手術(shù)患者非計劃性術(shù)中低體溫風險預測模型研究進展

嚴露培，姚麗麗，李躍榮，陳豪，劉文文，趙慶華，肖明朝

（1.重慶醫(yī)科大學附屬第一醫(yī)院a.麻醉科；b.胃腸外科；c.護理部；d.泌尿外科，重慶400016；2.重慶醫(yī)科大學 公共衛(wèi)生與管理學院，重慶400016）

非計劃性術(shù)中低體溫（inadvertent intraoperative hypothermia, IIH）指除計劃性或治療性低體溫外，患者在手術(shù)過程中發(fā)生的對機體有害的體溫下降（核心體溫低于36℃）[1]，是外科手術(shù)常見的、可防控的并發(fā)癥之一[2]。 國內(nèi)外研究顯示，非計劃性術(shù)中低體溫的發(fā)生率為40%～75%[3-5]，主要原因為手術(shù)患者體內(nèi)核心組織與外周組織熱量的再分配[5-6]。 手術(shù)過程中，患者體內(nèi)熱量的持續(xù)再分配使其體核溫度降低，各臟器供能不足， 可能導致其發(fā)生嚴重的凝血功能障礙、藥物清除率降低、手術(shù)部位感染等并發(fā)癥，進而延長患者住院時間、加重患者經(jīng)濟負擔[1，7-8]。 因此， 準確有效地評估手術(shù)患者的非計劃性術(shù)中低體溫風險至關(guān)重要。 非計劃性術(shù)中低體溫風險預測模型作為篩查高風險人群的評估工具， 可為醫(yī)護團隊術(shù)前識別非計劃性術(shù)中低體溫高風險患者并采取針對性預防措施提供參考。 現(xiàn)將近年來有關(guān)非計劃性術(shù)中低體溫風險預測模型的研究進行歸納、 提煉和評價。

1 非計劃性術(shù)中低體溫的危險因素

由于非計劃性術(shù)中低體溫的可防控性， 針對危險因素開展預防成為降低非計劃性術(shù)中低體溫風險的主要方式。近年來，國內(nèi)外有關(guān)非計劃性術(shù)中低體溫危險因素的研究主要集中在以下方面。（1）患者自身因素： 高齡女性患者發(fā)生非計劃性術(shù)中低體溫的風險更高[9]，但年齡變量僅對術(shù)中30 min 內(nèi)的體溫存在影響效應[7]；低BMI 是非計劃性術(shù)中低體溫發(fā)生的獨立危險因素[7]，但此變量效應時間局限于術(shù)中2 h 內(nèi)[9]；麻醉實施前患者更高的基線體溫（在正常值內(nèi)）可降低非計劃性術(shù)中低體溫發(fā)生率[7]。 （2）保溫措施： 臨床上將保溫措施分為2 種， 主動保溫（對皮膚和周圍組織施加外部熱量，如：強制空氣加熱）和被動保溫（幫助熱量儲存，防止散失，如加蓋毛毯）[6]。 相比于被動保溫，主動保溫可降低29%的非計劃性術(shù)中低體溫風險[6]；多種主動保溫措施聯(lián)合應用可顯著降低非計劃性術(shù)中低體溫發(fā)生率[10]。 （3）CO2氣腹： 溫暖濕化的或20℃、0%相對濕度的CO2可降低非計劃性術(shù)中低體溫發(fā)生率[11]。（4）麻醉時長：麻醉時間每增加1 min， 患者核心體溫下降0.002 98 ℃[12]。（5）手術(shù)室室溫：低室溫是非計劃性術(shù)中低體溫發(fā)生的危險因素[7，13]，但有研究發(fā)現(xiàn)室溫對患者體溫無影響[3]。 （6）其他：如手術(shù)類型、手術(shù)規(guī)模、術(shù)中液體輸入量、術(shù)野暴露面積等。這些研究結(jié)果可為非計劃性術(shù)中低體溫風險預測模型的構(gòu)建提供參考。

