白内障患者发生抑郁症的影响因素及风险预警平台的构建

陆素青 韦文迪 胡道军 史文杰 刘 慧

(1 桂林医学院附属医院眼科,广西桂林市 541001;2 上海交通大学医学院附属新华医院崇明分院检验科,上海市 200131;3 桂林医学院公共卫生学院,广西桂林市 541002)

近年来,白内障作为眼科的常见病,其发病率逐年上升[1]。尽管手术治疗已经被证实可以显著提高此类患者的临床获益,但是部分患者就诊时仍然存在不同程度的心理健康问题,其中以抑郁症最为常见[2-3]。中度和重度抑郁症患者会出现明显的临床表现,此类患者因易被识别而可获得及时的心理护理干预,但早期抑郁症患者或仅以情绪低落为表现的轻度抑郁症患者则极易被忽略,错过最佳的心理干预时期[4-5]。因此,及时评估白内障患者早期抑郁症的发生倾向,对辅助临床护理决策具有积极的指导意义。目前,评估白内障患者发生抑郁症风险的方法主要依靠于传统的调查问卷和医务人员的观察。然而,此类评估方式具有人力资源成本高、效率相对较低及存在调查者主观偏倚等缺点,这给临床护理工作带来了极大的挑战[6-7]。因此,开发一种全新、高效且便捷的早期抑郁症风险评估系统,对于评估白内障患者的抑郁症发生风险、提升护理质量具有重要的临床价值。本研究通过回顾性分析白内障患者的一般资料和临床资料,结合机器学习算法筛选出影响白内障患者发生抑郁症的独立危险因素,并由此构建白内障患者发生抑郁症的风险预警模型及风险预警平台,为快速评估白内障患者的抑郁症发生风险及给予心理护理干预措施提供参考。

1 资料与方法

1.1 临床资料 采用便利抽样法,从某三甲医院电子病历系统中选取2021年1月至2022年1月期间确诊为白内障的476例住院患者作为研究对象。纳入标准:(1)符合白内障相关临床诊断标准[8],并经专科医生确诊为白内障的住院患者;(2)临床资料与随访资料完整;(3)住院期间完成汉密尔顿抑郁量表(Hamilton Depression Scale,HAMD)[9]评估。排除标准:(1)就诊时或入院前,已确诊为抑郁症并接受相关干预的患者,或合并其他精神类疾病的患者;(2)除白内障之外,合并其他严重眼科疾病的患者。根据HAMD评分结果将患者分给心理健康组(427例)和抑郁症组(49例)。

1.2 研究方法

1.2.1 基线信息采集:通过查阅文献并结合3名眼科领域专家的建议,确定入组患者所需收集的基线资料,并自制患者基线信息采集表。采集的基线信息包括患者的性别、年龄、体质指数(正常范围18.5～23.9 kg/m2)、婚姻状况、学历、职业、月收入、经济来源、付费方式、病程、入院时的视力水平(视力>1.0记为正常)、烟酒史(有烟酒史定义为连续或累计吸烟/饮酒≥6个月)、糖尿病病史、就诊陪护及白内障并发症(虹膜炎、眼底水肿及眼压升高等)。

1.2.2 HAMD评估:HAMD是目前评估抑郁状态最为常用的量表[9],本研究采用24项版本进行评估。量表24个项目中,大部分项目采用5级评分法(无、轻度、中度、重度、极重度,分别计0分、1分、2分、3分、4分),小部分项目采用3级评分法(无、轻至中度、重度,分别计0分、1分、2分),最后将各项分值相加得到总分。总分<8分定义为正常,8分≤总分<20分定义为可能患有抑郁症,20分≤总分≤35分定义为抑郁症,总分>35分定义为严重抑郁症。由2名经过培训的专科护士通过访谈和观察的方式对患者进行评估,并独立进行评分,最后取二者的均值作为最终评分结果。总分<8分的患者被纳入心理健康组,总分≥8分的患者则被纳入抑郁症组。

1.2.3 数据收集及整理:从电子病历系统中下载患者的基线信息和临床资料,并根据前期自制调查表进行数据的收集和预处理。由2名专科护士和2名眼科专业主治医师收集数据,由1名统计学专业硕士研究生对获取的数据进行预处理,对于部分患者存在个别缺失的变量,采用多重插补法对其变量值进行补充。所有资料的数据均由双人编码录入后交由第一作者和科室数据员进行统计分析,最终由统计学专业人员检查分析结果,确保分析结果的准确性。

