论文部分内容阅读
目的本研究旨基于生物-心理-社会医学模型,调查维持性血液透析患者认知衰弱现状及其风险因素,在此基础上,构建维持性血液透析患者认知衰弱风险预测模型并进行验证,从而为临床筛查认知衰弱高危人群提供工具、为采取针对性预防措施提供参考依据。这有助于降低维持性血液透析患者认知衰弱发生率,减轻其给患者带来的伤害。方法本研究为横断面研究,分为模型构建和模型验证两部分内容:1.维持性血液透析患者认知衰弱风险预测模型构建（1）数据收集:2021年11月至2022年5月,采用便利抽样法,从青岛市两家三级甲等综合医院五个血透中心,选取620名维持性血液透析患者作为研究对象,采用一般资料调查表、衰弱表型量表、简易精神状态检查量表、中文版病人感知赋权量表、多伦多述情障碍量表收集患者社会人口学和临床资料、评估患者是否发生认知衰弱以及健康赋权和述情障碍水平评分。（2）数据录入与分组:采用双人核对录入法,将所收集资料匿名化处理编码后录入Excel 2016中。在R软件4.2.0中,按照4:1的比例,将所收集数据随机分为训练集和验证集,分别用于模型构建与验证。（3）建模组描述性分析:将建模组数据导入Windows版IBM SPSS Statistics25.0中,对数据进行描述性分析:连续性计量资料若符合正态分布,用均数±标准差表示,若不符合正态分布,则用中位数和四分位数间距来表示;计数资料采用例数和百分比来表示。（4）变量筛选:在R软件4.2.0中,以维持性血液透析患者是否发生认知衰弱为因变量,以社会人口学和临床资料、健康赋权以及述情障碍水平为自变量,进行LASSO回归,初步筛选变量。然后在SPSS 25.0中,以维持性血液透析是否发生认知衰弱为因变量,以LASSO回归筛选出的变量为自变量,进行二元logistic回归分析,从而确定维持性血液透析患者认知衰弱风险因素。（5）列线图模型构建:在R软件4.2.0中,以二元logistic回归筛选出的风险因素为基础,利用“rms”程序包,构建维持性血液透析患者认知衰弱风险预测列线图模型。2.维持性血液透析患者认知衰弱风险预测模型验证（1）验证组描述性分析:将验证组数据导入Windows版IBM SPSS Statistics25.0中,对数据进行描述性分析:符合正态分布的连续性计量资料,用均数±标准差表示,不符合正态分布的连续性计量资料,用中位数和四分位数间距来表示;计数资料采用例数和百分比来表示。（2）建模组与验证组数据同质性检验:为了验证建模组与验证组数据之间是否存在差异,将验证组与建模组数据进行比较。连续性计量资料,若符合正态分布且满足方差齐,用t检验进行比较;符合正态分布但方差不齐,用近似t检验进行比较;不满足正态分布,用曼-惠特尼U检验进行比较。计数资料用卡方检验进行两组间差异比较。（3）模型验证:通过内部验证和外部验证,对模型区分度和校准度进行评价。区分度通过重复1000次bootstrap计算C-指数以及绘制受试者特征曲线（ROC）并计算曲线下面积（AUC）来验证;校准度通过绘制校准图进行验证。内部验证即使用建模组数据,计算模型C-指数、AUC和绘制校准曲线;外部验证即使用与建模组数据完全不同的验证组数据,计算模型C-指数、AUC和绘制校准曲线。为验证模型临床有效性,使用决策曲线分析进行评价。结果1.维持性血液透析患者认知衰弱风险预测模型构建（1）本研究共收集了620名维持性血液透析患者有效资料,分为建模组426名,验证组124名。建模组87名患者发生认知衰弱,发生率为17.5%。（2）建模组LASSO回归共筛选出8个有意义变量:健康赋权、述情障碍、年龄、学历、婚姻状况、照护者、透析龄和自我护理能力（P＜0.05）。（3）建模组二元logistic回归分析结果显示,健康赋权、述情障碍、年龄、学历、婚姻状况、透析龄是维持性血液透析患者认知衰弱的独立风险因素（P＜0.05）,以此为基础构建维持性血液透析患者认知衰弱风险预测列线图模型。2.维持性血液透析患者认知衰弱风险预测模型验证（1）验证组124名患者中,20名患者发生认知衰弱,发生率为16.1%。验证组与建模组数据之间不存在显著性差异（P＞0.05）,具有同质性。（2）建模组和验证组AUC分别为0.924（95%置信区间:0.889～0.960）和0.965（95%置信区间:0.935～0.996）,说明模型具有良好的区分度;建模组和验证组校准图拟合曲线与理想曲线吻合良好,说明模型具有良好的校准度;决策曲线显示在较大阈值范围内模型具有良好的净效益,说明模型具有临床有效性。结论1.维持性血液透析患者认知衰弱发生率较高,本研究共筛选出六个风险因素,分别是健康赋权、述情障碍、学历、年龄、婚姻状况和透析龄。2.在此基础上构建维持性血液透析患者认知衰弱风险预测列线图模型,此模型具有良好的拟合优度,训练集和验证集中AUC均＞0.900且拟合曲线与理想曲线吻合较好,说明模型具有良好的区分度和校准度,决策曲线分析显示模型具有良好的临床有效性。