手術病人術后譫妄風險預測模型的研究進展

葉 麗，劉 琰，陳 靜，鄭思琳*

1.四川省腫瘤醫院，四川 610041；2.西南醫科大學護理學院；3.西南醫科大學附屬醫院

譫妄是由多種原因引起的一過性意識混亂狀態，意識障礙和認知功能改變是譫妄的主要特征[1]。近年來，隨著醫療技術進步，外科手術安全性逐步提升，手術治療方式適用人群也逐漸增多。調查顯示，全世界每年進行的外科手術超過2.3 億例[2]。隨著接受手術治療的病人人數增多，術后并發癥成為醫護人員需要重點關注的內容。已有研究發現，受手術創傷大、病人應激反應強烈、麻醉風險高等[3-4]因素影響，術后譫妄發生率較高，為7%～50%。術后譫妄（postoperative delirium，POD）是指外科手術后出現的譫妄，是手術后常見并發癥之一，主要發生在術后1～3 d[5]。譫妄不僅會影響病人預后，還會增加病人經濟負擔以及國家醫療支出。已有調查數據顯示，美國每年因譫妄而產生的醫療費用高達1 640 億美元，歐洲國家高達1 820 億美元[6]。目前尚無針對譫妄的有效治療方法，術后譫妄的管理重在預防。而風險預測模型作為一種科學的統計性評估方法，對評估和及早識別術后譫妄高危人群具有重要意義。現通過回顧文獻，旨在了解術后譫妄概況和術后譫妄風險預測模型的研究現狀，并為術后譫妄風險預測模型的開發和臨床應用提供參考。

1 譫妄概述

1.1 譫妄的分型 2017 版歐洲麻醉學會（European Society of Anaesthesiology,ESA）指南指出[7]，譫妄根據臨床表現分為3 種類型：①活動亢進型譫妄，約占25%，該類型病人覺醒閾值提高，以躁動不安、高度警覺、對刺激極度敏感為主要表現，部分病人可出現幻覺或妄想；②活動抑制型譫妄，約占50%，該類型病人以活動減少、反應遲鈍、嗜睡為主要表現；③混合型譫妄，約占25%，該類型病人同時具有活動亢進型譫妄和活動抑制型譫妄表現。活動亢進型譫妄臨床表現突出，多呈晝輕夜重，醫護人員易于發現，能及時診斷并干預；而活動抑制型譫妄常見于老年病人，其臨床表現較為隱匿，常不易被察覺，漏診率高。據統計，32%～67%的譫妄病人未被識別或診斷[6,8-9]。

1.2 術后譫妄的診斷 國際疾病分類第10 版精神與行為障礙分類(ICD-10)和第5 版美國精神障礙診斷與統計手冊(DSM-5)[10]提及的診斷標準是譫妄診斷的金標準，但其方法較復雜，需要有經驗的專科醫生進行診斷。為了快速識別譫妄，臨床上常使用意識模糊評估法（Confusion Assessment Method,CAM）[6]進行術后譫妄評估，該方法靈敏度及特異度較高（均＞95%），并可被非精神心理專業醫護人員使用（需接受專業培訓）。重癥監護室（ICU）意識模糊評估法（CAM-ICU）[11]也是常用的譫妄評估工具之一，其靈敏度為92%，特異度為98%，主要適用于ICU 內氣管插管、氣管切開、有語言障礙的病人。2014 年Marcantonio 等[12]研發了3 min 譫妄診斷量表(3D-CAM)，該量表含22 個條目，評估時間約3 min。2018 年，楊雪等[13]在征得原作者同意后，對3D-CAM 進行漢化。同年，高浪麗等[14]對中文版3D-CAM 進行信效度檢驗，結果顯示，中文版3D-CAM用于評估病人譫妄發生的敏感度為94.7%，特異度為97.9%，具有較高的診斷價值。此外，譫妄評估量表還包括護理譫妄篩查量表（Nu-DESC）、ICU 譫妄篩查量表（ICDSC）、譫妄評定量表98 修訂版（DRS-R-98）等[15]。醫護人員應根據臨床實際情況選擇合適的譫妄評估工具。

