【麻海新知】大手术后重度疼痛的预测：一项基于围术期质量改进计划(PQIP)数据集的二次分析

急性疼痛是术后常见症状，高达47.2%的患者在手术后24小时内出现重度疼痛。疼痛往往会给患者带来负面体验，增加呼吸或心脏相关并发症、延长住院时间、限制或延迟患者恢复正常活动，也与术后慢性疼痛的发展相关。

疼痛发生的潜在风险因素涉及患者、麻醉和手术等方面，因此识别术后疼痛高风险的患者颇具挑战。通过高效便捷的方式识别这类患者，先发制人地采取整体管理措施，有针对性的干预，或许可降低急慢性疼痛相关的术后发病率，防止疼痛的发展加剧。来自英国的研究者尝试开发并验证一种预测模型，旨在前瞻性地识别大手术后有重度疼痛风险的患者。他们分析了英国围术期质量改进计划（PQIP）的数据，主要通过术前变量预测患者术后第1天发生重度疼痛的概率，并进一步附加了术中变量以提高模型的临床效用。相关研究结果发表于2023年3月的Anaesthesia。

方法  

研究者对PQIP数据集中2016年12月至2020年6月手术的匿名患者数据进行了二次分析。

候选解释变量是根据临床原则和既往发表的病例系列从PQIP数据集中选择的。初步模型的开发仅使用了术前变量。某个变量有超过10%的患者遗漏时将被忽略，其中包含了阿片类药物基线使用情况，鉴于该变量的重要性，研究者对患者亚组进行了次级分析，并增加了围术期(术中和术后24小时)变量。

使用向后步进选择的方式对整个样本进行logistic回归分析。对于初步分析，术前变量仅限于整个纳入期内存在的变量(即不包括基线阿片类药物使用)。次级分析包括:具有基线阿片类药物数据的患者子集；外科专业亚组；其他术中和术后变量。

Logistic回归模型的输出是基于模型中包含的预测因子的值，使特定个体发生结果的概率，使用c统计量表示区分度评估模型性能。c统计量为0.5代表完全不一致，表明该模型没有预测效果，而1.0代表完全一致，表明模型预测结果与实际完全一致；0.5-0.7被认为区分度较低，0.7以上区分度尚可接受，0.8以上区分度较高，0.9以上区分度非常显著。

校准度的评估是通过将预测值与预测范围内的观测值进行对比，计算平均预测误差，并进行Hosmer Lemeshow拟合优度检验(p值越大，表明预测值与数据之间无显著差异，即拟合度良好)。

使用自举重采样法进行区分度和校准度的内部验证，以提供最优校正结果。决策曲线用于描述和比较在不同阈值下使用每种模型的临床意义，根据约登指数计算出最佳阈值。

结果

该数据集包含27843例患者的记录，其中20125例患者(72.3%)有术后第1天严重疼痛的主要结果。在剔除各类缺失数据后，最终有17079名接受大手术的患者的数据被纳入分析，其中有3140名患者报告了重度疼痛(18.4%)。

初步分析基于整个研究期限内的术前变量开发了预测模型。最终模型从37个潜在变量中筛选出25个，这些变量通过向后步进法被纳入或删除(表1)。模型的全部参数如表2所述。

表1 主要模型中纳入和删除的变量

表2 向后步进法筛选所得的主要模型的全部参数。（连续性变量采用限制性立方样条建立模型，含有多个OR值，分别以’到’’’标注）

反映模型区分度的的c统计量为0.68 (95%CI 0.67-0.69)。内部验证后的最优校正结果为0.66，提示过拟合程度较低；在预测值的范围内具有较好的校准度(MAE 0.005; χ2  6.68, p = 0.35)，但在区间的末端有过度预测的风险倾向(图1a)。决策曲线分析显示，预测重度疼痛概率为50%的阈值与不治疗类似，而10%或更低的阈值相当于治疗所有人。当阈值在20% - 30%时，该模型的潜在净获益潜达到最大(图1b)。根据约登指数，最佳阈值略低于18%。

图1 （a）校准曲线图显示了原始曲线（…）、校正曲线(—)和参考曲线（- - -）；（b）决策曲线图显示了不同情况下的净获益：全部干预（—）、不干预（—）和基于主要模型最优校正的预测概率（—）。

由6388例患者构成的亚组记录了术前阿片类药物的使用情况。该组患者重度疼痛的发生率与整个队列相似(1149，18.0%)，但根据阿片类药物的使用与否有所不同：服用阿片类药物的患者为195/746 (26.1%)，而未服用阿片类药物的患者为954/5642(16.9%)(p < 0.001)。在运用logistic回归建立模型，向后步进筛选发现，阿片类变量未被纳入，表明该变量并未增加模型的预测能力。虽然该模型的区分度的表现有所提高（c-统计量为0.69），但内部验证显示出了更高程度的过拟合。最优校正的表现并不比原始模型好(c-统计量0.66)，校准度也更差(MAE 0.011; χ2 8.23, p = 0.41)。