2 風險預測模型概述

風險預測模型指以引起某結(jié)果的多因素為基礎，運用統(tǒng)計學分析建立模型，確定多種風險因素與結(jié)果發(fā)生概率的定量關(guān)系，客觀、科學地預估結(jié)果發(fā)生風險，從而早期識別危險因素開展預防[14]。Logistic回歸可篩選疾病的高危因素并確定定量關(guān)系，常用于風險預測模型的構(gòu)建， 并可通過Hosmer-Lemeshow檢驗判別模型的擬合優(yōu)度，AUC 值（Area under ROC curve，ROC 曲線下面積）評價模型的優(yōu)劣性。 目前，在心血管疾病、慢性病、惡性腫瘤等領域均已展開對風險預測模型的探索[15-17]。 現(xiàn)結(jié)合國內(nèi)外文獻，介紹非計劃性術(shù)中低體溫風險預測模型的研究進展。

3 手術(shù)患者非計劃性術(shù)中低體溫風險預測模型的研究現(xiàn)狀

3.1 開腹手術(shù)患者術(shù)中低體溫風險率模型 2002年，Kasai 報告了開腹手術(shù)患者術(shù)中低體溫風險率模型[18]。 該研究通過病歷對照法回顧了862 例患者的人口學資料（年齡、性別、身高、體質(zhì)量），治療資料（術(shù)前基線體溫、 術(shù)前收縮壓、 術(shù)前心率）， 采用Logistic回歸構(gòu)建了風險率模型：Z=-15.014+0.097×年齡+0.263×身高-0.323×體質(zhì)量-0.055×術(shù)前收縮壓-0.121×術(shù)前心率，B（風險率）=1/（1+e-z）。 通過受試者工作特征曲線 （receiver operator characteristic curve, ROC）分析，該模型靈敏度為81.5%，特異度為83.0%。隨后，該學者另納入50 例患者對模型進行驗證，當風險率＞0.7 時，患者發(fā)生術(shù)中低體溫；風險率≤0.3 時，患者保持正常體溫，模型準確性較好。

在非計劃性術(shù)中低體溫風險預測模型領域中，該研究較早通過危險因素構(gòu)建模型并開展臨床驗證，為后續(xù)研究提供了參考；但Moons 對該模型提出質(zhì)疑，認為其存在設計缺陷，不適宜應用于臨床實踐[19]。 Moons 認為，基于病例對照法推導模型，調(diào)查者可以自由選擇病例組和對照組數(shù)量， 因此可以預先“操縱”陽性結(jié)果的發(fā)生率，具有較大的偏倚風險。該學者對模型中的性別變量進行例證分析，發(fā)現(xiàn)案例組與對照組比例不同， 患者在總體上和性別上的低體溫發(fā)生概率就不同。 由此，Moons 建議Kasai使用隊列研究法重新構(gòu)建模型， 因為隊列研究能前瞻性追蹤患者的原始隊列數(shù)量， 更能準確預估結(jié)果發(fā)生率，因此更適用于推導概率估計模型[20]。 但查閱文獻，未見該模型的后續(xù)報道。 本結(jié)論提示學者，對于絕對概率預測模型的推導應采用隊列研究法，前瞻性收集患者相關(guān)信息，降低模型的偏倚風險，增加模型的實證價值。

3.2 全麻手術(shù)患者術(shù)中低體溫風險評分系統(tǒng)2008 年，Rincon 報告了全麻手術(shù)患者術(shù)中低體溫風險評分系統(tǒng)[21]。 該前瞻性研究將264 例患者隨機分配到建模組（200 例）和驗證組（64 例），采用Logistics回歸構(gòu)建模型：B（風險值）=105.117+0.0371484×年齡-0.0282914×體質(zhì)量+0.0213259×手術(shù)時長-0.2609733×手術(shù)室室溫-2.727589×基線體溫。 同時，該學者將5 項風險因素進行賦值， 構(gòu)建出風險評分系統(tǒng)， 評分系統(tǒng)的建模組與驗證組的AUC 分別為0.83、0.82，準確性較好。該研究較早將危險因素進行評分， 有助于醫(yī)護人員更直觀地量化術(shù)中低體溫發(fā)生風險，且簡單快速，可作為個體化篩查工具；但由于該研究樣本量較少，且納入的研究因素較少，且未見其他學者對其進行外部實證研究，因此，臨床適用性有待進一步探究。

