基于logistic回歸和決策樹法預測顱腦腫瘤患者術后病情惡化風險

張燕，彭伶麗，張磊，周芳意，羅貞

手術是顱腦腫瘤患者主要的治療手段，但擇期開顱術后30 d內病死率為1.0%～2.5%[1-2]。由于顱腦腫瘤術后患者病情危重、病情變化迅速且隱匿，發生病情惡化的風險高。因此，篩選顱腦腫瘤術后病情惡化的風險因素，建立早期預警模型，對及早識別術后高危患者、降低術后病死率具有重要意義。近年來，伴隨人工智能的發展和大數據時代的到來，數據挖掘技術在醫療衛生領域的應用優勢愈加凸顯[3]。據報道，決策樹、支持向量機、人工神經網絡等數據挖掘技術比logistic回歸分析法更能準確地預測病情惡化[4]。而現有的病情評價系統如早期預警評分、改良早期預警評分、國家早期預警評分等大多是基于生命體征數據、運用傳統的logistic回歸方法建立，缺乏針對性。陳圓圓等[5]運用logistic回歸法建立了顱腦腫瘤專科預警模型，但未納入血生化及影像學檢查等指標，未比較其他數據挖掘技術與傳統logistic回歸法的預測準確性。鑒此，本研究探索性地選用logistic回歸分析法和決策樹法兩種預測模型分別構建顱腦腫瘤患者術后病情惡化的早期預警模型，并對比兩種模型的預測效果優劣，力圖探索顱腦腫瘤患者術后病情惡化風險評估的更優模型，更好地幫助臨床醫護人員篩選潛在的危重患者，為早期針對性護理干預提供參考。

1 對象與方法

1.1對象

1.1.1納入與排除標準 采用病例對照的研究方法，選取中南大學湘雅醫院確診顱腦腫瘤行開顱手術患者為研究對象。納入標準：①臨床癥狀和體征符合顱腦腫瘤診斷要點，臨床病歷資料顯示顱腦腫瘤疾病診斷，在住院期間發生非計劃性再次手術或非計劃性轉入ICU或死亡；②年齡≥14歲；③住院時間>24 h。排除標準：①并存急性心、肝、腎功能不全；②開顱術后因病情需要計劃性轉入ICU實施監護、進行計劃性再次手術；③非病情惡化原因(如未達到效果手術再調整，引流管問題、切口問題等)導致的非計劃性再次手術、非計劃性轉入ICU、死亡；④孕婦；⑤因可疑風險轉入ICU后但病情未發生惡化；⑥手術室、麻醉復蘇室、外院直接轉入ICU。共納入患者539例，其中住院期間發生病情惡化(病例組)241例(非計劃性轉入ICU 73例，非計劃性再次手術155例，死亡13例)，同期手術但未發生病情惡化(對照組)298例。病例組中，男120例，女121例；門診入院222例，急診入院19例。腫瘤類型：腦膜瘤68例，彌漫性星形細胞和少突膠質細胞腫瘤73例，蝶鞍區腫瘤33例，顱神經和脊旁神經腫瘤29例，神經元及混合性神經元-膠質腫瘤5例，淋巴瘤7例，生殖細胞腫瘤10例，間葉腫瘤，非腦膜皮型腫瘤7例，室管膜腫瘤3例，胚胎性腫瘤6例。患糖尿病18例，患肺部疾病18例，肝臟疾病44例。有吸煙史27例。急診手術5例，擇期手術23例，限期手術213例。體溫37.10(36.80，38.00)℃；血鉀3.80(3.54，4.10)mmol/L，白細胞13.43(9.75，16.00)×109/L。對照組中，男148例，女150例；門診入院282例，急診入院16例。腫瘤類型：腦膜瘤72例，彌漫性星形細胞和少突膠質細胞腫瘤84例，蝶鞍區腫瘤57例，顱神經和脊旁神經腫瘤38例，神經元及混合性神經元-膠質腫瘤6例，淋巴瘤7例，生殖細胞腫瘤13例，間葉腫瘤，非腦膜皮型腫瘤16例，室管膜腫瘤1例，胚胎性腫瘤4例。患糖尿病16例，患肺部疾病15例，患肝臟疾病56例；有吸煙史31例。急診手術2例，擇期手術21例，限期手術275例。體溫37.10(36.80，38.00)℃；血鉀3.77(3.42，4.04)mmol/L，白細胞13.10(9.80，16.35)×109/L。

