ICU應激性高血糖風險評估工具的構建

胡瑩，耿力，袁穎，劉苗

應激性高血糖(Stress Hyperglycemia，SH)是危重癥患者常見的糖代謝紊亂，其發生率高達73%[1]。SH會明顯增加危重患者病死率[2]、感染率及患2型糖尿病的風險[3]，延長ICU患者住院治療時長[4]，且頻繁采集末梢血增加了患者的痛苦。目前，ICU大多采用每日普測血糖的方法進行篩查，但此方法容易漏診、增添護士工作量、增加患者疼痛及醫療費用。因此，本研究通過Meta分析提取有效數據，并據此制定風險評估工具，旨在為采取針對性措施預防ICU患者發生應激性高血糖提供參考。

1 資料與方法

1.1一般資料 文獻資料來源于Cochrane、EMbase、PubMed、Web of Science、CINAHL、Scopus、CBM、中國知網、萬方數據、維普網自建庫以來至2020年1月已出版的中英文全部文獻。驗證樣本資料回顧性采集2019年10～12月在武漢某三甲醫院綜合ICU住院既往無糖尿病的患者。納入標準：年齡≥18歲；住院時間≥3 d。排除標準：住院過程中確診糖尿病。共收集86例患者，男59例，女27例；年齡18～90(55.47±19.16)歲；住院3～91(12.90±16.29)d。

1.2方法

1.2.1Meta分析

1.2.1.1文獻納入與排除標準 納入標準：①實驗設計屬于病例對照研究或隊列研究；②可獲取全文的已出版的中英文文獻；③有明確的SH診斷標準；④研究結果至少包含1個影響因素。排除報告重復、研究方法錯誤、研究對象未滿18周歲、動物研究、數據不全、細節描述不清等無法利用的文獻。

1.2.1.2檢索策略 英文檢索詞為“intensive care unit/ICU/intensive care/critical care/critical*illness/critical ill patient*”“stress hyperglycemia/stress hyperglycaemia/irritable hyperglycemia/stress diabetes/stress induced hyperglycemia/irritable diabetes/reactive blood sugar increase/stress blood glucose rise/stress blood glucose elevati*”“risk factor/risk factors/relevant factor/influence factor”；中文檢索詞為“ICU、危重、重癥、監護、加強治療病房”“應激性高血糖、應激性糖尿病、應激性血糖升高”“危險因素、相關因素、影響因素”。

1.2.1.3文獻篩選及文獻質量評價 首先將檢索到的題錄導入NoteExpress軟件去重；再由2名具有循證護理學學習經驗的研究者獨自瀏覽文獻標題和摘要；符合的文獻再細讀全文，根據納入和排除標準，排除不合格文獻；最終存在分歧的部分由第3名循證小組成員作最后決策，確定最終納入文獻。采用紐卡斯爾-渥太華量表(the Newcastle Ottawa Scale，NOS)對納入文獻進行評分[5]。

1.2.1.4參數的提取 運用RevMan5.3軟件對納入文獻中的相關數據進行分析，計算時選用比值比(Odds Ratio，OR)作為每條影響因素的合并效應量，用軟件計算得出每條因素的OR值、95%置信區間(95%CI)、P值和I2值。如果I2<50%，采用固定效應模型進行分析。如果I2≥50%，表示異質性顯著，探討臨床異質性的來源，并對有臨床異質性的影響因素進行亞組分析。在排除臨床異質性的影響或無法進行亞組分析時，采用互換效應模型的方法計算合并效應量。最終篩選P<0.05影響因素對應的OR值。

1.2.2構建風險評估工具

1.2.2.1模型的構建 Logistic回歸模型：Logit(P)=ln[P/(1-P)]=α+β1X1+β2X2+……+βnXn，可得ICU患者SH的風險概率P=e(α+β1X1+β2X2+……+βnXn)/[1+e(α+β1X1+β2X2+……+βnXn)]。其中，X1、X2……Xn指第1、2、……n個影響SH的因素；β是偏回歸系數，β=ln(OR)；α為常數項，采用簡化模型α=ln[P/(1-P)][6]，該公式中的P為某地ICU患者SH的發病率。

