老年髋部骨折患者术后肺炎稳健预测模型的开发与验证：整合衰弱、营养及综合风险评估

《Risk Management and Healthcare Policy》：Development and Validation of a Robust Prediction Model for Postoperative Pneumonia in Elderly Patients with Hip Fracture: Integrating Frailty, Nutrition, and Comprehensive Risk Assessment

　　

摘要目的 开发并严格验证一种用于预测老年髋部骨折患者术后肺炎（postoperative pneumonia，POP）的多变量预测模型。该模型整合了5项修订版衰弱指数（five-item modified frailty index，5?mFI）、老年营养风险指数（Geriatric Nutritional Risk Index，GNRI）及多种临床变量，并对模型性能进行全面评估。

摘要方法 研究人员开展了一项回顾性队列研究，纳入2183例年龄≥65岁的髋部骨折手术患者。候选预测因子包括合并症、实验室指标〔包括氧分压（partial pressure of oxygen，PO₂）、B型利钠肽（B-type natriuretic peptide，BNP）和GNRI〕以及5?mFI。研究采用多变量Logistic回归构建原始模型和扩展模型，后者进一步校正功能状态及围手术期因素。模型性能通过曲线下面积（area under the curve，AUC）、Bootstrap校正AUC、校准度及决策曲线分析进行评估。同时进行了事件发生时间分析和竞争风险分析，并与机器学习模型〔随机森林（Random Forest，RF）和XGBoost〕进行比较。

摘要结果 扩展Logistic回归模型识别出慢性阻塞性肺疾病（chronic obstructive pulmonary disease，COPD，优势比[odds ratio，OR]=2.60）、术后入住重症监护病房（intensive care unit，ICU，OR=2.72）、较低PO₂（OR=0.987）、较低GNRI（OR=0.871）、较高5?mFI（OR=1.94）以及较高BNP（OR=1.000）为独立预测因子。该模型表现出稳健的区分能力（AUC=0.781；Bootstrap校正AUC=0.773）、良好的校准度及临床实用性。竞争风险分析结果一致，多重插补缺失数据后结果仍保持稳健。机器学习模型同样证实GNRI和5?mFI为最重要预测因子，且判别能力相近，但存在校准不足〔XGBoost校正AUC=0.791〕。

摘要结论 研究人员开发并完成了一个整合衰弱、营养状态及关键临床变量的POP稳健预测模型，并完成内部验证。该模型具有较强且经验证的预测性能与临床应用价值，可作为老年髋部骨折患者术前风险分层的实用工具，以指导有针对性的预防措施。

该文发表于《Risk Management and Healthcare Policy》，聚焦老年髋部骨折患者术后肺炎（POP）的早期识别与风险分层。研究背景在于，随着全球人口老龄化加速，髋部骨折发病数持续增长，而手术虽是改善预后的核心治疗手段，但老年患者由于生理储备下降、衰弱状态加重及营养不足，术后并发症发生率明显升高。POP是其中常见且影响重大的并发症之一，不仅延缓康复、延长住院时间、增加医疗支出，还可能提高死亡风险。既往研究虽已提示年龄、性别、体重指数、合并症和部分生物标志物与POP相关，但对于如何将反映老年综合脆弱性的衰弱评估工具与营养风险指标整合进一个可操作、可验证、并具临床适用性的预测模型，证据仍然不足。因此，开展本研究的必要性在于：建立一个兼顾衰弱（frailty）、营养状态和传统临床危险因素的综合风险模型，为术前精准预防提供依据。

研究人员基于首都医科大学北京积水潭医院2019年1月至2020年12月的病历资料，纳入2183例年龄≥65岁的髋部骨折手术患者，构建并验证POP预测模型。研究表明，慢性阻塞性肺疾病（COPD）、术后重症监护病房（ICU）收治、较低氧分压（PO₂）、较低老年营养风险指数（GNRI）、较高5项修订版衰弱指数（5?mFI）及较高B型利钠肽（BNP）是POP的独立预测因子。扩展Logistic回归模型获得较好的判别能力和校准表现，且在竞争风险分析、多重插补敏感性分析及机器学习模型比较中均表现稳健。研究的重要意义在于，证实了将衰弱和营养指标纳入传统临床评估框架，能够形成更具整体性和可操作性的术前风险评估工具，从而支持高危患者的早期识别及定向干预。

