俯臥位通氣相關面部壓力性損傷危險因素分析及最佳建模方法選擇

袁媛，張亞榮，李振剛，張莉

1.830092 新疆維吾爾自治區烏魯木齊市，新疆醫科大學第一附屬醫院重癥醫學中心

2.830092 新疆維吾爾自治區烏魯木齊市，新疆醫科大學第一附屬醫院護理部

急性呼吸窘迫綜合征（acute respiratory distress syndrome，ARDS）屬于急性低氧性呼吸功能不全或呼吸衰竭，其主要特征為進行性低氧血癥和呼吸窘迫［1］。俯臥位通氣能夠充分引流肺泡內積聚的液體并通過改變胸腔內壓力梯度改善氧合［2］。盡管該方法在一定程度上能夠改善ARDS 患者預后，但在俯臥位通氣過程中可能出現多種并發癥，影響治療效果，甚至造成永久性功能損害［3］。俯臥位通氣患者面部壓力性損傷發生風險明顯增加，研究顯示有超過50%的重癥監護病房（intensive care unit，ICU）患者在俯臥位通氣過程中發生面部壓力性損傷［4-5］。篩選俯臥位通氣患者面部壓力性損傷危險因素，采取針對性預防措施對于減少面部壓力性損傷發生具有重要意義，但目前的壓力性損傷風險評估工具對于面部壓力性損傷預測效能不佳，難以應用于臨床。因此，本研究擬運用最小絕對收縮和選擇算子（least absolute shrinkage and selection operator，Lasso）特征選擇聯合Logistic 回歸模型篩選面部壓力性損傷相關危險因素，比較全變量和逐步Logistic 回歸及Lasso-Logistic 回歸模型的預測效能以確定俯臥位通氣患者面部壓力性損傷的最佳預測模型，從預測效能及臨床應用價值兩方面對模型進行評價，為選擇適用于俯臥位通氣患者面部壓力性損傷的風險評估工具提供理論及實踐依據。

1 對象與方法

1.1 研究對象

選取2020 年6 月—2023 年3 月入住新疆醫科大學第一附屬醫院重癥醫學科的符合納入、排除標準的159患者為研究對象，經患者家屬或其他法定代理人簽署知情同意后納入本研究。其中男92 例，女67 例；年齡為（61.4±0.4）歲，中位住院時間為13 d。

納入標準：（1）年齡≥18 歲；（2）急性生理和慢性健康評分（Acute Physiology and Chronic Health Evaluation Ⅱ，APACHE Ⅱ）≥8 分；（3）接受俯臥位通氣的患者。排除標準：（1）面部存在影響壓力性損傷評估的皮膚疾患（如面部燒傷）；（2）電子病歷中患者相關指標缺失。剔除標準：（1）單次俯臥位通氣時間＜0.5 h 或俯臥位總時間＜4 h。

患者在俯臥位期間均給予面部壓力性損傷預防措施（面部下方放置水袋減壓；受壓一側皮膚貼敷減敷料；每2 h 更換頭部位置等）。壓力性損傷診斷以美國國家壓力性損傷咨詢委員會（National Pressure Ulcer Advisory Penal，NPUAP）2016 年壓力性損傷管理指南中的壓力性損傷分級標準作為依據［6］。根據患者轉科、出院或死亡時是否發生面部壓力性損傷分為壓力性損傷組與非壓力性損傷組。本研究經新疆醫科大學第一附屬醫院醫學倫理委員會審核批準（K202307-01）。

1.2 信息收集

研究者根據研究目的自制一般信息收集表，通過醫院電子信息系統、重癥監護信息系統與實驗室信息系統收集患者的一般信息、疾病診斷、治療措施、實驗室檢查。研究過程中由研究者與另一名研究團隊成員每周對數據的真實性及準確性進行核查。其中一般信息包括患者年齡、性別、BMI；疾病診斷包括主要診斷、膿毒癥和糖尿病情況；治療措施包括總住院時間、ICU 住院時間、APACHE Ⅱ、營養風險篩查2002 評分（Nutrition Risk Screening 2002，NRS2002）、Braden 評分、單次俯臥位時間、總俯臥位時間、平均動脈壓（mean arterial pressure，MAP）、鎮靜情況、Richmond 躁動鎮靜評分（richmond agitation sedation scale，RASS）、機械通氣方式、營養方式、連續血液凈化（continuous blood purification，CBP）、主動脈球囊反搏（intra-arotic ballon pump，IABP）、去甲腎上腺素劑量；實驗室檢查指標包括氧合指數（PaO2/FiO2）、血乳酸、白蛋白、血紅蛋白和靜脈血葡萄糖。

