论文部分内容阅读
目的本研究主要对甲状腺癌手术女性患者术前肠道菌群和术后恶心呕吐之间的关系进行探讨,探究肠道微生物的组成和术后恶心呕吐的可能联系,为预防术后恶心呕吐发生发展提供新的理论依据。方法本研究为前瞻性、观察性临床研究。选择福建省立医院2020年06月~2020年12月共76例择期接受全身麻醉下行甲状腺癌根治手术的患者。收集患者的基线资料包括:患者年龄、BMI、ASA分级、吸烟史、手术史、PONV史、晕动症病史、既往孕吐史、PONV风险评估(Apfel评分)、焦虑自评量表(SAS)、匹兹堡睡眠质量指数(PSQI)、术前24小时ST.Mary’s医院睡眠问卷、PONV分级和疼痛视觉模拟评分(VAS)。收集患者手术前一天的粪便样本。所有患者均采用标准化麻醉方案实施麻醉,观察患者术后24h发生PONV情况。根据WHO恶心呕吐评级评估患者术后发生恶心呕吐的情况。只要患者术后24h恶心呕吐评级≥1级时,则认为患者出现PONV,并根据该结果,将患者分为PONV组和Non-PONV组。通过肠道微生物16S扩增子绝对定量测序对PONV组和Non-PONV组的肠道微生物群落结构进行分析,利用生物信息学方法探索与术后恶心呕吐发生发展相关的重要微生物,进一步探究术前肠道菌群和术后恶心呕吐的相关性。结果本研究初步招募了 76例患者,其中包括10例患者未收集到患者术前粪便的样本,予排除,最终本研究共有66例样本。66例患者中术后24h内发生PONV 31例(46.97%),未发生 PONV 35 例(53.03%)。1、PONV组和Non-PONV组的基线资料进行分析。结果显示,两组患者的年龄、BMI、PONV风险评分(Apfel评分)、睡眠评价等级、手术麻醉时长、舒芬太尼总量及术后疼痛VAS评分差异无统计学意义(P>0.05)。PONV组患者的SAS焦虑评价等级高于Non-PONV组,差异具有统计学意义(P=0.044)。2、PONV组和Non-PONV组的肠道微生态菌群结构存在差异。结果显示,PONV组和Non-PONV组的肠道菌群多样性差异无统计学意义(P>0.05)。PONV组粪便微生物的丰富度降低。在目水平,PONV组的Bifidobacteriales的相对丰度较低(P=0.040)。在科水平,PONV组的Bifidobacteriaceae的相对丰度较低(P=0.040)。在属水平,PONV组具有较高相对丰度的Anaerovorax、Butyricimonas、Gardnerella(P 分别为 0.031,0.039,0.045)和较低相对丰度的 Bifidobacterium(P=0.040)。通过LEfSe分析,发现Bifidobacteriales可能是导致PONV组和Non-PONV组术后恶心呕吐出现差异的主要物种。3、肠道菌群与患者的临床资料进行关联分析。结果显示,年龄、BMI、SAS评价等级、ST.Mary’s睡眠问卷评分与Bifidobacteriales的丰度不具有相关性(P>0.05)。Bifidobacteriales的丰度与PSQI评价等级呈负相关(r=-0.256,P=0.047)。4、PONV的影响因素行相关性分析。结果显示,年龄、BMI、Apfel评分、PSQI评价等级、ST.Mary’s睡眠问卷评分、手术时长、舒芬太尼总量、疼痛VAS评分与PONV的发生不具有相关性。SAS评价等级与PONV的发生呈正相关(r=0.305,P=0.022),Bifidobacteriales 丰度与 PONV 的发生呈负相关(r=-0.325,P=0.016),且与恶心呕吐严重程度呈负相关(r=-0.308,P=0.021)。5、PONV的可能影响因素行多因素回归分析。结果显示,年龄、SAS评价等级为 PONV 的独立危险因素(OR=0.938,P=0.045;OR=1.109,P=0.017),得出以下预测方程:p/(1-p)=e-1.345—0.064*年龄+0.103*SAS评价等级,对福建省立医院甲状腺癌手术非吸烟女性患者PONV的发生进行预测。结论1、本研究利用16S扩增子绝对定量测序对PONV组和Non-PONV组患者术前肠道菌群结构进行全面分析,发现Bifidobacteriales为导致PONV组和Non-PONV组出现差异的主要物种。且Bifidobacteriales的丰度与PONV的发生和严重程度呈负相关。我们的研究结果为以调节肠道菌群为手段预防PONV提供理论依据。2、年龄、焦虑评价等级可能是非吸烟女性甲状腺癌手术患者发生PONV的独立危险因素,或可成为非吸烟女性甲状腺癌手术患者发生PONV的预测指标之一。根据多因素Logistic 回归分析结果得出以下预测方程:p/(1-p)=e-1.345—0.064*年龄+0.103*SAS评价等级,可以对福建省立医院接受甲状腺癌手术的非吸烟女性患者发生PONV进行预测。