心外科術后譫妄風險預測模型的研究進展

Research progress on risk prediction models for postoperative delirium in cardiac surgery

FAN Qin1， GENG Li2*

1.Wuhan University of Science and Technology， Hubei 430012 China；2.Wuhan Asia Heart Hospital Affiliated to Wuhan University of Science and Technology

*Corresponding Author" GENG Li， E?mail： 001gl@163.com

Abstract" This paper introduced the relevant content of postoperative delirium risk prediction models for heart disease patients.It reviewed the research status and shortcomings of postoperative delirium prediction models for surgical patients at home and abroad，so as to provide reference for the development and clinical application of postoperative delirium risk prediction models for heart disease patients.

Keywords" heart disease； postoperative delirium； risk factors； predictive model； nursing； review

摘要" 總結心臟病術后譫妄風險預測模型相關內容，對國內外手術病人術后譫妄預測模型的研究現(xiàn)狀及模型存在的不足等進行綜述，旨在為心臟病病人術后譫妄風險預測模型的開發(fā)和臨床應用提供參考。

關鍵詞" 心臟病；術后譫妄；風險因素；預測模型；護理；綜述

doi：10.12102/j.issn.1009-6493.2025.03.026

術后譫妄（postoperative delirium，POD）是心臟手術后的常見并發(fā)癥，發(fā)生率高達8%～52%[1?2]。研究表明，心臟外科術后譫妄的發(fā)生率為13.3%～57.0%[3]。心臟外科術后病人在重癥監(jiān)護室住院期間發(fā)生譫妄，可導致住院時間延長、重癥監(jiān)護室再入院率和院內病死率升高、住院費用增加等負性臨床結局，影響病人康復，增加病人負擔[4?5]。風險預測模型作為一種科學的統(tǒng)計學評估方法，對早期篩查和識別譫妄高危人群有重要意義[6]。目前，國內外較多學者基于譫妄風險因素構建了心臟重癥監(jiān)護室病人的譫妄風險預測模型，但尚不清楚哪種模型更適用于國內心臟重癥監(jiān)護室環(huán)境，且構建方法、驗證過程和應用場景的不同，導致各模型準確度與可信度存在較大差異[7]。現(xiàn)將近年來國內外適用于心臟病術后病人的危險因素、風險預測模型研究進行綜述，為譫妄預測模型的構建及臨床應用提供參考。

1" 風險預測模型的概述

預測模型最早應用于Framingham心臟病研究，經(jīng)驗證該預測模型能夠有效預測美國人口心血管疾病發(fā)生風險[8]。預測模型的建立分為3個階段：首先對原始數(shù)據(jù)進行分析，分析其中危險因素，并進行分階段組合；其次為關鍵危險因素識別，如運用隨機森林的方法對獲取的組合進行分析，識別去除不重要的危險信息，以期獲得最好的預測結果；最后為疾病的預測，使用監(jiān)督學習算法根據(jù)前兩部分的分析結果對疾病風險進行預測，并通過對模型參數(shù)的優(yōu)化調整，實現(xiàn)預測結果的優(yōu)化[9]。隨著預測模型在公共衛(wèi)生和臨床醫(yī)學領域的不斷發(fā)展，國內外的學者也開展了很多其他風險預測模型的研究，如腦卒中相關性肺炎（stroke?associated pneumonia，SAP）[10]、病人術中獲得性壓力性損傷[11]、社區(qū)老年高血壓病人衰弱[12]、手術病人術后譫妄[13]等。我國對譫妄病人的風險預測研究起步較晚，且現(xiàn)主要集中于心臟外科[14]、呼吸內科[15]、骨外科[16]、腹外科[17]、神經(jīng)外科[18?19]等病人。完整預測模型的建立需要建模和驗證2個步驟，常用于建模的統(tǒng)計學方法包括Logistic回歸模型和Cox比例風險模型2種，模型的驗證又根據(jù)驗證人群來源的不同分為內部驗證和外部驗證[20]。

