CN115565683A - 心脏大血管术后谵妄风险预测模型建立与验证方法 - Google Patents
心脏大血管术后谵妄风险预测模型建立与验证方法 Download PDFInfo
- Publication number
- CN115565683A CN115565683A CN202110747279.XA CN202110747279A CN115565683A CN 115565683 A CN115565683 A CN 115565683A CN 202110747279 A CN202110747279 A CN 202110747279A CN 115565683 A CN115565683 A CN 115565683A
- Authority
- CN
- China
- Prior art keywords
- delirium
- risk
- model
- factors
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 206010012218 Delirium Diseases 0.000 title claims abstract description 196
- 230000002980 postoperative effect Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013058 risk prediction model Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 55
- 230000000747 cardiac effect Effects 0.000 claims abstract description 35
- 238000011160 research Methods 0.000 claims abstract description 17
- 238000007631 vascular surgery Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 230000007717 exclusion Effects 0.000 claims abstract description 9
- 238000013480 data collection Methods 0.000 claims abstract description 8
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 210000004369 blood Anatomy 0.000 claims description 41
- 239000008280 blood Substances 0.000 claims description 41
- 238000001356 surgical procedure Methods 0.000 claims description 39
- 238000007477 logistic regression Methods 0.000 claims description 28
- DDRJAANPRJIHGJ-UHFFFAOYSA-N creatinine Chemical compound CN1CC(=O)NC1=N DDRJAANPRJIHGJ-UHFFFAOYSA-N 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 19
- 238000005399 mechanical ventilation Methods 0.000 claims description 18
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 claims description 17
- 229910052708 sodium Inorganic materials 0.000 claims description 17
- 239000011734 sodium Substances 0.000 claims description 17
- 238000011088 calibration curve Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 16
- 210000002966 serum Anatomy 0.000 claims description 15
- 102000007562 Serum Albumin Human genes 0.000 claims description 10
- 108010071390 Serum Albumin Proteins 0.000 claims description 10
- 238000008050 Total Bilirubin Reagent Methods 0.000 claims description 10
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 claims description 10
- 230000004872 arterial blood pressure Effects 0.000 claims description 10
- 229940109239 creatinine Drugs 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000009533 lab test Methods 0.000 claims description 4
- 102100036475 Alanine aminotransferase 1 Human genes 0.000 claims description 3
- 108010082126 Alanine transaminase Proteins 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005534 hematocrit Methods 0.000 claims description 3
- 210000000265 leukocyte Anatomy 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 11
- 238000012502 risk assessment Methods 0.000 abstract description 6
- 238000000556 factor analysis Methods 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000001154 acute effect Effects 0.000 description 5
