劉亞梅 田龍 王晨宇

在抗擊新冠肺炎疫情期間［1-3］，部分醫(yī)療機構(gòu)暴露出存在的潛在問題，即重癥監(jiān)護室（intensive care unit，ICU）病床數(shù)量暫時無法完全滿足激增的高危新冠肺炎感染患者的要求。特別是在未感染或非高危新冠肺炎感染的急重癥患者數(shù)量未顯著減少的情況下，ICU床位的緊張尤為突出。因此，本試驗創(chuàng)建了一種新型的ICU轉(zhuǎn)入率預測模型，以期為解決上述問題和未來抗擊疫情提供參考。

1 資料與方法

1.1 患者與分組 選取2 339例2022年10月至2023年2月收治于河北北方學院附屬第一醫(yī)院的急重癥患者為研究對象。經(jīng)篩選后共獲得符合標準的患者1 000例，采用中央隨機系統(tǒng)分配法將患者分為ICU轉(zhuǎn)入率預測模型訓練組（n=500）和驗證組（n=500）。本試驗通過醫(yī)院倫理委員會批準（批準號：W20221001），患者入組前均簽署知情同意書。

1.2 納入與排除標準 納入標準：①年齡≥18歲；②入院時查體為未感染或非高危新冠肺炎感染且住院期間新冠肺炎得到良好控制；③卡氏功能狀態(tài)評分（Karnofsky score，KPS）≥60分；④基線資料完整且能夠配合試驗。排除標準：①入院時查體為高危新冠肺炎感染且病情難以控制，直接轉(zhuǎn)入ICU；②惡性腫瘤相關(guān)。

1.3 方法

1.3.1 基線資料收集 收集到的患者基線資料分為4類：①一般資料，年齡、性別、KPS、身體質(zhì)量指數(shù)（body mass index，BMI）、查爾森合并癥指數(shù)（charlson comorbidity index，CCI）、吸煙史、飲酒史。②基礎(chǔ)疾?。壕窦膊?、心臟疾病、血管疾病、凝血功能障礙、肝臟疾病、腎臟疾病、肺結(jié)核、高血壓、糖尿病。③創(chuàng)傷：頭部骨折、椎體（頸椎、胸椎、腰椎）骨折、胸部骨折、盆部骨折、上肢骨折、下肢骨折、腦損傷、氣血胸、肝損傷、胰損傷、腎損傷、腸道損傷、膀胱損傷。④大型手術(shù)：神經(jīng)系統(tǒng)手術(shù)、內(nèi)分泌系統(tǒng)手術(shù)、循環(huán)系統(tǒng)手術(shù)、呼吸系統(tǒng)手術(shù)、胃腸系統(tǒng)手術(shù)、肝膽系統(tǒng)手術(shù)、泌尿系統(tǒng)手術(shù)、生殖系統(tǒng)手術(shù)。上述基線資料來源于兩方面，一方面是臨床和護理經(jīng)驗的總結(jié)，一方面參考了國外相關(guān)研究并補充［10］。將基線資料制成表格后，由護理人員根據(jù)患者情況勾選備用。訓練組同驗證組基線資料比較差異均無統(tǒng)計學意義，對試驗結(jié)果無影響。

1.3.2 模型創(chuàng)建與驗證 模型創(chuàng)建：對訓練組患者行l(wèi)ogistic回歸分析其轉(zhuǎn)入ICU的獨立風險因素并計算其回歸系數(shù)β。取具有統(tǒng)計學意義的各獨立風險因素的β值四舍五入后的近似值為對應的ICU轉(zhuǎn)入評分［10］，創(chuàng)建基線資料同ICU轉(zhuǎn)入率之間的廣義線性回歸預測模型。模型驗證：統(tǒng)計驗證組各個ICU轉(zhuǎn)入總評分患者群體的基線資料，將其代入模型預測各個ICU轉(zhuǎn)入總評分患者群體的轉(zhuǎn)入率。最后，比較驗證組的預測同實際ICU轉(zhuǎn)入率以驗證模型的科學性。

1.4 統(tǒng)計學方法 使用SPSS 19.0軟件進行統(tǒng)計分析，計數(shù)資料以百分比描述，組間比較采用χ2檢驗；采用logistic回歸分析患者轉(zhuǎn)入ICU的風險因素，繪制受試者工作特征（receiver operating characteristic，ROC）曲線，計算ROC曲線下面積（area under curve，AUC）以評價模型預測價值；相關(guān)性分析采用Pearson法，一致性分析采用Bland-Altman法。以P＜0.05為差異有統(tǒng)計學意義。