2 風險預測模型概述

疾病風險預測模型是指通過數學公式，利用特定預測因子估計當前某個特定個體患某種疾病或發生某種結局的可能性[16]。疾病預測模型可用于協助醫護人員幫助病人提前做出預防性生活方式改變以及進行預防性治療、護理等，從而幫助病人將某種不良結局發生的可能性降低。預測因子涵蓋的范圍可包括人口統計學特征、病史、體格檢查結果、臨床病歷數據等[17]。目前常用的預測模型構建方法為通過Logistic 回歸和Cox 回歸統計學方法分析結局發生的獨立影響因素，再根據每個獨立影響因素的回歸系數建立風險預測模型，或者將獨立影響因素引入R 軟件，構建列線圖風險預測模型。一個完整的預測模型包括建模和驗證2 個部分，即包括建模組和驗證組，驗證方法分內部驗證和外部驗證，常用的外部驗證方法為選用70%的樣本量構建風險預測模型后將剩余30%的樣本量作為驗證組進行驗證。模型預測性能以及優劣性評價主要依據校準度和判別效果，校準度常采用Hosmer-Lemeshow（H-L）檢驗方法進行擬合優度評價，判別效果常采用受試者工作特征（ROC）曲線下面積（AUC）評估。

3 術后譫妄風險預測模型的研究現狀

3.1 我國術后譫妄風險預測模型的研究現狀 我國學者對譫妄發生風險因素研究較多，但對術后譫妄風險預測模型研究相對較少，且主要集中于對骨科手術病人[18-19]、腹部手術病人[20]、帕金森病病人[21]、心臟手術病人[22-24]和術后進入ICU 的病人[25]的術后譫妄風險預測模型構建。

3.1.1 骨科手術病人術后譫妄風險預測模型的構建隨著我國老齡化進程加快，接受骨科手術的高齡病人增加。王玉強等[18]在前瞻性研究中納入148 例行擇期手術治療的全身麻醉高齡骨科病人構建術后譫妄風險預測模型，納入的因素包括病人一般信息以及術前、術中、術后相關臨床病歷資料，通過分析建模組數據找出相關危險因素，再通過Logistic 回歸分析確定進入模型的獨立危險因素，包括年齡≥75 歲、受教育時間＜9 年、術中輸入異體血。有研究指出，大量輸血可能誘發譫妄[26]。王玉強等[18]為進一步了解輸血類型對術后譫妄的影響，將輸血情況細分為術中輸入自體血和異體血，結果顯示，術中輸入異體血的病人發生術后譫妄的風險是術中輸入自體血病人的5.650 倍[OR=5.650，95%CI（1.060，30.104）]。王玉強等[18]構建的預測模型AUC=0.66，預測效能有待提高。譚秀娟等[19]對208 例髖關節置換術后老年病人的譫妄發生情況進行回顧性研究發現，年齡、體重、血鈉濃度是術后譫妄發生的獨立影響因素，年齡越大，體重、血鈉濃度越低，術后譫妄發生風險越高。該研究構建的列線圖預測模型操作簡便、適用性較高，但未對預測模型進行驗證，其外推性尚待驗證；同時，由于該研究為回顧性研究，納入資料的真實性和準確性可能存在偏移。王玉強等[18]的研究和譚秀娟等[19]的研究均證實年齡是術后譫妄發生的重要影響因素，但兩項研究樣本量均較小，且納入因素不全面，如疼痛作為“第五大生命體征”[27]，可能是譫妄發生的重要影響因素，尤其是骨科病人手術創傷較大、病人年齡較高，更應關注術后疼痛與術后譫妄的關系。其他預測因子，如社會支持、睡眠障礙、焦慮、抑郁等也可能與術后譫妄相關，在今后骨科病人術后譫妄風險預測模型構建中可考慮納入以上因素。