2" 心臟病病人譫妄的危險因素

Chen等[21]系統(tǒng)綜述了心臟手術后譫妄的危險因素，納入了14項研究，確定了年齡、糖尿病、術前抑郁、輕度認知功能障礙、頸動脈狹窄、紐約心臟病協(xié)會心功能分級（NYHA）Ⅲ級或Ⅳ級、機械通氣時間和重癥監(jiān)護室住院時間8個危險因素。De La Varga?Martíne等[22]研究表明，瓣膜置換手術、冠狀動脈搭橋手術和混合手術手術類型與譫妄的發(fā)生差異無統(tǒng)計學意義（Pgt;0.05）。這與Xu等[23]研究結果不一致。分析可能原因是不同國家人群的異質性和手術流程的不同導致的。Chen等[24]研究表明，術前老年營養(yǎng)風險指數(shù)（CNRI）與術后老年病人發(fā)生譫妄的風險存在負相關關系。研究發(fā)現(xiàn)，營養(yǎng)不良導致嚴重的術后結局，如感染并發(fā)癥、康復不良和住院時間延長。相關研究表明，心外科術后譫妄預測因子為：1）病人術前資料。年齡、性別、體質指數(shù)（BMI）、NYHA心功能Ⅲ級或Ⅳ級、高血壓史、糖尿病史、腦卒中史、焦慮抑郁程度、認知功能障礙、頸動脈狹窄、需要藥物治療的失眠、低體力活動、老年營養(yǎng)風險指數(shù)。2）病人術中情況。手術方式、體外循環(huán)（cardiopulmonary bypass，CPB）、主動脈阻斷時間（ACCT）、術中最低平均動脈壓（MAP）和術中輸血。3）病人術后情況。入住重癥監(jiān)護室時間、機械通氣時間、低氧合血癥、制動、躁動鎮(zhèn)靜評分（Richmond Agitation Sedation Scale，RASS）、急性生理學與慢性健康狀況評分系統(tǒng)Ⅱ（Acute Physiology and Chronic Health Evaluation Ⅱ，APACHEⅡ）評估、貧血、衰弱評分、血清肌酐（Cr）、術后血清鈉、術后血清尿素氮、術后總膽紅素（TBIL）、術后血清白蛋白[21?23，25?27]。在術前分析中，研究間的異質性通常低于術中和術后風險因素的異質性，這可能解釋為術前風險因素在一般人群中具有相似的影響[21]。

3" 心臟病譫妄風險預測模型的構建現(xiàn)狀

目前，國內外對于譫妄風險預測模型的研究已經(jīng)相對成熟，心臟術后譫妄預測模型主要有譫妄預測模型（prediction of delirium in ICU patients，PRE?DELIRIC）、早期譫妄預測模型（early prediction of delirium in ICU patients，E?PRE?DELIRIC）、機器學習預測模型XG Boost、心臟手術病人術前譫妄風險預測模型（delirium risk prevention preoperative model for" cardiac surgery patients，DELIPRECAS）、Logistic回歸模型和Cox回歸模型。還有的模型是基于傳統(tǒng)的Logistic回歸模型，比如D?FRAIL模型是將衰弱和其他自變量一起納入到模型中，通過內部驗證得出較好的效果。由于所測量的人群手術方式有所差異，還未將這些模型進行比較，得出靈敏度、特異度和準確度較高的模型，為譫妄早期風險管理提供參考。

