全身麻醉患儿苏醒期躁动列线图风险预测模型的构建

何若飞,陶品月,卢舒雨,潘 晓,王同婷,黄惠桥

广西医科大学第二附属医院,广西 530007

苏醒期躁动(emergence agitation,EA)是全身麻醉患儿苏醒期常见的不良行为[1]。EA表现为哭闹、手脚乱动、无法抚慰等[2],并与严重的不良反应有关,包括患儿非计划拔管、手术切口部位的裂开,加剧父母的焦虑和增加护理要求,严重影响患儿治疗及预后[3]。明确哪类患儿发生EA的风险最高,将使医护人员能够有效地应用多模式预防,以减少这一并发症的发生率。据研究报道,全身麻醉患儿术后EA的发生率为10%～50%[4]。各种因素包括患儿年龄、手术类型和麻醉技术,都被认为在EA的发展中发挥作用[5]。目前,国内针对患儿EA开展的研究主要集中于现状调查、影响因素或护理干预措施制定[6-8],尚缺乏全身麻醉患儿术后EA风险预测研究,而风险筛查是对高危患儿进行针对性预防和干预的依据。列线图对预测模型进行可视化展示,便于对病人进行评估。本研究针对全身麻醉患儿,构建EA列线图风险预测模型并评价其预测效能,为全身麻醉患儿术后EA的预防提供参考。

1 对象与方法

1.1 研究对象

便利抽样选取2018年1月—2021年11月某三级甲等医院接受全身麻醉手术且病历资料完整的患儿。纳入标准:1)患儿行全身麻醉;2)年龄3～12岁;3)美国麻醉师协会(American Society of Anesthesiologists,ASA)分级Ⅰ级、Ⅱ级;4)行腹股沟疝修补术、腺样体切除术和/或扁桃体切除术、单侧斜视手术、隐睾修复术、鼓膜造口术和其他小手术;5)择期手术患儿术后入麻醉恢复室;6)无精神疾病,无视听功能障碍患儿;7)患儿家属自愿参与本研究。排除标准:1)医生不同意患儿参与本研究;2)患儿参与了其他可能影响本研究的项目。

本研究基于文献回顾共纳入9个危险因素,根据样本量计算公式,每个自变量的事件发生数(event per variable,EPV)>4[9],通常取EPV≥5,以往研究中,患儿EA的发生率为10%～50%,加之30%样本流失的考虑,则本研究的样本量应为234例,最终本研究共纳入486例患儿。

1.2 评估工具

1.2.1 简化版改良耶鲁术前焦虑量表(modified Yale Preoperative Anxiety Scale-Short Form,mYPAS-SF)

该量表由Jenkins等[10]编制,用于评估患儿术前焦虑水平。该量表包括患儿活动、语言、情绪以及警觉状态共4个维度,18个条目。总分为23～100分,评分>30分则认为存在焦虑。经检验,该量表Cronbach′s α系数为0.85[11]。

1.2.2 Wong-Baker面部表情疼痛量表(Wong-Baker FACES Rating Scale)

该量表由Wong等[12]研制,用于评估3～12岁术后患儿疼痛情况[13]。根据患儿从微笑到哭泣6种面部表情进行疼痛评分,总分为0～10分。评分≥4分时判定为疼痛。该量表已经被证实具有良好的信度和效度[14]。

1.2.3 儿童麻醉苏醒期躁动量表(Pediatric Anesthesia Emergence Delirium,PAED)

该量表由Sikich等[15]编制,用于评估全身麻醉患儿术后躁动。包括患儿能与医护人员进行目光交流、患儿行为具有目的性、患儿对所处环境有意识、患儿焦躁程度、患儿无法安慰程度5个条目,每个条目按照Likert 5级评分,总分为0～20分;前3个条目从“没有”到“一直是”依次计4～0分,后2个条目反向赋分。得分越高代表躁动越严重,PAED得分>12分即可诊断为躁动[16]。

