甲狀腺術后惡心嘔吐風險分析及列線圖模型建立

趙璇 霍建平 尚游 (錦州醫科大學附屬第一醫院 麻醉科，遼寧 錦州 00；普外科)

據報道，普外科術后惡心嘔吐(PONV)發生率達20%～30%，在未給任何預防措施的情況下可達70%～80%〔1〕。甲狀腺手術因其特殊的體位等原因導致其具有較高的PONV發生率〔2〕。PONV會嚴重影響患者圍術期恢復，對患者身心造成巨大影響，甚至會因嘔吐導致誤吸、刀口裂開，術區出血等嚴重并發癥〔3〕。因此，對甲狀腺PONV的防治工作顯得尤為重要。目前相關研究多側重于影響因素分析如患者性別、PONV史或暈動病史、吸煙史、麻醉因素等〔4〕，而針對甲狀腺PONV定量化的預測模型在國內仍鮮有研究。列線圖是一種直觀、可視化的風險預測圖形，近年來其在醫學上的應用越來越廣泛。本研究旨在探究甲狀腺PONV發生的獨立危險因素，并以此來構建列線圖，以期為臨床醫生提供一種直觀的甲狀腺PONV預測模型。

1 資料與方法

1.1一般資料 選取錦州醫科大學附屬第一醫院普外科甲狀腺病區2020年1月至2021年5月由同一術者實施的甲狀腺手術患者125例。年齡41～72歲，平均(57.32±12.31)歲，美國麻醉醫師協會(ASA)分級Ⅰ～Ⅱ級。所有患者無腸梗阻、妊娠等由自身原因帶來的可能導致惡心嘔吐的因素。統計患者性別、年齡、吸煙史、是否超重、暈動病史、PONV史、麻醉時長、托烷司瓊、地塞米松、阿片類藥物及麻醉方式共11項指標。記錄患者術后24 h PONV情況，隨后進行回歸分析。

1.2統計分析 采用SPSS22.0軟件進行Logistic回歸分析。使用SPSS分析各條受試者工作特征(ROC)曲線有無統計學意義，將有意義的曲線通過Medcalc軟件進行繪制，并比較各曲線之間有無統計學差異，同時得到最優曲線的最大約登指數、最佳截點，計算敏感度、特異度。通過R語言繪制預測PONV列線圖模型，使用Bootstrap法進行內部驗證，計算C-指數分析模型區分度，繪制Calibration曲線驗證模型一致性，最后通過決策曲線分析(DCA)確定模型的臨床使用范圍。

2 結 果

2.1單因素回歸分析 性別、吸煙史、PONV史、麻醉方式差異有統計學意義(P<0.05)。見表1。

2.2多因素回歸分析 將單因素Logistic回歸分析中P<0.1的5個因素(性別、吸煙史、PONV史、地塞米松和麻醉方式)作為自變量，PONV的發生作為因變量，進行向前法(LR)多因素Logistic回歸分析。檢驗水準α=0.05。多因素回歸分析結果顯示，無吸煙史、有PONV史、不使用地塞米松和靜吸復合麻醉(CIIA)方式為甲狀腺PONV發生的獨立危險因素。見表2。

表1 甲狀腺PONV發生單因素回歸分析

表2 甲狀腺PONV發生多因素回歸分析

2.3建立模式 通過多因素Logistic回歸分析得到的4個獨立危險因素，建立回歸模型方程：P=1/e(3.518-2.838×PONV史-1.096×靜吸復合-1.230×不使用地塞米松-1.700×無吸煙史)+1〕。用該模型計算出的概率預測值作為聯合預測因子繪制ROC曲線，得到曲線下面積為0.787，最大約登指數0.459，最佳截點0.357；靈敏度69.23%，特異度76.71%。因為女性被廣泛認為是PONV發生的獨立危險因素〔5〕，但由于本模型中女性和吸煙史存在共線性而被掩蓋，但并不代表女性對PONV的發生無意義。因此本研究分析了結合女性、PONV史、不使用地塞米松及靜吸復合4個因素共同作用時(將吸煙史強制移出多因素Logistic回歸分析)的回歸分析模型，得到回歸方程為P=1/〔e(3.020-2.833×PONV×史-1.087×靜吸復合-1.132×不使用地塞米松-1.234×性別女)+1〕，同理繪制ROC曲線，曲線下面積為0.766，最大約登指數0.394，最佳截點0.342；靈敏度65.38%，特異度73.97%。此外，我們將無吸煙史，性別女，靜吸復合3項因素(PONV史及不使用地塞米松兩個因素在ROC分析中無意義，P>0.05)單獨作為預測因素繪制ROC曲線。將5條ROC曲線放入同一個ROC曲線圖中，無吸煙史聯合預測模型的效果最好，曲線下面積最大。通過Medcalc軟件分析，該模型與無吸煙史、性別女、靜吸復合3個單獨模型預測相比有顯著優勢(P<0.05)，但與性別女聯合預測模型相比無統計學差異(P>0.05)。見圖1。