3.1 D?FRAIL模型

入住重癥監(jiān)護病房的老年病人發(fā)生譫妄的風險較高，有研究針對接受心臟和非心臟手術的老年病人前瞻性和回顧性研究表明，與健壯病人相比，術前衰弱和衰弱前期的老年病人更容易發(fā)生譫妄[28]。Guo等[27]探討衰弱在譫妄預測中的作用，建立并驗證包含衰弱的心臟重癥監(jiān)護室老年病人譫妄預測模型。選取心臟重癥監(jiān)護室326例心臟術后病人，建模隊列和外部驗證隊列分別納入236例和90例參與者。采用簡體中文版重癥監(jiān)護室譫妄診斷混淆評估方法進行評估，每天評估2次，直至病人出現(xiàn)譫妄或從心臟重癥監(jiān)護室轉出。在心臟重癥監(jiān)護室的第1個24 h內使用漢化版衰弱指數(shù)量表（FRAIL量表）[29]評估衰弱。將單因素分析中對譫妄有意義的變量作為候選變量，以選擇最佳預測因子并建立模型1。確立了APACHE Ⅱ評分、聽力障礙、纖維蛋白原3個變量。然后在模型1的基礎上加入FRAIL評分，形成模型2。結果顯示，受試者工作特征曲線下面積從0.851增加到0.937，且FRAIL評分每增加1分，譫妄發(fā)生風險增加6.08倍。在納入FRAIL評分后，D?FRAIL模型對心臟重癥監(jiān)護室老年病人的臨床療效也有較大提高。然而，這項研究在推導隊列中納入了相對較小的樣本量建立預測模型，在推導外部驗證中規(guī)模比較小，且老年病人衰弱的評估是基于單一的自我報告的FRAIL評分，這可能會導致錯誤的分類。此研究還首次表明纖維蛋白原是譫妄的一個有意義的預測因子。纖維蛋白原是在促炎細胞因子的反應下產(chǎn)生的，已被廣泛認為是慢性炎癥的生物標志物[30]。在神經(jīng)炎癥的分子組成中可以觀察到血漿纖維蛋白原通過滲漏的血腦屏障大量外滲到中樞神經(jīng)系統(tǒng)，這可能極大地促進了譫妄的發(fā)生。

3.2 PRE?DELIRIC譫妄預測模型和E?PRE?DELIRIC模型

PRE?DELIRIC模型是國外應用較廣泛的重癥監(jiān)護室譫妄風險預測能力模型，Van Den Boogaard等[31]研究顯示，PRE?DELIRIC模型對預測重癥監(jiān)護室病人譫妄的可能性有良好的效果。模型納入了10項譫妄風險因素，對病人入科24 h之內的10項風險因素進行評估得出譫妄發(fā)生的可能性。10項風險因素包括年齡、緊急入院、APACHE Ⅱ得分、診斷類別、最高尿素氮濃度、感染、嗎啡使用、鎮(zhèn)靜劑使用情況、昏迷情況和代謝性酸中毒。該模型鑒別效度良好，使用方法簡單易行，且預測效能優(yōu)于經(jīng)驗預測法。但該模型不能反映健康狀況的動態(tài)變化對于譫妄發(fā)生的影響，也無法對病人入住重癥監(jiān)護室24 h 內的譫妄風險進行評估，存在一定的局限性。Wassenaar等[32]開發(fā)了E?PRE?DELRIC譫妄預測模型，利用不同國家重癥監(jiān)護室的數(shù)據(jù)開發(fā)譫妄預測模型，增加了其普適性。使用重癥監(jiān)護室入院時即可使用的數(shù)據(jù)，可以對病人在重癥監(jiān)護室住院期間的譫妄風險進行分層，具有較高的辨別力。然而，心臟外科重癥監(jiān)護室譫妄的早期預測模型較少，Gao等[33]使用E?PRE?DELIRIC模型對心臟外科手術后預測能力進行研究，檢索病人入住重癥監(jiān)護室時的預測因素，包括年齡、認知障礙史、酗酒史、急診入院、使用皮質類固醇、呼吸衰竭、血尿素氮和平均動脈壓，結果顯示，E?PRE?DELIRIC模型具有較差的區(qū)分能力，受試者工作特征曲線下面積為0.54[95%CI（0.48，0.59）]，精確率?召回率曲線下面積為0.18[95%CI（0.12，0.20）]。預測概率與譫妄發(fā)生之間差異有統(tǒng)計學意義，表明E?PRE?DELIRIC模型在心臟外科重癥監(jiān)護室實踐中的適用性有限，應用時應謹慎。有研究表明，該模型以往是在內科、外科、神經(jīng)內科和創(chuàng)傷病人等人群中開發(fā)，與普通重癥監(jiān)護室病人相比，心臟外科手術病人由于血流和組織灌注受到影響，術后譫妄的發(fā)生途徑與其他類型手術相比存在差異[33]。