3.1.2 腹部手術病人術后譫妄風險預測模型的構建孔騫[20]將252 例在湖州市某三級甲等醫院接受腹部手術的老年病人納入研究用于構建術后譫妄風險預測模型，最終進入Logistic 回歸模型的獨立影響因素包括年齡、心臟疾病、入院狀態、睡眠紊亂，該模型AUC=0.841，其靈敏度為52.9%，特異度為96.7%，準確率為89.9%，說明模型具有一定預測效能，具有較好的區分非譫妄病人的能力；研究通過對術后譫妄發生危險度進行分級，最終分為低危、中危、高危3 級，分級越高說明病人發生術后譫妄的風險越高，建議醫務人員針對不同危險分級提供具有針對性、差異化的醫療和護理方案。該研究存在一定不足，如其為回顧性研究，病歷資料的真實性和準確性可能存在偏移；研究樣本量小；研究為單中心研究，樣本代表性較差；研究未考慮病人家庭及社會相關因素。

3.1.3 帕金森病病人術后譫妄風險預測模型的構建王雪琪[21]對129 例帕金森病腦深部電刺激術病人進行調查，觀察指標包括病人一般資料、帕金森病專科指標、術前資料、術前神經系統合并癥、術中及術后資料，共25 項。通過Logistic 回歸確定術后譫妄發生的獨立危險因素，以術后譫妄發生情況作為臨床結局構建列線圖預測模型，內部驗證結果顯示AUC=0.809，模型具有較好的區分效果。但該研究未納入病人心理狀態預測因素，未對模型進行外部驗證，其外推性還有待證實。

3.1.4 心臟手術病人術后譫妄風險預測模型的構建洪亮等[22]回顧了3 397 例接受心臟手術治療的病人的臨床資料，病人入ICU 后由管床護士使用CAM-ICU對其進行評估，通過統計分析，最終進入預測模型的因素包括老年、腦血管疾病史、手術時間、術中血壓變異率、術后血紅蛋白(Hb)、機械通氣時間、術后左心室收縮功能、應用去甲腎上腺素。將70%的樣本作為建模組，30%的樣本作為驗證組，檢驗結果顯示，AUC=0.932，靈敏度為78.2%，特異度為93.5%。該預測模型樣本量較大，且進行了外部驗證，預測效果較好，通過列線圖呈現，其操作較簡便，有一定適用性。但由于其為回顧性研究，無法將病人睡眠狀況、情緒等因素納入，未對譫妄類型、持續時間及嚴重程度進行分層研究。Mu 等[24]針對243 例冠狀動脈搭橋術術后病人進行研究，最終進入Logistic 回歸的預測因素包括血清皮質醇、年齡、糖尿病史、手術時間、術后第1 天出現并發癥。該研究未對病人精神狀況及認知進行篩查，未考慮抑郁、焦慮、認知障礙可能對術后譫妄的影響，且研究僅在術后對血清皮質醇濃度進行檢測，未對病人術前基線水平進行分析。

