Logistic回歸及決策樹模型在CCU老年病人睡眠障礙影響因素分析中的應用

李良俊，翟 榮，鄔聞文，李 莉1，*

1.湖北醫藥學院衛生管理與衛生事業發展研究中心，湖北 442000；2.湖北醫藥學院護理學院；3.十堰市人民醫院；4.湖北醫藥學院公共衛生與健康學院

睡眠障礙指睡眠的量或質的異常或在睡眠時發生 某些臨床癥狀，包括失眠、不寧腿綜合征、睡眠呼吸暫停綜合征、生物節律紊亂性睡眠障礙等[1]。一項Meta分析結果顯示,我國社區老年人睡眠障礙患病率為41.2%[2]；冠心病重癥監護室（coronary care unit，CCU）病人中，約40%存在睡眠障礙[3]。睡眠時間與心肌梗死、充血性心力衰竭和心絞痛患病率之間存在相關性[4]，是心血管疾病預后的重要指標[5]。周桂玲等[6]研究顯示，老年人在CCU 病人中占69.4%，由于其自身生理功能衰退、身體機能下降、睡眠障礙，易造成免疫系統、心血管系統功能下降，增加感染風險和病死率[7]。采用Logistic 回歸探討睡眠障礙的影響因素，可以了解自變量與因變量之間的依存關系，但當自變量個數較多時，回歸模型中的交互效應不易體現[8]。決策樹模型可以彌補Logistic 回歸的不足，現已廣泛用于醫藥衛生領域[9-10]。本研究通過調查CCU 老年病人睡眠障礙現狀并建立Logistic 回歸模型和決策樹模型來探討其影響因素，比較兩種模型在預測CCU 老年病人睡眠障礙時的效果，對于早期識別CCU 老年病人睡眠障礙，后期預防和改善CCU 老年病人的睡眠質量具有重要意義。

1 對象與方法

1.1 研究對象 便利抽取2020 年10 月—2021 年8 月入住十堰市某三級綜合醫院CCU 的430 例老年病人作為研究對象。納入標準：①年齡≥60 歲；②明確診斷并入住CCU 24 h 及以上；③格拉斯哥昏迷評分（Glasgow Coma Scale,GCS）>14 分；④24 h 內未使用鎮靜藥物；⑤知情同意參與研究。排除標準：①不能理解量表條目內容者；②有聽力、語言、視覺障礙者；③保護性隔離者；④譫妄病人,使用中文版ICU 意識模糊評估表（Confusion Assessment Model for Intensive Care Unit,CAM-ICU）篩查。本研究已通過湖北醫藥學院倫理審查委員會批準（編號：2020-TH-64）。

1.2 研究方法

1.2.1 評估工具

1.2.1.1 一般資料調查表 通過閱讀相關文獻，咨詢專家后自行制定。調查內容包括：①基本信息（性別、年齡、婚姻狀況、居住情況等）；②臨床資料[營養風險篩查2002 評分、呼吸困難分級、紐約心臟病協會心功能分級、日常生活能力評定（Activities of Daily Living，ADL）、調查前一晚夜間有無侵入性操作等]。

1.2.1.2 中文版理查茲-坎貝爾睡眠量表（Richards-Campbell Sleep Questionnaire，RCSQ） 該 量 表 由Richards 等研制，陳麗霞等[11]漢化，用于對重癥病人進行睡眠評估。量表共有6 個條目，前5 個條目測量睡眠深度、入睡時間、夜間覺醒次數、醒來后再入睡情況、睡眠質量；第6 個條目可用來評估病人對噪聲的主觀感受。每個條目均采用0～100 mm（1 mm=1 分）視覺模擬評分法，0 分表示睡眠最差，100 分表示睡眠最佳。量表總分為前5 個條目得分總和的平均分，0～25 分代表睡眠質量差，76～100 分代表睡眠質量好，分值越高，表示睡眠質量越好。中文版RCSQ 量表的Cronbach's α系數為0.895。本研究借鑒Naik 等[12]的研究，將RCSQ總分≥50 分定義為睡眠正常，RCSQ 總分<50 分定義為睡眠障礙。