- 238000007675 cardiac surgery Methods 0.000 description 5
- 230000000474 nursing effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 4
- 208000035475 disorder Diseases 0.000 description 4
- 230000002792 vascular Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 206010003658 Atrial Fibrillation Diseases 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 2
- 208000035965 Postoperative Complications Diseases 0.000 description 2
- 238000002679 ablation Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013130 cardiovascular surgery Methods 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 210000004351 coronary vessel Anatomy 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 201000010235 heart cancer Diseases 0.000 description 2
- 208000024348 heart neoplasm Diseases 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- BQJCRHHNABKAKU-KBQPJGBKSA-N morphine Chemical compound O([C@H]1[C@H](C=C[C@H]23)O)C4=C5[C@@]12CCN(C)[C@@H]3CC5=CC=C4O BQJCRHHNABKAKU-KBQPJGBKSA-N 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 208000007848 Alcoholism Diseases 0.000 description 1
- 206010002091 Anaesthesia Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 206010013654 Drug abuse Diseases 0.000 description 1
- 206010054805 Macroangiopathy Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010058046 Post procedural complication Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000037005 anaesthesia Effects 0.000 description 1
- 238000002399 angioplasty Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000002680 cardiopulmonary resuscitation Methods 0.000 description 1
- 206010008118 cerebral infarction Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229960005181 morphine Drugs 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000010972 statistical evaluation Methods 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 208000014221 sudden cardiac arrest Diseases 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/168—Evaluating attention deficit, hyperactivity
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Biophysics (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供了一种心脏大血管术后谵妄风险预测模型建立与验证方法，涉及谵妄照护技术领域，包括确定研究对象，来源、纳入标准和排除标准，估算并确定研究对象的样本量；确定预测因子，确定心脏大血管术后谵妄相关危险因素，包括术前因素、术中因素和术后因素；资料收集，根据预测因子设计资料收集表，收集符合纳入和排除标准的研究对象的资料；获得包含训练集和验证集的数据集；训练集中模型构建及内部评价；验证集中模型的外部评价等步骤。通过本发明，能获得心脏大血管术后谵妄发生的危险因素，构建了谵妄发生风险Nomogram模型并验证其预测效果，可提供一种个性化谵妄风险评估的可视化模型，为临床护理人员提供客观、规范、科学化的参考依据。
Description
技术领域
本发明涉及一种心脏大血管术后谵妄风险预测模型建立与验证方法，属于谵妄照护技术领域。
背景技术
随着心脏外科诊疗技术和重症学科支持技术的不断进步，越来越多的患者接受了心脏外科手术，谵妄作为手术后常见的并发症在心脏外科手术后尤为常见，其发生率可高达54.9％。谵妄(Delirium)是一种意识和注意力的障碍，伴有认知功能的改变或感知障碍，以急性起病和病情反复波动为特征，其临床特点是短时间内出现急性意识障碍和认知功能改变。
术后谵妄(Postoperative Delirium，POD)是指患者经历外科手术后出现的谵妄，是手术后常见的并发症，主要发生在术后1-3天。ICU意识模糊评估法(ConfusionAssessment Method for the Intensive Care Unit，CAM-ICU)用于评估ICU患者谵妄，包括意识状态的急性改变或反复波动、注意力不集中、意识水平的改变和思维紊乱四个核心症状。意识状态急性改变或反复波动，以及注意力障碍两项评估结果均阳性，加上意识水平改变或思维混乱任意一项阳性，即诊断为谵妄阳性。
心脏大血管术后并发谵妄会增加术后并发症发生率，使患者呼吸机脱机困难，或气管插管拔管后再插管，延长心脏大血管外科重症监护病房(Cardiovascular SurgeryIntensive Care Unit，CSICU)停留时间和术后住院时间，增加住院医疗费用，还可能导致患者出现长期认知功能障碍，严重者增加住院死亡率和出院后远期死亡率。术后谵妄的症状还可长期伴随患者，严重影响患者及其家庭，因此心脏大血管术后谵妄需要高度重视。
