老年患者谵妄风险预测模型的研究进展

汪嘉敏，吴瑛

(首都医科大学 护理学院，北京 100069)

谵妄是一种急性的意识和注意力障碍，以起病急和病情反复波动为特征[1-2]。谵妄也是老年患者常见的并发症[3]，发生率高达50%～ 87%[4-5]。老年患者在住院期间发生谵妄后，会导致认知功能下降、住院时间延长、再住院率及死亡率增加等不良后果[6]。既往研究[7]表明，30%～40% 的谵妄是可以预防的，因此，早期预防谵妄十分重要。预测模型可帮助医护人员预测疾病的发病风险，因此可对具有发病风险的人群实施针对性的干预措施[5]，降低谵妄发生率，进而降低谵妄带来的不良后果[7-8]。现将近年来国内外适用于老年患者的谵妄风险预测模型的研究进展进行综述，为谵妄预测模型的构建及临床应用提供参考。

1 疾病风险预测模型的概述

疾病风险预测模型是指以引起疾病的多种危险因素为基础，将多危险因素和疾病的发生之间确定为一种定量关系，用来预测某种疾病发生的概率[9]。疾病风险预测模型还可将疾病发病风险进行分级，进而医护人员可以针对风险级别不同的群体实施针对性的干预措施。一个完整的预测模型的建立需要建模和验证两个步骤，常用于建模的统计学方法有2种，分别为Logistic回归模型和Cox比例风险模型；模型的验证又根据验证人群的不同分为内部验证和外部验证[10]。谵妄风险预测模型能够有效帮助临床护理人员准确、快速筛查谵妄的高危人群，同时及时采取针对性的预防措施，减轻谵妄带来的危害。

2 谵妄的危险因素

谵妄风险因素的研究，可为构建谵妄风险预测模型及制定个性化干预措施提供参考。目前，关于谵妄的发病机制并不明确，关于谵妄病理生理机制的研究较少，但已有研究表明谵妄存在明确的风险因素：潘燕彬等[11]Meta分析结果表明，年龄>65岁、吸烟、慢性阻塞性肺疾病、使用镇静药、机械通气、脓毒症、高急性生理与慢性健康评分(acute physiology and chronic health evaluation,APACHE)评分、脑卒中、肾功能不全和身体约束是重症监护病房(intensive care unit,ICU)成人患者发生谵妄的危险因素；Naeije等[12]综述表明，痴呆或认知障碍、功能障碍、视力障碍、酒精滥用史、高龄(>70岁)和合并症是老年患者发生谵妄的风险因素。

3 老年患者谵妄风险预测模型的研究现状

3.1 简单的谵妄风险预测模型 在临床中，谵妄患者往往同时存在多个风险因素。因此，近年来有学者根据谵妄的风险因素构建了简单的临床谵妄风险预测模型，来预测谵妄的发生。邢焕民等[13]选取ICU术后患者 240 例(包括老年住院患者)，利用Logistic回归建立ICU术后谵妄风险预测模型，该模型风险因素包括：病死率及并发症发生率的生理学和手术严重性评分系统、酸碱失衡、糖尿病、高血压、入院前一过性意识丧失等5个危险因素，模型ROC曲线下面积为0.832，灵敏度为0.639，特异度为0.886；研究者随后选取了25例ICU术后患者进行内部验证，结果显示，模型的灵敏度为60%、特异度为100%、准确率为92%。该模型预测效果良好，适用于临床实际，易于护士使用，但验证模型样本量较少，并且未区分风险等级，不能个性化预测，因此护理人员不能够对患者实施针对性的预防措施。今后可扩大样本量，进一步验证其临床应用效果。

3.2 谵妄风险分级模型

3.2.1 AWOL谵妄预测模型 2013年，Douglas等[14]研发了供护士使用的AWOL谵妄预测模型，该模型操作简单，适用于内科病房患者入院时的谵妄风险预测。模型通过 4 个条目预测患者发生谵妄的风险，分别是：年龄≥80岁、不能将“World”倒过来拼写、地点定向障碍及疾病严重程度，每个条目为1分，分值越高表明发生谵妄的风险越高，总分≥2分，表示患者发生谵妄的风险较高；经内部验证，该模型ROC下面积为69%。Brown等[15]外部验证结果表明，该模型ROC下面积为78%。护士应用AWOL模型预测谵妄的ROC下面积为 83%[15]。AWOL易于使用，容易掌握，护士所需评估时间小于2 min。因此，可以作为护士使用的简单、准确的谵妄预测工具。

3.2.2 PRE-DELIRIC谵妄预测模型 目前，应用最为广泛的ICU患者谵妄风险预测模型为2012年van等[16]构建的PRE-DELIRIC 模型。该研究通过前瞻性的收集荷兰5家医院1613名ICU患者，利用logistic回归建立PRE-DELIRIC风险预测模型。该模型共包括10个预测因子，分别为年龄、APACHE II评分、昏迷、疾病种类、感染、代谢性酸中毒、吗啡用量、使用镇静药物、血清尿素氮浓度以及急诊入院；模型分为4个风险等级：0%～20%为低危、>20%～40%为中危、>40%～60% 为高危、>60% 为极高危[13]。内部验证该模型的AUROC值为 0.89；外部验证该模型的AUROC值为0.84。2014年有学者[17]在原始PRE- DELIRIC模型的基础上，展开了7个国家(澳大利亚、比利时、英国、德国、西班牙、瑞典和荷兰)、13个ICU的前瞻性队列研究，对模型进行重新校准;经过外部验证的 AUROC 值为0.76，虽然相对于原始模型 AUROC 值有所下降，但校准后的模型更具普遍性和适用性。李云等[18]将PRE-DELIRIC 模型进行了汉化，研究结果显示，PRE-DELIRIC 模型评价者间的信度为0.94、灵敏度为 0.85、特异度为0.95、ROC曲线下面积为0.94，适用于我国ICU患者谵妄的预测。邓露茜等[19]探讨了基于PRE-DELIRIC谵妄预测模型实施的风险分级预护理措施在 ICU 患者中的运用效果，结果显示，结合PRE-DELIRIC谵妄预测模型实施的谵妄风险预防护理，能降低谵妄发生率，缩短谵妄持续时间和ICU住院日，改善患者预后。综上结果表明，PRE-DELIRIC 模型可作为我国 ICU 医务人员有效预测 ICU 谵妄风险的工具，并进而改变患者的临床结局。