2 結(jié)果

2.1 訓練組患者基線資料差異單因素分析 訓練組共56例患者轉(zhuǎn)入ICU，轉(zhuǎn)入率為11.20%，基線資料單因素差異性分析共確定了22項具有統(tǒng)計學意義的因素，其中一般資料（除性別、KPS、BMI和CCI外）3項，基礎(chǔ)疾?。ǔ谓Y(jié)核、糖尿病外）7項，創(chuàng)傷（除頭部、胸椎、腰椎、上肢骨折和肝、胰、腎損傷外）8項，大型手術(shù)（除神經(jīng)系統(tǒng)、內(nèi)分泌系統(tǒng)、循環(huán)系統(tǒng)和生殖系統(tǒng)手術(shù)外）4項。見表1～4。

表1 訓練組患者一般資料單因素差異性分析[例（%）]

表2 訓練組患者基礎(chǔ)疾病單因素差異性分析[例（%）]

表3 訓練組患者創(chuàng)傷單因素差異性分析[例（%）]

表4 訓練組患者大型手術(shù)單因素差異性分析[例（%）]

2.2 訓練組患者轉(zhuǎn)入ICU風險的多因素logistic回歸分析 根據(jù)單因素分析結(jié)果，選取兩組間差異有統(tǒng)計學意義的因素［年齡、吸煙史、飲酒史、精神疾病、心臟疾病、血管疾病、凝血功能障礙、肝臟疾病、腎臟疾病、高血壓、頸椎骨折、胸部骨折、盆部骨折、下肢骨折、腦損傷、氣血胸、腸道損傷、膀胱損傷、呼吸系統(tǒng)手術(shù)、胃腸系統(tǒng)手術(shù)、肝膽系統(tǒng)手術(shù)、泌尿系統(tǒng)手術(shù)以（＜60歲或無＝0，≥60歲或有＝1）賦值］作為自變量，以是否轉(zhuǎn)入ICU（未轉(zhuǎn)入＝0，轉(zhuǎn)入＝1）作為因變量，進行二分類多因素logistic逐步回歸分析。結(jié)果顯示，除精神疾病、盆部骨折、泌尿系統(tǒng)手術(shù)外，其他19個因素均是轉(zhuǎn)入ICU的獨立風險因素（P＜0.05）。見表5。

表5 訓練組患者轉(zhuǎn)入ICU風險的多因素logistic回歸分析

2.3 受試者工作特征曲線繪制 以轉(zhuǎn)入ICU為狀態(tài)變量，以各個獨立風險因素為檢驗變量，繪制和計算了各個獨立風險因素單獨預測的ROC和AUC。以轉(zhuǎn)入ICU為狀態(tài)變量，以根據(jù)多因素logistic回歸分析19項獨立風險因素生成的該模型下的預測值為檢驗變量，繪制和計算了聯(lián)合預測的ROC和AUC。圖1中兩組聯(lián)合預測均具有較為理想的效能，訓練組模型聯(lián)合預測AUC：0.925，95%CI：0.890～0.957，靈敏度：84.61%，特異性：90.72%；驗證組模型聯(lián)合預測AUC：0.896，95%CI：0.852～0.931，靈敏度：81.02%，特異性：88.52%。表6中訓練組聯(lián)合預測效能優(yōu)于單獨預測，驗證組結(jié)果同前者一致。

圖1 模型聯(lián)合預測ROC曲線

表6 訓練組模型聯(lián)合預測同單一自變量預測的比較

2.4 模型驗證 驗證組患者共分為11個ICU轉(zhuǎn)入總評分群體，每個群體對應的預測同實際ICU轉(zhuǎn)入人數(shù)（率）差異較小（表7），預測同實際ICU轉(zhuǎn)入人數(shù)最大差異為2分組的2人，差異占比為2.13%（2∕94）。預測同實際ICU轉(zhuǎn)入率呈高度正相關(guān)，相關(guān)性系數(shù)為0.986。預測同實際ICU轉(zhuǎn)入率之間一致性良好（圖2），僅一點落于95%一致性界限之外（其中長虛線為Bias線，短虛線分別為95%一致性上、下界限，實線指縱坐標原點，橫坐標100%處對應了兩個點）。

圖2 預測同實際ICU轉(zhuǎn)入率一致性分析

表7 驗證組預測同實際結(jié)果比較

3 討論

新冠肺炎疫情期間，部分醫(yī)療機構(gòu)出現(xiàn)大量未感染或非高危新冠肺炎感染的急重癥患者無法轉(zhuǎn)入ICU的情況，造成了一定的生命和財產(chǎn)損失。因此，一種科學的預測急重癥患者ICU轉(zhuǎn)入率的方法十分重要。準確的預測結(jié)果對合理調(diào)配醫(yī)護資源和今后的抗擊疫情具有重要意義。本試驗首先基于訓練組患者基線資料創(chuàng)建了一種新型ICU轉(zhuǎn)入率預測模型，發(fā)現(xiàn)模型預測效能良好，可用于患者群體ICU轉(zhuǎn)入率的預測。之后，比較了驗證組患者的預測和實際結(jié)果，發(fā)現(xiàn)模型具有一定科學性且預測結(jié)果較為準確，可為相應的醫(yī)療決策提供一定參考。