经研究显示，通过临床干预缩短谵妄的持续时间，并不能有效降低短期死亡率，因此，谵妄的预防是当前临床十分重要的研究课题。尚未有确切的证据证明，药物能够预防谵妄或改善谵妄患者的临床结局，故目前主要提倡采取非药物措施预防谵妄。因此，早期识别谵妄发生的高危人群并积极纠正可逆诱因显得尤为重要。有效预防和识别谵妄的关键是早期对谵妄的风险因素进行评估，并根据其对谵妄发生独立作用的大小，给予针对性的干预措施。由于患者个体差异，其谵妄发生风险不同。同时，谵妄的危险因素众多，且发病机制尚不明确，使其难以被发现和预测，这给心脏外科监护室的护理人员带来很大的困扰。
目前临床医护人员常基于经验评估谵妄风险，即根据自身经验和临床知识，从患者当前具体情境出发，综合考各种风险因素和其临床表现，判断ICU谵妄发生的风险程度。主观性较强、缺乏统一的判断标准，可能存在评定者偏倚较大等问题，如果医护人员存在谵妄知识的缺乏，加之年资偏低，可能风险预判能力不足，从而降低了评估结果的准确度，因此目前并不能准确、有效地进行谵妄的识别。
疾病风险预测模型最早被应用于心血管病研究领域，是以疾病的多风险因素为基础，按影响程度大小划分分值，利用数学公式计算某个人未来某种事件发生概率的一种统计性评估方式。通过建立统计学模型从而预测疾病发生的概率，主要用于预测危险因素对疾病发生的独立作用的大小。谵妄风险预测模型是一种客观有效的风险评估工具，可以提高医务人员的风险预警意识，尽早识别和筛查高危人群并采取相应的护理对策，从而减少谵妄带来的不良后果。而术后谵妄风险预测模型的建立，则为医护人员提供了准确客观的评估工具，使得医护人员可在患者术后进入CSICU治疗之初即开始有目的、有侧重地预防术后谵妄。
自1993年以来，国外已有数种风险预测模型用于评估院内患者谵妄发生的风险，大多适用于非重症患者。对于ICU患者，既往有荷兰学者Boogaard等构建的ICU患者谵妄预测模型(Prediction of Delirium in ICU Patients，PRE-DELRIC)，经大样本验证具有较好的鉴别效度(AUC＝0.77)和预测效能(灵敏度为70％)。Hanison等应用PRE-DELRIC对ICU患者进行谵妄风险分级评估，并对中、高危人群进行针对性预防措施，使谵妄的发生率减少了13％。但PRE-DELRIC模型主要基于欧美ICU患者人群构建，存在种族、治疗方式差异，纳入的预测因子如“24h内***使用剂量”，对国内外科ICU患者并不一定适用。Wassenaar等构建的早期谵妄风险预测模型(Early Prediction Model for Delirium in ICU Patients，E-PRE-DELIRIC)能在患者入ICU时即完成谵妄风险评定，但目前尚未普遍应用。2014年Krzych等建立了一种谵妄风险预测模型(Delirium Screening in Cardiac Surgery，DES-CARD)，是以要因计分为基础的CABG术后谵妄风险预测模型，包括术前模型和术后模型两部分。该研究中将试验组和验证组进行交叉验证及对风险因素进行赋值，最终按总分将研究对象分为低、中、高危组，术前模型特异度和灵敏度分别为92％和60％，术后模型特异度和灵敏度分别为93％和69％，但是该模型主要用于排除谵妄人群，而非对谵妄进行预测。
国内也有一些研究构建了谵妄的风险预测模型，但几乎都采用的是Logistic回归的方法筛选出谵妄的高危因素及高危因素的所患风险。邢焕民等使用Logistic回归的方法建立了ICU术后谵妄风险预测模型并利用ROC曲线下面积检验模型的预测效果，结果显示该模型具有较好的预测效果，但Logistic回归模型无法对谵妄进行定量评价。
发明内容
为了解决现有技术中存在的上述缺陷，本发明提供了一种心脏大血管术后谵妄风险预测模型建立与验证方法，获得心脏大血管术后谵妄发生的危险因素，构建谵妄发生风险Nomogram模型并验证其预测效果，提供一种个性化谵妄风险评估的可视化模型，为临床护理人员提供客观、规范、科学化的参考依据。
为了实现上述目的，本发明采取的技术方案如下：
一种心脏大血管术后谵妄风险预测模型建立与验证方法，包括
步骤1确定研究对象，确定研究对象的来源、纳入标准和排除标准，估算并确定研究对象的样本量；
步骤2确定预测因子，确定心脏大血管术后谵妄相关危险因素，包括术前因素、术中因素和术后因素；
步骤3资料收集，根据预测因子设计资料收集表，收集符合纳入和排除标准的研究对象的资料；
步骤4获得包含训练集和验证集的数据集；
步骤5训练集中模型构建及内部评价；
步骤6验证集中模型的外部评价。
进一步地，所述步骤5具体包括如下步骤：
步骤5.1用单因素筛选谵妄发生相关预测因子；
步骤5.2利用预测因子构建二元Logistic回归方程；
步骤5.3基于Logistic回归方程构建可视化谵妄风险Nomogram预测模型；
步骤5.4采用区分度和校准度对预测模型进行内部评价；
进一步地，所述步骤5.2中，将谵妄发生与否作为因变量，对筛选出的预测因子作为自变量进行赋值，然后对其进行Logistic回归分析。
进一步地，为保证模型具有较好的区分度，所述步骤5.4和步骤6中，所述区分度采用曲线下面积AUC进行评价，AUC的范围为0.5～1.0。
进一步地，为保证模型具有更好的区分度和校准度，所述步骤5.4和步骤6中，所述校准度采用校准曲线和拟合优度检验进行评价；在验证集中首先运用已经建立的模型来进行评分，再采用曲线下面积、校准曲线以及拟合优度检验评估该模型在验证集患者的准确性。
进一步地，为保证训练集和验证集的随机性，确保最终结果的准确性，所述步骤4中，在SPSS软件中运用随机数字生成器及选择个案功能中的近似法，将研究对象样本按5:5的比例分为训练集和验证集。
进一步地，所述步骤1中，鉴于多因素Logistics回归分析中样本量含量的确定应是阳性样本例数至少为分析因素的10-20倍，模型才稳定，且经单因素分析筛选实际能进入多因素Logistics回归分析的变量为4-5个，术后谵妄发生率大概为50％，因此估算样本量为(5×20)/50％，为200例，考虑到在资料收集过程中和数据录入过程中会有部分样本由于数据缺失等原因被剔除，故需适当增加预留20％的样本量，因此确定实际最终样本量为不少于240例。
进一步地，所述步骤3中，资料收集表的内容包括：一般资料：性别、年龄(周岁)、体质指数、血型、既往史；临床资料：手术类型、体外循环(CPB)时间、术中最低平均动脉压(MAP)、术中是否输注异体血、术后机械通气时间；实验室检验指标：白细胞(偏离正常值的最高或最低值)、红细胞比容(偏离正常值的最低值)、谷丙氨酸氨基转移酶(偏离正常值的最高值)、总胆红素(偏离正常值的最高值)、血清白蛋白(偏离正常值的最低值)、血清尿素氮(偏离正常值的最高值)、血肌酐(偏离正常值的最高值)、血清钠(偏离正常值的最高值)。