1.1.2結局指標 本研究顱腦腫瘤患者術后病情惡化的結局指標界定為開顱術后發生非計劃性再次手術、非計劃性轉入ICU或死亡這三類嚴重不良事件。非計劃性轉入ICU指患者在同一次住院期間由于病情惡化由普通病房非早期預警轉入ICU治療[6-7]；非計劃性再次手術指在同一次住院期間，因患者病情發展或術后并發癥導致患者計劃外的二次手術[8-9]；死亡沿用腦死亡的診斷標準[10]。患者發生三類嚴重不良事件來源均是普通病房。患者在同一次住院期間相繼發生多種不良事件，則選擇首次事件作為病情惡化的結局，即同一患者同一次住院期間只保留一次病情惡化記錄。

1.2方法

1.2.1調查內容 制訂統一的患者資料調查表，包括以下6個方面。①一般資料：包括性別、年齡、入院途徑、腫瘤類型、基礎疾病(高血壓、糖尿病、心臟疾病、肺部疾病、肝臟疾病)、吸煙史。②手術相關因素：手術類別、ASA分級、手術時間、術中失血量。③實驗室檢查：血清鉀、血清鈉、白細胞、血小板。④基礎生理參數：體溫、呼吸、心率、收縮壓、脈搏血氧飽和度(SpO2)、瞳孔。⑤病情評估系統：改良早期預警評分(MEWS)、格拉斯哥評分(GCS)。⑥影像學檢查：為術后中線結構的偏移情況。對于術后的觀察指標(實驗室檢查、生理參數、病情評估系統得分、影像學檢查)，病例組收集患者發生病情惡化前24 h內最差的一次數值，如資料缺失取最近的一次記錄代替；對照組收集住院期間術后病歷記錄里最差的一次數值。

1.2.2統計學方法 使用Epidata進行數據雙錄入，核對無誤后導入SPSS25.0軟件進行統計分析，缺失值用平均值代替。組間比較采用χ2檢驗、t檢驗及Mann-WhitneyU檢驗。采用logistic回歸分析建立早期預警模型；選用決策樹卡方自動交互檢測算法進行變量篩選，建立決策樹(樹的生長層數為3層，停止規則為α=0.05，父節點、子節點最小樣本量分別為200和100)。logistic回歸模型采用最大似然法和Hosmer-lemeshow擬合效果檢驗，用ROC曲線下面積(AUC)評價兩個模型預測的鑒別效度。通過MedcalcV20.0.14軟件對兩個模型的ROC曲線進行繪制與對比。檢驗水準α=0.05。

2 結果

2.1兩組一般資料比較 兩組性別、入院途徑、腫瘤類型、是否患有糖尿病、肺部疾病、肝臟疾病，是否吸煙、手術類別、血鉀及白細胞水平、體溫比較，差異無統計學意義(均P>0.05)，兩組差異有統計學意義的項目及比較，見表1。

表1 兩 組 一 般 資 料 比 較

2.2logistic回歸模型 以是否發生病情惡化為因變量Y(否=0，是=1)，將單因素分析中有統計學意義的16個變量進行二元logistic回歸分析。結果顯示，ASA分級X1(<3=0，≥3=1)、手術時間X2(原值輸入)、SpO2X3(原值輸入)、GCS評分X4(原值輸入)、中線結構移位X5(否=0，是=1)是獨立危險因素。得到顱腦腫瘤術后病情惡化早期預警模型：Logit(P)=10.951+0.982X1+0.004X2-0.077X3-0.572X4+0.800X5。模型似然比卡方為291.628，df=5，P<0.01，模型有統計學差異；Hosmer-lemeshow擬合優度檢驗χ2=10.738，df=8，P=0.217，模型擬合較好。見表2。