相比國內(nèi)其他預測ICU轉(zhuǎn)入率的研究，本試驗具有一定優(yōu)勢。其他研究通?；谖Ｖ匕Y評分量表，例如改良早期預警評分（modified early warning score，MEWS）［11-13］和急性生理學與慢性健康狀況評分系統(tǒng)Ⅱ（acute physiology and chronic health evaluationⅡ，APCHEⅡ）［14-16］預測ICU轉(zhuǎn)入。相比其他研究，本試驗的優(yōu)勢在于：①自適應的“逆向”預測。其他方法大多為“正向”的，基于既成評分系統(tǒng)對患者ICU轉(zhuǎn)入率進行預測，較為刻板。本試驗建立了一種“逆向”的自適應評分系統(tǒng)，即從患者自身出發(fā)，根據(jù)群體特征賦予各因素分值，較為靈活。不同醫(yī)療機構(gòu)和患者群體獲得的分值可能不同，具有一定自適應性。②樣本量更大。本試驗通過1 000例患者獲得的結(jié)果更加科學。③樣本來源更廣。多數(shù)研究患者均來源于單一科室，例如游津等［17］對產(chǎn)科患者進行了預測，黃文龍等［18］對急診患者進行了預測，黎巧玲等［19］對腦卒中患者進行了預測。而經(jīng)歷本次疫情發(fā)現(xiàn)，在醫(yī)護資源突然失衡的情況下，大量急重癥患者涌入醫(yī)療機構(gòu)各個科室［20］，無法就單一科室患者進行研究。本試驗設(shè)計初衷即面對全院所有急重癥患者，試驗結(jié)果也有利于統(tǒng)籌規(guī)劃。④評分量表內(nèi)容更豐富和新穎。本試驗評分量表內(nèi)容綜合了多年經(jīng)驗和國外最新相關(guān)研究內(nèi)容，包含了導致ICU轉(zhuǎn)入的大部分因素。NEWS和APCHEⅡ等評分量表已沿用多年，內(nèi)容較為單一。⑤結(jié)果更具有價值。大部分基于NEWS和APCHEⅡ等評分量表的研究僅提供了AUC、靈敏度、特異性等結(jié)果。本試驗不僅給出了上述結(jié)果，還精確到了患者人數(shù)，為ICU床位和醫(yī)護人員的調(diào)配提供了更有價值的參考。⑥結(jié)果更實用。本試驗對急重癥患者按照ICU轉(zhuǎn)入總評分進行了劃分，預測了不同人群的ICU轉(zhuǎn)入率，這在醫(yī)療壓力巨大時非常重要。醫(yī)療機構(gòu)可根據(jù)ICU轉(zhuǎn)入總評分和對應的轉(zhuǎn)入率優(yōu)先考慮轉(zhuǎn)入需求最大的群體。

相比國外預測ICU轉(zhuǎn)入率的相似研究，本試驗進行了一定改良。Prado等［10］等同樣基于logistic回歸分析創(chuàng)建了ICU轉(zhuǎn)入率預測模型，并取具有統(tǒng)計學意義的各獨立風險因素比值比（odds ratio，OR）四舍五入后的近似值為對應的ICU轉(zhuǎn)入評分，最終獲得了較為理想的結(jié)果。本試驗對Prado等研究進行了批判性分析，發(fā)現(xiàn)采用OR近似值可能不合適。采用β近似值更能體現(xiàn)各獨立風險因素的特點，及其對整個模型結(jié)果的影響。另外，Prado等對模型進行了簡化，存在較大誤差。本試驗執(zhí)行了完整的計算過程，從而保證了結(jié)果的準確性。

綜上所述，本試驗通過評價ICU轉(zhuǎn)入率預測模型，證明了模型應用的可行性；通過驗證模型和比較預測結(jié)果，證明了模型應用的科學性。本試驗為ICU轉(zhuǎn)入率的預測提供了新的理論和方法參考，對合理調(diào)配醫(yī)療資源和今后的抗擊疫情具有重要意義。然而，本試驗存在一定局限和改進：①樣本量有嚴格的限制。本試驗要求樣本量須＞145且≤500。當樣本量低于145時會得到負數(shù)結(jié)果而造成預測錯誤，當樣本量超過500時會造成一定預測誤差。建議醫(yī)療機構(gòu)根據(jù)實際情況創(chuàng)建自適應預測模型；②未來需量化β近似處理后誤差對試驗結(jié)果可能造成的影響，同時深入研究并比較OR和β近似值優(yōu)劣以選取最合適的評分參數(shù)。