1.3 統計學方法

使用SPSS 20.0 和R 4.1.2 軟件進行統計分析。符合正態分布的計量資料用（±s）表示，兩組間比較采用成組t 檢驗；非正態分布計量資料用M（P25，P75）表示，組間比較采用Mann-Whitney U 檢驗；計數資料用相對數表示，組間比較使用χ2檢驗或Fisher's 精確概率法。組間比較中差異有統計學意義的因素（P＞0.1）納入全變量Logistic 回歸分析、逐步Logistic 回歸分析及Lasso-Logistic 回歸分析篩選危險因素（α入=0.05，α出=0.1）。使用受試者工作特征曲線下面積（the area under the receiver operation characteristic curve，AUC）、靈敏度及特異度等指標評價區分度，AUC 比較使用Delong 檢驗；采用赤池信息準則（akaike information criterion，AIC）、貝葉斯信息準則（bayesian information criterion，BIC）及校準曲線觀評價校準度；采用決策曲線確定臨床應用價值。

2 結果

2.1 患者一般資料

159 例患者中發生面部壓力性損傷22 例，發生率為13.8%；其中發生在口部12 例、顴部6 例、下頜部4 例。壓力性損傷組與非壓力性損傷組患者年齡、合并糖尿病比例、ICU 住院時間、單次俯臥位時長、總俯臥位時長、RASS、機械通氣方式、連續血液凈化治療比例、IABP治療比例、去甲腎上腺素劑量、PaO2/FiO2、血乳酸比較，差異有統計學意義（P＜0.1）；兩組性別、BMI、主要診斷、合并膿毒癥比例、總住院時間、APACHE Ⅱ、NRS2002、Braden 評分、平均動脈壓、營養方式、白蛋白、血紅蛋白、靜脈血葡萄糖比較，差異無統計學意義（P＞0.1），見表1。

表1 兩組一般資料比較Table 1 Comparison of baseline data between the two groups

2.2 俯臥位通氣相關面部壓力性損傷影響因素

以是否發生面部壓力性損傷（賦值：否=0，是=1）為因變量，在組間比較中差異有統計學意義的因素（P＜0.1）為自變量構建Logistic 回歸模型，年齡、ICU住院時間、單次俯臥位時間、總俯臥位時間、RASS、去甲腎上腺素劑量、PaO2/FiO2、血乳酸（賦值：實測值）；糖尿病、有創機械通氣、高流量鼻導管氧療、血液凈化治療、IABP 治療（賦值：否=0，是=1）。

圖1 為Lasso 特征選擇過程，當l=0.002 443 71 時篩選出4 個非零系數變量，分別為年齡、糖尿病、單次俯臥位時間和RASS。分別采用逐步Logistic 回歸模型、全變量Logistic 回歸模型及Lasso-Logistic 回歸模型篩選面部壓力性損傷的影響因素。逐步Logistic 回歸模型結果顯示，面部壓力性損傷的影響因素為年齡（OR=39.041）、糖尿病（OR=7.256）和單次俯臥位通氣時間（OR=6.705）；全變量Logistic 回歸模型結果顯示，面部壓力性損傷的影響因素為年齡（OR=26.882）、糖尿病（OR=1.770）、ICU 住院時間（OR=2.610）和單次俯臥位通氣時間（OR=5.340）；Lasso-Logistic 模型回歸結果顯示，面部壓力性損傷的影響因素為年齡（OR=38.256）、糖尿病（OR=1.094）、單次俯臥位通氣時間（OR=5.738）和RASS 評分（OR=1.179），見表2。

圖1 Lasso 回歸變量篩選過程Figure 1 Lasso-Logistic regression variable screening process

表2 俯臥位通氣相關面部壓力性損傷的三種Logistic 回歸模型Table 2 Three Logistic regression models of prone position ventilation-related facial pressure injuries

