论文部分内容阅读
目的:探索下肢深静脉血栓(DVT)患者发生血栓后综合征(PTS)的危险因素,建立DVT患者发生PTS的预测模型及风险评分,为患者提供个体化的预后信息。方法:采用回顾性队列研究方法。收集2016年6月至2017年12月期间在山西白求恩医院血管外科住院治疗的下肢DVT患者的住院信息,随访其PTS的发生情况。将研究对象按照2:1的比例,随机分为训练集和验证集。训练集用于预测模型及风险评分的建立与评价,验证集用于对预测模型及风险评分进行内部验证。多因素分析方法采用Logistic回归分析,建立预测模型及衍生的风险评分。预测模型及风险评分的校准度通过校准图和Hosmer-Lemeshow拟合优度检验的P值进行评价;区分度通过ROC曲线和ROC曲线下面积(AUC)进行评价。同一数据集中预测模型与风险评分区分度的比较通过Wilcoxon符号秩检验进行。不同数据集中预测模型/风险评分区分度的比较通过Mann-Whitney U检验进行。结果:1.808例患者纳入分析。除风湿免疫病、活动性癌症、凝血酶时间(TT)在两数据集中的分布差异有统计学意义外,其余各临床变量在两组数据集中的分布差异无统计学意义。2.训练集中Logistic回归结果显示BMI>27.43Kg/㎡(OR=1.983;95%CI:1.080~3.640;P=0.027)、髂股静脉血栓(OR=3.621;95%CI:1.988~6.595;P<0.001)、活动性癌症(OR=4.250;95%CI:2.003~9.021;P<0.001)、DVT病史(OR=3.509;95%CI:1.597~7.711;P<0.001)、无短暂危险因素(OR=2.216;95%CI:1.229~3.996;P=0.008)、静脉曲张(OR=3.617;95%CI:1.860~7.032;P<0.001)、无弹力支持(OR=2.324;95%CI:1.335~4.043;P=0.003)是DVT患者发展为PTS患者的独立危险因素。预测模型的AUC为0.785(95%CI:0.728~0.842),P<0.001,模型的判别能力良好;预测模型的Hosmer-Lemeshow拟合优度检验结果显示P=0.535>0.05,模型的拟合效果良好。3.根据模型中各变量的回归系数β值进行赋值,建立风险评分系统,总分为0-11分。其中BMI>27.43Kg/㎡赋值1分;髂股静脉血栓赋值2分;活动性癌症赋值2分;DVT病史赋值2分;无短暂危险因素赋值1分;静脉曲张赋值1分;无弹力支持赋值1分。风险评分以总分4分作为截断值,AUC为0.789(95%CI:0.682~0.775),P<0.001,风险评分的判别能力良好。训练集中预测模型和风险评分ROC曲线下面积的Wilcoxon符号秩检验结果显示P=0.4497>0.05,预测模型和风险评分区分度的差异无统计学意义。4.验证集中预测模型的AUC为0.789(95%CI:0.716~0.862),P<0.001,模型的判别能力良好;Hosmer-Lemeshow拟合优度检验结果显示P=0.591>0.05,模型的拟合效果良好;验证集中风险评分的AUC为0.804(95%CI:0.734~0.874),P<0.001,风险评分的判别能力良好。验证集中预测模型与风险评分ROC曲线下面积的Wilcoxon符号秩检验结果显示P=0.0631>0.05,预测模型和风险评分区分度的差异无统计学意义。5.预测模型在训练集和验证集中的ROC曲线下面积的Mann-Whitney U检验结果显示P=0.217>0.05,预测模型在两个数据集中的区分度差异无统计学意义;风险评分在训练集和验证集中的ROC曲线下面积的Mann-Whitney U检验结果显示P=0.237>0.05,风险评分在两个数据集中的区分度差异无统计学意义。结论:该预测模型和风险评分可以帮助临床医生在DVT患者中识别可能会发生PTS的高危人群,进而对其进行密切监测或采取积极的治疗策略。但是将该风险评分应用于临床之前,仍然需要进行外部验证。