3.3 Logistic回歸模型

Logistic回歸模型是國內預測心臟術后譫妄使用較廣泛的模型。Xu等[23]回顧收集了2017年1月—2020年6月在南通大學附屬醫(yī)院行心血管手術的838例病人資料。診斷標準采用重癥監(jiān)護室病人意識模糊評估法（CAM?ICU），重癥監(jiān)護室意識模糊評估法的診斷主要依據(jù)以下4點：1）起病急、病情波動大；2）注意力和專注力不足；3）思維無序；4）意識的轉變。若病人存在1）和2），或存在3）或4）即可診斷為譫妄。該量表是針對危重癥病人開發(fā)的譫妄評估工具，被指南推薦作為譫妄篩查的金標準。最終進入預測模型的因素包括年齡、體外循環(huán)時間、術后機械通氣時間延長、術后血鈉。建模組和驗證組的樣本量各占50%。驗證結果顯示，建模組受試者工作特征曲線下面積為0.712，靈敏度為71.5%，驗證組受試者工作特征曲線下面積為0.705，靈敏度為70.4%，該預測模型具有中等的判別能力，通過列線圖呈現(xiàn)，其操作較簡便，有一定適用性。列線圖模型的特點是能夠個體化、直觀地表達復雜統(tǒng)計模型的結果，并對終點事件的影響因素賦予相應的評分。點的賦值用于計算事件發(fā)生的概率，這使得醫(yī)護人員在病人術后心臟外科重癥監(jiān)護室治療開始時進行評估，更容易使用標志性模型進行評估，方便護理人員使用。該預測模型樣本量不大，且未在其他醫(yī)療中心進行驗證。所以區(qū)分度和校準度還需要進一步測試，方便用于實踐。

3.4 Cox比例風險回歸模型

除了Logistic回歸模型，Cox比例風險回歸模型也具有較好的預測效果。主動脈夾層是一種嚴重威脅生命健康的心血管疾病，死亡率較高[34]。國際上常用Stanford分類體系根據(jù)主動脈夾層是否涉及升主動脈將其劃分為A型和B型。黃宛冰等[26]為了開發(fā)適用于Stanford B型主動脈夾層病人術后的譫妄預測模型，回顧性分析2019年1月—2021年3月559例Stanford B型主動脈夾層術后病人資料，應用Lasso回歸選出與術后譫妄相關的預測變量，基于年齡≥60歲、暈厥、入住重癥監(jiān)護室、入院時中性粒細胞計數(shù)gt;6.3×109/L、術后估計腎小球濾過率lt;90 mL/（min·1.73m2）5個預測因素，隨后采用多變量Cox回歸分析進一步探索術后譫妄的預測因素并構建列線圖預測模型。采用自助法重復抽樣1 000次進行內部驗證。該預測模型在建模隊列中的C指數(shù)為0.774，在Bootstrap內部驗證中的校正C指數(shù)為0.762。術后1 d、3 d和7 d的受試者工作特征曲線分別為0.776，0.771和0.778。顯示了較好的區(qū)分度和校準性能，使護理人員能夠根據(jù)當?shù)厍闆r實現(xiàn)風險分層，并且可能有助于他們做出預防措施的決策。此研究為單中心的回顧性研究，缺乏術后譫妄評估數(shù)據(jù)，可能出現(xiàn)部分假陰性。未來的研究可以基于此模型進行外部驗證，提高其適用性。