进一步地，所述步骤5.1中，与谵妄的发生有关的单因素包括年龄、手术类型、体外循环时间、术中最低平均动脉压、术中输异体血、术后机械通气时间、术后总胆红素、术后血清尿素氮、术后血肌酐、术后血钠值和术后血清白蛋白共11个，将以上单因素分析结果中有统计意义的变量作为自变量，将谵妄发生与否作为因变量，进行Logistic回归分析。
进一步地，所述步骤5.3中，基于年龄、体外循环时间、术后机械通气时间、术后血钠值四个独立危险因素构建Nomogram模型。
与现有技术相比，本发明能实现如下有益技术效果：
(1)通过本发明，能获得心脏大血管术后谵妄发生的危险因素，构建了谵妄发生风险Nomogram模型并验证其预测效果，可提供一种个性化谵妄风险评估的可视化模型，为临床护理人员提供客观、规范、科学化的参考依据。
(2)本发明通过曲线下面积(AUC)进行区分度的评价，验证了模型具有较好的区分度。校准度采用校准曲线和拟合优度检验进行评价，训练集拟合优度检验和验证集Hosmer-Lemeshow拟合优度检验均提示拟合度好，校准曲线显示模型的预测发生率和实际发生率的吻合程度较好，因此模型有较好的校准度。
(3)本发明构件的Nomogram模型相较于既往荷兰学者Boogaard等构建的ICU患者谵妄预测模型(PRE-DELRIC)Wassenaar等构建的早期谵妄风险预测模型(E-PRE-DELIRIC)更具专科性，也更适用于中国人群；相较于国内学者构建的冠状动脉旁路移植术后谵妄预测模型，适用范围更广，可评估所有心脏大血管术后患者的谵妄发生风险。
(4)本发明预测模型中独立危险因素方便获取，且采用Nomogram模型，能够能将复杂的统计模型的结果单一直观地表现出来，赋予终点事件的影响因素相应的分值，通过统计各因素的总分来计算终点事件的发生概率，使得医护人员可在患者术后进入CSICU治疗之初即可开始评估，运用图标式模型进行评估更简单易行，方便护理人员使用。
(5)运用本发明构建的Nomogram模型对心脏大血管手术后患者进行评分，计算出该患者发生谵妄的风险，实现个体化预测。
附图说明
图1为本实施例心脏大血管术后谵妄发生预测模型建立与验证技术路线图；
图2为纳入病例流程图；
图3为研究对象一般资料情况；
图4为训练集中两组年龄比较，非谵妄组：58.5±12.3周岁；谵妄组：61.1±9.9周岁，差异有统计学意义；
图5为训练集中谵妄发生与手术类型有关，瓣膜手术、主动脉手术、两种手术及以上者谵妄发生高于非谵妄，CABG、心脏肿瘤摘除、先心矫治者非谵妄发生高于谵妄；
图6为训练集中两组体外循环时间比较，非谵妄组：83.5±65.7分钟；谵妄组：114.8±77.5分钟，差异有统计学意义；
图7为训练集中两组术中最低平均动脉压比较，非谵妄组：42.8±11.3mmHg；谵妄组：39.3±10.8mmHg，差异有统计学意义；
图8为训练集中谵妄发生与术中输异体血有关，输异体血者谵妄发生高于非谵妄；
图9为训练集中两组术后机械通气时间比较，非谵妄组：21.8±18.1小时；谵妄组：45.2±99.4小时，差异有统计学意义；
图10为训练集中两组术后总胆红素比较，非谵妄组：23.9±13.3μmol/L；谵妄组：27.9±15.3μmol/L，差异有统计学意义；
图11为训练集中两组术后血清白蛋白比较，非谵妄组：32.3±6.1g/L；谵妄组：30.9±5.7g/L，差异有统计学意义；
图12训练集中两组术后血清尿素氮比较，其中非谵妄组：8.8±3.4mmol/L；谵妄组：9.7±3.6mmol/L，差异有统计学意义。
图13为训练集中两组术后血肌酐比较，其中非谵妄组：93.4±34.3μmol/L；谵妄组：110.6±46.7μmol/L，差异有统计学意义。
图14为训练集中两组术后血钠比较，非谵妄组：145.0±4.0mmol/L；谵妄组：147.2±4.3mmol/L，差异有统计学意义；
图15为心脏外科患者术后谵妄发生Logistic回归分析结果；
图16为心脏大血管术后谵妄发生风险的Nomogram模型；
图17为训练集中模型构建的ROC曲线；
图18为训练集中模型构建的校准曲线；
图19为验证集中模型验证的ROC曲线；
图20为验证集中模型验证的校准曲线；
图21为心脏大血管术后谵妄发生风险的Nomogram模型应用。
具体实施方式
为了使本发明的技术手段及其所能达到的技术效果，能够更清楚更完善的披露，兹提供了以下实施例，并结合附图作如下详细说明：
如图1所示，本实施例的一种心脏大血管术后谵妄风险预测模型建立与验证方法，包括如下步骤：
步骤1确定研究对象，确定研究对象的来源、纳入标准和排除标准，估算并确定研究对象的样本量；
本实施例回顾性收集心脏大血管术后患者714例，收集过程中因资料缺失被剔除21例，纳入693例，继续前瞻性收集心脏大血管术后患者145例，最终纳入838例，病例的收集按纳入流程图进行，如图2所示。
a.研究对象来源：本实施例收集了2017年1月至2020年6月在南通大学附属医院行心脏大血管手术后进入CSICU治疗的患者病历资料。
b.研究对象纳入标准：
(1)行心脏大血管手术后的患者；
(2)术后即进入CSICU继续治疗的患者；
(3)年龄≥18周岁；
c.研究对象排除标准
(1)术中出现过心搏骤停和/或心肺复苏等严重不良事件者；
(2)有酒精成瘾或药物滥用史；
(3)围手术期有神经***并发症，相关影像学检查(头部CT和/或头部核磁共振)证实有脑梗塞、脑出血的患者；
(4)既往有精神疾病史的患者；
(5)其他因素引起的术后意识障碍者；
(6)术后死亡者；
(7)大血管介入手术；
(8)再次住院或重新入住CSICU者。
d.谵妄诊断标准：本实施例的谵妄诊断标准采用美国Ely教授等设计的ICU患者意识模糊评估法(CAM-ICU)，CAM-ICU主要根据以下四点进行确诊：①急性发作、病程波动；②注意力不集中；③思维无序；④意识改变。如患者具备①和②的特征，再合并③和④中的任意1条即可确诊为谵妄。
e.样本量估算：一般认为多因素Logistics回归分析中样本量含量的确定应是阳性样本例数至少为分析因素的10-20倍，模型才稳定，且经单因素分析筛选实际能进入多因素Logistics回归分析的变量为4-5个，术后谵妄发生率大概为50％，因此估算样本量为(5×20)/50％，为200例，考虑到在资料收集过程中和数据录入过程中会有部分样本由于数据缺失等原因被剔除，故需适当增加预留20％的样本量。实际最终样本量为不少于240例。
步骤2确定预测因子，确定心脏大血管术后谵妄相关危险因素，包括术前因素、术中因素和术后因素；
步骤3资料收集，根据预测因子设计资料收集表，收集符合纳入和排除标准的研究对象的资料；资料收集表的内容包括：①一般资料：性别、年龄(周岁)、体质指数、血型、既往史。该部分数据从床旁交班单中获取。床旁交班单自2013年在本CSICU使用，研究对象的一般资料均有完整记录，病人转出或出院后有完整存档。②临床资料：手术类型、体外循环(CPB)时间、术中最低平均动脉压(MAP)、术中是否输注异体血、术后机械通气时间。其中术后机械通气时间从床旁交班单中获取，其他数据从手麻电子病历***中获取。③实验室检验指标：白细胞(偏离正常值的最高或最低值)、红细胞比容(偏离正常值的最低值)、谷丙氨酸氨基转移酶(偏离正常值的最高值)、总胆红素(偏离正常值的最高值)、血清白蛋白(偏离正常值的最低值)、血清尿素氮(偏离正常值的最高值)、血肌酐(偏离正常值的最高值)、血清钠(偏离正常值的最高值)。实验室检验指标会在患者术后入CSICU后24h内被采集，并存档于电子病历中。