研究所采用的主要关键技术方法包括：基于单中心回顾性队列的临床预测模型研究设计，样本来源于北京积水潭医院老年髋部骨折手术患者；应用多变量Logistic回归构建原始模型与扩展模型，并采用受试者工作特征曲线（ROC）下面积、Bootstrap重复抽样、校准曲线、Hosmer–Lemeshow拟合优度检验及决策曲线分析评价模型性能；使用链式方程多重插补（MICE）处理缺失数据；进一步采用Kaplan–Meier曲线、Cox比例风险模型和Fine–Gray竞争风险模型进行事件发生时间分析；并以随机森林（RF）和XGBoost开展机器学习比较及特征重要性分析。

在“Patient Demographics and Clinical Characteristics”部分，研究人员首先描述了总体队列特征与POP发生情况。2183例患者平均年龄80岁，女性占71.3%，术前独立生活者占75.6%，股骨颈骨折最常见，占55.1%。其中281例发生POP，发生率为12.9%。单因素分析显示，发生POP的患者年龄更大、BMI更低、男性比例更高，生活功能依赖程度更重。合并症方面，高血压、COPD、充血性心力衰竭和卒中在POP组更常见。围手术期方面，POP组ASA分级更高、术中失血更多、术后ICU监护比例更高、从骨折到手术的等待时间更长、术后住院时间也更长。实验室指标方面，POP组淋巴细胞计数、红细胞计数、血红蛋白、总蛋白、白蛋白和GNRI更低，而肌酐和BNP更高；动脉血气分析显示PO₂和SO₂更低；5?mFI评分显著更高。该部分结果说明，POP患者在基础体能、合并症负担、营养状态和呼吸循环储备方面均存在更明显的不利特征。

在“Multivariable Logistic Regression Models for Postoperative Pneumonia”部分，研究人员通过多变量Logistic回归识别POP独立预测因子，并构建两个模型。原始模型纳入COPD、术后ICU收治、PO₂、GNRI、5?mFI和BNP，结果显示六项变量均与POP独立相关。其中术后ICU收治和COPD效应最强，5?mFI每增加1分，POP发生优势明显升高，而GNRI升高则具有保护作用，较低PO₂与较高BNP也提示风险增大。随后，扩展模型进一步校正术前步行状态、保险类型、预防性抗菌药物使用时长、吸烟史和饮酒史等潜在混杂因素。校正后，六项核心预测因子的效应量和统计学显著性基本未变，提示模型结论具有稳健性，且并未因额外功能状态和围手术期管理变量而发生明显偏移。

在“Sensitivity Analysis for Missing Data”部分，研究人员针对缺失数据进行了敏感性分析。BNP缺失比例最高，为12.5%，其余变量缺失率均低于5%。研究采用链式方程多重插补法（MICE）构建20个完整数据集，并将扩展模型中的全部变量及结局变量纳入插补模型。合并分析后，COPD、术后ICU收治、PO₂、GNRI、5?mFI和BNP这六个核心预测因子仍然保持统计学显著性，其OR值及置信区间与完整病例分析高度一致。这表明，主要发现并未受到缺失数据机制的显著影响，模型稳定性较强。

在“Time-to-Event Analysis and Competing Risk Analysis”部分，研究人员从时间维度进一步验证预测因子的关联性。术后至POP诊断的中位时间为3.5天。Kaplan–Meier曲线显示，5?mFI≥2的患者POP累积发生率显著高于5?mFI<2的患者。多变量Cox比例风险模型表明，COPD、术后ICU收治、较低GNRI、较高5?mFI和较高BNP与随时间增加的POP风险显著相关。Fine–Gray竞争风险模型将院内死亡作为竞争事件纳入后，所得结果在方向和显著性上与Cox模型基本一致，仅多数因素的关联强度略有减弱。这说明，在考虑死亡这一竞争结局后，核心预测因子的作用依然成立，进一步增强了模型的可信度。