1.2.2.2劃分風險等級節點 利用R Studio軟件隨機生成1 000例由0或1組成的n位二項分布數據集作為模擬樣本，帶入Logistic回歸模型獲得1 000例模擬樣本的發病概率，繪制成散點圖。根據曲線走勢和反復模擬，選取2個合適的節點作為風險等級劃分節點。

1.2.2.3風險評估圖的繪制 根據2個劃分節點將ICU患者SH發病風險劃分為低、中、高危3個等級，分別標記為綠、黃、紅色，繪制風險評估圖。

1.2.3風險評估圖的驗證 將86例樣本的發病風險進行分級，進行風險評估圖的驗證。將低危人群默認為陰性，中、高危人群默認為陽性，根據實際發病情況，計算得出風險評估圖的陽性預測值和陰性預測值。并利用SPSS21.0軟件繪制ROC曲線，取約登指數最大值對應的敏感度和特異度作為驗證結果。

2 結果

2.1Meta分析結果 通過數據庫獲得相關文獻3 805篇，使用NoteExpress軟件去重后獲得文獻3 385篇，閱讀題目和摘要后排除3 366篇，閱讀全文后排除12篇，最終納入7篇文獻[7-13]，2 178例ICU患者。嚴格參照Meta分析流程最終篩選出9條影響因素的參數，見表1。

表1 ICU患者應激性高血糖風險預測模型的參數

2.2模型的構建與等級劃分節點的選取 收集的86例患者中有34例SH患者，故該三甲醫院ICU患者SH發病率P=34/86=0.395，則α=ln[0.395/(1-0.395)]=-0.426。將α和表1的參數帶入Logistic回歸模型：Logit(P)=-0.426+1.504X1-1.661X2+1.327X3-0.777X4-0.942X5-1.022X6+1.836X7+0.451X8+0.344X9。其中，影響因素賦值：無=0，有=1。利用R Studio軟件隨機生成的1 000例模擬數據繪制散點圖。在ICU患者SH發病率為39.5%的基礎上，根據曲線走勢和反復模擬，最終取143位的A點(發病概率為36.1%)和第358位的B點(發病概率為53.4%)作為低、中、高危的劃分節點。根據劃分節點，發病概率≤36.1%為低危人群，即36.1%<發病概率<53.4%為中危人群，發病概率≥53.4%為高危人群。

2.3風險評估圖的繪制與驗證 將低、中、高危3個等級分別標記為綠、黃、紅色，繪制風險評估圖見圖1。風險評估圖預測結果見表2，風險評估圖陽性預測值=24/(24+8)=0.750，陰性預測值=44/(44+10)=0.815。用SPSS21.0軟件做風險評估圖，ROC曲線下面積為0.776(95%CI0.669～0.883)，敏感度0.706，特異度為0.846，約登指數為0.552。

表2 風險評估圖預測結果(n=84) 例

注：A0，年齡≤60歲；A1，年齡>60歲。B0，APACHEⅡ評分≤15；B1，APACHⅡ評分>15。C0，無腦血管意外或顱腦損傷；C1，有腦血管意外或顱腦損傷。D0，無肺部疾病；D1，有肺部疾病。E0，無腎衰竭；E1，有腎衰竭。F0，未并發感染；F1，并發感染。G0，無重癥胰腺炎；G1，有重癥胰腺炎。H0，血壓正常；H1，血壓異常。I0，腎功能正常；I1，腎功能異常。

3 討論

在臨床工作中，醫護人員工作強度大，評估工具的簡易程度直接決定了其推廣程度。考慮到評估工具的實用性和使用便捷性，將運算公式轉化為圖表，能更簡便直觀地體現評估結果，減少評估時間成本。本研究根據Meta分析結果構建Logistic回歸模型。Meta分析將多個同質研究進行定量的合并，擴大了樣本量，提高了研究結果統計效能及估計效應值的精確度，增強結果的可靠性與客觀性[14]。此次Meta分析檢索了目前有關ICU患者SH影響因素的相關研究，共納入7篇文獻，以2 178例ICU患者為研究對象。通過對樣本量的積累，彌補了單個研究樣本量不足的缺陷，提高了單個影響因素綜合危險度的可靠性。