3.2.3 DYNAMIC-ICU谵妄动态预测模型 既往构建的谵妄预测模型都是静态的预测模型，Fan等[20]于 2019年构建了ICU 谵妄动态监测模型DYNAMIC-ICU,该研究前瞻性地收集了560名ICU(普通外科 ICU、胸血管外科 ICU、心脏 ICU和呼吸 ICU)患者，研究者应用中文版CAM-ICU每天早晚 7：00者进行谵妄评估，同时收集患者易感因素、疾病相关因素及医源性和环境因素等三方面风险因素，采用患者出现谵妄阳性前的所有指标的最异常值以构建动态的ICU谵妄监测模型；结果显示，易感因素(慢性病史、听力障碍)、疾病相关因素(感染、入院时较高的APACHE II评分)、医源性和环境因素(镇静镇痛药物的使用、留置导管和睡眠障碍)被确定为谵妄的独立预测因子。动态DYNAMIC-ICU 模型总分为 0～33分，根据患者的总得分分为低危(0～9分)、中危(10～17分)、高危(18～33分)等三个风险等级。经过内部验证，结果显示，该模型 AUROC 值为0.91，预测效果较好。将该模型整合到医疗系统中，护理人员能够实时监测谵妄风险，从而可能够及时制定预防干预措施，减少谵妄的发生及带来的危害。但该模型尚未进行外部临床验证，其临床适用性如何，有待进一步研究。

3.3 病房自动化谵妄预测模型 传统的谵妄风险预测模型需要人工计算风险值，2016 年，荷兰de Wit等[21]构建了适用于老年患者的自动化病房谵妄风险预测模型。该模型所有的风险因素均从患者的电子病历中获取，并通过应用临床决策支持系统(clinical decision support system，CDSS)自动计算患者发生谵妄的风险。CDSS 可以全天监控，并将风险预测模型和临床管理表整合起来[22]。该研究构建了谵妄的药物模型和完整模型，药物模型包括：年龄、联合用药、抗焦虑药、抗痴呆药、抗抑郁药、抗帕金森药、降血糖药、精神病药、镇痛剂、安眠药等10 个风险因素，经内部验证其AUROC值为0.76；完整模型在药物模型10个风险因素基础上，增加C反应蛋白和尿素2个风险因素[21]。该预测模型能够自动预测患者发生谵妄的风险，可通过CDSS 提醒医护人员展开预防治疗和护理。

3.4 基于机器学习构建的谵妄预测系统 近年来，随着互联网和大数据的发展，利用大数据分析、机器学习算法预测及辅助临床疾病诊断等方面的研究逐渐成为热点[23-24]，由于机器学习算法在处理复杂数据问题时准确度较高[25]，被越来越多的研究者用于对谵妄的预测研究。Davoudi等[26]利用 51 457例入院时间>24 h 的术后患者电子健康记录中的数据，通过数据清理、缺失数据的输入以及分类变量和名义变量的优化，80%的数据用于模型的构建，20%用于验证模型，比较了线性模型、广义加性模型、随机森林、支持向量机、神经网络和极端梯度提升7种机器学习模型在谵妄预测方面的性能。结果显示，主要的风险因素有 15 个，风险由高到低分别为：年龄、诊断数量、外科手术、主治医师、邮政编码、国家、入院服务、入院月份、入院后手术的时间、主要诊断分类、入院年份、乙醇或药物使用、入院当天药物使用数量、入院时间、保险等。在本研究评估的7 种模型中，随机森林模型和广义加性模型在预测谵妄的总体性能指标方面优于其他模型(正确性分别为0.80/0.81，AUC值分别为 0.85/0.86，灵敏度分别为 0.81/0.75，特异度分别为 0.73/0.81)。基于机器学习的预测模型，代替了以往的人工计算模型，并且预测准确度较高，能够帮助医护人员随时筛查患者发生谵妄的风险，因此，将成为未来谵妄预测模型的发展趋势。

4 小结

随着谵妄预测模型研究的逐步深入，国内外已经构建了预测性能、临床实用性与适用性较好的预测模型，有利于医护人员早期识别谵妄的高危人群。一个成熟的预测模型的临床效用既取决于其预测风险的有效性，也取决于其可行性，因此在构建和验证模型时必须同时考虑这两个因素[5]。医护人员需结合临床的实际情况下，选择合适的预测模型进行老年患者谵妄的风险预测。目前国内护理人员对谵妄的认识不足，谵妄的风险预测模型仍未应用到护理日常工作中。因此，了解谵妄的预测模型，能够提高护理人员对谵妄的认知水平，进而指导临床实践，改变患者的临床结局。另外，随着信息技术和人工智能领域的飞速发展，传统的预测模型即将被取代，未来应开发适合我国老年患者的智能、有效、实用的风险预测工具，并将高质量的谵妄预测模型整合到医疗护理信息系统，节省人力，提高护理人员工作效率，指导临床早期预防和护理，减轻谵妄带来的危害。