一般资料中男性占比59.2％，女性占比40.8％；平均年龄为60.02±11.77周岁；其中谵妄患者405例，谵妄总发生率为48.3％。BMI均值为23.91±3.33；血型中A型血269例，占比32.1％，B型血236例，占比28.2％，AB型血87例，占比10.4％；O型血246例，占比29.4％；既往史中患高血压者占比最高，占45.9％，房颤者其次，占比22.7％；手术类型中，瓣膜置换或成形术和CABG所占比例较高，分别为48.4％和23.0％。如表1和图3所示，图3为研究对象一般资料情况，其中，谵妄:1＝否,2＝是；性别:1＝男,2＝女；血型:1＝A,2＝B,3＝AB,4＝O；高血压:1＝否,2＝是；糖尿病:1＝否,2＝是；脑卒中；1＝否,2＝是；房颤；1＝否,2＝是；恶性肿瘤；1＝否,2＝是；手术类型:1＝CABG,2＝瓣膜置换或成形,3＝主动脉置换或成形,4＝心脏肿瘤摘除,5＝先心矫治,6＝两种手术。
步骤4获得包含训练集和验证集的数据集；将收集到的资料数据核对无误后导入SPSS25.0进行数据分析。计量资料用均数、标准差或者中位数、四分位数间距表示；计数资料用频数、百分比表示。在SPSS中运用随机数字生成器及选择个案功能中的近似法将838例研究对象按5:5的比例分为训练集和验证集。
将838例患者随机分为训练集和验证集，其中训练集389例，谵妄患者190例，占比48.8％，验证集449例，谵妄患者215例，占比47.9％。两组各变量的组间比较均无统计学差异(P＞0.05)，显示训练集和验证集基线均衡可比(表1)。
表1训练集和验证集资料描述性分析
续表1
步骤5训练集中模型构建及内部评价；步骤5.1用单因素筛选谵妄发生相关预测因子，即用单因素分析筛选出具有统计学意义的心脏大血管术后谵妄发生的相关危险因素。单因素分析结果显示：一般资料中：年龄与谵妄的发生有关，t＝-2.296，P＝0.022，如表2和图4所示，图4为训练集中两组年龄比较，其中非谵妄组：58.5±12.3周岁；谵妄组：61.1±9.9周岁，差异有统计学意义。
表2训练集中非谵妄组和谵妄组单因素分析(一般资料)
术中因素中：手术类型(χ2＝17.479，P＝0.004)、体外循环时间(t＝-4.292，P＜0.001)、术中最低平均动脉压(t＝3.138，P＝0.002)、术中输异体血(χ2＝8.005，P＝0.005)与谵妄发生有关，如表3和图5至图8所示，图5为训练集中谵妄发生与手术类型有关图。其中瓣膜手术、主动脉手术、两种手术及以上者谵妄发生高于非谵妄，CABG、心脏肿瘤摘除、先心矫治者非谵妄发生高于谵妄。图6为训练集中两组体外循环时间比较。其中非谵妄组：83.5±65.7分钟；谵妄组：114.8±77.5分钟，差异有统计学意义。图7为训练集中两组术中最低平均动脉压比较，其中非谵妄组：42.8±11.3mmHg；谵妄组：39.3±10.8mmHg，差异有统计学意义。图8为训练集中谵妄发生与术中输异体血有关图，其中输异体血者谵妄发生高于非谵妄。
表3训练集中非谵妄组和谵妄组单因素分析(术中因素)
术后因素中：术后机械通气时间(t＝-3.193，P＝0.002)、术后总胆红素(t＝-2.713，P＝0.007)、术后血清尿素氮(t＝-2.680，P＝0.008)、术后血肌酐(t＝-4.106，P＜0.001)、术后血钠值(t＝-5.336，P＜0.001)、术后血清白蛋白(t＝2.201，P＝0.028)与谵妄的发生有关，如表4和图9至图14所示。
图9为训练集中两组术后机械通气时间比较，其中非谵妄组：21.8±18.1小时；谵妄组：45.2±99.4小时，差异有统计学意义。
图10为训练集中两组术后总胆红素比较，其中非谵妄组：23.9±13.3μmol/L；谵妄组：27.9±15.3μmol/L，差异有统计学意义。
图11为训练集中两组术后血清白蛋白比较，其中非谵妄组：32.3±6.1g/L；谵妄组：30.9±5.7g/L，差异有统计学意义。
图12训练集中两组术后血清尿素氮比较，其中非谵妄组：8.8±3.4mmol/L；谵妄组：9.7±3.6mmol/L，差异有统计学意义。
图13为训练集中两组术后血肌酐比较，其中非谵妄组：93.4±34.3mmol/L；谵妄组：110.6±46.7mmol/L，差异有统计学意义。
图14为训练集中两组术后血钠比较，其中非谵妄组：145.0±4.0mmol/L；谵妄组：147.2±4.3mmol/L，差异有统计学意义。
表4训练集中非谵妄组和谵妄组单因素分析(术后因素)
步骤5.2利用预测因子构建二元Logistic回归方程；将谵妄发生与否作为因变量，对筛选出的自变量进行赋值，然后对其进行Logistic回归分析。
经单因素分析后，本实施例共筛选出11个与谵妄有关的变量(P<0.05),将以上单因素分析结果中有统计意义的变量作为自变量，将谵妄发生与否作为因变量，进行Logistic回归分析，各自变量赋值(如表5)。
表5心脏大血管术后患者谵妄发生Logistic回归的影响因素及赋值
Logistic回归分析结果显示体外循环时间、术后血钠值、年龄、术后机械通气时间是谵妄发生的独立危险因素，决定系数R2为0.200，如表6和图15所示。图15心脏外科患者术后谵妄发生Logistic回归分析结果。
表6心脏外科患者术后谵妄发生Logistic回归分析结果
步骤5.3基于Logistic回归方程构建可视化谵妄风险Nomogram预测模型；将最终纳入Logistic回归方程中的变量引入R软件(4.0.3)，应用rms程序包建立Nomogram预测模型，以双侧P<0.05为差异有统计学意义。
本实施例基于年龄、体外循环时间、术后机械通气时间、术后血钠值四个独立危险因素构建了Nomogram模型，如图16所示，图16为心脏大血管术后谵妄发生风险的Nomogram模型。
步骤5.4采用区分度和校准度对模型进行内部评价：训练集中AUCROC＝0.712，95％CI：0.661-0.762，提示模型具有较好的区分度。经过Hosmer-Lemeshow拟合优度检验提示拟合度好(χ2＝6.200，P＝0.625)，校准曲线显示模型的预测发生率和实际发生率的吻合程度较好，说明模型有较好的校准度，如图17和图18所示，图17为训练集中模型构建的ROC曲线；图18为训练集中模型构建的校准曲线。
步骤6验证集中模型的外部评价；运用训练集中已经建立的模型，在验证集中进一步验证评价预测效能。验证集中ROC曲线如图19所示，曲线下面积AUC＝0.705，95％CI：0.657-0.752，提示模型具有较好的区分度。图20校准曲线显示模型的谵妄预测发生率和实际发生率的吻合程度较好，Hosmer-Lemeshow拟合优度检验提示拟合度好(χ2＝8.653，P＝0.372)，说明模型有较好的校准度。