根據Meta分析結果篩選出來的年齡、APACHEⅡ評分等9條影響因素與納入的原始研究結果基本一致。隨著年齡的增長，患者循環中炎癥蛋白水平增高、細胞三酰甘油堆積、線粒體功能下降，因此老年患者SH的發生較為嚴重[10]。APACHEⅡ評分常用于評估患者病情及預后，評分越高病情越重、預后越差，與SH發生程度較為一致[9]。并發感染時機體通過大量分泌如皮質醇和胰高血糖素經代謝途徑刺激糖原分解及肝糖異生，從而更多的葡萄糖被釋放入血[15]。腦血管意外和顱腦損傷會導致患者顱內壓增高和腦細胞缺氧，病灶會直接或間接破壞下丘腦-垂體-腎上腺皮質軸(HPA軸)，打破機體胰島素-胰高血糖素平衡，使患者血糖水平出現較大波動，血糖的波動過大會使患者腦神經和腦血管的損害進一步加深，形成惡性循環，極易導致SH的產生[16]。肺部疾病患者換氣功能受損，二氧化碳潴留，影響胰島素的分泌，易導致SH的發生[17]。重癥胰腺炎患者的胰腺組織自身消化，從而影響胰高血糖素和胰島素的生成及釋放，使機體血糖調節功能發生紊亂。血壓異常雖然不會直接引起血糖異常，但高血壓前期人群空腹血糖水平要高于理想血壓人群[18]，這表明血壓會對血糖產生一定程度的影響。腎功能受損時，會改變糖代謝和藥物代謝，增加高血糖的發生風險，本研究涉及的腎功能異常和腎衰竭是腎疾病進展的不同程度，腎功能異常僅僅指檢驗結果顯示異常但未達到衰竭程度，腎衰竭則是醫療診斷確認是衰竭，是腎功能受損的兩個不同程度，在評估腎功能受損患者SH風險等級時，根據腎功能受損的情況，只選其一。

模型算法舉例：假設經調查后某院ICU患者應激性高血糖發生率為30.0%，此時有1例ICU患者年齡>60歲、腦血管意外及顱腦損傷合并重癥胰腺炎，將這3條影響因素賦值為1，則根據風險預測模型，常數項α=ln[0.3/(1-0.3)]=-0.850，其發病風險為Logit(P)=-0.850+1.504×1-1.661×0+1.327×1-0.777×0-0.942×0-1.022×0+1.836×1+0.451×0+0.344×0=3.817，則P=e3.817/1+e3.817=0.978，即該患者發生SH的風險是該地其他ICU患者的3.26倍(97.8%/30.0%=3.26)。不同地區發病率不同需要重新帶入模型進行計算，但一例患者的發病風險等級是由模型后面1.504X1-1.661X2+1.327X3-0.777X4-0.942X5-1.022X6+1.836X7+0.451X8+0.344X9這一部分決定的，而這一部分是Meta分析出來的結果，因此具有一定的普遍適用性。為了規避不同SH發病率需要重新帶入模型進行計算較繁瑣這一問題，本研究進行了節點劃分，經驗證預測效果較高。

4 小結

本研究在Meta分析結果基礎上構建的Logistic回歸模型，利用R Studio軟件隨機生成的二項分布數據集作為模擬樣本，繪制散點圖以劃分風險等級節點，并根據節點繪制風險評估圖，可避免因地區發病率不同造成模型預測效果的波動。最終利用收集到的臨床數據和ROC曲線進行驗證，且驗證結果顯示ICU患者SH風險評估圖的預測效果較高。表明該風險評估圖臨床實用性較好，根據某患者實際情況，找到風險評估圖對應的小格，看顏色即可快速高效識別ICU容易發生SH的高危人群，提醒醫務人員考慮給予預防措施。本研究中驗證收集的例數較少，有待于納入更多樣本量進一步進行驗算。