2.3 模型預測效能和臨床應用價值

2.3.1 模型預測效能：分別構建逐步Logistic 回歸模型：P = 1/［1 + e-X］，X=-1.392+2.506×年齡+1.982×糖尿病+1.193×單次俯臥位通氣時間；全變量Logistic 回歸模型：P = 1/［1 + e-X］，X=-1.941+1.633×年齡+0.189×糖尿病+0.248×ICU 住院時間+0.609×單次俯臥位通氣時間；Lasso-Logistic 回歸模型：P = 1/［1 + e-X］，X=-1.099+5.021× 年齡+0.146× 糖尿病+1.984× 單次俯臥位通氣時間+0.150×RASS。比較3 種Logistic回歸模型的AUC、靈敏度、特異度，Delong 檢驗顯示Lasso-Logistic 回歸模型AUC 高于逐步Logistic 回歸模型（Z=2.417，P=0.015）與全變量Logistic 回歸模型（Z=2.834 2，P=0.004）；同時該模型的靈敏度、特異度均優于其他2 種Logistic 回歸模型，說明其具有較好的區分度。圖2 為3 種模型的校準曲線；在校準曲線中對角線是在理想狀態下預測概率與實際概率完全一致的狀態，不同顏色的曲線顯示了模型預測的風險事件發生概率與實際發生概率的一致性，曲線與對角線越接近，表明模型預測概率與實際概率的擬合效果越好。校準曲線顯示在3 種Logistic 回歸模型中，Lasso-Logistic 回歸模型預測概率與實際概率的一致性較好，而逐步Logistic 回歸模型與全變量Logistic 回歸模型預測概率與實際概率存在一定程度偏差。在3 種Logistic 回歸模型中，Lasso-Logistic 回歸模型R2較大，而AIC 和BIC 較小，也表明該模型擬合效果最好。見表3。

圖2 三種Logistic 回歸模型校準曲線Figure 2 The calibration curve of three Logistic regression models

表3 不同Logistic 回歸模型預測效能Table 3 Predictive efficacy of different Logistic regression models

2.3.2 模型臨床應用價值：決策曲線顯示了模型將患者均識別為壓力性損傷患者、非壓力性損傷的臨床收益（即圖3 中的灰色斜線和黑色橫線）及其模型實際臨床收益；模型決策曲線與灰色斜線、黑色橫線相交的部分對應風險閾值范圍越大，表明模型的實際應用價值越高。逐步Logistic 回歸模型及全變量Logistic 回歸模型獲得臨床收益對應風險閾值分別為0.01～0.83 和0.01～0.85；Lasso-Logistic 回歸模型獲得臨床收益對應風險閾值為0.01～0.98。綜合以上結果判斷Lasso-Logistic 回歸模型具有較高的臨床應用價值。

圖3 三種Logistic 回歸模型決策曲線Figure 3 The decision curves of three Logistic regression models

3 討論

本研究中逐步Logistic 回歸模型分析篩選了3 種面部壓力性損傷危險因素，而全變量及Lasso-Logistic 回歸模型分析分別篩選了4 種危險因素。年齡、糖尿病、單次俯臥位通氣時間在3 種Logistic 回歸分析中均被篩選為面部壓力性損傷的危險因素。國外研究表明單次俯臥位通氣時長和總俯臥位通氣時長是壓力性損傷最直接的危險因素［7］。俯臥位通氣患者由于重力作用存在使其頭面部皮膚及皮下組織水腫；同時口腔內唾液、氣囊上堆積的口腔分泌物以及部分胃內容物流出，使面部皮膚長時間處于潮濕狀態，消化酶和細菌互相作用，損害皮膚屏障作用，從而增加壓力性損傷風險［8-10］。本研究結果顯示，壓力性損傷患者單次俯臥位通氣時間及總俯臥位時間均明顯長于非壓力性損傷患者，但僅單次俯臥位通氣時長與面部壓力性損傷有顯著關聯。盡管俯臥位能夠在短時間內改善患者通氣/血流比，但肺泡復張和肺泡內液體引流需要較長時間，因此較長時間的俯臥位通氣（＞12 h 或＞16 h）才能顯著改善患者結局［11-12］。在臨床實踐過程中，部分患者對俯臥位通氣耐受性較差，難以耐受長時間俯臥位通氣，對該類患者會采取分段式俯臥位通氣策略（即俯臥位2～4 h，休息1～2 h，再俯臥位2～4 h），分段式俯臥位通氣策略使患者局部組織受壓時間縮短，但總的俯臥位通氣時間與連續俯臥位通氣患者相當，因此在本研究中總俯臥位時間與面部壓力性損傷并無顯著關聯。本研究發現年齡是俯臥位通氣患者面部壓力性損傷的重要影響因素。PACHá 等［13］發現與年齡≤40 歲的患者相比，61～80 歲的患者及80歲以上的患者其壓力性損傷發生風險分別是其2.6 倍（OR=2.6，95%CI=1.2～5.6，P=0.01）和3.7 倍（OR=3.7，95%CI=1.4～9.7，P＜0.001）。Meta 分析顯示糖尿病患者壓力性損傷發生風險明顯高于非糖尿病患者［14-15］。本研究中糖尿病患者接受俯臥位通氣更容易發生面部壓力性損傷，但有、無壓力性損傷患者間血糖水平并無顯著差異，說明長時間的血糖水平升高可能會增加組織損傷風險。正常狀態下局部組織受壓后毛細血管擴張以增加局部組織灌注，但老年人及糖尿病患者由毛細血管介導的局部組織血流調節機制減弱，因此該類人群更容易發生壓力性損傷［16］。此外，在預測效能最高的Lasso-Logistic 回歸模型中RASS 也與面部壓力性損傷風險密切相關，與KOO等［17］研究結論相似。中深度鎮靜（RASS＜-3分）有利于減少患者呼吸做工和人機對抗，使患者能夠耐受較長時間的俯臥位［18］。但深度鎮靜時患者對疼痛等有害刺激的感知能力減弱，可能是其導致壓力性損傷發生風險增加的原因［19］。

