個體化混合痔患者術后中重度疼痛的列線圖模型

方鄭潔 郭愛粉

杭州市臨平區第一人民醫院,311110 浙江 杭州

近年來,由于人們飲食結構的變化、生活水平的提高、運動缺乏及生活規律紊亂等原因,痔瘡的患病人數逐漸增加[1-2]。據相關文獻報道,普通人群痔瘡的患病率為46%左右[3]。根據痔瘡發病位置的不同,可將其分為混合痔、外痔及內痔,混合痔是其中比較常見的類型[4]。混合痔是指發生在肛門的同一方位齒線上下,無明顯分界、內外相連的一種痔瘡,臨床表現為肛門異物感、肛門不適、肛門下墜、脫出和便血等,病情嚴重的可出現痔嵌頓[5]。目前臨床治療混合痔的方法較多,如紅外線凝固療法、藥物治療、注射療法、飲食調節及手術治療等方式[6-7]。對于Ⅲ～Ⅳ度混合痔而言,紅外線凝固療法、藥物治療等保守治療效果較差,手術治療效果較好,且安全可靠[8]。然而由于肛門的解剖結構比較特殊,有較為豐富的神經及血管,再加上手術的創傷,混合痔患者術后容易出現中重度疼痛。中重度疼痛會導致患者不敢進食和排便,進而造成電解質紊亂、尿潴留及排便困難等,嚴重影響患者的康復及生命質量[9]。因此,及早識別混合痔患者術后中重度疼痛的危險因素并建立預測模型,對混合痔患者術后中重度疼痛的預防具有積極作用。目前臨床上有關混合痔患者術后中重度疼痛的研究較少。本研究構建混合痔患者術后中重度疼痛的列線圖模型,以期為混合痔患者術后中重度疼痛的防治提供一定參考。

1 資料與方法

1.1 研究對象

選取2019年3月至2022年11月于某院行手術治療的混合痔患者作為研究對象。納入標準:年齡≥18歲;經腸鏡檢查符合混合痔的診斷標準[10];符合手術治療的指征;意識清晰,神志清楚;自愿參與本研究且已簽字。排除標準:伴有神經或精神類疾病;伴傳染性疾病;肛管功能異常;合并腸道感染、直腸惡性腫瘤、直腸息肉及肛瘺等其他肛腸疾病;哺乳期或妊娠期女性;嚴重肝腎功能障礙。

1.2 中重度疼痛的判定標準

于術后72 h內采用長海痛尺評分法動態評估疼痛,0分無疼痛,1～2分輕度疼痛,3～4分中度疼痛,≥5分重度疼痛。

1.3 資料收集

收集混合痔患者的性別、年齡、混合痔分度、手術方式、職業狀態、體質量指數、睡眠狀況、混合痔數量、飲酒史、吸煙史、手術時間、文化程度、糖尿病及高血壓等資料。混合痔分度:無明顯痔核脫出,主要表現為糞便帶血或擦紙染血為Ⅰ度;排便期間可出現痔核脫出,排便結束以后痔核能夠自行回納,便中偶有滴血為Ⅱ度;負重、咳嗽及排便時,痔核脫出且無法自行回納,便中偶有滴血或噴射出血為Ⅲ度;痔核脫出,用手回納后再次脫出或用手輔助難以回納,伴有疼痛、糜爛和紅腫為Ⅳ度。睡眠質量:采用匹茲堡睡眠質量指數評估睡眠質量,分值范圍0～21分,0～6分睡眠質量較好,≥7分睡眠質量較差。飲酒史:酒精攝入量女性每周>140 g,男性每周>280 g。吸煙史:連續或累計吸煙≥6個月。糖尿病:空腹血糖≥7.0 mmol/L或餐后2 h血糖≥11.0 mmol/L。高血壓:收縮壓≥140 mmHg和/或舒張壓≥90 mmHg。

1.4 統計學方法

采用SPSS 22.0軟件分析數據。采用卡方檢驗對比定性資料。采用lasso-logistic回歸篩選混合痔患者術后中重度疼痛的預測因素[11];采用logistic回歸篩選混合痔患者術后中重度疼痛的危險因素。采用R 4.2.3軟件建立混合痔患者術后中重度疼痛的列線圖模型。采用bootstrap法對混合痔患者術后中重度疼痛的列線圖模型進行內部驗證,計算一致性指數(C-index)。采用受試者工作特征(ROC)曲線、校正曲線及決策曲線評估混合痔患者術后中重度疼痛列線圖模型的預測性能和臨床效用。檢驗水準α=0.05。

2 結果

2.1 一般資料

270混合痔患者中有53例患者術后出現中重度疼痛,中重度疼痛的發生率為19.63%(95%CI:0.712～0.846)。兩組患者的混合痔分度、手術方式、睡眠狀況、飲酒史及有無糖尿病差異有統計學意義(P<0.05)。見表1。

表1 混合痔患者一般資料

2.2 混合痔患者術后中重度疼痛的預測因素篩選

lasso回歸分析結果顯示,混合痔分度、手術方式、睡眠狀況、飲酒史及糖尿病是系數不為零的預測因素。見圖1。

A.最優參數值λ=0.021時繪制垂直線,選取5個變量關系圖;B.調整參數λ后,各臨床特征系數與log(λ)的關系圖。

2.3 混合痔患者術后中重度疼痛的危險因素

將混合痔分度、手術方式、睡眠狀況等作為自變量,以混合痔患者術后中重度疼痛情況為因變量,進行混合痔患者術后中重度疼痛的logistic回歸分析,變量賦值見表2。結果顯示,Ⅳ度混合痔、傳統外剝內扎術、睡眠狀況較差、飲酒史及糖尿病是混合痔患者術后中重度疼痛的危險因素(P<0.05)。見表3。

