決策樹模型與Logistic回歸模型在產后尿潴留發生影響因素分析中的作用

郭學齊 閆貴貞 張彩霞 陳景娟

[摘要] 目的 探討決策樹模型與Logistic回歸模型在產后尿潴留（PUR）發生影響因素分析中的作用。 方法 收集2014年1月1日～2017年12月31日在浙江省麗水市人民醫院（以下簡稱“我院”）經陰道分娩后發生PUR的180例產婦作為病例組，隨機選取同期于我院經陰道分娩且未發生PUR的200例產婦作為對照組。采用決策樹模型與Logistic回歸模型回顧性分析PUR發生的相關影響因素。 結果 決策樹模型和多因素Logistic回歸模型分析均顯示分娩鎮痛（P = 0.047）、產鉗助產（P = 0.001）以及會陰側切（P < 0.001）是發生PUR的獨立危險因素。此外，Logistic回歸模型分析結果還提示巨大兒（P = 0.023）是PUR的影響因素，而決策樹模型中未提示其對PUR的發生有影響。 結論 PUR的影響因素眾多，決策樹模型和Logistic回歸模型互為補充，可從不同方面描述PUR發生的影響因素，為進一步制訂預防措施提供參考依據。

[關鍵詞] 決策樹模型;產后尿潴留;影響因素;Logistic回歸模型

[中圖分類號] R714.64? ? ? ? ? [文獻標識碼] A? ? ? ? ? [文章編號] 1673-7210（2019）09（b）-0085-04

The role of decision tree model and Logistic regression model in postpartum urinary retention influencing factors analysis

GUO Xueqi? ?YAN Guizhen? ?ZHANG Caixia? ?CHEN Jingjuan

Department of Obstetrics， Lishui People′s Hospital， Zhejiang Province， Lishui? ?323000， China

[Abstract] 0bjective To investigate the role of decision tree model and Logistic regression model in postpartum urinary retention （PUR） influencing factors analysis. Methods From January 1， 2014 to December 31， 2017， 180 puerpera with PUR after vaginal delivery in Lishui People′s Hospital of Zhejiang Province （"our hospital" for short） were selected as case group， and 200 puerpera who without PUR in our hospital at the same period were selected randomly as control group. Decision tree model and Logistic regression model were used to determine influential factors for PUR. Results Decision tree model and Logistic regression model indicated that delivery analgesia （P = 0.047）， forceps delivery （P = 0.001） and episiotomy （P < 0.001） were independent risk factors of PUR， and fetal macrosomia （P = 0.023） was also the influencing factor in the Logistic regression model， but the decision tree model did not indicate its influence. Conclusion There are many factors influencing PUR. Decision tree model and Logistic regression model are complementary to each other， which can describe the factors from different aspects， and provide basis and reference for the further formulation of preventive measures.

[Key words] Decision tree model; Postpartum urinary retention; Influencing factors; Logistic regression model

產后尿潴留（postpartum urinary retention，PUR）指產婦經陰道分娩后6 h無法自行排尿，或自行排尿后超聲監測或導尿管導出膀胱內殘余尿量（PVRV）>150 mL，或自行排尿后膀胱內殘余尿量>150 mL[1]。PUR是產科常見的一種并發癥，不僅使產婦膀胱長期處于過度充盈的狀態，影響產后子宮恢復;還可能因子宮收縮欠佳而造成產后大出血[2-3]，危害不容忽視[4]。PUR可導致嚴重的后果，故發現與闡明PUR的高危因素，指導臨床采取針對性措施，對避免PUR的發生至關重要。目前，國內外多采用Logistic回歸模型分析發生PUR的影響因素[5]。該分析方法雖能有效地展現因變量和自變量之間的數量依存關系，但尚不足以處理某些非線性、高度交互作用及含大量缺失值等特征的資料，同時也無法直觀地顯示各因素對結果變量的重要程度[6-7]。決策樹法（decision tree）作為數據挖掘領域的重要方法，已被廣泛應用于醫藥生物領域，在很大程度上彌補了傳統Logistic回歸模型的缺陷和不足[8]。

