMPACT)[10]和顯著頭部損傷后皮質類固醇隨機研究(corticosteroid randomisation after significant head injury CRASH)[11]的急性TBI死亡預測模型均包含的核心臨床變量是瞳孔反應性,而在本研究結果亦顯示瞳孔雙側無反應組中60.7%的急性TBI患者進入死亡組,占比最高。

進入決策樹第2層的變量是MEWS、血氧飽和度和收縮壓。本研究MEWS最終進入決策樹模型,提示MEWS可以有效預測急性TBI患者早期死亡風險,這與Kim等[12]研究一致。本研究顯示,在雙側瞳孔無反應組中,血氧飽和度<90%的急性TBI患者進入死亡組的概率(75.4%)高于血氧飽和度≥90%的患者(50.0%)。既往研究[13]指出,在重型急性TBI患者中,搶救前約有1/3的患者存在低氧血癥;在傷后早期,即使短暫的低氧血癥也會增加死亡率。有研究[14]提示,收縮壓與急性TBI死亡風險呈U型相關,而本研究中一側瞳孔無反射、收縮壓<90 mmHg或≥140 mmHg的急性TBI患者早期死亡風險為46.7%,高于另外兩組,也呈U型相關。

決策樹的第3層的變量是RTS和MGAP。Najafi等[15]研究提示,RTS可以用于急性TBI患者分診,RTS<4分表示有必要把患者轉到一級創(chuàng)傷中心。有研究[16]也表明,MGAP可用于急性TBI患者早期死亡的預測。而在本研究中,MREMS未能最終進入決策樹預測模型,de Souza Barbosa研究[17]亦發(fā)現(xiàn)mREMS對急性TBI患者早期死亡預測缺乏預測效能。

3.2 決策樹模型與MEWS、RTS、MGAP和mREMS的比較 本研究基于決策樹構建急性TBI患者早期死亡風險分診模型的AUC 是0.927,預測價值高于MEWS(0.861),RTS(0.704)、MGAP(0.848)和mREMS(0.604)單一指標。有文獻[10-11]提示,基于多中心的急性TBI預測模型IMPACT和CRASH在預測急性TBI患者早期死亡方面的性能范圍為0.85～0.90。Lee等[18]研究顯示,包含頭部的簡要損傷量表(abbreviated injury scale,AIS)編碼、GCS及年齡的單純性創(chuàng)傷性腦損傷預測模型(predictor of isolated trauma in head model,PITH)對急性TBI患者早期死亡的預測價值為0.970。而本研究構建的決策樹的預測模型的預測價值與IMPACT和CRASH模型類似,稍低于PITH模型。進一步關注其特異度和敏感度,總的說來,分診工具要最大限度地避免檢傷不足,即寧可降低特異性也要增加敏感性。根據美國外科醫(yī)師學會的數(shù)據,可接受分診不足的發(fā)生率是5%,而可接受過度分診的發(fā)生率可高達50%[18]。Alqurashi等[19]在對急性TBI分診工具的系統(tǒng)綜述中發(fā)現(xiàn),納入研究報告的敏感性為19.8%～87.9%,特異性為41.4%～94.4%。本研究分診樹模型的同時敏感度為0.943,特異度為0.840,符合美國外科醫(yī)師學會創(chuàng)傷分診工具的要求。

3.3 決策樹模型對預測急性TBI患者分診的實用性和局限性 急性TBI需要一個準確的分診工具來確定創(chuàng)傷早期急性TBI的嚴重程度。現(xiàn)有的急性TBI預測工具在分診中使用有一定局限性,如Lee等[18]構建的PITH最終模型需要CT評估獲得頭部的AIS。IMPACT和CRASH模型是基于多中心的急性TBI預后預測模型,上述3種模型都是基于CT等變量的急性TBI風險預測,在分診預測受限。創(chuàng)傷和損傷嚴重度量表(trauma and injury severity scale,TRISS)[20]是最廣泛使用的創(chuàng)傷評分系統(tǒng)之一,用于預測存活概率;而TRISS是基于解剖損傷,在創(chuàng)傷后的早期階段很難測量,不適合在創(chuàng)傷區(qū)進行快速、簡單的測量,也不適合在急診室進行初步評估。決策樹模型以決策樹圖形作為表現(xiàn)形式[21],展示臨床重要事件的可能發(fā)展過程與結局,使結果更為直觀,可以揭示標明各種事件可能出現(xiàn)的概率,對最終結局賦值,提示下一步的干預重點;能顯示變量間的相互作用關系,具體分析出某變量在各亞群中的作用方式。本研究僅考慮了在受傷后的可以輕松獲取的預測因子,最終納入的指標包括瞳孔反應性、RTS、MGAP、MEWS、血氧飽和度以及收縮壓,從而保證了分診指標的實用性和可行性。本研究也存在一定局限性,如本研究為單中心研究,回顧性收集MEWS、RTS、mREMS、MGAP以及相關臨床數(shù)據,可能存在納入因素不足;同時,回顧性研究對偏倚的控制較前瞻性研究差,有待多中心且隊列研究進行驗證;另外,本決策樹模型納入的MEWS、RTS以及MGAP等變量,在應用時較單個評分工具復雜,可能會增加評估時間,而更精準的預測效能可以一定程度彌補。