3.1.5 術后進入ICU 的病人術后譫妄風險預測模型的構建 邢煥民等[25]對240 例術后進入ICU 的病人進行術后譫妄風險預測模型研究，以ICDSC 作為術后譫妄評估工具，基于生理學和手術嚴重性評分系統（POSSUM）[28]評分和前期通過Meta 分析確定的7 個危險因素進行統計分析，最終進入預測模型的獨立危險因素包括POSSUM 評分、入院前一過性意識喪失、高血壓、糖尿病、酸堿失衡評分。其構建的預測模型AUC=0.832，靈敏度為0.639，特異度為0.886。選取25 例病人進行臨床應用，將預測結果與實際術后譫妄發生情況進行比較，發現模型的準確率為92%，預測效果較好。但該驗證方法選取的樣本量小，后期還需加大樣本量進一步檢驗實際預測效果。POSSUM 是應用較廣的外科大手術后病人并發癥發生率和病死率評估工具，邢煥民等[25]研究結果顯示，POSSUM 評分越高，病人術后譫妄發生風險越高，假設病人術前生理指標良好，當POSSUM 總分≥45 分時，術后進入ICU的病人發生術后譫妄的風險高，提示醫護人員應盡可能幫助病人做好術前準備，糾正貧血、水電解質紊亂等情況，以改善病人術前生理指標，降低術后譫妄發生風險。POSSUM 可以幫助醫護人員更客觀地評估病人術前狀況，改良后的POSSUM 適用范圍更廣，可用于肝膽外科、婦產科等手術病人[29]。今后研究可使用改良版POSSUM 進一步探討其對術后譫妄的預測效果。

3.2 國外術后譫妄風險預測模型的研究現狀 預測模型最早應用于Framingham 心臟病研究，經驗證該預測模型能夠有效預測美國人口心血管疾病發生風險[30]。國外術后譫妄風險預測模型的構建研究主要包括對心臟手術病人[31-32]和術后進入ICU 的病人[33]術后譫妄風險預測模型的構建。隨著研究深入，有研究者開始針對術后譫妄嚴重程度進行預測模型構建。

3.2.1 術后譫妄風險預測模型的構建

3.2.1.1 心臟手術病人術后譫妄風險預測模型的構建 Katznelson 等[31]收集了1 059 例心臟手術病人的相關資料，通過統計分析確定了心臟手術病人術后譫妄發生的獨立危險因素，并構建了風險預測模型。研究者收集了病人術前及術中的18 個相關預測因子，最終進入預測模型的獨立危險因素包括年齡≥60 歲、術前抑郁、術前腎功能不全（肌酐＞150 μmol/L）、復雜的心臟手術、圍術期主動脈內球囊泵支持和大量輸血（＞5 U），且術后譫妄的保護性因子為術前使用他汀類藥物，其可使術后譫妄發生風險降低46%。但研究納入的病人有三分之一接受了不同類型的他汀類藥物治療，研究者未細分不同他汀類藥物對病人術后譫妄的影響。同時，該研究納入的預測因素主要集中于術前及術中，對術后疼痛、鎮靜、低氧血癥等可能影響術后譫妄發生的因素未予分析。經檢驗，Katznelson 等[31]構建的模型AUC=0.77，具有一定預測效能，但未對其進行外部驗證。2017 年，Lee 等[32]利用600 例心臟手術病人對該模型進行外部驗證，結果顯示更新后的模型AUC=0.62，區分度欠佳。未來還需進一步進行大樣本、多中心、多因素的全面研究，以構建預測效能更好的術后譫妄預測模型。

3.2.1.2 術后進入ICU 的病人術后譫妄風險預測模型的構建 目前ICU 應用最廣泛的譫妄風險預測模型為Boogaard 等[34]利用1 613 例ICU 病人相關資料構建的譫妄風險預測（PRE-DELIRIC）模型，但該模型未對病人是否接受手術進行區分。因此，De La Varga-Martínez 等[33]在 西 班 牙 的6 個ICU 中 開 展 了1 項 觀 察性多中心、前瞻性研究，以CAM-ICU 為評估工具，通過文獻綜述確定了37 種可能的術前危險因素，共收集了689 例接受心臟手術病人的相關臨床資料，隨機將345 例病人作為建模組，344 例病人作為驗證組，經統計分析，最終進入DELIPRECAS 模型的4 個獨立危險因素包括年齡＞65 歲、簡易精神狀態檢查量表(MMSE)評分≤26 分、失眠、低運動量（每天步行＜30 min）。經檢驗，該模型建模組的AUC=0.83，驗證組的AUC=0.79，合并兩組數據后得出總體校準斜率為0.97。驗證結果表明，該模型具有良好的預測效能，其校準性和外推性較好。研究者將從ROC 曲線獲得的敏感性結果分為4 個風險組，低危組（0%～20%）、中危組（＞20%～40%）、高危組（＞40%～60%）和極高危組（＞60%）。目前已有的預測模型幾乎無法在病人入院24 h 內應用，而早期診斷及預防是改善譫妄預后的 關 鍵[35]，鑒 于 此，De La Varga-Martínez 等[33]的 研 究重點關注了病人術前危險因素，而未納入術中及術后的危險因素，其預測模型納入的4 個危險因素均為定義明確的臨床變量，病人入院后易于測量及識別，便于臨床醫護人員使用，且該模型預測效能較好，在術后譫妄的早期預測中具有重要價值。