1.2.1.3 數字疼痛評分法（Numeric Rating Scale,NRS）[13]用數字表示疼痛的程度，在一條直線上分段，將 疼 痛 程 度 用0～10 表 示；0 表 示 無 痛，10 表 示劇痛。

1.2.1.4 簡易心理狀況評分(The 10-item Kessler Psychological Distress Scale，Kessler 10) 該 量 表 由Kessler 等編制，周成超等[14]漢化并進行信效度評價。中文版Kessler 10 可以評價人群心理健康狀況，用于診斷焦慮、壓力和不安。該量表共10 個條目，用于評估研究對象過去4 周經歷的壓力和焦慮等心理健康相關癥狀發生頻率，每個條目的發生頻率分為5 個等級，即所有時間（5 分）、大部分時間（4 分）、有些時間（3 分）、偶爾（2 分）、幾乎沒有（1 分），量表總分為10 個條目所得分數之和。根據總分將個體心理健康狀況分為4 個等級：Ⅰ級（10～15 分）表示患心理疾患的危險性很低，Ⅱ級（16～21 分）表示患心理疾患的危險性較低，Ⅲ級（22～29 分）表示患心理疾患的危險性較高），Ⅳ級（30～50分）表示患心理疾患的危險性高，其Cronbach's α系數為0.8011。

1.2.1.5 急性生理和慢性健康狀況Ⅱ評分（Acute

Physiology and Chronic Health Evaluation，APACHEⅡ）由急性生理學評分、年齡、慢性健康評分3 個部分組成，總分0～71 分，分值越高表示病情越重；APACHEⅡ評分目前被廣泛用于重癥病人病情危重程度的評估和預后觀察，APACHEⅡ分值與病死率之間呈正相關[15]。有研究表明，APACHEⅡ評分在分級護理病情評估中的Cronbach's α 系數為0.79[16]。

1.2.1.6 住院前睡眠質量調查表 參照Freedman等[17]的研究，對CCU 老年病人住院前1 個月睡眠質量進行調查，以0～10 分視覺模擬評分反映病人睡眠質量，0 分表示睡眠質量最差，10 分表示睡眠質量最佳。

1.2.2 資料收集方法 研究者本人接受規范培訓。一般資料收集從病歷、護理記錄中獲得；中文版RCSQ、疼痛數字評分法、中文版Kessler 10、住院前睡眠質量調查表，能自主填寫量表的病人，由其本人完成；不能自主填寫量表的病人，根據病人的口頭表達或手勢由調查者代其填寫，并與病人進行確認；譫妄評估量表由調查者對病人進行評估，APACHEⅡ評分通過查閱病歷進行評估。

1.3 統計學方法 采用SPSS 22.0 進行數據分析。定性資料以頻數、構成比（%）描述，采用χ2檢驗；定量資料以均數±標準差（±s）描述，采用t檢驗或方差分析。通過單因素分析篩選有統計學意義的自變量，連續性變量根據Youden 指數計算最佳截斷值。采用LR向前法做二元Logistic 回歸分析，并產生Logistic 回歸模型的睡眠障礙預測概率1。對睡眠障礙有統計學意義的變量做卡方自動交互檢測CHAID 決策樹分析，模型的參數設置如下：樹的拆分節點顯著性水準以及合并類別的顯著性水準都規定為0.05。樹的生長深度為3 層，父節點、子節點最小個案數分別為20,5，并產生決策樹模型的睡眠障礙預測概率2。 采用MedCalc19.1 軟件繪制受試者操作特征曲線（receiver operating characteristic curve，ROC），選擇Logistic 回歸模型的睡眠障礙預測概率1 和決策樹模型的睡眠障礙預測概率2 為自變量，將是否發生睡眠障礙作為分類變量，計算兩種模型ROC 曲線下的面積（area under curve，AUC）、模型的靈敏度和特異度，評價模型的效果。以P<0.05 有統計學意義。