1.3 资料收集方法

本研究基于课题组前期Meta分析及专家函询筛选预测变量,采用自行设计的全身麻醉患儿躁动风险调查表,收集如下资料。1)人口学资料:性别、年龄。2)麻醉相关资料:七氟醚麻醉、ASA分级、麻醉时长。3)手术相关资料:手术类型、手术时长。资料收集方法通过医院信息系统(hospital information system,HIS)查阅病历、临床观察及测量。

1.4 统计学方法

采用SPSS 24.0和R 4.1.2进行统计分析,不符合正态分布的定性资料采用中位数和四分位数[M(P25,P75)]进行描述,采用Mann-WhitneyU检验;定性资料采用例数、百分比(%)表示,行χ2检验。通过单因素分析和Lasso回归筛选变量,采用二元Logistic回归建立模型。采用受试者操作特征曲线(receiver operating characteristic curve,ROC)下面积(AUC)、Hosmer-Lemeshow分别检验模型的区分度和拟合度,采用校准曲线评价模型的校准度。采用Bootstrap重抽样法进行内部验证,采用C指数评估模型的预测风险和实际风险的一致性。以P<0.05为差异有统计学意义。

2 结果

2.1 患儿一般资料

本研究最终纳入接受全身麻醉手术的患儿486例,其中男434例(89.3%),女52例(10.7%);年龄为8.00(6.00,10.00)岁;行包皮环切手术361例(74.3%),扁桃体切除术65例(13.4%),其他小手术60例(12.3%);发生EA的患儿162例(33.3%),未发生EA的患儿324例(66.7%)。两组患儿的一般资料比较见表1。

表1 患儿的一般资料比较

2.2 患儿术后发生EA的单因素分析及Lasso回归筛选变量

比较EA组和非EA组患儿相关资料,分析结果见表1。将各预测变量纳入Lasso回归,进一步筛选变量。Lasso回归具有变量筛选和处理共线性的功能,可简化模型。采用交叉验证法,找到一个保证模型在偏差和方差之间保持均衡恰当的参数(λ)即为最优,选择的过程见图1。结果显示,最优为0.028,共纳入年龄、术后疼痛、ASA分级、七氟醚麻醉和麻醉时间5个预测变量。性别、术前焦虑、手术类型和手术时间在模型中差异无统计学意义(P>0.05),根据精简原则,予以剔除。

图1 Lasso回归内部交叉验证图

2.3 患儿EA风险预测模型的构建

将Lasso回归筛选出来的5个自变量纳入Logistic回归分析。结果显示,年龄、术后疼痛、ASA分级、七氟醚麻醉和麻醉时间是全身麻醉患儿发生EA的影响因素,见表2。建立Logistic回归方程:P=1/(1+e-Y),e为自然对数的底数,Y=1.936-0.757×年龄+0.772×ASA分级+5.188×七氟醚麻醉+2.478×术后疼痛+0.010×麻醉时间。基于上述方程,将预测因子引入R软件绘制列线图,见图2。图中每个变量的线越长,对结果的影响越大;同一变量对应的分数越高的数值或分类,代表发生预测事件的可能性越高[17]。用列线图顶端的标尺量出每个因素的分值,把各个因素的分值相加后,总分对应的概率就是患儿发生EA的预测概率。

图2 全身麻醉患儿EA风险预测模型的列线图

表2 全身麻醉患儿术后发生EA的Logistic回归分析

2.4 患儿发生EA风险预测模型的预测效果

采用ROC曲线对模型的鉴别能力进行评估,AUC为0.847[95%CI(0.806,0.888)](见图3);Hosmer-Lemeshow检验P为0.367;校准曲线表示预测值与实际观测值的一致程度(见图4);Bootstrap方法对列线图模型进行内部验证的结果显示模型的C指数为0.847。

