急诊入院患者夜间睡眠障碍的预测模型构建

吴欣怡 侯善兵 尤月同 王振洋 程义飞 周志庆

睡眠是自然界所有生物普遍存在的一种生理活动，良好的睡眠质量能够正向地促进机体的恢复，促进机体的机能维持在正常的生理水平，有研究显示，长期的睡眠不足会导致机体处于亚健康状态，并且会对人的精神状态、情绪和注意力造成负面影响，同时会对机体的内分泌、呼吸以及免疫等功能造成不良的负荷[1]。外科急诊患者往往伴随着疼痛、恶心等躯体不适症状，且由于躯体症状的强烈表现，患者及患者家属对于疾病的预后有着较为严重的担忧，因此部分外科急诊患者在躯体不适状态和心理状态的双重影响下会出现一定程度睡眠障碍[2-3]。住院期间不良的睡眠状态会对患者的康复进程造成不利的影响，从而增加患者的住院日和住院花费。因此本研究通过问卷调查的方式寻找影响外科急诊患者夜间睡眠质量的主要因素并且通过统计学方法构建风险预测模型，以期为临床工作人员提供可靠的临床预测工具，预测患者发生睡眠障碍的概率，并做出有效的护理干预，从而改善和降低外科急诊入院患者夜间睡眠障碍的发生概率。

1 资料与方法

1.1 一般资料 选取2022年1月-5月在中国科学技术大学附属第一医院（安徽省立医院）总院、南区和皖南医学院弋矶山医院的外科急诊入院患者作为研究对象，通过量表填写和问卷调查的方法收集研究所需的各项数据资料。填写前主动告知被调查者本次调查的目的及意义，所有被调查者均在自主自愿的原则下填写提交。本次调研共收集问卷672份，排除问卷填写不全和规律性作答以及不符合逻辑的资料后共收集有效资料618份，有效回收率为91.96%。

1.2 方法 通过4个研究工具进行调查：①一般资料：该部分量由研究者自行编制并通过咨询两位副高级职称专家后最终成型，包括患者的性别、户籍所在地、是否吸烟、是否使用止疼药、是否打鼾、家庭人均月收入、婚姻情况、慢性病种类等。②睡眠状况自评量表（SRSS）：该量表是用于筛选不同人群中存在睡眠问题的人的工具。该量表是1998年由李建明[6]教授编制，共10个条目并采用Likert 5级评分标准进行计分，最高得分为50分，最低得分为10分，其中得分大于22分则提示被调查者存在不同程度的夜间睡眠障碍（失眠）问题。③电子健康素养量表（eHealth literacy scale）：该量表共有8个条目，并分为网络健康信息与服务的应用能力、评判能力和决策能力3个维度，得分越高说明被调查者的电子健康素养能力越优异，该量表的Cronbach'α系数为0.913，KMO值为0.875，经临床检验，具有较高可信度。④医院焦虑抑郁（负性情绪）量表：该量表共14个条目，得分越高说明被调查的负性情绪越强，量表的Cronbach'α系数为0.82，具有较高可信度。

1.3 统计学方法 利用SPSS 20.0与R3.6.1软件对数据进行统计分析，计量资料中满足正态分布的用均值±标准差进行表示，并采用t检验进行分析；计数资料用频数（n）和百分比（%）进行表示，并采用卡方检验（χ2）完成组间对比，单因素分析结果中有意义的纳入Logistic回归方程中进行统计分析，筛选出夜间睡眠障碍的独立影响因素。利用R语言将Logistic回归方程中筛选出的独立影响因素提取入库，利用“rms”包绘制睡眠质量不佳的可视化列线图并计算模型的一致性指数（C-index），并用Bootstrap法对列线图模型进行验证后利用“pROC”包绘制列线图的ROC曲线。P＜0.05为差异具有统计学意义。

