论文部分内容阅读
【背景与目的】肥胖症是一种全球流行病。人口肥胖率上升促使减重手术量增加,而减重手术后往往需要对残余轮廓畸形进行形体雕塑。同时,存在局部脂肪堆积的人群亦愈来愈多,人们对外在轮廓的塑造也愈加重视。减重手术后形体雕塑类手术的有效性毋庸置疑,其在轮廓畸形治疗、外在线条塑造、心理健康改善等方面发挥着重要作用。脂肪抽吸术作为一种微创的形体雕塑类手术,广泛应用于美容外科领域。而吸脂量与脂肪抽吸术的安全性密切相关,如何通过简单的术前体型参数预测吸脂量,目前尚无定论;另外,对于人类免疫缺陷病毒(human immunodeficiency virus,HIV)阳性患者而言,脂肪抽吸术的安全性如何,目前指南尚无推荐意见。最后,相较于脂肪抽吸术,其他形体雕塑类手术术后并发症发生率更高。其中严重并发症包括坏死性筋膜炎(necrotizing fasciitis,NF)、静脉血栓栓塞症(venous thromboembolism,VTE)以及脓毒症甚至死亡。形体雕塑类手术院内死亡率的预测因素以及预测模型的构建,目前尚未可知。因此,本文将以形体雕塑类手术安全性为主线,通过对大容量脂肪抽吸术(large-volume liposuction,LVL)(吸脂量>5000ml)、HIV阳性患者脂肪抽吸术的安全性以及形体雕塑类手术院内死亡率的预测展开分析,为提高形体雕塑类手术的安全性提供参考。本研究目的是:(1)探讨术前体型参数与术中吸脂量的相关关系,研究确定LVL术前体型参数的预测截点,以提高LVL的安全性。(2)探讨HIV阳性或阴性与脂肪抽吸术术后主要临床结局(院内死亡率、出院去向和术后并发症)以及次要临床结局(住院时长(length of stay,LOS)、住院总费用)的相关关系,以改善罹患HIV相关脂肪代谢障碍综合征(HIV-associated lipodystrophy syndrome,HALS)而导致局部脂肪堆积的HIV阳性患者的手术安全性、生活质量及整体预后。(3)基于机器学习(machine learning,ML)算法分析筛选形体雕塑类手术患者院内死亡率的预测因素,构建院内死亡率预测模型并评价其效能。【方法】(1)回顾性分析2001年1月至2020年8月期间于空军军医大学唐都医院烧伤整形科接受脂肪抽吸术患者的临床资料。根据纳入排除标准,收集纳入患者的术前体型参数及术中吸脂量。分析术前体型参数与术中吸脂量的相关关系并计算LVL术前体型参数的预测截点。(2)回顾性分析2010年至2017年国家住院样本(national inpatient sample,NIS)数据库中接受脂肪抽吸术患者的临床资料。利用单因素,多因素logistic回归和1:4倾向性评分匹配(propensity score matching,PSM)分析HIV阳性或阴性和主要临床结局(院内死亡率、出院去向和术后并发症)及次要临床结局(LOS、住院总费用)的相关关系。(3)回顾性分析2015年至2017年NIS数据库中接受形体雕塑类手术患者的临床资料。根据递归特征消除(recursive feature elimination,RFE)算法筛选变量后,利用神经网络(neural network,NNET),朴素贝叶斯(naive bayes,NB),梯度提升机(gradient boosting machine,GBM),自适应增强(adaptive boosting,Ada),随机森林(random forest,RF),logistic回归(logistic regression,LR),袋装树(bagged trees,BT)和极限梯度提升(e Xtreme gradient boosting,XGB)等8种ML算法构建预测模型,利用阳性预测值(positive predictive value,PPV),阴性预测值(negative predictive value,NPV),曲线下面积(area under the curve,AUC),准确率,灵敏度,特异度和决策曲线分析(decision curve analysis,DCA)等指标评价模型效能。并制作院内死亡率网页计算器,增加模型的可操作性。【结果】(1)本研究第一部分纳入接受腰腹部脂肪抽吸术的女性患者共742例。不调整任何混杂因素时,腰围与吸脂量的偏相关系数最大,为0.705。调整腰围时,其余术前体型参数与吸脂量之间的偏相关系数下降幅度最大(体重:从0.608下降到0.079,体质指数(body mass index,BMI):从0.646下降到0.193,腰高比:从0.699下降到0.144)。预测LVL时,腰围的AUC最大,为0.9743,腰高比的AUC为0.9735,BMI的AUC为0.9537,体重的AUC为0.9375。基于受试者工作特征(receiver operator characteristic,ROC)曲线的约登指数,计算术前体型参数的预测截点如下,腰围为105.5cm,BMI为27.98 kg/m~2,腰高比为0.6485。(2)本研究第二部分共纳入接受脂肪抽吸术的患者19936例,其中HIV阳性患者61例。logistic回归分析显示,未调整混杂因素时,HIV阳性患者和阴性患者的LOS差异有统计学意义(比值比(odds ratio,OR)=1.81,95%置信区间(confidential interval,CI):1.09~2.99,p=0.020)。调整混杂因素后,在全数据集和插补后数据集中,两组主要结局(院内死亡率、出院去向和术后并发症)和次要结局(LOS、住院总费用)的差异均无统计学意义。PSM分析结果类似。(3)本研究第三部分共纳入接受形体雕塑类手术的患者8214例。RFE算法将脓毒症、Elixhauser合并症指数(Elixhauser comorbidity index,ECI)、周围血管病(peripheral vascular disease,PVD)、心脏骤停(cardiac arrest,CA)、单次住院手术数量、腹壁整形术、尿路感染(urinary tract infection,UTI)、急性心肌梗死(acute myocardial infarction,AMI)、联合脂肪抽吸术、转移性肿瘤、NF、脑卒中、吸烟、无慢性并发症的糖尿病、VTE等15个变量筛选为院内死亡率的预测因素。8种ML算法中NB模型表现最好,AUC为0.898,灵敏度为85.70%,特异度为86.60%。与其它七个模型相比,NB的DCA曲线也表现出更高的净获益。另外,NNET,LR,GBM,Ada,RF,BT和XGB的AUC分别为0.848,0.872,0.761,0.884,0.879,0.788以及0.870。院内死亡率网页计算器网址:https://crystal2019.shinyapps.io/Body_Contouring/。【结论】(1)术前腰围与吸脂量的相关关系最密切,其次是BMI;术前腰围和BMI在预测LVL时,预测截点分别为105.5cm和27.98 kg/m~2。该结果有助于术前筛选出LVL的潜在人群,针对性加强围手术期管理措施,有利于提高脂肪抽吸术的安全性。(2)做好预防措施时,接受脂肪抽吸术的HIV阳性患者和阴性患者的院内死亡率、出院去向、术后并发症、LOS及住院总费用的差异无统计学意义。提示HIV阳性并非脂肪抽吸术的绝对禁忌症,并为提高HIV阳性患者接受脂肪抽吸术的安全性提供了参考。(3)基于ML算法建立的预测模型,可以较好地预测接受形体雕塑类手术患者的院内死亡率,未来有待于多中心、大样本的外部验证以进一步提高预测模型的效能。