图3 预测患儿发生EA的ROC曲线

图4 校准曲线

3 讨论

3.1 全身麻醉患儿EA的相关因素分析

3.1.1 年龄小、术后镇痛不全的患儿易发生EA

本研究发现,患儿年龄越小,EA发生率越高,与刘克温等[18]研究结果一致。可能由于年龄较小的患儿神经系统发育尚不成熟,易受到麻醉药物的影响,及缺乏心理控制能力,从而导致患儿容易发生EA[19]。因此,医护人员术后应重点关注学龄前儿童,防止患儿因躁动而出现不良事件。本研究结果显示,术后镇痛不全是患儿EA的诱发因素,与既往研究[20]结果一致。因此,应加强全身麻醉患儿围术期的疼痛管理,根据具体情况在术后对患儿进行充分而合理的镇痛措施,并密切关注疗效及不良反应。此外,麻醉诱导时采取骶管阻滞、神经阻滞等方式,也可有效预防患儿术后疼痛[21]。一项研究显示,在手术结束时给予芬太尼能减少EA的发生[22]。

3.1.2 患儿EA与七氟醚麻醉、ASA分级有关

长期以来,挥发性麻醉药的使用与全身麻醉儿童的躁动高发有关[23]。七氟醚因诱导快、呼吸道刺激小等独特优势广泛应用于小儿麻醉[20]。研究显示,七氟醚导致患儿发生EA与术后快速觉醒有关[24],与本研究结果一致。相关研究显示,与咪达唑仑、瑞芬太尼、丙泊酚、氯胺酮和巴比妥类药物相比,使用七氟醚麻醉剂的患儿术后EA发生率更高[25]。为了减少挥发性麻醉剂的使用,已经进行了各种研究。一种方法是使用全静脉麻醉。当比较瑞芬太尼和丙泊酚静脉诱导和维持与七氟醚吸入诱导和维持时,接受斜视手术的患儿采用全静脉麻醉后EA的发生率较低[26]。因此,对于躁动风险较高的患儿,应大力考虑减少挥发性麻醉剂的使用,并支持使用全静脉麻醉。本研究结果显示,ASA评分为Ⅱ级的患儿发生EA的风险是Ⅰ级患儿的2.163倍(P<0.05)。提示患儿术前整体健康状况可能与EA有关。ASA分级被广泛应用于对病人术前身体状态进行风险评估,可以反映患儿的基本健康情况[27]。研究显示,电解质紊乱在EA患儿中也很常见[28]。因此,医护人员应关注患儿术后的代谢情况。麻醉时间以前较少被报告为EA的危险因素。据报道,复杂手术的EA风险高于简单手术[29]。在本研究中,麻醉时间被选为独立预测因素,即麻醉时间越长,患儿术后越易发生EA。可能是因为手术的难度和复杂性。

3.2 全身麻醉患儿EA风险预测模型预测效果较好

本研究通过多因素Logistic回归构建全身麻醉患儿EA风险预测模型,并采用列线图可视化展示,通过直观的图形来计算每个具体患儿EA的发生率,便于临床应用。经ROC曲线、校准曲线及Hosmer-Lemeshow检验,提示模型具有较好的区分度、校准度和拟合度。由于时间和人力限制,本研究未开展外部验证,但为检验模型的准确性,利用Bootstrap自助法进行了内部验证,本研究结果显示,C指数为0.847,即经内部数据验证,模型的预测风险和实际风险的一致性为84.7%。该模型包括年龄、术后疼痛、ASA分级、七氟醚麻醉和麻醉时间5个变量,各变量均易获得不会增加医护人员过多的工作量,具有临床易用性。该模型的建立有助于临床医护人员快速评估术后患儿EA风险,根据评估结果识别高危患儿,将EA的护理从减轻症状和促进康复,转变为实施预防性干预,有助于降低医疗资源投入、改善患儿预后[17]。此外,临床医护人员应根据自身临床经验,结合该模型进行综合筛查,减少漏诊患儿。

4 小结

本研究构建并验证了全身麻醉患儿EA风险预测模型,可用于预测儿童发生EA情况,医护人员可对高危患儿及时采取预防策略。本研究存在一定的局限性。虽然有报道称术中用药及不同的用药剂量也会影响EA的发生,但未能将其纳入研究进行分析。此外,应注意纳入标准,即没有智力低下、接受小手术的患儿。该研究模型可以应用于这些特定人群,因此需要进一步研究以确认其他人群的结果。