2 结 果

2.1 外科急诊入院患者夜间睡眠障碍的单因素分析 本研究纳入的有效样本量为618例，其中发生夜间睡眠障碍（失眠）的发生率为49.51%，本次研究纳入男性290例，女性328例；吸烟128例，不吸烟300例，已戒烟190例；农村219例，县城179例，城市220例；打鼾162例，不打鼾456例，其余详见表1。根据入院后是否发生夜间睡眠障碍（失眠）将研究对象分为失眠组（306例）和未失眠组（312例）。单因素分析结果显示，两组研究对象在性别、是否使用止疼药、户籍所在地、是否打鼾、家庭人均月收入、慢性病数量、婚姻情况、电子健康素养得分和负性情绪得分方面的差异具有统计学意义（P＜0.05）。见表1。

表1 外科急诊入院患者夜间睡眠障碍（失眠）的单因素分析（例）

2.2 外科急诊入院患者夜间睡眠障碍的Logistic回归分析 以是否发生夜间睡眠障碍为因变量，将单因素分析中具有统计学意义的因素作为自变量纳入回归方程中进行Logistic回归分析；分类资料的具体赋值情况见表1，定量资料负性情绪总分和电子健康素养总分原值录入，采用逐步法进行变量筛选。Logistic回归分析的结果显示婚姻情况、慢性病数量、家庭人均月收入、睡觉是否打鼾、负性情绪总分和电子健康素养总分是外科急诊入院患者夜间睡眠障碍发生的独立影响因素。见表2。

表2 外科急诊入院患者夜间睡眠障碍的Logistic回归分析

2.3 预测外科急诊入院患者夜间睡眠障碍发生风险模型的构建 根据表2分析的结果，将Logistic回归分析中得出的独立影响因素作为预测因素，以夜间睡眠障碍的发生为临床结局指标建立夜间睡眠障碍发生风险的列线图预测模型，详见图1。对于列线图的解读方式：在每一个影响因素中找到对应的取值后与“Color Legend”对比得到一个具体的分值，该值即为该影响因素在模型中的得分，随后将各变量的得分相加后得出的总得分在“Risk of LNM”中标记出来后向下做一条垂线得出的参数即为外科急诊入院患者夜间睡眠障碍发生风险的概率。

图1 外科急诊入院患者夜间睡眠障碍发生风险的列线图

2.4 外科急诊入院患者夜间睡眠障碍发生风险的列线图的ROC曲线分析 采用Bootstrap自主抽样（计算机模拟重采样）对列线图模型进行内部验证，最终得出C-index值为0.742，详见图2。以列线图模型中预测的不同外科急诊入院患者夜间睡眠障碍发生风险作为检验变量，外科急诊入院患者实际发生夜间睡眠障碍的情况作为状态变量利用R语言中的“pROC”包绘制列线图模型预测外科急诊入院患者夜间睡眠障碍发生的ROC曲线，并且计算曲线下面积（AUC），最终分析结果得出：AUC=0.742，95%CI[0.704,0.780]，详见图2。

图2 外科急诊入院患者夜间睡眠障碍发生风险的列线图

3 讨 论

3.1 外科急诊入院患者夜间睡眠障碍现状 高质量且正常的睡眠是维持人机体健康状态和心理健康状态最基本的生理活动[4]。而长期的睡眠障碍会加重患者精神负担导致抑郁等疾病的患病风险，同时长期不佳的睡眠状态会使得患者心脑血管的负担加重，增加心脑血管疾病发病的概率[1]。外科急诊入院患者往往伴随着带入创伤或需立即进行急诊手术，而有研究显示良好的睡眠质量有利于机体损伤的恢复[1]，因此改善患者夜间睡眠质量是医疗护理工作的重中之重。本次研究共纳入有效参考对象618例，其中睡眠质量障碍发生率高达49.51%，这一研究结果与梁艳艳等[5]研究者的研究结果相似。表明目前包括急诊入院患者在内的各科住院患者的夜间睡眠障碍问题都是客观存在的，且发生夜间睡眠障碍的患者存在一定的数量规模。因此如何预测患者是否会发生入院后睡眠障碍并加以前期干预是目前护理工作所面临的难点。本研究为探究外科急诊入院患者夜间睡眠障碍的风险因素，建立相关的列线图预测模型意在对入院患者进行动态评估，以利于对夜间睡眠障碍发生的高危患者进行全阶段护理干预，从而降低外科急诊患者夜间睡眠障碍的发生率，改善患者的睡眠质量。

