甲状腺术后恶心呕吐风险分析及列线图模型建立

赵璇 霍建平 尚游 (锦州医科大学附属第一医院 麻醉科，辽宁 锦州 00；普外科)

据报道，普外科术后恶心呕吐(PONV)发生率达20%～30%，在未给任何预防措施的情况下可达70%～80%〔1〕。甲状腺手术因其特殊的体位等原因导致其具有较高的PONV发生率〔2〕。PONV会严重影响患者围术期恢复，对患者身心造成巨大影响，甚至会因呕吐导致误吸、刀口裂开，术区出血等严重并发症〔3〕。因此，对甲状腺PONV的防治工作显得尤为重要。目前相关研究多侧重于影响因素分析如患者性别、PONV史或晕动病史、吸烟史、麻醉因素等〔4〕，而针对甲状腺PONV定量化的预测模型在国内仍鲜有研究。列线图是一种直观、可视化的风险预测图形，近年来其在医学上的应用越来越广泛。本研究旨在探究甲状腺PONV发生的独立危险因素，并以此来构建列线图，以期为临床医生提供一种直观的甲状腺PONV预测模型。

1 资料与方法

1.1一般资料 选取锦州医科大学附属第一医院普外科甲状腺病区2020年1月至2021年5月由同一术者实施的甲状腺手术患者125例。年龄41～72岁，平均(57.32±12.31)岁，美国麻醉医师协会(ASA)分级Ⅰ～Ⅱ级。所有患者无肠梗阻、妊娠等由自身原因带来的可能导致恶心呕吐的因素。统计患者性别、年龄、吸烟史、是否超重、晕动病史、PONV史、麻醉时长、托烷司琼、地塞米松、阿片类药物及麻醉方式共11项指标。记录患者术后24 h PONV情况，随后进行回归分析。

1.2统计分析 采用SPSS22.0软件进行Logistic回归分析。使用SPSS分析各条受试者工作特征(ROC)曲线有无统计学意义，将有意义的曲线通过Medcalc软件进行绘制，并比较各曲线之间有无统计学差异，同时得到最优曲线的最大约登指数、最佳截点，计算敏感度、特异度。通过R语言绘制预测PONV列线图模型，使用Bootstrap法进行内部验证，计算C-指数分析模型区分度，绘制Calibration曲线验证模型一致性，最后通过决策曲线分析(DCA)确定模型的临床使用范围。

2 结 果

2.1单因素回归分析 性别、吸烟史、PONV史、麻醉方式差异有统计学意义(P<0.05)。见表1。

2.2多因素回归分析 将单因素Logistic回归分析中P<0.1的5个因素(性别、吸烟史、PONV史、地塞米松和麻醉方式)作为自变量，PONV的发生作为因变量，进行向前法(LR)多因素Logistic回归分析。检验水准α=0.05。多因素回归分析结果显示，无吸烟史、有PONV史、不使用地塞米松和静吸复合麻醉(CIIA)方式为甲状腺PONV发生的独立危险因素。见表2。

表1 甲状腺PONV发生单因素回归分析

表2 甲状腺PONV发生多因素回归分析

2.3建立模式 通过多因素Logistic回归分析得到的4个独立危险因素，建立回归模型方程：P=1/e(3.518-2.838×PONV史-1.096×静吸复合-1.230×不使用地塞米松-1.700×无吸烟史)+1〕。用该模型计算出的概率预测值作为联合预测因子绘制ROC曲线，得到曲线下面积为0.787，最大约登指数0.459，最佳截点0.357；灵敏度69.23%，特异度76.71%。因为女性被广泛认为是PONV发生的独立危险因素〔5〕，但由于本模型中女性和吸烟史存在共线性而被掩盖，但并不代表女性对PONV的发生无意义。因此本研究分析了结合女性、PONV史、不使用地塞米松及静吸复合4个因素共同作用时(将吸烟史强制移出多因素Logistic回归分析)的回归分析模型，得到回归方程为P=1/〔e(3.020-2.833×PONV×史-1.087×静吸复合-1.132×不使用地塞米松-1.234×性别女)+1〕，同理绘制ROC曲线，曲线下面积为0.766，最大约登指数0.394，最佳截点0.342；灵敏度65.38%，特异度73.97%。此外，我们将无吸烟史，性别女，静吸复合3项因素(PONV史及不使用地塞米松两个因素在ROC分析中无意义，P>0.05)单独作为预测因素绘制ROC曲线。将5条ROC曲线放入同一个ROC曲线图中，无吸烟史联合预测模型的效果最好，曲线下面积最大。通过Medcalc软件分析，该模型与无吸烟史、性别女、静吸复合3个单独模型预测相比有显著优势(P<0.05)，但与性别女联合预测模型相比无统计学差异(P>0.05)。见图1。

