基于神經網絡模型的髖關節置換術后病人再入院風險研究

Readmission risk of patients after hip replacement based on neural network model

ZHANG Lufang，ZHANG Ying，CHEN Keya，YU Renyue，CHEN YuThe 1st School of Medicine，Wenzhou Medical University，Zhejiang 325000 ChinaCorresponding Author CHEN Yu，E-mail：chenxiaolongwy@126.com

Keywords hip replacement;deep vein thrombosis of lower limbs;readmission;neural network model;influencing factors;nursing

摘要 目的：基于神經網絡模型篩選髖關節置換術后病人再入院的影響因素，并分析模型的預測效能。方法：回顧性分析2020年5月—2022年12月在溫州某三級甲等醫院接受髖關節置換術的440例病人的資料，根據病人出院后再入院情況分為再入院組和未再入院組，建立神經網絡模型，使用受試者工作特征（ROC）曲線下面積（AUC）評價模型的預測效果。結果：髖關節置換術后病人再入院率為19.55%。神經網絡模型顯示，髖關節置換術病人再入院居前5位的危險因素為糖尿病（100.0%）、手術時長（89.4%）、住院時長（79.9%）、性別（71.2%）、術后并發深靜脈血栓（69.0%），模型預測準確率為81.5%，AUC為0.728［95%CI（0.669，0.786）］。結論：經神經網絡模型篩選，糖尿病、手術時長、住院時長、性別及術后并發深靜脈血栓為髖關節置換術病人再入院的危險因素，模型預測效能較好。臨床醫護人員可結合神經網絡模型分析結果，早期篩選髖關節置換術病人再入院的高危病人，開展早期預防，改善圍術期護理，強化出院后監測，降低再入院率。

關鍵詞 髖關節置換術;下肢深靜脈血栓;再入院;神經網絡模型;影響因素;護理

doi：10.12102/j.issn.2095-8668.2024.13.014

髖關節置換術（total hip arthroplasty，THA）是終末期髖關節疾病的外科治療方法，可以減輕疼痛，改善功能，提高病人生活質量。研究顯示，我國每年有3萬～5萬例病人接受THA手術［1-2］。THA手術量增加的同時也增加了術后假體感染、脫位的風險，使病人術后再入院率上升。美國的一項研究將再入院定義為：1）初次住院后7 d內或8～30 d再住院；2）因急診、急救、擇期手術原因再住院；3）在國內任何醫院的再住院；4）再住院的診斷或手術與初次住院有關［3］。由于THA病人在術后3個月甚至更長時間才能恢復關節功能［4］，所以本研究未定義再入院天數。一項納入274 851例THA病人的研究表明，THA術后30 d與90 d再入院率分別為5.6%、10.2%［5］。THA病人再入院會進一步增加醫療保健系統負擔及病人的經濟壓力。Reeves等［6］研究表明，THA病人每次再入院的平均費用達17 103美元。同時，再入院次數的增加也會降低病人的康復信念，不利于康復護理的開展。因此，早期識別THA風險病人并采取相應護理措施顯得尤為重要。再入院與其相關因素往往不是簡單的線性關系，各影響因素之間也存在多重共線性，神經網絡模型作為一種算法數學模型，通過模仿人腦內部神經元之間相互傳遞信號并進行分布式并行信息處理，可識別變量間的非線性關系，具有很強的信息處理及泛化能力［7］，神經網絡模型或許可以更好地揭示再入院與各影響變量的關系。本研究通過回顧性分析2020年5月—2022年12月接受THA病人再入院情況，建立神經網絡模型，分析THA病人再入院的相關因素，明確THA術后病人再入院的影響因素，以期為臨床決策提供參考。

1 對象和方法

1.1 研究對象

選取2020年5月—2022年12月在溫州某三級甲等醫院骨科行THA病人的資料。納入標準：1）年齡≥18歲；2）行單側THA；3）住院時間gt;24 h；4）常規進行各項檢查，臨床資料完整。排除標準：1）術前已有深靜脈血栓（deep vein thrombosis，DVT）者或下肢超聲多普勒檢查結果提示陳舊性血栓者；2）術前長期服用抗凝藥者；3）合并肝、腎和造血系統嚴重疾病；4）再入院地點為其他醫院，非本研究醫院；5）自動出院或死亡者。本研究已通過醫院倫理委員會審查（倫理編號：KY2022-R161）。

1.2 方法

1.2.1 資料收集及分析方法

記錄病人的一般資料及手術情況，包括年齡、性別、體質指數（body" mass index，BMI）、住院時長、手術時間、術后是否并發DVT等。觀察病人術后再入院情況，再入院原因需與本次疾病相關（THA術后相關癥狀）。根據病人再入院情況分為再入院組和未再入院組。