筆者分析已發表的文章，目前尚缺乏決策樹模型在PUR數據分析中的應用。因此，本文將決策樹模型應用于研究PUR的影響因素，比較并結合Logistic回歸模型的結果，以期更好地對高危人群實施干預，減少PUR的發生。

1 對象與方法

1.1 研究對象

收集2014年1月1日～2017年12月31日在浙江省麗水市人民醫院（以下簡稱為“我院”）經陰道分娩后發生尿潴留的180例產婦作為病例組;隨機選取同期于我院經陰道分娩且未發生尿潴留的200例產婦作為對照組。本研究經我院醫學倫理委員會批準。

1.2 研究設計

研究采用病例對照法。排除標準：①產婦年齡<18歲;②數據不全。

1.3 調查方法及內容

調查表經過統一設計后，對資料進行回顧性調查。資料收集包括年齡、分娩時間、分娩前體重、糖尿病、高血壓、第一產程時間、第二產程時間、人工破膜、分娩鎮痛、阿片類鎮痛藥、產鉗助產、會陰側切及巨大兒[9]等。將因變量設定為是否發生PUR，自變量為可能導致PUR發生的因素，并對相關因素進行賦值。見表1。

表1? ?PUR的影響因素及賦值說明

注：PUR：產后尿潴留

1.4 決策樹模型

采用CHAID算法對PUR的影響因素進行分析。分割顯著性水準αmerge = αsplit = 0.05;決策樹生長層數為4層，停止規則為α = 0.05;母節點最小樣本量為50，子節點為最小樣本量為10。

1.5 Logistic回歸模型

采用Forward Stepwise方法對PUR的影響因素進行分析。

1.6 統計學方法

采用SPSS 23.0統計學軟件進行數據分析，符合正態分布計量資料采用均數±標準差表示，兩組間比較采用t檢驗;不符合正態分布的改用中位數（M）或四分位數（P25，P75）表示，兩組間比較采用非參數檢驗（秩和檢驗）。計數資料用率表示，組間比較采用χ2檢驗或Fisher確切概率法。以P < 0.05為差異有統計學意義。單因素Logistic回歸分析以P < 0.10為差異有統計學意義，多因素Logistic回歸分析以P < 0.05為差異有統計學意義。

2 結果

2.1 單因素Logistic回歸模型分析結果

單因素Logistic回歸模型分析結果顯示，第一產程時間、第二產程時間、分娩鎮痛、產鉗助產、會陰側切及巨大兒可能是PUR的影響因素（P < 0.05）。見表2。

表2? ?單因素Logistic回歸分析結果

2.2 多因素Logistic回歸模型分析結果

校正其他混雜因素后，分娩鎮痛（OR = 1.688， 95%CI：1.007～2.830，P = 0.047）、產鉗助產（OR = 4.454， 95%CI：1.825～10.873，P = 0.001）、會陰側切（OR = 3.056， 95%CI：1.782～5.244，P < 0.001）以及巨大兒（OR = 4.592，95%CI：1.239～17.016，P = 0.023）是發生PUR的獨立危險因素。見表3。

表3? ?多因素Logistic回歸分析結果

2.3 決策樹模型分析結果

分娩鎮痛、產鉗助產、會陰側切是發生PUR的獨立影響因素，其中產鉗助產的影響最為顯著。見圖1。

PUR：產后尿潴留

圖1? ?決策樹模型分析發生PUR影響因素的樹型圖

3 討論

PUR發生率較高，若未能及時診斷及干預，可增加產婦的身心痛苦及經濟負擔，因此確定PUR的主要影響因素具有重要的臨床意義[10-12]。決策樹模型和Logistic回歸模型分析結果顯示分娩鎮痛、產鉗助產以及會陰側切是發生PUR的獨立影響因素。此外，Logistic回歸模型分析結果提示巨大兒也是PUR的影響因素，而決策樹模型中并未提示其對PUR有影響。這可能是由于決策樹模型與Logistic回歸模型變量篩選的方式不同導致。