区分度采用曲线下面积(AUC)进行评价，AUC的范围为0.5～1.0，AUC越接近1，说明模型的预测力越好，AUC为0.5提示模型无预测力，AUC＞0.7表示模型对终点事件发生与否的预测能力较好；校准度采用校准曲线和拟合优度检验进行评价；在验证集中首先运用已经建立的模型来进行评分，再采用曲线下面积、校准曲线以及拟合优度检验评估该模型在验证集患者的准确性。
本实施例得到以下结果：
1.本实施例共纳入838例研究对象，男性496例(59.2％)，女性342例(40.8％)，平均年龄为60.0±11.8周岁。其中谵妄患者405例，谵妄发生率为48.3％，随机分为训练集389例，验证集449例，训练集谵妄患者190例，占比48.8％，验证集谵妄患者215例，占比47.9％。两组各变量的组间比较均无统计学差异(P＞0.05)。
2.训练集中单因素分析结果显示：年龄(t＝-2.296，P＝0.022)、手术类型(χ2＝17.479，P＝0.004)、体外循环(CPB)时间(t＝-4.292，P＜0.001)、术中最低平均动脉压(MAP)(t＝3.138，P＝0.002)、术中输异体血(χ2＝8.005，P＝0.005)、术后机械通气时间(t＝-3.193，P＝0.002)、总胆红素(t＝-2.713，P＝0.007)、血清白蛋白(t＝2.201，P＝0.028)、血清尿素氮(t＝-2.680，P＝0.008)、血肌酐(t＝-4.106，P＜0.001)、血钠值(t＝-5.336，P＜0.001)在谵妄和非谵妄组中的差异有统计学意义。
3.训练集中危险因素的二元Logistic回归分析显示：体外循环时间(OR＝1.004，95％CI：1.001-1.008，P＝0.018)、血钠值(OR＝1.112，95％CI：1.049-1.178，P＜0.001)、年龄(OR＝1.027，95％CI：1.006-1.048，P＝0.011)、术后机械通气时间(OR＝1.019，95％CI：1.008-1.030，P＜0.001)是心脏大血管术后患者谵妄发生的独立危险因素。
4.训练集中基于Logistic回归分析建立了心脏大血管术后患者谵妄风险的Nomogram模型，内部验证结果显示：预测模型的区分度：AUCROC＝0.712，95％CI：0.661-0.762；Hosmer-Lemeshow拟合优度检验显示：模型的预测结果和实际状况的吻合程度较好(χ2＝6.200，P＝0.625)。
5.验证集中外部验证显示：区分度AUCROC＝0.705，95％CI：0.657-0.752；校准曲线谵妄预测值和实际值吻合程度高，Hosmer-Lemeshow拟合优度检验χ2＝8.653，P＝0.372。结果表明模型预测效果良好。
本实施例根据以上结果得到以下结论：
1.心脏大血管术后谵妄常见。年龄、手术类型、体外循环时间、术中最低平均动脉压、术中输异体血、术后机械通气时间、总胆红素、血清白蛋白、血清尿素氮、血肌酐、血钠值与其发生有关。
2.基于年龄、体外循环时间、机械通气时间、血钠值四个因素建立了心脏大血管术后患者谵妄发生风险Nomogram模型，此模型有较好的校准度和区分度。
3.护理人员可以运用此模型对心脏大血管手术患者进行谵妄个性化评估，筛选出谵妄发生的高危人群，尽早采取相关的干预措施，从一定程度上预防和减少谵妄的发生，最终改善心脏大血管术后患者预后，提高生存质量。
与现有技术相比，本实施例能实现如下有益技术效果：
1.通过本实施例，能获得心脏大血管术后谵妄发生的危险因素，构建了谵妄发生风险Nomogram模型并验证其预测效果，可提供一种个性化谵妄风险评估的可视化模型，为临床护理人员提供客观、规范、科学化的参考依据。
2.本实施例中采用曲线下面积(AUC)进行区分度的评价，区分度(Discrimination)是指模型的判别能力或排序能力，也就是将患者按照风险的大小进行排序的能力。指模型区分发生终点事件的个体与未发生终点事件的个体的能力，终点事件可以是发病、复发、死亡，并发症等。AUC的范围为0.5～1.0，AUC越接近1，说明模型的预测力越好，AUC为0.5提示模型无预测力，AUC＞0.7表示模型对终点事件发生与否的预测能力较好。本研究训练集中AUCROC＝0.712，95％CI：0.661-0.762，验证集中AUCROC＝0.705，95％CI：0.657-0.752，均提示模型具有较好的区分度。校准度采用校准曲线和拟合优度检验(P>0.2)进行评价，校准度(Calibration)是评估预测的概率与实际观察到的概率的一致性，其假设检验采用Hosmer-Lemeshow拟合优度检验，展现方式通常是校准度图，理想的状况下，校准度图是一条截距为0，斜率为1的一条直线。本实施例训练集Hosmer-Lemeshow拟合优度检验(χ2＝6.200，P＝0.625)，和验证集Hosmer-Lemeshow拟合优度检验(χ2＝8.653，P＝0.372)均提示拟合度好，校准曲线显示模型的预测发生率和实际发生率的吻合程度较好，说明模型有较好的校准度。
3.Nomogram模型相较于既往荷兰学者Boogaard等构建的ICU患者谵妄预测模型(PRE-DELRIC)Wassenaar等构建的早期谵妄风险预测模型(E-PRE-DELIRIC)更具专科性，也更适用于中国人群；相较于国内学者构建的冠状动脉旁路移植术后谵妄预测模型，适用范围更广，可评估所有心脏大血管术后患者的谵妄发生风险。本实施例的预测模型中独立危险因素方便获取，且采用Nomogram模型，能够能将复杂的统计模型的结果单一直观地表现出来，赋予终点事件的影响因素相应的分值，通过统计各因素的总分来计算终点事件的发生概率，使得医护人员可在患者术后进入CSICU治疗之初即可开始评估，运用图标式模型进行评估更简单易行，方便护理人员使用。
4.本实施例预测模型的使用将医护人员的视角由患者出现相关症状后才去干预，转为在患者进入CSICU之初即能评估和筛选出谵妄的高危人群，并尽早采取相应的干预措施和管理策略，从而减轻术后谵妄给患者带来的各种危害，减轻工作人员工作负荷，提高医疗资源利用率，减少非计划拔管、坠床等安全事件发生概率，缩短住院时间，促进康复，最终提高患者生存质量。
5.运用本实施例构建的Nomogram模型对心脏大血管手术后患者进行评分，计算出该患者发生谵妄的风险，实现个体化预测。例如：该患者年龄为70岁，从年龄评分轴该点向Point轴画垂直线，得出该病人相对应的分数为22分，同样的方法测得其他项目分值，体外循环时间为150分钟(得分＝10分)，术后血钠值为145mmol/L(得分＝25分)，术后机械通气时间为50小时(得分＝15分)，则列线图总得分＝22+10+25+15＝72分，对应的谵妄发生风险为0.72，即该患者有72％的风险发生谵妄(如图21)。风险越高的患者，越应引起医护人员的重视，积极地对患者进行干预。当患者24小时内不能撤离呼吸机，机械通气时间延长或血钠浓度出现变化时，医护人员应当动态评估，采取干预措施，减少伤害，以降低患者谵妄发生风险，改善预后。