表2 顱腦腫瘤患者術后病情惡化早期預警模型的logistic回歸分析(n=539)

2.3決策樹模型 將有統計學差異的16個自變量作為預測因子納入決策樹模型，生成的決策樹模型見圖1。決策樹生長2層，共6個節點，其中終末節點4個。結果顯示GCS評分和ASA分級是顱腦腫瘤術后病情惡化的影響因素，首層為GCS評分，表明GCS評分對病情惡化的影響最大。其中GCS評分≤9分的患者病情惡化的發生率是93.7%，高于GCS評分為9～14分的患者(58.7%)和GCS評分>14分的患者(14.9%)；對于GCS評分>14分的患者，另一個預測變量是ASA分級，ASA分級≥3的患者病情惡化的發生率(19.4%)高于ASA分級<3的患者(9.8%)。

圖1 顱腦腫瘤術后病情惡化影響因素的決策樹交互檢測算法分析

2.4兩種模型比較 對照組(298例)用logistic回歸模型和決策樹模型分別預測40例、76例發生病情惡化，病例組(241例)分別預測167例、202例發生病情惡化，可得logistic回歸和決策樹模型的分類正確率分別為78.8%[(167+298-40)/(298+241)]和78.7%[(202+298-76)/(298+241)]。logistic回歸模型的靈敏度和約登指數(69.3%，0.559)低于決策樹模型(83.8%，0.583)，其特異度(86.6%)高于決策樹模型(74.5%)。以logistic回歸模型與決策樹模型的預測值作為狀態變量，分別繪制ROC曲線，前者的AUC為0.881(95%CI：0.851～0.907)，標準誤為0.0145；決策樹模型的AUC為0.848(95%CI：0.815～0.877)，標準誤為0.0160，兩模型的預測效果中等(0.7～0.9)，AUC差異有統計學意義(95%CI：0.0130～0.0536，Z=3.222，P=0.001)。

3 討論

本研究logistic回歸模型結果顯示，ASA分級、手術時間、脈搏血氧飽和度、GCS評分、中線結構移位是顱腦腫瘤術后病情惡化的獨立危險因素，與以往的研究結果類似[4，11]。其中GCS評分和ASA分級是兩種模型共同的危險因素，而GCS評分位于決策樹的首層，是決策樹模型中影響病情惡化的首要因素，與彭麗等[12]研究結果相符。GCS評分反映患者的意識障礙程度，評分低往往預示著預后不良，因此，術后應密切關注GCS評分低的患者，正確掌握GCS的評估方法，輔助病情判斷。ASA分級根據患者系統性疾病程度及代償能力分為5級，隨系統性疾病程度升高而升高。本研究結果顯示，ASA≥3級的患者術后發生病情惡化的風險顯著高于ASA<3級的患者(P<0.01)，說明ASA分級越高的顱腦腫瘤患者是病情惡化高危人群，與孟凱等[13]研究結果一致。Quinn等[14]研究結果發現，ASA分級為4級和5級的患者發生心臟驟停的風險高于1級或2級患者。ASA分級越高的患者合并癥多，手術難度大，手術風險高，術前應做好手術風險的全面評估和術前準備，術后加強監護。