表2 變量賦值

表3 混合痔患者術后中重度疼痛的logistic回歸分析

2.4 混合痔患者術后中重度疼痛的列線圖模型

以混合痔分度、手術方式、睡眠狀況、飲酒史及糖尿病作為自變量,以混合痔患者術后中重度疼痛情況為因變量,構建混合痔患者術后中重度疼痛的列線圖模型,總分0～350,對應混合痔患者術后中重度疼痛的概率是0.06～0.70,見圖2。混合痔患者術后中重度疼痛的列線圖模型的C-index 0.737(95%CI:0.698～0.778)。校正曲線的預測值和實際值基本一致,見圖3。模型的ROC曲線下面積0.725(95%CI:0.684～0.767),見圖4。決策曲線顯示閾值概率為8%～67%時,列線圖預測混合痔患者術后中重度疼痛的凈獲益值較高,說明混合痔患者術后中重度疼痛的列線圖模型臨床預測效用良好,見圖5。

圖2 混合痔患者術后中重度疼痛的列線圖模型

圖3 混合痔患者術后中重度疼痛列線圖模型的校正曲線

圖4 混合痔患者術后中重度疼痛列線圖模型的ROC曲線

圖5 混合痔患者術后中重度疼痛列線圖模型的決策曲線

3 討論

3.1 混合痔患者術后中重度疼痛現狀

混合痔是臨床常見的疾病,嚴重影響患者的生活質量及生命健康。手術治療對混合痔具有較好的效果,術后混合痔的復發率較低,但是術后患者容易發生中重度疼痛,不利于患者的康復和轉歸[12]。本研究中重度疼痛的發生率為19.63%,說明混合痔患者術后中重度疼痛的發生概率較高。混合痔患者術后中重度疼痛需要得到臨床醫生的重視。

3.2 混合痔分度、手術方式對術后中重度疼痛影響

本研究發現混合痔分度是混合痔患者術后中重度疼痛的影響因素,Ⅳ度混合痔術后更容易發生中重度疼痛。Ⅳ度混合痔病情比較嚴重,病變的范圍比較大,手術治療時易對局部深層組織造成損傷,從而導致中重度疼痛[13]。本研究結果表明傳統外剝內扎術是混合痔患者術后中重度疼痛的危險因素,劉瑋瑋等[14]認為傳統外剝內扎術后患者中重度疼痛的發生風險較高。傳統外剝內扎術雖然對混合痔具有一定效果,但是切除的組織多、對患者造成的創傷較大,患者術后恢復的時間比較長,因而更容易出現中重度疼痛。

3.3 睡眠質量和飲酒史等對術后中重度疼痛影響

研究發現睡眠狀況是混合痔患者術后中重度疼痛的影響因素,睡眠狀況較差的混合痔患者術后更容易出現中重度疼痛。相關研究發現睡眠較差是食管癌患者內鏡黏膜下剝離術后中重度疼痛的危險因素[15];本研究與其病種不同,但也有相似之處。一方面睡眠質量差會造成肌肉痙攣和緊張;另一方面,睡眠質量差會降低機體的抵抗力,加重炎癥反應,因而睡眠質量差的患者更容易出現中重度疼痛。本研究表明飲酒史是混合痔患者術后中重度疼痛的危險因素。王迪等[16]研究發現飲酒史會增加中重度疼痛的發生風險。酒精容易通過血腦屏障與腦組織卵磷脂相結合,對周圍和中樞神經系統產生毒性,損傷自主、運動和感覺神經;而且長期飲酒可能會使周圍和中樞神經的痛覺敏感性發生改變,因而有飲酒史的患者更容易發生中重度疼痛。本研究表明糖尿病是混合痔患者術后中重度疼痛的危險因素。劉盼盼等[17]研究認為糖尿病會增加術后中重度疼痛的發生風險。糖尿病可能會使免疫系統異常和炎癥反應加重,免疫系統異常會加重疼痛,炎癥反應加重會增加疼痛的感覺,從而導致中重度疼痛。

3.4 術后中重度疼痛列線圖模型的預測價值

列線圖模型可以把復雜的回歸方程變成易于理解的可視化圖形,便于臨床醫生計算各個變量的取值,推算不良事件的發生概率[18]。有學者發現列線圖模型可以用于預測不良事件,其對不良事件發生概率的預測比較準確[19]。本研究構建了混合痔患者術后中重度疼痛的列線圖模型,結果提示混合痔患者術后中重度疼痛列線圖模型的準確性和預測效能比較良好;決策曲線顯示閾值概率為8%～67%時,列線圖預測混合痔患者術后中重度疼痛的凈獲益值較高,說明混合痔患者術后中重度疼痛列線圖模型的臨床預測效用良好。

綜上所述,Ⅳ度混合痔、傳統外剝內扎術、睡眠狀況較差、飲酒史及糖尿病是混合痔患者術后中重度疼痛的危險因素,混合痔患者術后中重度疼痛的列線圖模型的準確性較高,能夠為混合痔患者術后中重度疼痛的預防提供一定參考。