近年來，分娩鎮痛在臨床應用中普及，雖然能夠降低產婦分娩的疼痛、提高分娩質量，但同時也會促進PUR的發生[12-13]。Mulder等[14]研究提示，分娩鎮痛會增加PUR的發生率。石翠霞等[15]通過研究也發現分娩鎮痛患者的PUR發生率（51.5%）明顯高于未使用分娩鎮痛的產婦（36.5%），差異有統計學意義。機制研究結果表明，麻醉藥物可以阻斷脊髓與腦橋間的信號傳導，抑制正常的排尿反射;同時麻醉藥物也可減弱尿道內括約肌和膀胱逼尿肌的收縮力及敏感性，導致PUR的發生風險增加[15-16]。因此，充分了解麻醉藥物對排尿中樞、膀胱功能的影響，掌握分娩鎮痛的用藥時機[17]，積極協助分娩鎮痛產婦排空膀胱對于預防PUR十分重要。

本研究結果提示產鉗助產是PUR的獨立危險因素之一，這與Kekre等[18]報道結果一致。產鉗助產的過程中，產鉗壓迫和摩擦盆底組織，容易造成周圍神經肌肉損傷，破壞反射弧的完整性，導致排尿反射失效，從而發生PUR[11]。因此，產鉗助產應由經過專業訓練的高年資醫師進行，且產鉗助產術前要充分評估患者的病情，術中嚴格依據操作要點進行，術后細致檢查軟產道的情況。

常規會陰側切術可以避免產婦會陰裂傷嚴重，但Oh等[1]研究發現會陰側切與PUR存在關聯，會陰側切患者的PUR發病率較高，與本研究一致。原因有兩方面：一方面，初產婦容易對會陰部切口過度焦慮，心理上對排尿行為產生恐懼，從而對膀胱括約肌舒張功能及逼尿肌的收縮功能產生影響，導致PUR;另一方面，會陰側切的產婦往往產程時間較長，盆底組織長時間受到壓迫，易造成盆骨神經功能麻痹，增加PUR的發生風險[14-15]。因此，臨床醫生應嚴格把握會陰側切的指征和條件，避免預防性的常規應用。此外，Logistic回歸模型分析也發現出生體重≥4 kg的新生兒產婦PUR的發生風險較正常出生體重的新生兒產婦高，其原因可能是胎兒過大導致會陰側切或產鉗助產后壓迫膀胱及盆腔神經[19]。

Logistic回歸模型和決策樹模型各有優勢，兩者結合可從不同角度反映所研究的影響因素[20-21]。對于本研究，決策樹模型的優勢體現在以下三方面[22]：①決策樹模型可以揭示不同因素對結果變量的重要程度，其表現形式也更加清楚直觀。本研究的根節點為產鉗助產，顯示產鉗助產是發生PUR的最重要影響因素，并且以樹型圖的形式清晰準確的表現出來。②臨床工作者能夠依據決策樹模型的亞組情況，簡單高效地識別高危人群。本研究結果提示，醫護人員應重點關注產鉗助產的產婦，這類人群PUR的發生率高達77.1%;而無產鉗助產、無會陰側切且無分娩鎮痛的患者PUR的發生風險較小。③決策樹模型能夠清楚地顯示各因素間相互作用的關系。本研究可從樹型圖發現分娩鎮痛、會陰側切僅對無產鉗助產的產婦有影響，而對產鉗助產的產婦則無意義。

綜上所述，PUR的影響因素眾多，決策樹模型與Logistic回歸模型可互為補充，從不同方面描述PUR發生的影響因素及作用，為制訂預防措施提供參考依據。

[參考文獻]

[1]? Oh J，Kim S，Shin J，et al. Risk factors for acute postpartum urinary retention after vaginal delivery：focus on episiotomy direction [J]. J Matern Fetal Neonatal Med，2016， 29（3）：408-411.

[2]? 石翠霞，馬樂.產后尿潴留高危因素及防治進展[J].中國生育健康雜志，2017，28（3）：296-298，301.