此外，手術時間、脈搏血氧飽和度、中線結構移位也是顱腦腫瘤患者術后發生病情惡化的獨立危險因素。Dasenbrock等[15]分析11 462例開顱手術患者的資料，發現手術時間長是出現血腫需非計劃性再次手術的預測因素之一。可能與手術時間長，腦組織暴露于外界的時間長，易導致顱內感染等并發癥的發生有關[16]。脈搏血氧飽和度能在一定程度上反映血氧飽和度及呼吸功能的變化，幫助醫護人員及時發現早期的低氧血癥，同時也間接反映了循壞功能[17]。本研究結果顯示，脈搏血氧飽和度越低者病情惡化風險越高(P<0.05)。由于腦組織對缺氧的耐受性很差，嚴重缺氧會損傷腦細胞，也會導致心律失常、心臟驟停等并發癥，加重患者的病情。護理人員需要根據患者病情選擇合適的吸氧方式，吸氧過程中監測血氧飽和度的變化，根據血氧飽和度調整吸氧濃度和時間。中線結構位于正中矢狀線，包括第三腦室、胼胝體、透明隔、大腦鐮、丘腦、丘腦間粘合、松果體等[18]。由于顱腔的總容積固定，在發生引起容積變化的病變時，會導致處于正常位置的腦組織移位、受壓、變形等異常改變，即產生所謂的占位效應。如果占位發生在中線結構或非對稱的兩側，可能會造成中線結構的偏移。本研究中病例組有32.1%的顱腦腫瘤患者術后CT檢查發現有中線結構移位，顯著高于對照組(20.7%)。中線結構移位與病情嚴重程度和臨床預后密切相關，如杜玲等[19]對278例出血性腦卒中患者進行前瞻性研究，發現中線結構發生偏移患者的風險比為1.776，是30 d內死亡的獨立預測因素。且中線結構移位越大，患者的病死率越高[20]。因此，監測腦中線結構的移位情況對指導醫護人員辨別可能發生的病情惡化、判斷預后具有重要意義。

本研究兩種預測模型的分類準確率相近，均達到70%以上，模型效果較好。logistic回歸模型的靈敏度和約登指數低于決策樹模型，但特異度高于決策樹模型，說明決策樹模型判別真正發生病情惡化的能力較高，而logistic回歸模型預測實際不發生病情惡化的能力較高。logistic回歸模型的AUC顯著高于決策樹模型(P<0.01)，說明其預測效能更高。主要因為logistic回歸模型中包含的變量更多，模型更穩定。有研究指出，logistic回歸模型和決策樹模型各具優勢，兩者結合可以充分解釋變量間的關系[21]。就本研究而言，logistic回歸模型雖然能反映病情惡化與各自變量的依存關系，但在反映變量間的交互作用上不如決策樹模型。而決策樹模型不受變量間共線性的影響，能顯示變量間的交互關系及各自變量對結果變量的重要程度，并以概率的形式展示。如本研究中決策樹的首層為GCS評分，其與病情惡化的相關性最高，評分越低的患者發生病情惡化的概率越高；第二層顯示變量間的相互作用，如GCS>14分的患者要進一步考慮ASA分級才能判斷病情惡化的風險性。且決策樹生成的樹形圖能直觀地展示有分類或有預測意義的變量[22]，易于醫護人員理解和使用。但與logistic回歸模型相比，決策樹模型不能輸出OR值，分類結果受實際數據控制，會隨葉子節點數的變化而變化，欠缺穩定性。因此，兩者可互為補充，從不同層面發現影響顱腦腫瘤術后病情惡化的因素，為醫護人員篩選高危患者提供參考。

4 小結

本研究采用logistic回歸分析和決策樹法分別建立顱腦腫瘤患者術后病情惡化的早期預警模型，并對比兩者的預測效能，結果顯示logistic回歸模型的預測效果優于決策樹模型，而決策樹模型更直觀，易于理解，兩者結合可以幫助醫護人員從數學統計、樹形圖等多角度綜合評判患者病情惡化風險。鑒于樣本量較小，本研究未探討其他數據挖掘技術如人工神經網絡、貝葉斯等方法的應用效果，未來有望開展大樣本、多中心的前瞻性隊列研究，對所建立的模型進一步完善。