老年慢性阻塞性肺疾病急性加重期合并腦?；颊叨唐谒劳鲲L險的列線圖模型建立

王文娟 黃志東 李貴宇 羅艷潔

廣西壯族自治區南溪山醫院（廣西壯族自治區第二人民醫院）老年科（廣西桂林541002）

慢性阻塞性肺疾病（chronic obstructive pulmonary disease，COPD）以持續存在的氣流受限為特征，氣流受限不完全可逆，并進行性發展。其是老年人常見病，在我國，COPD患病人數超過1億，70歲及以上年齡人群患病率高達20.3%，且仍呈上升趨勢［1-2］。COPD是全球死亡第五大原因，世界衛生組織（world health organization，WHO）估計，至2030年其將是第三大死亡原因［3］。COPD很少作為單獨疾病存在，往往合并其他疾病。筆者所在科室發現，老年COPD急性加重期（acute exacerbation COPD，AECOPD）患者合并腦梗較多，且患者死亡風險較高。為此，本研究試圖建立預測模型，探討影響該類患者的死亡因素，并繪制列線圖。以指導臨床篩選死亡風險高的患者并積極干預，現報道如下。

1 資料與方法

1.1研究對象2013年1月至2018年6月，在我院住院治療的AECOPD合并腦?；颊?，通過醫院病歷系統索引并調取數據。納入標準：（1）年齡60歲及以上；（2）COPD診斷符合AECOPD診斷標準［4］；（3）腦梗診斷參照中國急性缺血性腦卒中診治指南（2014）標準［5］，并經頭部核磁共振成像檢查證實。排除標準：（1）合并腫瘤；（2）資料不完整者。最初納入研究758例，由于資料不完整，排除36例，最終納入研究共722例。

1.2研究方法與和指標本研究采用回顧性調查研究方法，統計分析AECOPD合并腦梗死亡的危險因素，包括性別、年齡、吸煙史、飲酒史、COPD病程、GOLD分級［6］、NIHSS評分分級［7］評估神經功能缺損狀況，并發癥（肺部感染、高血壓、Ⅱ型糖尿病、心絞痛、心梗、肺心病、肺性腦病、自發性氣胸）。起點時間為患者入院當天，終點時間為患者入院后60 d。

1.3統計學方法計量資料采用均數±標準差形式表示，計數資料采用例數（百分比）形式表示。用R軟件（Microsoft open R 3.5.1）及相關程序包進行統計分析，包括glmnet程序包用于logistic回歸分析，car程序包用于計算多重共線性，pROC程序包用于繪制ROC曲線，rms程序包用于繪制列線圖。將最終研究對象隨機分為建模組（70%）與驗證組（30%），兩組患者臨床數據見表1。建模組數據用于建立二元多因素Logistic模型，繪制列線圖。驗證組數據用于驗證模型。P＜0.05為差異有統計學有意義。根據受試者特征曲線（Roc曲線）下的面積（AUC）判斷模型預測能力（AUC在0.5～0.7辨別力較低，0.7～0.9為辨別力較好，＞0.9為辨別力極好）。

2 結果

2.1單因素Logistic回歸分析結果單因素Logistic回歸分析后結果顯示，性別、年齡、COPD病程、GOLD分級、NIHSS評分分級、合并肺心病、合并呼衰、合并自發性氣胸與合并肺部感染對患者死亡有預測意義（P＜0.05）。見表2。

2.2多因素Logistic回歸分析對單因素Logistic回歸分析篩選出的變量，進行多因素Logistic回歸分析，結果顯示，性別（OR=2.25，95%CI：0.19 ～1.55）、年齡（OR=1.06，95%CI：1.01 ～ 1.12）、COPD病程（OR=1.08，95%CI：1.04 ～ 1.13）、GOLD分級（OR=2.91，95%CI：1.95 ～ 4.45）、NIHSS評分分級（OR=2.24，95%CI：1.25～ 4.16）、合并肺心?。∣R=2.84，95%CI：1.35 ～ 5.98）、合并呼衰（OR=5.26，95%CI：2.24～ 12.63）、合并自發性氣胸（OR=5.23，95%CI：2.09～ 13.16）與合并肺部感染（OR=2.81，95%CI：1.52～5.38）是患者死亡的獨立危險因素（P＜0.05），見表3。且多重共線性分析結果顯示上述預測變量間無多重共線性，模型有效。