2 結果

2.1 研究對象的一般資料 研究對象共430 例，年齡（69.90±6.38）歲，其 中 男271 例，女159 例；252 例（58.6%）睡眠障礙病人的RCSQ 總分<50 分。

2.2 CCU 老年病人發生睡眠障礙的單因素分析 以睡眠質量作為因變量，以病人性別、年齡、居住情況、心功能分級、疼痛數字評分等指標作為自變量，進行單因素分析。結果見表1。

表1 CCU 老年病人睡眠障礙單因素分析（n=430）

2.3 CCU 老年病人睡眠障礙Logistic 回歸模型的建立 以CCU 老年病人是否發生睡眠障礙作為因變量，將單因素分析中有統計學意義的變量作為自變量進行多因素Logistic 回歸分析。結果顯示，夜間有無侵入性操作（X1）、疼痛數字評分（X2）、簡易心理狀況評分（X3）、APACHEⅡ評分(X4)、夜間噪聲水平(X5)、住院前RCSQ評分(X6)是CCU 老年病人發生睡眠障礙的獨立危險因素，見表2。由回歸分析結果可以得到如下表達式：

表2 CCU 老年病人睡眠障礙危險因素的Logistic 回歸分析

Logit(P)=2.656+（-1.488）X1+0.710X2+1.365X3+0.143X4+（-0.080）X5+（-0.081）X6。根據預測模型公式[18]制定CCU 老年病人睡眠障礙風險預測模型：P=1/[1+e-(2.656-1.488X1+0.710X2+1.365X3+0.143X4-0.080X5-0.081X6)]。

2.4 CCU 老年病人睡眠障礙決策樹模型的建立 對單因素分析中有統計學意義的連續性變量，利用Medcal 繪制ROC 曲線，根據Youden 指數計算最佳截斷值，分別是噪聲水平<70 dB、疼痛數字評分<2 分、簡易心理狀況評分<Ⅱ級，住院前睡眠質量評分<7分、APACHEⅡ評分<9 分。根據所得截斷值將5 個連續變量轉變為二分類變量，再次賦值，分別為噪聲水平<70 dB=0，≥70 dB=1；疼痛數字評分<2 分=0，≥2 分=1；簡易心理狀況評分<Ⅱ級=0，≥Ⅱ級=1；住院前睡眠質量評分<7 分=0，≥7 分=1；APACHEⅡ評分<9 分=0，≥9 分=1。將CCU 老年病人是否發生睡眠障礙作為因變量，單因素分析中有統計學意義的變量重新賦值后作為自變量進行決策樹分析，決策樹分為3 層，分類結果見圖1。CCU 老年病人睡眠障礙的獨立影響因素依次為數字疼痛評分、夜間噪聲水平、性別、簡易心理狀況評分。模型的分類準確率為86.5%。

圖1 CCU 老年病人睡眠障礙的CHAID 決策樹模型

2.5 CCU 老年病人睡眠障礙Logistic 回歸模型與決策樹模型的比較 Logistic 回歸模型的AUC 為0.938，95%CI(0.910,0.958)，敏感度為89.68%，特異度為88.20%。決策樹模型的AUC 為0.926,95%CI(0.897,0.949），靈敏度為90.87%，特異度為80.34%，兩個模型的AUC 均>0.5，見圖2。兩者比較，差異無統計學意義（Z=1.220，P=0.222 4）。