2.4预测模型 采用无吸烟史联合预测模型来作为本次研究的最终预测模型。根据该模型中的独立危险因素，构建甲状腺PONV发生的列线图(图2)。可以根据此图计算出每例患者PONV发生的概率。同时使用Bootstrap法(B=1000)对该列线图进行内部验证。得到C指数为0.786 7(95%CI0.710 5～0.863 0)，说明该列线图模型区分度良好。通过绘制Calibration曲线，可观察到模拟曲线与实际曲线拟合度高，说明该列线图模型一致性良好(图3)。

图1 ROC曲线

图2 列线图

图3 Calibration校正曲线

为了验证该列线图的临床应用效能，使用决策曲线分析(DCA)进行评价(图4)。由DCA图及数据分析可以得到，当甲状腺PONV发生率在2%～94%范围时该列线图具有临床使用价值。

图4 DCA曲线

3 讨 论

本研究结果显示，甲状腺PONV发生率为41.6%。无吸烟史、有PONV史、静吸复合麻醉和不使用地塞米松是PONV发生的独立危险因素，模型预测准确率为73.6%。Apfel等〔6〕研究表明，影响PONV发生的相关因素为女性患者、PONV史、无吸烟史、晕动病史、使用阿片类止疼药物。既往2014年PONV指南和2020年PONV指南均根据这项研究提出了系统的降低PONV方案。同时2020版指南将年轻患者(<50岁)加入PONV发生的危险因素基线当中，并指出应根据患者不同情况采取相应的防治措施〔5〕。本研究对于无吸烟史和有PONV史能够增加PONV发生率与Apfel等〔6〕研究一致。但对于女性、晕动病史、是否使用阿片类药物等因素在多因素回归分析中呈现阴性结果。本研究通过单因素回归分析发现女性是PONV发生的危险因素，与Apfel等〔6〕研究结果一致。但在加入多因素回归分析后失去了影响价值，可能是本研究中女性患者吸烟率明显低于男性，二者存在的多重共线性导致其作用被吸烟史所遮掩。有报告指出我国15岁以上的人群吸烟率达到26.6%，其中男性为50.5%，女性为2.1%〔7〕，可见我国男女吸烟比例差异巨大，这一国情能够解释本研究中性别和吸烟史的多重共线性问题。但女性在多因素回归分析中阴性并不意味着可以忽视性别对PONV的影响，只能说明吸烟史更加适合本次研究模型。

本研究还发现全凭静脉麻醉方式及地塞米松的使用是降低PONV发生的独立影响因素。在2020版指南中，丙泊酚麻醉、使用地塞米松被作为预防PONV发生的处理措施〔5〕。有研究表明麻醉方式及吸入麻醉药物对 PONV的发生有显著影响〔8〕。高艳等〔9〕研究发现丙泊酚麻醉术后头晕、恶心呕吐等发生率明显低于七氟烷组。这可能与七氟烷对脑血流及颅内压的增加效应有关。尚有研究表明，丙泊酚可抑制呕吐中枢，可对皮层下结构及通路的调节起止吐的作用〔10〕。研究表明，地塞米松可有效预防PONV等症状的发生〔11〕。地塞米松属于肾上腺皮质激素，其抗呕吐机制尚未明确，大多认为与其对孤束核两侧的糖皮质激素受体作用相关，进而起到中枢性抗呕吐的效果。此外，地塞米松抑制5-羟色胺的产生和释放被认为与PONV发生密切相关〔12〕。同时本研究还发现，地塞米松在单因素回归分析中无意义，但在多因素回归分析中有统计学意义。首先，单因素回归分析中无意义可能与样本量较小有关，增大样本量或许能够解决这个问题；其次，多因素回归分析模型中的其他因素可能作为混杂因素对地塞米松的作用进行了调整，进而使其在多因素回归模型中具有意义。

列线图又称为诺莫图，是一种可以使用二维图像进行非精准计算的工具。该图最初是用来为工程师提供复杂公式的快速图形计算。列线图被应用于各个领域，近年来其在医学领域的应用尤为瞩目〔13〕。

本研究的创新点是将麻醉因素纳入到了回归分析中，这在之前的研究中比较少见。同时本研究阐述了性别和吸烟史在多因素回归分析中可能存在的多重共线性问题，且通过使用Medcalc软件比较了无吸烟史联合预测模型与性别女联合模型之间的差异。同时针对甲状腺PONV的列线图模型构建国内尚数少见。本研究尚存在一些不足，如由于样本量可能偏小，对于超重、阿片类药物等结果分析可能存在偏倚。对于晕动病史的采集可能无法达到非常精准，这部分数据得出的结论可能不够准确。

综上，无吸烟史、有PONV史、使用静吸复合麻醉、不使用地塞米松是甲状腺PONV发生的独立危险因素。使用这4个因素绘制的列线图模型能够快速、方便地帮助临床医师计算出甲状腺PONV发生的概率，以便迅速甄别出PONV高风险人群并采取积极的防治措施。