預測急性冠脈綜合征患者睡眠障礙發生風險的列線圖模型的建立

張 圍，王星慧，王俊超，謝 方，倪元元，李悅瑋，羅 南

(1.吉林大學護理學院，吉林 長春130021；2.吉林大學第二醫院)

急性冠狀動脈綜合征(ACS)患者睡眠障礙的發生率較高，有調查顯示，接近2/3的ACS患者存在失眠癥狀[1]。有研究表明，睡眠不足會引起個體不良的全身改變，從而導致個體易患心血管疾病[2]。另一項研究也表明，睡眠時間短和睡眠質量差與ACS患者復發事件和死亡風險增加相關[3]。本研究建立預測ACS患者發生睡眠障礙風險的列線圖模型，旨在幫助臨床醫護人員更好地篩查伴有睡眠障礙高風險的ACS患者，報道如下。

1 對象與方法

1.1 研究對象

選取2021年4月—6月在吉林省長春市某三甲醫院心血管內科住院的150例ACS患者作為研究對象。對象納入標準：①確診為ACS；②年齡≥18歲；③既往和目前無精神疾病、認知障礙，具有正常的閱讀和語言表達能力；④知情同意，自愿參加本研究。排除標準：①處于ACS急性發作期；②心源性休克；③急性左心衰竭；④反復胸痛發作并伴有心電圖ST-T波改變；⑤既往有明確精神疾病史；⑥有自殺傾向；⑦同時患有慢性腎臟病、癌癥等其他嚴重疾病的患者。

采用匹茲堡睡眠質量指數量表(PSQI)評估患者的睡眠質量，根據量表得分將其分為睡眠障礙組(PSQI得分>7分)和無睡眠障礙組(PSQI得分≤7分)。

1.2 方法

本研究為橫斷面調查。由經培訓合格后的研究者向患者介紹本研究的目的、意義及問卷填寫的注意事項。在取得患者知情同意后，研究者向患者發放一般資料調查表、PSQI量表、GAD-7量表、PHQ-9量表、SF-12量表、SSRS量表分別調查患者的一般資料信息、睡眠質量、焦慮狀況、抑郁狀況、健康狀況以及社會支持狀況。

1.3 統計學分析

數據均采用SPSS 25.0進行統計分析，連續變量表示為平均值±標準差或中位數，如果數據為正態分布，則采用t檢驗進行單因素分析，若為偏態分布，則采用秩和檢驗進行統計分析；分類數據用百分比表示并用卡方檢驗進行統計分析，雙側P<0.05視為差異具有統計學意義。

利用單因素分析和二元Logistic回歸分析篩選出影響ACS患者發生睡眠障礙的獨立危險因素，采用R軟件建立列線圖預測模型，caret程序包Bootstrap法進行內部驗證，結合rms程序包計算一致性指數(C-index)，利用pROC程序包制作ROC曲線。通過C-index和AUC對模型效能進行評價。

2 結果

2.1 ACS患者睡眠障礙現狀

共納入150例ACS患者，年齡為41.00-86.00歲，平均62.75±9.30歲。本研究采用PSQI量表對患者的睡眠情況進行評估，存在睡眠障礙的有81人，占比54.00%(81/150)；無睡眠障礙的有69人，占比46.00%(69/150)。

2.2 患者一般資料和各量表評分單因素分析

睡眠障礙組患者和無睡眠障礙組患者在體力活動、GAD-7得分、PHQ-9得分、SF-12中的PCS和MCS得分、SSRS得分方面存在差異(P<0.05)，在年齡、性別、BMI、婚姻狀況等方面比較，差異均無統計學意義(P>0.05)，見表1。

表1 兩組患者一般資料和各量表評分單因素分析

2.3 兩組患者二元Logistic回歸分析結果

將單因素分析具有統計學意義的指標作為自變量，將是否發生睡眠障礙作為因變量，進行二元Logistic回歸分析。分析結果顯示，PHQ-9評分和SSRS得分為患者是否發生睡眠障礙的獨立影響因素(P<0.05)，見表2。