1.3 统计学分析 采用R 4.1.2软件进行统计学分析。计数资料以例数(百分比)表示,计量资料以(x±s)表示。将基线信息的15个变量纳入单因素Logistic回归模型进行分析,再将单因素Logistic回归分析中有意义的变量纳入随机森林模型筛选重要特征变量,采用参数寻优法确定随机森林模型的最佳参数,重要性评分>10分的变量被定义为重要特征变量。将筛选到的重要特征变量纳入多因素Logistic回归模型,分析影响白内障患者发生抑郁症的独立危险因素。根据得到的独立危险因素及其相关系数,采用R软件的“rms”包构建列线图模型[10],即白内障患者抑郁症发生风险预警模型。采用一致性指数和受试者工作特征(receiver operating characteristic,ROC)曲线下面积评价模型的诊断效能,使用校正曲线评估模型预测曲线与理想曲线的一致性。以P<0.05为差异具有统计学意义。

1.4 基于人机交互模式搭建白内障患者抑郁症发生风险预警平台 基于列线图模型,使用R软件的Shiny包搭建白内障患者抑郁症发生风险预警平台[11],并根据列线图模型变量评分获得患者的抑郁症风险概率,以中位值(风险概率50%)将患者分为高风险组(风险概率≥50%)和低风险组(风险概率<50%),然后给予相应的护理干预建议。平台移动端的二维码则由QR Code生成。

2 结 果

2.1 白内障患者的基本人口学特征及抑郁症发生情况 476例白内障患者中,男性262例(55.04%)、女性214例(44.96%);患者年龄为(55.20±11.91)岁,≥50岁患者共304例(63.87%),<50岁患者共172例(36.13%);有39例(8.19%)患者合并并发症,仅有231例(48.53%)患者由家属陪同就诊。共有49例(10.29%)患者被诊断为抑郁症。

2.2 单因素Logistic回归分析 将基线信息中的15个变量作为自变量,以抑郁症发生情况作为因变量,纳入单因素Logistic分析。除年龄为连续变量外,其余14个变量均为分类变量,为了便于后续分析,本研究使用限制性立方样线条对患者年龄进行分层,将患者年龄设置为二分类变量,变量赋值情况见表1。结果显示,10个变量与白内障患者发生抑郁症有关(均P<0.05),包括患者年龄、性别、婚姻状况、学历、经济来源、入院时的视力水平、烟酒史、糖尿病病史、就诊陪护、白内障并发症,见表2。

表1 赋值情况

表2 单因素Logistic回归分析

2.3 随机森林模型筛选的重要特征变量 随机森林模型分析结果显示,袋外数据错误率为9.87%,提示根据重要特征变量判断患者是否发生抑郁症的正确率为90.13%。最终获得6个重要特征变量,包括年龄(重要性评分为26.88分)、烟酒史(重要性评分为23.27分)、入院时的视力水平(重要性评分为18.91分)、白内障并发症(重要性评分为11.15分)、就诊陪护(重要性评分为10.78分)及性别(重要性评分为10.19分)。见图1。

图1 随机森林模型的袋外数据错误率(A)和重要特征变量(B)

2.4 多因素Logistic回归分析 将随机森林模型筛选到的6个重要特征变量纳入多因素Logistic回归模型,结果显示,年龄、性别、入院时的视力水平、就诊陪护及白内障并发症是影响白内障患者发生抑郁症的独立危险因素(均P<0.05)。见表3。

表3 多因素Logistic回归分析

2.5 白内障患者抑郁症发生风险预警模型的构建与验证结果 根据上述5个独立危险因素及其相关系数构建白内障患者抑郁症发生风险预警模型,使用列线图对模型进行可视化。模型的一致性指数为0.783,ROC曲线下面积为0.712,提示模型具有良好的预测效能。此外,校正曲线图显示预测曲线与理想曲线几乎一致,表明该模型具有良好的稳定性。见图2。