3.3 手術(shù)患者術(shù)中低體溫危險因素評價指標體系

2016 年， 黃一樂通過專家函詢法構(gòu)建了手術(shù)患者術(shù)中低體溫危險因素評價指標體系[22]。 該學者先通過德爾菲法確定危險因素指標， 專家主觀判斷指標的相對重要性并賦值，2 輪函詢法的專家權(quán)威程度分別為0.83 和0.84（均＞0.7），專家意見的協(xié)調(diào)程度分別為0.586 和0.601（均＞0.5），專家的權(quán)威程度及協(xié)調(diào)性較好； 再通過層次分析法計算指標權(quán)重并進行一致性檢驗，一致性比率為0.025（＜0.1），表明體系中指標權(quán)重分配合理。 最終確定了2 個一級指標（術(shù)前、術(shù)中危險因素）及21 個二級指標；其中，術(shù)前危險因素權(quán)重比0.423，共10 個條目；術(shù)中危險因素權(quán)重比0.577，共11 個條目。

該研究通過匯總及分析專家意見構(gòu)建出風險指標體系，雖然專家代表性及可信性較高，但無法否認德爾菲法仍具有較強的主觀性， 其結(jié)果與納入專家的專業(yè)知識儲備及學術(shù)造詣密不可分[23]。 因此，未來的研究可著重關(guān)注該體系的臨床實踐性， 積極應用并不斷完善該體系的使用方式及內(nèi)容， 旨在提高預測工具的科學性，構(gòu)建更為可靠的臨床評測工具。

3.4 全麻手術(shù)患者術(shù)中低體溫預測因子評分方程

2018 年，Yi Jie 報告了全麻手術(shù)患者術(shù)中低體溫預測因子評分方程[5]。 該研究首先基于國內(nèi)數(shù)據(jù)庫對全國3 132 名全麻手術(shù)患者進行術(shù)中低體溫風險因素評估并建立模型：預測因子得分（術(shù)中低體溫發(fā)生率×100%）=100%×1/｛1+EXP [-（119+0.201×手術(shù)等級-0.1847×術(shù)中輸液量+0.5299×麻醉時長-0.2269×保溫措施-0.306×BMI-0.1912×手術(shù)室室溫-3.1057×基線體溫）]｝。 隨后，將北京830 名全麻手術(shù)患者的相關(guān)數(shù)據(jù)代入方程預測低體溫的發(fā)生率。該研究中建模組 與 驗 證 組 的AUC 分 別 為0.789、0.771，Hosmer-Lemeshow 檢驗值為0.5611，Brier 值為0.21， 模型具備良好的鑒別力及擬合優(yōu)度，準確性較好。

該研究較早運用國內(nèi)大數(shù)據(jù)構(gòu)建低體溫預測模型，并實施了外部驗證，模型的可實施性較強；但考慮到該模型的構(gòu)建來源于回顧性數(shù)據(jù)的分析， 因此模型的實踐價值有待進一步證實。然而，考慮到模型的樣本量較大且模型表現(xiàn)力及準確性較好， 因此建議臨床醫(yī)護人員積極應用該模型， 在檢驗預測因子效應度的同時挖掘潛在因子間作用， 并可通過結(jié)構(gòu)方程模型進行路徑分析，證實預測因子之間的關(guān)系，旨在推導出更穩(wěn)健的低體溫預測模型。

3.5 腹腔鏡手術(shù)患者術(shù)中低體溫風險預測模型

2019 年，普鷹報告了腹腔鏡手術(shù)患者術(shù)中低體溫風險預測模型[24]。 該前瞻性研究將396 名腹腔鏡手術(shù)患者以2∶1 的比例分配到建模組（264 例）和驗證組（132 例）， 用Logistic 回歸構(gòu)建出風險預測模型：Logit （P）=56.893-1.216×基線體溫+0.377×手術(shù)類型+0.009×麻醉時長-0.653×手術(shù)室室溫。 該模型的AUC 為0.791，約登指數(shù)為0.867，靈敏度為60.0%，特異度為86.7%，H-L 檢驗P=0.123， 模型擬合度和預測能力中等偏上； 驗證組應用模型后得出實際應用正確率為79.54%，模型較為穩(wěn)健。