1.2.2 統計學方法

本研究嘗試構建多層感知器神經網絡（multilayer perceptron，MLP），隱含層激活函數為雙曲正切，輸出層激活函數為Softmax，根據個案的相對數量隨機分配個案：70%病人數據為訓練集，30%病人數據為測試集，訓練集用于模型的開發，測試集用于模型的驗證。應用受試者工作特征（receiver operating characteristic，ROC）曲線分析模型的預測效能，以ROC曲線下面積（area under curve，AUC）評價模型的預測效果。采用SPSS 26.0統計學軟件進行數據分析，服從正態分布的定量資料采用均數±標準差（x±s）描述，滿足方差齊性檢驗的資料組間比較采用獨立樣本t檢驗；不服從正態分布的定量資料采用中位數、四分位數［M（P25，P75）］描述，組間比較采用非參數檢驗；定性資料采用例數、百分比（%）描述，組間比較采用χ2檢驗，檢驗水準α=0.05。

2 結果

2.1 再入院組情況

共納入440例THA病人，再入院組86例（19.55%）。再入院原因見表1。再入院組及未再入院組病人一般資料見表2。

2.2 再入院中位時間間隔分布

再入院中位間隔時間為30 d，其中，出院當天入院5例（5.75%）；1～15 d 入院21例（24.14%）；16～30 d入院18例（20.69%）；31～45 d 入院24例（27.59%）；46～60 d 入院12例（13.79%）；60～90 d入院2例（2.30%）；90 d以上入院5例（5.75%）。

2.3 影響THA術后病人再入院神經網絡模型

神經網絡模型采用MLP，輸入髖關節術后病人再入院影響相關變量，輸出變量為是否再入院，模型基本情況見表3。神經網絡模型顯示，THA病人再入院居前5位的危險因素為糖尿病（100.0%）、手術時長（89.4%）、住院時長（79.9%）、性別（71.2%）、術后并發DVT（69.0%），見圖1。

2.4 THA病人再入院模型預測結果及評價

使用AUC、準確率等指標評價神經網絡模型預測效果，結果顯示，模型預測的準確率、靈敏度、特異度、約登指數分別為81.5%、64.4%、72.6%、0.370，AUC為0.728［95%CI（0.669，0.786）］，顯示模型預測性良好。

3 討論

3.1 THA術后病人再入院率較高

本研究結果顯示，THA病人術后再入院率為19.55%，高于White等［5，8］研究結果。可能原因：1）納入病人的時間較長且未規定再入院時間間隔。由于THA術后需要gt;1個月的時間才能達到術前狀態，故本研究未規定再入院時間間隔。病人再入院的中位間隔時間為30 d，再入院間隔時間90 d以上的占5.75%。2）住院時間。一項Meta分析顯示，關節置換病人住院時間≥5 d時再入院風險更高［9］。本研究病人平均住院時間為7 d，較長的住院時間可能與病人病情復雜程度有關。3）距離因素。Pinto等［10］研究顯示，由于經濟差異及護理條件的欠缺，居住在農村的病人存在更高的再入院風險。本中心THA病人大多來自市內農村地區，當地醫療條件相對落后，重體力勞動相對較多，髖關節負重大，不利于關節功能恢復，在一定程度上也提高了再入院率。

3.2 出院后45 d THA病人再入院率最高

本研究中，78.17%的病人在出院后45 d內再入院，與THA術后90 d內的并發癥發生率較高相符［11］。本研究THA病人多為老年病人，年齡為（66.60±13.64）歲，老年人體質較差、機體防御能力低下，臨床合并癥較多，術后并發癥發生率相對較高。術后早期假體穩定性較差，加之老年病人髖關節周圍軟組織疏松，若早期患肢過度活動、移動方式不正確，都會增加關節脫位的風險［12］。由于THA術后需要長期護理，且THA病人出院后的功能鍛煉依從性隨著出院時間的增加而逐漸降低［13］。因此，在出院90 d后，本研究仍有病人因關節疼痛和傷口感染再次入院。這就要求醫護人員重視出院后THA病人的長期護理，加強對病人的健康教育，包括術后如何進行康復運動、日常護理，以降低感染及脫位的風險，使病人明確THA術后堅持長期康復鍛煉及日常護理的重要性。有研究顯示，THA術后病人隨訪需求較高。因此，醫護人員應了解病人隨訪需求，加強病人術后隨訪，從心理、生理等方面為病人提供全程、個體化幫助，促進病人康復［14］。