在“Comparison with Machine Learning Models and Comprehensive Performance Assessment”部分，研究人员将扩展Logistic回归模型与RF和XGBoost两种机器学习模型进行系统比较。各模型均采用扩展模型相同的预测变量集合，以保证比较公平。结果显示，原始Logistic回归模型AUC为0.777，扩展模型AUC为0.781；扩展模型在最佳截断值下具有78.3%的敏感度和63.5%的特异度。RF和XGBoost表观AUC略高，但经1000次Bootstrap校正后，各模型AUC均有轻度下降，扩展Logistic模型校正AUC为0.773，RF为0.785，XGBoost为0.791，总体提示判别能力相近且均较稳健。特征重要性分析进一步表明，GNRI、5?mFI和BNP在两种机器学习模型中均位列前三，和回归分析结果一致，说明营养状态、衰弱负担和心脏应激状态是POP风险评估中的核心信息。校准分析显示，扩展Logistic模型校准表现优异，校准截距接近0、斜率接近1，Hosmer–Lemeshow检验P=0.452；相比之下，RF和XGBoost存在不同程度的失校准。决策曲线分析则表明，在约10%至35%的决策阈值范围内，所有模型的净获益均优于“全部干预”或“全部不干预”策略，但没有某一模型表现出绝对优势。因此，从临床可解释性与校准稳定性角度看，扩展Logistic模型更适合作为实际应用工具。

讨论部分强调，该研究的临床价值在于以低成本、易获取的5?mFI和GNRI为核心，将衰弱和营养两个老年医学关键维度纳入POP预测。研究结果说明，传统的人口学特征并不足以完整解释POP风险，功能储备、营养不良、低氧状态及心肺负担同样关键。研究人员指出，5?mFI能够反映合并症与功能依赖带来的整体脆弱性，而GNRI能够补充急性营养不足所造成的免疫易损性，二者整合后可显著提升术前风险识别能力。文中还总结了模型在临床路径中的潜在应用方式，即在患者入院后系统计算5?mFI和GNRI，将患者分层为不同风险等级，并据此启动营养支持、呼吸康复和加强围手术期监测等预防性措施。与此同时，研究也明确了局限性，包括单中心回顾性设计可能存在选择偏倚和未测量混杂，模型仅完成内部验证、尚需外部验证，部分药物信息、手术细节和更精细功能评分缺失，以及模型主要面向术前应用、未纳入动态术后变量。

研究结论部分可译为：本研究开发并严格验证了一种用于老年髋部骨折患者术后肺炎（POP）的多变量预测模型。该模型稳健识别出慢性阻塞性肺疾病（COPD）、术后重症监护病房（ICU）收治、低氧血症（较低PaO₂）、营养状态（GNRI）、衰弱状态（5?mFI）及心脏应激（BNP）为关键独立预测因子。模型具有良好的内部验证性能（AUC=0.781），且Logistic回归、事件发生时间分析及机器学习分析结果相互一致，表明将衰弱和营养指标与核心临床标志物整合，可为风险评估提供更优基础。更重要的是，该模型为改进临床管理提供了直接路径。通过在患者入院时常规计算5?mFI和GNRI，可在术前将患者分层识别为不同风险等级，例如高风险患者可定义为5?mFI≥2且GNRI≤92，从而实现预防资源的定向配置。高风险个体可尽早接受规范化的术前营养优化和监督下的呼吸物理治疗。该工具超越了仅依赖人口学特征或缺乏老年综合评估的既有模型，为术前规划提供了更整体且更具可操作性的框架，其目标是减轻这一脆弱人群POP的疾病负担。