微創(chuàng)醫(yī)學的興起使視野清楚、切口小、對腹腔內(nèi)臟器干擾小的腔鏡手術(shù)越來越普及， 而隨著腔鏡手術(shù)的開展，手術(shù)時間延長，術(shù)中低體溫問題也受到了更多的關(guān)注[24-25]。 該研究聚焦于腹腔鏡手術(shù)患者，研究對象具有針對性，且模型經(jīng)過臨床驗證，具有較高的實踐價值； 但該模型的樣本量較小且未對風險率進行分級描述， 無法準確預估患者術(shù)后低體溫發(fā)生風險的高低。下一步可將模型進行大樣本驗證，并嘗試對模型進行風險率高低的劃分， 進一步建立方便臨床醫(yī)護人員實施的預測模型。

4 展望

非計劃性術(shù)中低體溫發(fā)生風險與患者自身因素、疾病因素、手術(shù)因素、治療因素等息息相關(guān)，早期識別并評估風險有益于醫(yī)護團隊采取針對性措施開展預防。目前，國內(nèi)外針對非計劃性術(shù)中低體溫風險因素的研究多集中于保溫措施、體溫管理、綜合保溫護理效果等， 對于非計劃性術(shù)中低體溫預測因子與發(fā)生風險的量性關(guān)系的研究較少， 且多數(shù)研究存在模型構(gòu)建方式單一、模型性能評價指標不完整、新技術(shù)應用不足、結(jié)果不準確、報告質(zhì)量差和證據(jù)相互矛盾等缺點[26-29]。 此外，已有非計劃性術(shù)中低體溫風險預測模型多探究術(shù)中階段，未覆蓋圍術(shù)期全過程，且采用單一的Logistic 回歸分析， 該方法僅能分析納入因素的影響效應， 無法識別潛在因子間及潛在因子與納入因素間的相互作用，無法估計測量誤差，存在一定缺陷，導致模型準確率降低。

本研究對非計劃性術(shù)中低體溫風險預測模型進行綜述， 結(jié)果表明非計劃性術(shù)中低體溫模型普遍缺乏外部驗證，總體呈現(xiàn)為開發(fā)多、應用少的局面，尚不能識別出那類模型實用價值更高。 一個成熟的預測模型需經(jīng)過科學評估、反復驗證才能推行。 因此，本研究結(jié)論可為后續(xù)工作提供以下建議。

（1）建議學者對已有模型進行跨地區(qū)、跨種族的前瞻性多中心臨床驗證， 充分利用互聯(lián)網(wǎng)技術(shù)構(gòu)建非計劃性術(shù)中低體溫風險預測網(wǎng)絡平臺， 擴大模型的使用范圍，提高使用率。 其次，推薦學者采用多類型統(tǒng)計方法進行模型推導，如神經(jīng)網(wǎng)絡模型、結(jié)構(gòu)方程模型、決策樹、機器學習等進行風險因素與非計劃性術(shù)中低體溫發(fā)生結(jié)果的全面分析， 并可通過列線圖可視化模型的預測結(jié)果， 方便醫(yī)護人員直觀預估風險、減輕工作負擔。（2）應透明化模型構(gòu)建方式，使用科學的模型評價表， 如預測模型研究的偏倚風險和適用性評估工具 （prediction model risk of bias assessment tool，PROBAST）[30]，對模型進行質(zhì)量控制及方法學評價，標準化模型制定過程，提高模型的規(guī)范性及科學性。

綜上所述， 非計劃性術(shù)中低體溫風險預測模型仍有較大的改善空間， 未來研究的關(guān)注點應從開發(fā)新模型轉(zhuǎn)移到驗證已有模型，并可從數(shù)據(jù)收集方式、驗證方式、 分析方式及呈現(xiàn)方式等方面進行模型的創(chuàng)新，旨在制定出具有較強科學性、較高臨床應用價值、方便實施的非計劃性術(shù)中低體溫風險預測模型，以期降低患者非計劃性術(shù)中低體溫發(fā)生風險， 提高照護質(zhì)量，保障患者安全。