[3]? Stanley A，Conner B. Implementing a clinical practice guideline to manage postpartum urinary retention [J]. J Nurs Care Qual，2015，30（2）：175-180.

[4]? Mulder F，Hakvoort R，De Bruin J，et al. Long-term micturition problems of asymptomatic postpartum urinary retention：a prospective case-control study [J]. Int Urogynecol J，2018，29（4）：481-488.

[5]? Polat M，■entürk MB，Pulato■lu ？覶，et al. Postpartum urinary retention：Evaluation of risk factors [J]. Tur J Obstet Gynecol，2018，15（2）：70-74.

[6]? 帥健，李麗萍，陳業群.決策樹模型與Logistic回歸模型在傷害發生影響因素分析中的作用[J].中華疾病控制雜志，2015，19（2）：185-189.

[7]? 郭慧敏，杜軍，黃路非，等.決策樹和logistic回歸評價非重癥社區獲得性肺炎患者住院費用[J].中國病案，2017， 18（7）：50-52.

[8]? Amini P，Maroufizadeh S，Samani RO，et al. Prevalence and Determinants of Preterm Birth in Tehran，Iran：A Comparison between Logistic Regression and Decision Tree Methods [J]. Osong Public Health Res Perspect，2017，8（3）：195-200.

[9]? Mallouli M，Derbel M，Ingrid A，et al. Associated outcomes to fetal macrosomia：effect of maternal diabetes [J]. Tunis Med，2017，95（2）：120-125.

[10]? Neron M，Allègre L，Huberlant S，et al. Impact of systematic urinary catheterization protocol in delivery room on covert postpartum urinary retention：a before-after study [J]. Sci Rep，2017，7（1）：17 720.

[11]? 陳紅珍.產后尿潴留的發生原因及護理研究進展[J].護理研究，2016，30（16）：1924-1927.

[12]? 仇春波，陳潔.分娩鎮痛產后尿潴留的臨床觀察[J].現代實用醫學，2013，25（3）：352-353.

[13]? 殷素華.陰道分娩后尿潴留的相關因素分析及盆底康復干預的效果研究[J].中國婦幼保健，2017，32（10）：2093-2095.

[14]? Mulder FE，Hakvoort RA，Schoffelmeer MA，et al. Postpartum urinary retention：a systematic review of adverse effects and management [J]. Int Urogynecol J，2014，25（12）：1605-1612.

[15]? 石翠霞.產后尿潴留的危險因素分析[D].北京：首都醫科大學，2017.

[16]? Tiberon A，Carbonnel M，Vidart A，et al. Risk factors and management of persistent postpartum urinary retention [J]. J Gynecol Obstet Hum Reprod，2018，47（9）：437-441.

[17]? 楊同文，熊巍，任自剛，等.系統評價硬膜外分娩鎮痛時機對初產婦分娩過程的影響：Meta分析[J].臨床和實驗醫學雜志，2018，17（11）：1206-1212.

[18]? Kekre AN，Vijayanand S，Dasgupta R，et al. Postpartum urinary retention after vaginal delivery [J]. Int J Gynaecol Obstet，2011，112（2）：115.

[19]? Cavkaytar S，Kokanal？覦 M，Baylas A，et al. Postpartum urinary retention after vaginal delivery：Assessment of risk factors in a case-control study [J]. J Turk Ger Gynecol Assoc，2014，15（3）：140-143.

[20]? Chen W，Xie X，Wang J，et al. A comparative study of logistic model tree，random forest，and classification and regression tree models for spatial prediction of landslide susceptibility [J]. Catena，2017，151：147-160.

[21]? Pak K，Kim K，Kim MH，et al. A decision tree model for predicting mediastinal lymph node metastasis in non-small cell lung cancer with F-18 FDG PET/CT [J]. PLoS One，2018，13（2）：e0193403.

[22]? 劉兵，李蘋，朱玫燁，等.決策樹模型與logistic回歸模型在胃癌高危人群干預效果影響因素分析中的應用[J].中國衛生統計，2018，35（1）：70-73.

（收稿日期：2018-12-19? 本文編輯：任? ?念）