圍術期壓力性損傷預測變量篩選及回歸方法選擇實例分析

黃明亮，曾德蘭，張秋娟，黃世樹，梁 輝

廣西中醫藥大學第一附屬醫院，廣西 530022

壓力性損傷預防的首要原則是使用合適的風險評估工具(risk assessment scales， RAS)對病人進行精準評估,而早期識別圍術期壓力性損傷的高危人群很大程度上取決于已確定的危險因素。目前研究表明，圍術期壓力性損傷的危險因素較多，在構建預測模型篩選危險因素時，很多文獻通常先進行單因素分析，單因素分析有統計學意義的變量納入多因素Logistic回歸分析，無意義的變量不納入分析[1-9]。然而，自變量間可能存在多重共線性等問題，因此只將單因素分析有統計學意義的因素作為自變量納入多因素Logistic回歸分析，很可能會將重要的危險因素漏掉[10]，造成模型對疾病的預測能力降低。在這種情形下，傳統的建模方法不再適用，因而需要尋找一些新的替代方法[11-12]。本研究基于圍術期壓力性損傷的臨床資料，實際分析比較逐步回歸和LASSO回歸在該背景下的表現，結合赤池信息準則(Akaike′s information criterion，AIC)[13]、貝葉斯信息準則(Bayesian information criterion,BIC)[14-15]、決定系數(R2)、受試者工作特征曲線(ROC)下面積(AUC)等策略，為臨床護理人員構建壓力性損傷預測模型，篩選最佳變量組合提供參考依據。

1 資料與方法

1.1 觀察對象

回顧性收集2020年10月—2021年5月在我院住院行擇期手術的病人441例，按照圍術期是否發生壓力性損傷分為發生組(113例)和未發生組(328例)。

1.2 納入與排除標準

1.2.1 納入標準

年齡≥18歲；擇期手術病人，術前診斷及病例信息完整；無精神障礙，溝通順暢，自愿參加并簽署知情同意書。

1.2.2 排除標準

術前患有急慢性皮膚疾病或皮膚黏膜已存在壓力性損傷；嚴重關節功能障礙；術中出現病情惡化致搶救無效或術后送至重癥監護室(ICU)；術后拒訪或失訪；資料分析時發現某項數據缺失。

1.3 評估方法與時間

根據美國壓瘡專家咨詢組(NPUAP)2016年最新推薦的分期標準[16]評估病人是否發生壓力性損傷。由造口專家及科內成員按評估標準進行評估，皮膚出現壓力性損傷的病人納入發生組，未出現皮膚壓力性損傷的病人則納入未發生組，評估時間為手術結束時、術后2 h、術后24 h及術后3～6 d。

1.4 資料收集

參閱國內外文獻報道圍術期壓力性損傷的影響因素并結合我院實際情況，共納入 11 個預測變量為研究變量，變量信息及賦值情況如下：性別(男=1，女=2)、年齡、體質指數、血紅蛋白、手術時間(<3 h=1，≥3 h=2)、術中出血量(<300 mL=1，≥300 mL=2)、手術體位(仰臥=1，側臥=2，俯臥=3)、麻醉方式(非全身麻醉=1，全身麻醉=2)、術中體溫(正常=1，異常=2)、高血壓(無=1，有=2)、糖尿病(無=1，有=2)。

1.5 統計學方法

2 結果

2.1 研究對象一般資料(見表1)

表1 兩組病人一般資料比較

2.2 逐步回歸篩選預測變量

2.2.1 前向逐步回歸

前向逐步回歸篩選出的變量有性別、血紅蛋白、手術時間、術中出血量、手術體位，見表2。

表2 前向逐步回歸分析結果

2.2.2 后向逐步回歸及雙向逐步回歸

后向逐步回歸及雙向逐步回歸篩選出的變量一致，見表3。

表3 后向及雙向逐步回歸分析結果

2.3 LASSO回歸篩選危險因素

LASSO回歸從11個危險因素中進行篩選。隨著懲罰系數的變化，模型初始納入的影響因素的系數被壓縮，最后部分影響因素系數被壓縮為0，從而避免模型過度擬合，達到最佳影響因素選擇的效果，見圖1。為尋找最佳懲罰項系數，使模型性能優良且影響因素最少，選擇交叉驗證誤差為min+1個標準誤(lambda.1SE)時的值為模型最優值[17]，最終篩選出6個變量，分別為性別、血紅蛋白、手術時間、術中出血量、糖尿病、高血壓。見圖2。

圖1 基于 LASSO 回歸的特征性變量篩選(11 個特征影響因素模型懲罰過程)

圖2 基于 LASSO 回歸的特征性變量篩選(回歸模型中最佳懲罰系數變化過程)

2.4 模型性能指標

在R中用lm函數擬合模型，將前向逐步回歸篩選的變量擬合模型命名為模型1，后向及雙向逐步回歸擬合的模型命名為模型2，LASSO回歸擬合的模型命名為模型3。通過performance包、pROC包計算3個模型的性能指標AIC、BIC、R2、AUC等值(見表4)，并繪制模型指數比較圖(見圖3)。根據AIC信息準則及BIC信息準則，當從一組可供選擇的模型中選取最佳模型時，通常選擇AIC或BIC值最小的模型作為最優模型。從表4可以看出，模型2的AIC、BIC值均小于模型1和模型3，且R2值最大，由此可見，本次后向及雙向逐步回歸擬合的模型2較優。

表4 3個模型的性能指標值

圖3 3個模型的性能指標比較圖

3 討論

將統計學方法應用于生物醫學領域來進行疾病預測性能的比較，從而建立起準確可靠的模型是一個非常值得研究的方向[18]。本研究以圍術期壓力性損傷的數據為例，進行單因素分析時發現性別差異無統計學意義，而采用逐步回歸與LASSO回歸對所有預測變量進行篩選時，性別均納入了回歸模型。并且，將性別納入模型后，模型的預測能力都表現較優。因此，傳統單因素分析舍棄無統計意義的自變量，極可能造成遺漏重要危險因素的現象。本研究通過逐步回歸與LASSO回歸對圍術期壓力性損傷的11個預測變量進行篩選，擬合了3個Logistic回歸模型，然而受到樣本量及所選預測變量個數的局限，3個模型的AIC、BIC、R2等各項指標均未達到預期結果，但本次研究結果仍提示，在篩選變量時應盡量嘗試多種策略，并結合臨床和流行病學的意義以及生物學機制等專業知識[19-20]，對回歸方法的計算結果進行綜合分析，選擇較為準確、可靠的結果，以此為臨床護理人員構建預測模型，篩選最佳變量組合提供更優的參考依據。