3.5 機器學習構建譫妄預測模型

近年來，隨著人工智能的飛速發(fā)展，作為其分支的機器學習技術已被廣泛用于數(shù)據(jù)驅動的預測模型中[25]，極限梯度提升樹（extreme gradient boosting，XG Boost）作為一種增強集成學習模型，具有較好的運用前景，左都坤等[25]基于極限梯度提升樹機器學習算法，構建心臟手術術后譫妄風險的預測模型，評價其與基于傳統(tǒng)Logistic回歸模型構建的預測模型的預測效果，該研究采用病例?對照研究設計方案，篩選2022年3月—7月陸軍軍醫(yī)大學第二附屬醫(yī)院病歷系統(tǒng)內因心臟病擇期行全身麻醉下心臟手術治療的684例病人。術后3 d內，護士常規(guī)每日07：00、19：00依據(jù)重癥監(jiān)護室意識模糊評估法評分量表進行評估，使用Lasso回歸分析篩選與術后譫妄相關的5個有意義的變量（年齡、術前外周血氧飽和度、術前局部腦氧飽和度均值、術前收縮壓、術后睡眠評分），Logistic回歸模型和XG Boost用于構建預測模型，采用SPSS軟件和R軟件，符合正態(tài)分布的定量資料采用t檢驗；偏態(tài)分布的定量資料采用秩和檢驗，計算預測模型的受試者工作特征曲線下面積。結果顯示，二者預測術后譫妄均有各自的優(yōu)點，傳統(tǒng)Logistic回歸模型較準確地預測譫妄，并顯示出比XG Boost更好的預測效能，但XG Boost預測譫妄的靈敏度以及對陽性樣本的識別能力優(yōu)于Logistic回歸模型。此研究為單中心研究，納入的數(shù)據(jù)有限，其開發(fā)和驗證采用的回顧性數(shù)據(jù)具有一定的局限性。在臨床實踐前，需要進行前瞻性研究，驗證模型的可靠性。

3.6 DELIPRECAS術前譫妄風險預測模型

大多數(shù)模型都是從病人入住重癥監(jiān)護室第1個24 h后開始預測，僅考慮到術后的即刻數(shù)據(jù)，并沒有涉及病人的先前因素。近年來，有研究從心臟手術術前就開始建立模型進行預測[22]。通過前瞻性、多中心研究，納入西班牙6所重癥監(jiān)護室連續(xù)接受心臟手術的689例病人，其中345例心臟外科手術病人為受試組，同1所醫(yī)院的344例病人為驗證組。用重癥監(jiān)護室意識模糊評估法診斷譫妄的發(fā)生情況。預測模型包含4個術前危險因素：年齡gt;65歲、簡易精神狀態(tài)量表（MMSE）評分25～26分（可能存在認知損害）或lt;25分（認知損害）、需要藥物治療的失眠和低體力活動（每天步行距離短于30 min）。通過收集到的數(shù)據(jù)，利用回歸系數(shù)轉移到基于每個變量的風險預測模型，是DELIPRECAS模型。該模型的受試者工作特征曲線下面積為0.825。驗證者的受試者工作特征曲線下面積為0.79，受試者工作特征曲線的合并曲線下面積為0.81。將預測到的譫妄病人分為低（0～20%）、中（gt;20%～40%）、高（gt;40%～60%）和極高（gt;60%）譫妄風險組，極高風險組的陽性和陰性預測值分別為70.97%和85.56%，根據(jù)結果進行風險分層護理。此模型可以有效解決醫(yī)患溝通問題，使病人及其家屬提前了解風險情況，并更好地理解可能的結果。

4" 譫妄風險預測模型構建的不足及展望

近年來，關于心臟病術后譫妄預測模型構建的研究對研究對象、預測因子、預測效能以及模型使用方法進行了較為全面的介紹，可方便研究者選取相應模型指導臨床實踐[35]。醫(yī)護人員可在結合實際情況下，選擇適宜的預測模型并進行外部驗證后用于臨床實踐。模型評價可以判斷模型的預測效果，反映其預測的價值。除左都坤等[25，33]研發(fā)的模型外，其他術后譫妄預測模型受試者工作特征曲線下面積均gt;0.7，達到臨床應用水平。其中，De La Varga?Martíne等[22]構建的預測模型受試者工作特征曲線下面積gt;0.8，提示有較好的預測性能。內部驗證和外部驗證可評價模型的重復性和外推性，除了De La Varga?Martine等[22，25?26，31，33]模型只進行了內部驗證，其他模型均進行了內外部驗證。此外，現(xiàn)有的模型針對不同心臟疾病人群構建，模型的開發(fā)過程存在差異，在正式進入臨床實踐前，還應進行前瞻性驗證研究以確認模型的可靠性。未來研究中，在注重模型預測效能的基礎上，還應積極關注模型的可操作性、便利程度以及對評估者工作負擔的影響。