3.3 THA術后再入院的神經網絡模型分析

神經網絡模型預測THA術后病人再入院的危險因素重要程度排名居前5位的依次為糖尿病、手術時長、住院時長、性別及術后并發DVT。研究證明，糖尿病會增加關節置換術后脫位、松動、感染等不良結局的風險，并將血糖控制不佳作為人工關節術后感染的預測指標之一［15-16］。糖尿病病人由于微血管病變引起局部組織缺血，延緩愈合速度，血液中高血糖抑制白細胞吞噬、黏附能力，降低細胞的內殺傷作用，使關節置換術后感染的風險增高［17］。DVT作為THA術后常見的并發癥，表現為單側或者雙側腿部的腫脹、疼痛，嚴重影響THA術后功能恢復情況，增加病人術后再入院率［18］。發生DVT的病人由于害怕血栓脫落而限制活動，無法進行及時、有效的THA術后下肢功能鍛煉，進而加重假體功能障礙。楊建村等［19］研究顯示，不愈合期病人C反應蛋白、D-二聚體水平高于愈合期病人，提示血栓可能會影響骨折的愈合情況。骨折處愈合不良則會加重關節疼痛、加大關節脫位概率，從而提高病人再入院率［20-21］。較長的手術時間使得術中感染風險、術中失血量增加，也會增加關節置換后的切口感染及關節翻修的發生率［22-23］。此外，手術時間越長說明手術難度越大、病人病情越復雜，再入院率越高。住院時間同樣也與病人病情復雜程度有關，病情復雜，病人需要較長時間的住院治療，再入院率的可能性就越大。神經網絡模型還顯示，性別為THA病人再入院的影響因素，由于女性病人髖臼底深度較深，使得術中臼杯內移導致髖臼偏距減少；且女性髖臼本身比較小，選擇臼杯直徑較大，導致女性病人總高度減小，其旋轉中心相對下移，這些原因都會導致髖關節Harris評分下降，最終影響術后功能恢復［24-25］，但性別對THA術后再入院的影響尚有爭議［9］，詳細機制還需進一步探討。

3.4 神經網絡模型篩選影響因素的優勢

MLP為多層前向神經網絡，相比于其他類型的神經網絡，其可增加模型的復雜性以擬合更復雜的臨床問題，且對研究數據的分布類型無假設要求。對于非線性問題，當自變量之間有高度相關性時，傳統的回歸模型更易受到影響，不易得出準確的分析結果，因此MLP的處理能力優于傳統的回歸模型。此外，MLP被多項研究證實為多種神經網絡類型中預測效果最佳的神經網絡類型之一［26-27］。本研究構建的MLP神經網絡模型具有較好的預測性能，模型篩選出的高危風險因素可以幫助臨床護士對THA病人術后再入院風險進行更精確的評估，并進行早期干預，降低THA術后再入院率，促進病人康復。

4 小結

本研究運用神經網絡模型對THA術后病人的資料分析結果顯示，糖尿病、手術時長、住院時長、性別及術后并發DVT等為THA病人再入院的影響因素。由于本研究只在一個研究中心進行，一些病人可能在其他醫院再次入院，因此再入院率可能存在偏差；本研究的樣本量偏少，未來可進行多中心、大樣本研究，使研究結果更有代表性；今后可建立更準確的再入院預測模型，完善THA術后管理，識別THA術后再入院高風險人群，加強隨訪工作，提高病人康復質量，減少術后再入院率。

參考文獻：

［1］SHI X T，LI C F，CHENG C M，et al.Preoperative planning for total hip arthroplasty for neglected developmental dysplasia of the hip［J］.Orthopaedic Surgery，2019，11（3）：348-355.

［2］TAN Z，CAO G R，WANG G L，et al.Total hospital cost，length of stay，and complications between simultaneous and staged bilateral total hip arthroplasty：a nationwide retrospective cohort study in China［J］.Medicine，2019，98（11）：e14687.

［3］WESTERT G P，LAGOE R J，KESKIMKI I，et al.An international study of hospital readmissions and related utilization in Europe and the USA［J］.Health Policy，2002，61（3）：269-278.

［4］王文慧，張利峰，李信欣，等.髖關節置換術后患者不同時期關節功能變化及其影響因素研究［J］.中華護理雜志，2017，52（6）：649-653.

［5］WHITE R S，SASTOW D L，GABER-BAYLIS L K，et al.Readmission rates and diagnoses following total hip replacement in relation to insurance payer status，race and ethnicity，and income status［J］.Journal of Racial and Ethnic Health Disparities，2018，5（6）：1202-1214.

［6］REEVES R A，SCHAIRER W W，JEVSEVAR D S.The national burden of periprosthetic hip fractures in the US：costs and risk factors for hospital readmission［J］.Hip International，2019，29（5）：550-557.

［7］KRIEGESKORTE N，GOLAN T.Neural network models and deep learning［J］.Current Biology，2019，29（7）：R231-R236.