图2 白内障患者抑郁症发生风险预警模型及验证结果注:A为列线图,B为模型的ROC曲线,C为模型的校正曲线。

2.6 基于人机交互模式的白内障患者抑郁症发生风险预警平台搭建 为了便捷高效地完成白内障患者抑郁症发生风险的评估,本研究进一步开发和搭建了基于人机交互模式的白内障患者抑郁症发生风险预警平台(http://ckr123.synology.me:3838/DRAS/),见图3。通过该平台,护理人员可以在患者入院登记基本信息资料后,依据列线图变量评分,直接获得患者的抑郁症风险概率(例如,视力正常的50岁男性就诊时有陪护且有白内障并发症,其获得的投射得分约为120分,发生抑郁症对应的风险概率为11%),并根据中位值(风险概率50%)将患者分为高风险组(风险概率≥50%)和低风险组(风险概率<50%)。对于低风险组的患者,平台会提示给予其常规护理,而针对高风险组的患者,平台除给予护理人员预警外,还会提供一定的护理干预建议,以便患者获得及时的心理护理。此外,本研究还开发了基于该平台系统的移动端二维码。通过扫描二维码,患者或其家属可在患者入院前完成抑郁症风险测评,见图3。

图3 白内障患者抑郁症发生风险预警平台注:A、B分别为模拟低、高风险预警的结果;C为平台移动端二维码。

3 讨 论

3.1 白内障患者发生抑郁症的影响因素

3.1.1 低龄、女性白内障患者发生抑郁症的风险增加:有研究表明,年龄是影响白内障患者发生抑郁症的重要因素,相较于高龄患者而言,低龄患者更容易发生抑郁症[12-13]。本研究结果显示,与≥50岁的患者相比,<50岁的白内障患者发生抑郁症的风险更高,与上述研究结论一致。造成这一现象的原因可能是<50岁的患者往往需要承担更多来自生活的压力,这些负担和疾病本身造成了压力的堆积,最终导致患者发生抑郁症。本研究结果还显示,女性白内障患者发生抑郁症的风险高于男性,这与其他学者的研究结果[14-15]相似。上述结果提示,在白内障患者中抑郁症的发病人群呈低龄化趋势。因此,我们需要转变传统观念,给予50岁以下人群更多的关爱和心理疏导;对于女性白内障患者,我们需要做好及时的宣教工作和积极的心理护理指导,缓解其来自疾病本身、生活或精神上的压力,从而降低抑郁症的发生风险。

3.1.2 伴发并发症与视力受损的白内障患者发生抑郁症的风险增加:白内障并发症包括急性闭角型青光眼和过敏性葡萄膜炎,这些并发症一旦发生或加重会导致患者弱视甚至失明[16]。视力受损会致使患者视物模糊,使得其原本正常的工作和生活方式受到影响,并在一定程度上加重其心理负担[17]。本研究结果提示,伴发并发症与视力水平降低是影响白内障患者发生抑郁症的独立危险因素。考虑到并发症主要发生在老年患者,因此应在公益日积极进行白内障及其相关知识的科普宣传,以帮助老年人加深对白内障疾病的认知与理解,促进其在疾病的早期阶段积极就医,减少并发症的发生,减轻心理负担。

3.2 风险预警模型与风险预警平台的临床应用价值 本研究将随机森林模型筛选到的重要特征变量纳入多因素Logistic回归分析,这在一定程度保证了所构建的白内障患者抑郁症发生风险预警模型的准确性,提升了模型的应用效能和稳定性。最为重要的是,与传统白内障患者抑郁症发生风险评估方式相比,风险预警模型中的变量相对简洁,录入患者基本信息后即可直接获得相应变量的评分及风险概率。此外,针对这一模型所开发的风险预警平台还可以同步报告预警风险,极大地提升了评估效率,减少了护理人员的临床工作量。随着“互联网+”医疗护理模式的开展,患者的就诊和随访已变得极为便捷[18]。因此,本研究同时开发了预警平台的二维码,患者或其家属只需要在就诊前扫描二维码填写相关信息,即可自行评估患者的抑郁状态,并做出相应的就医决策。

3.3 研究局限性与前景展望 尽管本研究的风险预警模型具有良好的预测效能及稳定性,但是模型的实际应用价值仍然需要大量临床样本的检验。因此,我们将会在后期纳入前瞻性数据进行模型效能检验,并依据检验结果进一步优化模型。

3.4 小结 年龄、性别、入院时的视力水平、就诊陪护及白内障并发症是影响白内障患者发生抑郁症的独立危险因素,根据这些变量构建的白内障患者抑郁症发生风险预警模型具有较高的准确性,这保证了基于模型构建的预警平台同样具有稳健性,应用这一预警平台可以为识别抑郁症高风险的白内障患者及制订精准的心理护理治疗策略提供参考。