5" 小結

目前，心臟病術后譫妄風險預測模型的實際應用普遍局限于建模原始研究，模型的普遍適用性需要多中心、大樣本數(shù)據(jù)進行驗證。譫妄風險預測模型能夠促進護理人員對譫妄進行早期、快速判斷，提前給予譫妄預防、干預措施，改善病人的臨床結局。此外，大部分譫妄風險預測模型不能預測譫妄風險級別，期待今后開展進一步深入研究，提高預測模型的臨床應用價值。

參考文獻：

[1]" SANSON G，KHLOPENYUK Y，MILOCCO S，et al.Delirium after cardiac surgery.Incidence，phenotypes，predisposing and precipitating risk factors，and effects[J].Heart amp; Lung，2018，47（4）：408-417.

[2]" BROWN C H，PROBERT J，HEALY R，et al.Cognitive decline after delirium in patients undergoing cardiac surgery[J].Anesthesiology，2018，129（3）：406-416.

[3]" 高雯，金靜芬.心臟外科ICU患者譫妄風險因素的研究進展[J].中華急危重癥護理雜志，2020，1（3）：231-233.

[4]" 潘燕彬，顏建龍，駱諫英，等.譫妄病人遠期預后的研究進展 [J].中華護理雜志，2019，54（9）：1415-1418.

[5]" MANIAR H S，LINDMAN B R，ESCALLIER K，et al.Delirium after surgical and transcatheter aortic valve replacement is associated with increased mortality[J].The Journal of Thoracic and Cardiovascular Surgery，2016，151（3）：815-823.

[6]" 張偉麗，邱晨，宋玉祥，等.機器學習在譫妄風險預測模型構建中的研究進展[J].解放軍醫(yī)學院學報，2023，44（11）：1292-1296.

[7]" 龔翠穎，王建寧，李立群，等.主動脈夾層病人術后譫妄危險因素和預測模型的研究進展[J].中華護理雜志，2023，58（2）：179-185.

[8]" KANNEL W B，MCGEE D，GORDON T.A general cardiovascular risk profile：the Framingham study[J].The American Journal of Cardiology，1976，38（1）：46-51.

[9]" 王君賢.基于隨機森林與支持向量機的心血管疾病預測研究[D].天津：天津大學，2020.

[10]" 曹燚，曾茜，趙信飛，等.卒中相關性肺炎風險預測模型的系統(tǒng)評價[J].中國循證醫(yī)學雜志，2023，23（11）：1259-1268.

[11]" 邢路瑤，余文靜，胡娟娟，等.患者術中獲得性壓力性損傷風險預測模型的研究進展[J].中華護理雜志，2023，58（24）：3054-3059.

[12]" 李洋洋，劉艷麗，秦玉婷，等.社區(qū)老年高血壓患者衰弱的動態(tài)列線圖風險預測模型構建[J].護理學雜志，2023，38（23）：84-90.

[13]" 葉麗，劉琰，陳靜，等.手術病人術后譫妄風險預測模型的研究進展[J].護理研究，2022，36（10）：1810-1815.

[14]" 劉海棠，唐倩蕓，周森.老年病人心臟術后譫妄風險列線圖預測模型的建立及驗證[J].實用老年醫(yī)學，2021，35（8）：840-844.

[15]" 張玉寶，王匯，程嵐.COPD機械通氣病人譫妄發(fā)生風險的列線圖預測模型構建與評估[J].蚌埠醫(yī)學院學報，2021，46（11）：1611-1615.

[16]" 葛章偉，黃馨，劉正東，等.重癥監(jiān)護室中老年患者術后譫妄影響因素分析及風險預測模型建立與評價[J].中國康復理論與實踐，2022，28（3）：340-345.

[17]" 孔騫.老年腹部手術患者術后譫妄的危險因素分析及預測模型的構建[D].湖州：湖州師范學院，2020.

[18]" 賈源，周憶頻，王增光.成人腦膠質瘤患者術后發(fā)生譫妄的影響因素分析及預測[J].中華腫瘤防治雜志，2021，28（19）：1477-1481.