［8］DEBBI E M，MOSICH G M，BENDICH I，et al.Same-day discharge total hip and knee arthroplasty：trends，complications，and readmission rates［J］.The Journal of Arthroplasty，2022，37（3）：444-448.e1.

［9］桂珊珊，曹亞琴，閔繼康，等.全膝/髖關節置換患者短期內非計劃性再入院危險因素的Meta分析［J］.護士進修雜志，2020，35（18）：1690-1696.

［10］PINTO N M，LUANN MINICH L，YOO M，et al.Influence of geographic access on surgical center readmissions after index congenital heart surgery［J］.The Journal of Pediatrics，2021，234：195-204.e3.

［11］TAYLOR-WILLIAMS O，NOSSENT J，INDERJEETH C A.Incidence and complication rates for total hip arthroplasty in rheumatoid arthritis：a systematic review and Meta-analysis across four decades［J］.Rheumatology and Therapy，2020，7（4）：685-702.

［12］王慧玲，張曉萍，付艷，等.髖關節置換術后脫位的原因分析及護理對策［J］.中華護理雜志，2003，38（9）：685-687.

［13］李信欣，呂啟圓，李江圳，等.髖關節置換術后患者院外功能鍛煉依從性與健康信念的縱向研究［J］.中華護理雜志，2019，54（8）：1180-1184.

［14］左曉琳，溫艷，李玉偉.中老年髖關節置換術后病人護理門診需求量表的編制及信效度檢驗［J］.護理研究，2022，36（24）：4376-4381.

［15］MCVEY L C，KANE N，MURRAY H，et al.Elective hip arthroplasty rates and related complications in people with diabetes mellitus［J］.Hip International，2022，32（6）：717-723.

［16］WIZNIA D H，JIMENEZ R，HARRINGTON M.Movement is life-optimizing patient access to total joint arthroplasty：diabetes mellitus disparities［J］.The Journal of the American Academy of Orthopaedic Surgeons，2022，30（21）：1017-1022.

［17］趙振，馬保安，龍華，等.糖尿病與人工關節置換術后假體周圍感染的相關性研究［J］.中國骨與關節雜志，2018，7（4）：301-306.

［18］曾莉，李素云，褚婕，等.髖關節置換術病人血栓形成防控行為影響因素模型構建［J］.護理研究，2021，35（16）：2840-2845.

［19］楊建村，秦啟燕，費鮮明.炎癥和血栓形成與患者骨折不愈合的關系［J］.中國衛生檢驗雜志，2010，20（5）：1133-1134.

［20］GONZALEZ A I，KORTLEVER J T P，CRIJNS T J，et al.Pain during physical examination of a healing upper extremity fracture［J］.The Journal of Hand Surgery（European Volume），2021，46（5）：476-481.

［21］陳小華，隆曉濤，熊浩嵐，等.基于持續質量改進的疼痛管理模式對下肢骨折患者疼痛管理效果的研究［J］.中華創傷雜志，2018，34（9）：838-842.

［22］YAN L，GE L，DONG S J，et al.Evaluation of comparative efficacy and safety of surgical approaches for total hip arthroplasty：a systematic review and network Meta-analysis［J］.JAMA Network Open，2023，6（1）：e2253942.

［23］成昌霞，周學穎，李福瑋，等.手術時間對手術切口感染影響的研究［J］.中華醫院感染學雜志，2016，26（5）：1111-1112.

［24］付君，徐馳，倪明，等.性別相關髖關節生物力學差異對全髖關節置換術療效的影響［J］.骨科臨床與研究雜志，2021，6（2）：100-105.

［25］王健，劉愛峰，張宇，等.性別對全膝關節置換術中股骨假體匹配及術后早期功能的影響［J］.中華骨科雜志，2017，37（23）：1474-1482.

［26］曹文君，徐勇勇，譚志軍，等.基于人工神經網絡模型的多個慢性病主要危險因素篩查研究［J］.中國全科醫學，2015，18（25）：3050-3053.

［27］王鈺涵，段鵬喆，張鑫，等.基于決策樹和神經網絡的高血壓病危險因素研究［J］.世界科學技術-中醫藥現代化，2021，23（8）：2784-2794.

（收稿日期：2023-11-06；修回日期：2024-06-08）

（本文編輯張建華）

基金項目 浙江省醫藥衛生科技計劃項目，編號：2023KY141

作者簡介 張露芳，碩士研究生在讀

*通訊作者 陳瑜，E-mail：chenxiaolongwy@126.com

引用信息 張露芳，張穎，陳柯雅，等.基于神經網絡模型的髖關節置換術后病人再入院風險研究［J］.循證護理，2024，10（13）：2360-2364.