2.4預測模型 采用無吸煙史聯合預測模型來作為本次研究的最終預測模型。根據該模型中的獨立危險因素，構建甲狀腺PONV發生的列線圖(圖2)?？梢愿鶕藞D計算出每例患者PONV發生的概率。同時使用Bootstrap法(B=1000)對該列線圖進行內部驗證。得到C指數為0.786 7(95%CI0.710 5～0.863 0)，說明該列線圖模型區分度良好。通過繪制Calibration曲線，可觀察到模擬曲線與實際曲線擬合度高，說明該列線圖模型一致性良好(圖3)。

圖1 ROC曲線

圖2 列線圖

圖3 Calibration校正曲線

為了驗證該列線圖的臨床應用效能，使用決策曲線分析(DCA)進行評價(圖4)。由DCA圖及數據分析可以得到，當甲狀腺PONV發生率在2%～94%范圍時該列線圖具有臨床使用價值。

圖4 DCA曲線

3 討 論

本研究結果顯示，甲狀腺PONV發生率為41.6%。無吸煙史、有PONV史、靜吸復合麻醉和不使用地塞米松是PONV發生的獨立危險因素，模型預測準確率為73.6%。Apfel等〔6〕研究表明，影響PONV發生的相關因素為女性患者、PONV史、無吸煙史、暈動病史、使用阿片類止疼藥物。既往2014年PONV指南和2020年PONV指南均根據這項研究提出了系統的降低PONV方案。同時2020版指南將年輕患者(<50歲)加入PONV發生的危險因素基線當中，并指出應根據患者不同情況采取相應的防治措施〔5〕。本研究對于無吸煙史和有PONV史能夠增加PONV發生率與Apfel等〔6〕研究一致。但對于女性、暈動病史、是否使用阿片類藥物等因素在多因素回歸分析中呈現陰性結果。本研究通過單因素回歸分析發現女性是PONV發生的危險因素，與Apfel等〔6〕研究結果一致。但在加入多因素回歸分析后失去了影響價值，可能是本研究中女性患者吸煙率明顯低于男性，二者存在的多重共線性導致其作用被吸煙史所遮掩。有報告指出我國15歲以上的人群吸煙率達到26.6%，其中男性為50.5%，女性為2.1%〔7〕，可見我國男女吸煙比例差異巨大，這一國情能夠解釋本研究中性別和吸煙史的多重共線性問題。但女性在多因素回歸分析中陰性并不意味著可以忽視性別對PONV的影響，只能說明吸煙史更加適合本次研究模型。

本研究還發現全憑靜脈麻醉方式及地塞米松的使用是降低PONV發生的獨立影響因素。在2020版指南中，丙泊酚麻醉、使用地塞米松被作為預防PONV發生的處理措施〔5〕。有研究表明麻醉方式及吸入麻醉藥物對 PONV的發生有顯著影響〔8〕。高艷等〔9〕研究發現丙泊酚麻醉術后頭暈、惡心嘔吐等發生率明顯低于七氟烷組。這可能與七氟烷對腦血流及顱內壓的增加效應有關。尚有研究表明，丙泊酚可抑制嘔吐中樞，可對皮層下結構及通路的調節起止吐的作用〔10〕。研究表明，地塞米松可有效預防PONV等癥狀的發生〔11〕。地塞米松屬于腎上腺皮質激素，其抗嘔吐機制尚未明確，大多認為與其對孤束核兩側的糖皮質激素受體作用相關，進而起到中樞性抗嘔吐的效果。此外，地塞米松抑制5-羥色胺的產生和釋放被認為與PONV發生密切相關〔12〕。同時本研究還發現，地塞米松在單因素回歸分析中無意義，但在多因素回歸分析中有統計學意義。首先，單因素回歸分析中無意義可能與樣本量較小有關，增大樣本量或許能夠解決這個問題；其次，多因素回歸分析模型中的其他因素可能作為混雜因素對地塞米松的作用進行了調整，進而使其在多因素回歸模型中具有意義。

列線圖又稱為諾莫圖，是一種可以使用二維圖像進行非精準計算的工具。該圖最初是用來為工程師提供復雜公式的快速圖形計算。列線圖被應用于各個領域，近年來其在醫學領域的應用尤為矚目〔13〕。

本研究的創新點是將麻醉因素納入到了回歸分析中，這在之前的研究中比較少見。同時本研究闡述了性別和吸煙史在多因素回歸分析中可能存在的多重共線性問題，且通過使用Medcalc軟件比較了無吸煙史聯合預測模型與性別女聯合模型之間的差異。同時針對甲狀腺PONV的列線圖模型構建國內尚數少見。本研究尚存在一些不足，如由于樣本量可能偏小，對于超重、阿片類藥物等結果分析可能存在偏倚。對于暈動病史的采集可能無法達到非常精準，這部分數據得出的結論可能不夠準確。

綜上，無吸煙史、有PONV史、使用靜吸復合麻醉、不使用地塞米松是甲狀腺PONV發生的獨立危險因素。使用這4個因素繪制的列線圖模型能夠快速、方便地幫助臨床醫師計算出甲狀腺PONV發生的概率，以便迅速甄別出PONV高風險人群并采取積極的防治措施。