圖2 Logistic 回歸模型與決策樹模型的ROC 曲線比較

3 討論

本研究中CCU 老年病人睡眠障礙的發生率為58.6%（252/430），高于賴新燕等[19]的研究。其原因可能是：賴新燕等[19]是對CCU 冠狀動脈介入術后病人的睡眠情況進行調查，研究對象所患疾病主要是心肌梗死，隨著冠狀動脈介入手術的完成，病人心肌缺血、缺氧的狀況得到改善，病情得到緩解，睡眠質量隨著心肌缺血、缺氧程度的降低有一定改善。而本研究中的研究對象既有冠狀動脈介入術后病人，又有心力衰竭、心律失常等非手術的病人，受CCU 環境、疾病類型、生理和心理等多種因素的影響，病人睡眠障礙的發生率較高。本研究采用多因素Logistic 回歸法和決策樹分類法，建立了CCU 老年病人睡眠障礙的風險預測模型。通過Logistic 回歸分析預測建模，可以獲得89.68%的預測敏感度，即在真正發生睡眠障礙的研究人群中，Logistic 回歸分析建模預測的正確率為89.68%。而決策樹法構建的風險預測模型的敏感度為90.87%，即在實際發生睡眠障礙的研究群體中，決策樹法構建的風險預測模型預測的正確率為90.87%。針對90.87%的病人，可在睡眠障礙發生前加強早期監測，并通過有效的干預措施降低睡眠障礙的發生率。兩個模型都強調了疼痛狀況、噪聲水平、簡易心理狀況評分是CCU 老年病人睡眠障礙的危險因素。而夜間有無侵入性操作、APACHEⅡ評分、住院前RCSQ 評分在Logistic 回歸分析中有意義的變量，在決策樹中未進入模型。這種結果可能與研究的樣本量有關，受各節點樣本量的設置和決策樹深度的限制，夜間有無侵入性操作、APACHEⅡ評分、住院前RCSQ 評分對CCU 老年病人睡眠質量的影響可能在決策樹上才能展現出來。另外一種可能的原因是，在決策樹分析時，夜間有無侵入性操作、APACHEⅡ評分、住院前RCSQ 評分對CCU老年病人睡眠質量有一定的影響，但是與其他變量相比，其作用相對較小，在數據分析時被當作干擾因素剔除了。有研究者明確指出，Logistic 回歸與決策樹法存在明顯差異[20]，具體表現在以下方面：①Logistic 回歸模型展示了自變量與因變量的數量依存關系，但各自變量間的交互作用在Logistic 回歸中不能很好地體現。②決策樹分析在篩選變量時不受自變量之間相關關系的影響，因而自變量之間的交互作用能被體現出來[21]。③決策樹分析能深入數據細節，但對數據全局的把握能力較差；Logistic 回歸構建模型相對穩健，對全局有較好的把握，建模時更不容易發生過度擬合[22]。④Logistic 回歸可以在校正干擾變量后，探索自變量與因變量之間的線性關系，并以OR 值及置信區間的形式進行展示；決策樹模型無法輸出OR 值，不利于比較某種因素引發睡眠障礙的情況。⑤決策樹分析結果受實際數據影響，因葉子節點的數量不同而有差異，相對不穩定[23]。本研究采用Logistic 回歸分析建模，模型選出了6 個與睡眠障礙有關的因素，而決策樹分析得到的影響因素有4 個，前者多于后者。就預測效率而言，兩者比較無統計學意義，建議將兩種模型結合使用，以便于更早地識別CCU 老年睡眠障礙病人，為后期預防和改善CCU 老年病人的睡眠質量提供指導。睡眠質量與疾病的發展和預后關系密切，好的睡眠質量有利于促進CCU 病人的康復。CCU 醫護人員應積極采取各項措施提高病人的睡眠質量，如降低病人病房噪聲水平，減輕疼痛程度，加強人文關懷，減輕老年病人的焦慮等負性情緒。未來的研究有必要采用前瞻性研究設計，納入病人生物標志物等實驗室檢查，以更加全面地評估CCU 老年病人發生睡眠障礙的風險指標。