最主要的手术类型是结肠直肠手术，63.1%的患者接受了腹部手术。对于不同的手术，模型的预测能力大致相似。对妇科患者的区分度最高，但校准度较差。

纳入初步分析的患者都有术中、恢复期和术后24小时的数据，研究者附加这些数据后建立了另外一个logistic回归模型。向后步进选择得出的最终模型包括与初始模型相同的术前变量，且增加了几个围术期麻醉和手术相关的因素。全模型的结果提示，可使重度疼痛风险增加的预测因素还包括恢复期的重度疼痛（OR(95% CI)1.97[1.60–2.41]，p<0.001）和胸部切口（OR 1.39[1.10–1.74]，p<0.01）；可使风险降低的预测因素纳入了麻醉类型（全麻OR 0.56[0.45–0.70]，p < 0.001；硬膜外OR 0.74[0.66–0.84]，p < 0.001；腰麻OR 0.86[0.77–0.95]，p < 0.01）；恢复期无重度疼痛（OR 0.68[0.57–0.82]，p < 0.001）；鼻胃管留置（OR 0.75[0.65–0.87]，p < 0.001）和24小时内活动（OR 0.71[0.64–0.79]，p < 0.001）与进食（OR 0.76[0.68–0.85]，p<0.001）。

将上述模型与原始模型进行比较后发现，二者的校准度是相似的(χ2 11.16，p=0.19，MAE 0.006)和优化校正后的区分度得到改善（c统计量0.7），同时Brier评分降低(0.140至0.135)。决策曲线分析显示，在概率范围内净获益增加，但为能解释做出决策的时间点间的差异。

结论   

研究发现，术前变量本身不足以充分预测术后疼痛，还需要增加围术期的协变量提高所得模型的预测能力，需进一步探索可能改善预测效果的其他因素，并评估该工具如何应用于临床实践。

麻海新知述评 

围术期质量改善计划（ PQIP）是一项于2016年建立的前瞻性、多中心、观察性队列研究，该 计划 收集了在英国国家医疗服务体系(NHS)医院接受非心脏大手术的成年患者的 病历资料 。 本研究利用这些数据进行二次分析，其 最终目标是建立预测术后重度疼痛的工具，未雨绸缪地采取预防措施以降低疼痛发生的概率和强度，提高患者术后舒适度，加快康复。研究者在进行了大量的数据统计分析后，开发并验证了基于术前因素预测术后第1天重度疼痛的模型， 虽然既往也有类似利用数据库进行术后疼痛预测的研究，但存在样本量小、手术种类单一等局限，本次 使用大规模、高质量的数据集系统地开发围术期疼痛预测模型的研究是较为难得的。    研究者从 37个候选因素中筛选出25个，除外性别、年龄、糖尿病史等部分不可变因素，有些潜在可变的因素如术前的吸烟状况、焦虑和抑郁情绪等是可以提前干预的。既往的多项研究也认为患者术前不健康的心理状态可以作为术后早期疼痛的预测因素。因此在术前加强这类患者的识别，及时采取全方位的干预和优化，或许有助于改善大手术患者术后的疼痛体验。另外，该研究发现与降低术后疼痛关系最密切的因素是手术类型、方式和等级，虽然麻醉医生难以单方面改变这些因素，但可通过与外科医生和患者共同商讨制定最佳方案。

研究发现，仅靠术前的各类因素建立的主要模型区分度不高，说明尚不能令人满意地预测患者术后的严重疼痛；而模型的校准度较好，尤其在预测区间的前中部分，提示模型预测的重度疼痛风险和实际发生的风险一致性较好。可以根据模型预测对患者疼痛风险进行分层，在手术麻醉前告知患者潜在的可能性及提供合理的建议。研究者在进一步增加术中和术后的因素后，模型的预测能力得到一定程度提高， 并 且也筛选出数个有临床实践意义的危险 /保护因素 。例如椎管内麻醉可降低疼痛发生风险，而胸部切口、麻醉恢复期的严重疼痛均提示风险增加。术后第1天患者若能进食和活动则强烈提示重度疼痛风险的下降。可见术中及术后的各种因素也在疼痛的发生与缓解方面扮演着重要角色，麻醉医生不仅要在术前提前感知，做到心中有数、有备无患，也要在整个围术期根据手术情况和患者表现重新评估、及时调整。 

该研究也存在一定的局限性。首先，搜集的病例以普外科手术，尤其是结直肠手术为主，其中超过半数是腔镜或机器人辅助手术。手术类型的分布差异可能会对总体严重疼痛发生概率的计算带来偏倚。其次，研究受限于 PQIP数据集，本质上是对观察性研究结果的二次分析，许多与疼痛相关的重要因素未能在围术期采集，如既往的慢性疼痛史、切口部位疼痛等。基线阿片类药物的使用和麻醉类型的细节未能在全队列中记录，导致了可供分析的样本量偏小。术中麻醉镇痛药物和围术期多模式镇痛方案能显著影响术后疼痛，但在大多数患者资料中出现了数据缺失。另外，研究者 仅关注了术后急性疼痛的预测，若能对长期结果加以预测分析，可使研究的临床意义锦上添花。

总之，虽然该研究的部分结果用于临床实践的价值有限，但研究的思路和方法以及可以改进的空间对后续研究的设计具有启发意义。未来在建立类似的预测模型时，应充分考虑围术期各类影响因素以改善预测效果。

编译：孙晨岩

述评：潘科  

原始文献：

R A Armstrong, A Fayaz, G L P Manning, S R Moonesinghe; Peri-operative Quality Improvement Programme (PQIP) delivery team; C M Oliver; PQIP collaborative. Predicting severe pain after major surgery: a secondary analysis of the Peri-operative Quality Improvement Programme (PQIP) dataset. Anaesthesia. 2023 Mar 2. doi: 10.1111/anae.15984.    ‍声明：古麻今醉公众号为舒医

汇旗下，古麻今醉公众号所发表内容之知识产权为舒医汇及主办方、原作者等相关权利人所有。未经许可，禁止进行转载、摘编、复制、裁切、录制等。经许可授权使用，亦须注明来源。欢迎转发、分享。  

打赏