[19]" 王雪琪.帕金森病腦深部電刺激術后譫妄風險預測模型的構建和評價[D].合肥：安徽醫(yī)科大學，2019.

[20]" 陳俊杉，余金甜，趙思雨，等.ICU患者譫妄風險預測模型研究進展[J].護理學報，2019，26（5）：15-19.

[21]" CHEN H Y，MO L，HU H J，et al.Risk factors of postoperative delirium after cardiac surgery：a meta-analysis[J].Journal of Cardiothoracic Surgery，2021，16（1）：113.

[22]" DE LA VARGA-MARTíNEZ O，GóMEZ-PESQUERA E，MU?OZ-MORENO M F，et al.Development and validation of a delirium risk prediction preoperative model for cardiac surgery patients（DELIPRECAS）：an observational multicentre study[J].Journal of Clinical Anesthesia，2021，69：110158.

[23]" XU Y H，MENG Y J，QIAN X，et al.Prediction model for delirium in patients with cardiovascular surgery：development and validation[J].Journal of Cardiothoracic Surgery，2022，17（1）：247.

[24]" CHEN Z Q，HAO Q S，SUN R，et al.Predictive value of the geriatric nutrition risk index for postoperative delirium in elderly patients undergoing cardiac surgery[J].CNS Neuroscience amp; Therapeutics，2024，30（2）：e14343.

[25]" 左都坤，吳卓熙，龍宗泓，等.基于機器學習算法構建心臟手術患者術后早期譫妄風險預測模型[J].陸軍軍醫(yī)大學學報，2023，45（8）：753-758.

[26]" 黃宛冰，張玉芬，吳前勝，等.基于Cox回歸的Stanford B型主動脈夾層術后譫妄預測模型的構建[J].護理學雜志，2023，38（3）：27-31.

[27]" GUO R R，ZHANG S，YU S Y，et al.Inclusion of frailty improved performance of delirium prediction for elderly patients in the cardiac intensive care unit（D-FRAIL）：a prospective derivation and external validation study[J].International Journal of Nursing Studies，2023，147：104582.

[28]" CHENG H W，LIU C Y，CHEN Y S，et al.Assessment of preoperative frailty and identification of patients at risk for postoperative delirium in cardiac intensive care units：a prospective observational study[J].European Journal of Cardiovascular Nursing，2021，20（8）：745-751.

[29]" MORLEY J E，MALMSTROM T K，MILLER D K.A Simple Frailty Questionnaire（FRAIL） predicts outcomes in middle aged African Americans[J].The Journal of Nutrition，Health amp; Aging，2012，16（7）：601-608.

[30]" PETERSEN M A，RYU J K，AKASSOGLOU K.Fibrinogen in neurological diseases：mechanisms，imaging and therapeutics[J].Nature Reviews Neuroscience，2018，19（5）：283-301.

[31]" VAN DEN BOOGAARD M，SCHOONHOVEN L，MASEDA E，et al.Recalibration of the delirium prediction model for ICU patients（PRE-DELIRIC）：a multinational observational study[J].Intensive Care Medicine，2014，40（3）：361-369.

[32]" WASSENAAR A，VAN DEN BOOGAARD M，VAN ACHTERBERG T，et al.Multinational development and validation of an early prediction model for delirium in ICU patients[J].Intensive Care Medicine，2015，41（6）：1048-1056.

[33]" GAO W，ZHANG Y P，JIN J F.Validation of E-PRE-DELIRIC in cardiac surgical ICU delirium：a retrospective cohort study[J].Nursing in Critical Care，2022，27（2）：233-239.

[34]" 王云，韓小紅.亞專科標準化體溫管理方案在主動脈夾層手術中的應用效果觀察[J].護理研究，2022，36（5）：931-934.

[35]" 魏濤，彭思意，李旭英，等.術后譫妄風險預測模型的系統(tǒng)評價[J].護士進修雜志，2022，37（9）：792-797;802.

（收稿日期：2024-02-14；修回日期：2025-01-07）

（本文編輯 曹妍）