3.2.1.3 其他病人術后譫妄風險預測模型的構建Leung 等[36]利用581 例≥65 歲的非心臟手術病人術前資料構建了病人術后譫妄預測模型，并基于該模型開發了風險分層系統：低風險組和高風險組。該研究指出，術前譫妄風險高、術后疼痛評分高、術后阿片類藥物使用劑量高的病人術后譫妄風險高，因此，醫護人員可通過譫妄預測模型確定術后譫妄高風險人群，通過優化病人術后疼痛管理方案降低術后譫妄發生率。Sugimoto 等[37]收集了397 例接受開放性腹主動脈瘤手術的病人術前及術中資料構建術后譫妄風險預測模型，結果顯示，年齡≥70 歲、無高脂血癥和失血≥1 517 mL 是術后譫妄發生的重要預測因子。

3.2.2 術后譫妄嚴重程度預測模型的構建 有研究者在構建術后譫妄風險預測模型后對風險進行分層，但受樣本量限制可能導致模型過度擬合。美國外科醫師學會建立的美國國家手術質量改進計劃（NSQIP）納入了1 414 006 例病人數據，包括1 557 種不同的手術方法，經廣泛驗證可用于預測各種手術病人不良事件結果[38-39]。為了構建術后譫妄嚴重程度預測模型，Lindroth 等[40]招募了97 例病人，分別來源于血管外科、泌尿科、脊柱外科等，并根據病人術后不同臨床情境分別采用DRS-R-98、CAM、CAM-ICU 進行譫妄評估。為了抵消小樣本量的影響并減少數據偏差，研究者采用LASSO 回歸分析方法，該方法可以避免模型擬合過度問題，且已表現出優于傳統方法的統計建模方法[41]。經LASSO 統計分析，將最終進入術后譫妄嚴重程度預測模型的預測因子應用于最佳子集回歸，證明最佳擬合統計模型是一個包含NSQIP 嚴重并發癥風險（NSQIP-SC）評分和執行功能衡量標準（TMT-B）的雙因素線性回歸模型。經驗證，該模型校準準確，AUC=0.81，顯示出中等預測能力。在該模型中，NSQIP-SC 對術后譫妄的預測能力表現優于年齡、美國麻醉醫師協會（ASA）分級等，表明與手術病人年齡、合并癥和急性疾病相比，NSQIP-SC 可以提供更準確的譫妄風險評估。雖然Lindroth 等[40]的研究應用的統計方法較為先進，但樣本量較小仍可能對結果產生影響，且NSQIP 使用受限，今后可在本研究基礎上進一步進行大樣本的外部驗證。

4 小結

目前，疾病風險預測模型的研究方法已較為成熟，國內外研究者針對不同病人構建了不同的術后譫妄風險預測模型，有利于幫助醫護人員及早識別術后譫妄高風險人群，并采取差異化護理方案，以降低術后譫妄發生風險。但各類病人術后譫妄風險預測模型優點及不足存在差異，適用情境不一，其還需更多研究予以完善。