3.2 外科急诊入院患者夜间睡眠障碍发生的危险因素分析 本次调查研究的分析结果显示，家庭月收入是影响外科急诊患者夜间睡眠质量和发生夜间睡眠障碍的主要影响因素之一，低收入群体较中高收入群体的夜间睡眠障碍发生率更高，此研究结论与相关学者的研究结果相似[6]。究其原因可能由以下几点所造成：①外科急诊患者病情较为紧急且患者对自己所患疾病的认知不足，这极有可能导致患者对于疾病的治疗和预后的花费造成错误的认知，从而加重患者的心理负担导致夜间睡眠障碍发生。由于多数外科急诊患者疾病发生突然，患者和患者家庭对于疾病治疗的认知和准备不足，同时患者对于医保政策的不了解导致患者对于治疗费用的过度担心，从而在较短时间内对患者家庭造成了短暂的经济冲击以及对后续治疗经费的错误担忧，进一步导致患者夜间睡眠障碍发生。②婚姻情况和负性情绪是影响外科急诊患者夜间睡眠质量和发生夜间睡眠障碍的主要影响因素之一。本次研究显示，婚姻情况异常的患者较正常婚姻情况的患者更容易发生夜间睡眠障碍，这可能是由于异常的婚姻状态会导致患者产生不同程度的焦虑、抑郁、悲伤、压抑等负性情绪，而负性情绪的影响更容易导致机体发生不同程度的内分泌紊乱，从而进一步影响患者夜间的睡眠质量导致夜间睡眠障碍的发生[7]。③患者的所患慢性病数量也是影响夜间睡眠障碍的发生的影响因素。患有慢性病且慢性病种类越多对患者夜间睡眠状态的影响也越大，该结论与王振杰等[4]的研究结论相似。这是由于患者疾病对自身影响的原因、更容易出现失眠、易醒和浅睡眠状态[8-9]。睡觉打鼾的患者可能会导致患者睡眠质量较差，但是打鼾的患者睡眠深度较深，且由于打鼾会导致夜间睡眠时呼吸功能的负担，因此这部分患者更容易产生疲惫疲劳感，故较易入睡，发生夜间睡眠障碍的可能性略低。电子健康素养的水平对于夜间睡眠障碍发生也具有一定的影响，这是因为电子健康素养越高的个体对于健康的追求和了解也更加深入，因此这类人群往往有着较为严格和规律的作息安排。

3.3 列线图预测模型的应用价值 列线图预测模型的构建是以单因素分析为基础，多因素分析为基石，通过对多因素分析总结出的多个预测指标利用函数关系进行进一步的分析解析，从而精准地预测某一个体发生某一事件的统计学概率。本次研究显示，婚姻情况、慢性病数量、家庭人均月收入、睡觉是否打鼾、负性情绪评分和电子健康素养总分是外科急诊入院患者夜间睡眠障碍的预测因子，并以此结果和数据为基础绘制列线图模型，预测模型的AUC值为0.742，95%CI值为0.704～0.780，表明该模型对于临床的指导价值较高，能够较为准确的协助医务人员对外科急诊入院患者夜间睡眠障碍的发生进行预测，从而进行精准的前期干预，降低外科急诊入院患者夜间睡眠障碍的发生率。

综上所述，本研究显示婚姻情况、慢性病数量、家庭人均月收入、睡觉是否打鼾、负性情绪评分和电子健康素养是外科急诊入院患者夜间睡眠障碍的主要影响因素。同时本研究构建的预测模型具有一定的临床指导价值，可协助临床工作人员对夜间睡眠障碍患者的筛查提供有效的参考。本研究存在一定的不足：①样本量有限且参与研究的机构有限，数据代表性不足。②未结合患者陪客的状况以及患者自身的生理、生化指标。故本次构建的夜间睡眠障碍患者预测模型在今后的实践中有待进一步的优化升级。