2.3老年AECOPD合并腦?；颊叨唐谒劳鲲L險預測列線圖根據多因素Logistic回歸分析結果，繪出AECOPD合并腦?；颊叨唐谒劳鲲L險預測列線圖，見圖1。

2.4篩選出的變量預測患者死亡風險的ROC曲線建模組模型ROC曲線的AUC為0.907，約登指數為0.206（特異度為0.858，靈敏度為0.823，圖2A）；驗證組ROC曲線的AUC為0.847，約登指數為0.447（特異度為0.909，靈敏度為0.667，圖2B）。兩組ROC曲線比較差異無統計學意義（D=1.447，P=0.149）。

2.5篩選出的變量繪制的患者死亡風險預測模型的校準圖根據建模組與驗證組校準圖顯示，通過多因素Logistic回歸分析篩選出的變量構建的預測模型，其模型校準曲線與標準曲線均接近，差異有統計學意義（均P＞0.10，圖3）。

表1 建模組患者和驗證組患者臨床數據Tab.1 Patient clinical data in training set and validation set 例（%）

表2 單因素Logistic回歸分析結果（建模組）Tab.2 Univariate Logistic regression analysis results（training set）

3 討論

COPD急性加重嚴重影響患者生活能力及預后，是COPD患者死亡的主要原因。而COPD合并其他疾病在臨床非常常見，高達94%的COPD患者至少有一種共患疾病，高達46%的患者并發三種或更多疾?。?］。但AECOPD合并腦?；颊哳A后的相關報道鮮有。本研究通過分析本院5年來該類老年患者的相關臨床數據，找出危險因素具有重要的臨床意義。從本研究的數據看來，AECOPD合并腦梗患者短期內（60 d）的病死率較高，達19.11%。通過單因素和多因素Logistic回歸分析發現，男性、年齡、COPD病程、GOLD分級、NIHSS評分分級、合并肺心病、呼衰、自發性氣胸、肺部感染是該類患者死亡的獨立風險因子。

表3 多因素Logistic回歸分析結果（建模組）Tab.3 Multivariate Logistic regression analysis results（training set）

圖1 老年AECOPD合并腦?；颊叨唐谒劳鲲L險預測列線圖Fig.1 Short-term mortality risk prediction of elderly patients with AECOPD complicated with cerebral infarction

圖2 篩選出的變量預測患者死亡風險的ROC曲線Fig.2 ROC curve of the patient mortality risk drew by selected variables

圖3 篩選出的變量繪制的患者死亡風險預測模型的校準圖Fig.3 Calibration plot of the patient mortality risk prediction model drew by selected variables

列線圖能可視化和圖形化Logistic回歸分析的結果，可直觀預測個體疾病風險，方便好用易于推廣。本研究基于上述9項危險因素，建立預測老年AECOPD合并腦?；颊叩乃劳鲲L險模型，有助于?？漆t護人員直觀分析各危險因素對該類患者死亡的風險權重，對甄別該類患者中的高死亡風險人群，制定干預決策有指導意義。根據本研究繪制的列線表中各變量對應的分值來看，影響患者死亡風險權重從高至低的因素依次為：呼衰與自發性氣胸、肺部感染與GOLD分級、肺心病、男性、NIHSS評分分級、COPD病程和年齡。雖無直接關于該類患者死亡相關因素的報道，但從關于COPD的臨床研究中獲得相關支持，如有研究報道，合并呼衰的老年COPD患者病死率高達37%［9］；合并肺心病是老年AECOPD死亡的獨立影響因素［10］；年齡與肺功能分級是AECOPD患者最終死亡的危險因素［11］。上述都與本研究結果相符，但本研究中未發現吸煙史可作為患者死亡的獨立影響因子，而其他研究發現的結果相反［12］。其中可能原因是本研究中患者吸煙比例較高，超過65%。

本研究采用C指數和校準圖對列線圖預測模型進行驗證。建模組模型ROC曲線的AUC為0.907，驗證組ROC曲線的AUC為0.847，兩組ROC曲線差異無統計學意義（D=1.447，P=0.149），提示該預測模型在建模組和驗證組上的辨別能力一致，且模型的辨別能力較好。校準圖顯示，模型校準曲線與標準曲線均接近（均P＞0.10），提示模型的校準能力好，反映模型預測患者的死亡風險與實際死亡風險一致程度高。但本研究為單中心研究，樣本量小，該預測模型還需經多中心，更大樣本量的研究進一步驗證。此外，預測變量覆蓋不夠全面也是本研究的局限所在，比如由于有些患者因病情嚴重，無法測量體質量，體質量指數（body mass index，BMI）無法納入到預測變量中，而有研究表明BMI也是影響AECOPD患者預后的獨立影響因子［13］，這也是以后該研究的深入所在。