以上内容是结合本发明的优选实施方式对所提供技术方案所作的进一步详细说明，不能认定本发明具体实施只局限于上述这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种心脏大血管术后谵妄风险预测模型建立与验证方法，其特征在于：包括
步骤1确定研究对象，确定研究对象的来源、纳入标准和排除标准，估算并确定研究对象的样本量；
步骤2确定预测因子，确定心脏大血管术后谵妄相关危险因素，包括术前因素、术中因素和术后因素；
步骤3资料收集，根据预测因子设计资料收集表，收集符合纳入和排除标准的研究对象的资料；
步骤4获得包含训练集和验证集的数据集；
步骤5训练集中模型构建及内部评价；
步骤6验证集中模型的外部评价。
2.如权利要求1所述的心脏大血管术后谵妄风险预测模型建立与验证方法，其特征在于：所述步骤5具体包括如下步骤：
步骤5.1用单因素筛选谵妄发生相关预测因子；
步骤5.2利用预测因子构建二元Logistic回归方程；
步骤5.3基于Logistic回归方程构建可视化谵妄风险Nomogram预测模型；
步骤5.4采用区分度和校准度对预测模型进行内部评价。
3.如权利要求2所述的心脏大血管术后谵妄风险预测模型建立与验证方法，其特征在于：所述步骤5.2中，将谵妄发生与否作为因变量，对筛选出的预测因子作为自变量进行赋值，然后对其进行Logistic回归分析。
4.如权利要求2所述的心脏大血管术后谵妄风险预测模型建立与验证方法，其特征在于：所述步骤5.4和步骤6中，所述区分度采用曲线下面积AUC进行评价，AUC的范围为0.5～1.0。
5.如权利要求2所述的心脏大血管术后谵妄风险预测模型建立与验证方法，其特征在于：所述步骤5.4和步骤6中，所述校准度采用校准曲线和拟合优度检验进行评价；在验证集中首先运用已经建立的模型来进行评分，再采用曲线下面积、校准曲线以及拟合优度检验评估该模型在验证集患者的准确性。
6.如权利要求1所述的心脏大血管术后谵妄风险预测模型建立与验证方法，其特征在于：所述步骤4中，在SPSS软件中运用随机数字生成器及选择个案功能中的近似法，将研究对象样本按5:5的比例分为训练集和验证集。
7.如权利要求1所述的心脏大血管术后谵妄风险预测模型建立与验证方法，其特征在于：所述步骤1中，确定实际最终样本量为不少于240例。
8.如权利要求1所述的心脏大血管术后谵妄风险预测模型建立与验证方法，其特征在于：所述步骤3中，资料收集表的内容包括一般资料：性别、年龄、体质指数、血型和既往史；临床资料：手术类型、体外循环时间、术中最低平均动脉压、术中是否输注异体血和术后机械通气时间；实验室检验指标：白细胞、红细胞比容、谷丙氨酸氨基转移酶、总胆红素、血清白蛋白、血清尿素氮、血肌酐和血清钠。
9.如权利要求8所述的心脏大血管术后谵妄风险预测模型建立与验证方法，其特征在于：所述步骤5.1中，与谵妄的发生有关的单因素包括年龄、手术类型、体外循环时间、术中最低平均动脉压、术中输异体血、术后机械通气时间、术后总胆红素、术后血清尿素氮、术后血肌酐、术后血钠值和术后血清白蛋白共11个，将以上单因素分析结果中有统计意义的变量作为自变量，将谵妄发生与否作为因变量，进行Logistic回归分析。
10.如权利要求9所述的心脏大血管术后谵妄风险预测模型建立与验证方法，其特征在于：所述步骤5.3中，基于年龄、体外循环时间、术后机械通气时间、术后血钠值四个独立危险因素构建Nomogram模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110747279.XA CN115565683A (zh) | 2021-07-02 | 2021-07-02 | 心脏大血管术后谵妄风险预测模型建立与验证方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110747279.XA CN115565683A (zh) | 2021-07-02 | 2021-07-02 | 心脏大血管术后谵妄风险预测模型建立与验证方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115565683A true CN115565683A (zh) | 2023-01-03 |
Family
ID=84737177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110747279.XA Withdrawn CN115565683A (zh) | 2021-07-02 | 2021-07-02 | 心脏大血管术后谵妄风险预测模型建立与验证方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115565683A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116168840A (zh) * | 2023-04-23 | 2023-05-26 | 北京大学人民医院 | 一种预测术后谵妄发生风险的方法、设备及*** |
| CN116313092A (zh) * | 2023-03-20 | 2023-06-23 | 上海市第六人民医院 | 一种高通量靶标代谢组学分析的术后谵妄预测***及方法 |
| CN117877663A (zh) * | 2024-03-12 | 2024-04-12 | 北京肿瘤医院(北京大学肿瘤医院) | 一种肺癌术后康复的方法及相关设备 |
-
2021
- 2021-07-02 CN CN202110747279.XA patent/CN115565683A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116313092A (zh) * | 2023-03-20 | 2023-06-23 | 上海市第六人民医院 | 一种高通量靶标代谢组学分析的术后谵妄预测***及方法 |
| CN116313092B (zh) * | 2023-03-20 | 2023-09-01 | 上海市第六人民医院 | 一种高通量靶标代谢组学分析的术后谵妄预测***及方法 |
| CN116168840A (zh) * | 2023-04-23 | 2023-05-26 | 北京大学人民医院 | 一种预测术后谵妄发生风险的方法、设备及*** |
| CN116168840B (zh) * | 2023-04-23 | 2023-12-22 | 北京大学人民医院 | 一种预测术后谵妄发生风险的方法、设备及*** |
| CN117877663A (zh) * | 2024-03-12 | 2024-04-12 | 北京肿瘤医院(北京大学肿瘤医院) | 一种肺癌术后康复的方法及相关设备 |