表2 ACS患者是否發生睡眠障礙二元Logistic回歸分析結果

2.4 預測ACS患者發生睡眠障礙的風險列線圖模型的建立

納入PHQ-9評分和SSRS得分進行ACS患者睡眠障礙發生風險的列線圖構建，如圖1所示。采用計算機模擬重復采樣的方法(Bootstrap法)對該模型進行內部驗證，進行重復抽樣1000次以后利用校正曲線與ROC曲線對模型的預測效果進行評估，模型的C-index為0.79，如圖2；ROC曲線顯示該模型的AUC值為0.79(95%CI 0.72—0.86)，見圖3，提示該模型具有較精準的預測能力。

圖1 預測ACS患者發生睡眠障礙的風險列線圖模型

圖2 列線圖模型ACS患者發生睡眠障礙的風險驗證

圖3 列線圖模型預測ACS患者發生睡眠障礙

3 討論

本研究納入的150名研究對象中，睡眠障礙的發病率高達54.00%，與孔悅[1]、汪明翰[4]等人的研究結果相近。可見，ACS患者是睡眠障礙的高發人群。另一方面，睡眠障礙會增加患者心腦血管疾病、抑郁癥等疾病的患病風險以及加重患者病情[5-7]。因此，探究睡眠障礙的風險因素，建立相關預測模型對改善ACS患者的預后至關重要。

國內外大量研究表明，軀體疾病、負性情緒、人際關系差等是睡眠障礙發生的危險因素[8-10]。本研究通過分析ACS患者的一般資料以及焦慮、抑郁、社會支持量表評分，較為全面地篩選出ACS患者發生睡眠障礙的獨立危險因素：(1)抑郁狀態。越來越多的生化證據表明，控制睡眠的機制與調節情緒的機制重疊。進入快速眼動睡眠(REM)時，單胺能張力迅速下降，膽堿能張力增加，而這些單胺類神經遞質的失調又與抑郁有關[11]。因此，患者抑郁時，機體存在著單胺類神經遞質失調的情況，從而導致睡眠異常。(2)社會支持。社會支持是一種重要的社會資源，林麗燕等人[12]對住院乙型肝炎肝硬化患者的研究發現，患者社會支持較完善時，生活質量及睡眠情況較好。而孔悅等人[1]的研究則表明，低社會支持是ACS患者發生失眠的獨立影響因素。

本研究的單因素分析未顯示出患者年齡與睡眠障礙的相關性。這可能是由研究樣本量較少導致。然而，袁鳳新[13]等人調查慢性心力衰竭患者睡眠障礙影響因素的研究結果表明，年齡是患者睡眠障礙的影響因素。Uchmanowicz[14]等人對高血壓患者的研究也表明，患者的失眠情況受到年齡因素的影響。本研究的單因素分析篩選出的體力活動、GAD-7得分、PCS標準化得分及MCS標準化得分在logistic回歸分析中被剔除，可能與樣本量較少以及研究對象均取自于單中心所造成的數據偏倚有關。未來應該進行更大規模的調查研究來探討這一點。

列線圖作為一種新型可視化的統計學模型，具有直觀、預測效能好等優點，在臨床醫學研究中逐漸得到推廣應用。本研究建立了ACS患者睡眠障礙發生風險的列線圖預測模型。經校正曲線和ROC曲線驗證顯示，該列線圖具有良好的預測能力。醫護人員可根據患者的PHQ-9評分情況以及社會支持評分情況得出預測的睡眠障礙發生風險。列線圖中顯示，PHQ-9得分≥5分對應列線圖中的52分，提示醫護人員在積極治療患者原發病的基礎上，應關注其精神狀態及情緒變化，做好心理護理。社會支持得分為23—44分時，所對應列線圖的分值為80分，而社會支持得分≤22時，所對應分值為100分，說明患者的社會支持度越低，發生睡眠障礙的風險越高，這提示增強患者的社會支持度，可以在一定程度上降低其睡眠障礙發生風險。

綜上所述，PHQ-9評分、社會支持量表評分是ACS患者發生睡眠障礙的獨立影響因素。本研究建立的列線圖預測模型具有較高的預測能力和區分度，可幫助臨床篩查高風險患者并為醫護人員采取有效的對策提供參考。本研究也存在一定的局限性：(1)樣本量有限，數據代表性不足。(2)在選取指標時，未納入ACS患者的實驗室檢查指標(如肌鈣蛋白)以及患者用藥情況等，故構建的模型有待今后的研究予以進一步驗證和改進。