Lasso 回歸最早由1996 年Robert Tibshirani 首次提出，是在最小二乘法的基礎上，將所有變量回歸系數的絕對值之和作為懲罰項，使與因變量無顯著關聯的自變量系數壓縮為0，從而能夠篩選相關性較強的變量［20］。多項研究證實Lasso-Logistic 回歸模型篩選的變量預測效能優于逐步及全變量Logistic 回歸模型［21-25］。本研究分別使用逐步Logistic 回歸、全變量Logistic 回歸及Lasso 特征選擇聯合Logistic 回歸篩選俯臥位通氣患者面部壓力性損傷危險因素并構建預測模型，比較3 種Logistic 回歸模型的預測效能和臨床應用價值來選擇最優模型。逐步、全變量Logistic 回歸模型和Lasso-Logistic 回歸模型均具有較高的靈敏度，但Lasso-Logistic 回歸模型特異度明顯高于其他兩種Logistic 回歸模型；Lasso-Logistic 模型預測值與實際觀測值的擬合效果明顯優于逐步及全變量Logistic 回歸模型，說明該模型預測效能優于其他2 種Logistic 回歸模型。臨床應用價值方面，逐步與全變量Logistic 回歸模型間的凈收益并無明顯差異，而Lasso-Logistic 回歸模型具有較高的凈收益，臨床應用價值明顯高于其他2 種Logistic 回歸模型。綜合以上結果說明Lasso-Logistic 回歸模型是預測俯臥位通氣患者面部壓力性損傷的最優模型，可能是目前較為理想的預測模型建模方法。

本研究基于Lasso-Logistic 回歸模型篩選確定了年齡、糖尿病、單次俯臥位通氣時間及Richmond 躁動鎮靜評分等俯臥位通氣相關面部壓力性損傷危險因素。臨床護士在評估相關危險因素的基礎上應用該模型可預測面部壓力性損傷風險，篩選識別高風險患者。另一方面，本研究結果為改進俯臥位通氣策略、減少俯臥位通氣相關并發癥提供理論與決策依據，從而有利于減少俯臥位通氣患者面部壓力性損傷的發生。但本研究仍存在一些不足，如本研究為單中心研究，樣本量較少；在單因素分析中對潮濕、水腫等局部因素關注不足等。因此需要增加樣本量，納入更多潛在變量以期更為全面地探討俯臥位通氣患者面部壓力性損傷危險因素并為臨床護理人員提供預測精度及應用價值較高的風險預測工具。

綜上，年齡、糖尿病、單次俯臥位通氣時間和Richmond 躁動鎮靜評分是俯臥位通氣相關面部壓力性損傷的關鍵危險因素；Lasso-Logistic 回歸模型預測效能和臨床應用價值優于逐步Logistic 回歸模型和全變量Logistic 回歸模型，是面部壓力性損傷預測模型的最佳建模方法。

作者貢獻：袁媛負責設計研究方案、論文起草、數據收集；張亞榮負責數據收集；李振剛負責數據收集、統計學分析；張莉負責研究思路、研究命題的提出及設計。

本文無利益沖突。