| CN117877663B (zh) * | 2024-03-12 | 2024-05-28 | 北京肿瘤医院(北京大学肿瘤医院) | 一种肺癌术后康复的方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Impact of coronavirus disease 2019 on pulmonary function in early convalescence phase | |
| CN115565683A (zh) | 心脏大血管术后谵妄风险预测模型建立与验证方法 | |
| Kline et al. | Comparison of the unstructured clinician estimate of pretest probability for pulmonary embolism to the Canadian score and the Charlotte rule: a prospective observational study | |
| Wang et al. | Health status and risk profiles for brain aging of rural‐dwelling older adults: data from the interdisciplinary baseline assessments in MIND‐China | |
| Enright et al. | Spirometry to detect and manage chronic obstructive pulmonary disease and asthma in the primary care setting | |
| Bhati et al. | Diagnostic performance of resting and post-exercise heart rate variability for detecting cardiac autonomic neuropathy in type 2 diabetes mellitus | |
| CN115240855A (zh) | 一种胃癌切除术后严重并发症护理风险预测模型及其构建方法 | |
| Lindbaek et al. | Predictors for the white coat effect in general practice patients with suspected and treated hypertension. | |
| Bhati et al. | Sleep duration is a significant predictor of cardiac autonomic neuropathy in type 2 diabetes mellitus | |
| Goddard et al. | Multiple Sleep Latency Test: when are 4 naps enough? | |
| Cui et al. | Dysfunction of the cardiac parasympathetic system in fatal familial insomnia: a heart rate variability study | |
| CN116646080A (zh) | 一种ET患者进展为post-ETMF的风险预测模型构建方法及*** | |
| KR101070122B1 (ko) | 심박변이도 측정 지표를 이용한 정신분열병 진단 장치 및 방법 | |
| Feasel et al. | Cardiopulmonary exercise testing using the modified Balke protocol in fully ambulatory people with multiple sclerosis | |
| Groff et al. | Clinical heterogeneity of a population of patients admitted to the Emergency Department with a diagnosis of COPD-exacerbation: Relevance of cardiovascular comorbidities | |
| Carosella et al. | Sleep apnea, hypoxia, and late-onset epilepsy: the Atherosclerosis Risk in Communities study | |
| Cazzola | Asthma control: evidence-based monitoring and the prevention of exacerbations | |
| Kuziemski et al. | Accuracy of spirometry performed by general practitioners and pneumonologists in the Pomeranian region in the ‘COPD Prevention’NHF programme | |
| Unurjargal et al. | [PS 03-13] HYPERTENSION AWARENESS, TREATMENT AND CONTROL IN MONGOLIA | |
| Dehne et al. | Serum creatinine and perioperative outcome–a matched-pairs approach using computerised anaesthesia records | |
| Rosloniec et al. | Do claudicants underestimate their walking distance? | |
| Katz et al. | 0713 Longitudinal Sleep Position Patterns and Breathing Parameters in Pregnancy | |
| Ishikura et al. | DO POSTMENOPAUSAL WOMEN WITH INSOMNIA AND OBSTRUCTIVE SLEEP APNEA HAVE DETERIORATION IN SEXUAL FUNCTION? | |
| Gao | Physiological Biomarkers for the Prediction of Delirium | |
| Saejong et al. | Validity and reliability assessment of the Siriraj Asthma Control Questionnaire |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230103 |
|
| WW01 | Invention patent application withdrawn after publication |