目的构建预测心脏骤停(cardiac arrest,CA)复苏后患者早期发生急性肾损伤(acute kidney injury,AKI)的列线图模型,并验证其早期预测的有效性。方法回顾性纳入2016年2月至2023年9月在天津医科大学总医院急诊抢救室收治的CA经心肺复苏(cardiopulmonary resuscitation,CPR)且年龄在18岁以上的患者,收集患者的一般资料、基础疾病、复苏相关指标及首次实验室检测结果等。按照7∶3的比例随机将患者分为训练组和验证组。AKI诊断参照改善全球肾脏预后组织诊断标准。采用单因素和多因素Logistic回归分析CA复苏后患者发生AKI的影响因素并构建列线图模型。通过受试者工作特征曲线的曲线下面积(area under the curve,AUC)评估预测效能,采用校准曲线、决策曲线及临床影响曲线对模型进行评价,同时采用Bootstrap法和交叉验证法进行内部验证。结果共纳入527例CA患者,其中230例发生AKI,AKI发生率为43.6%。训练组与验证组临床基线资料差异无统计学意义(均P>0.05),说明两组数据具有可比性。多因素Logistic分析发现年龄(OR=1.346,95%CI:1.197~1.543,P<0.001)、CA至CPR时间(OR=2.214,95%CI:1.512~3.409,P=0.016)、肾上腺素用量(OR=1.921,95%CI:1.383~2.783,P=0.004)、APACHE-Ⅱ评分(OR=1.531,95%CI:1.316~1.820,P<0.001)、基线肌酐(OR=1.137,95%CI:1.090~1.196,P<0.001)、乳酸(OR=2.558,95%CI:1.680~4.167,P<0.001)是发生AKI的独立危险因素,初始可除颤心律(OR=0.214,95%CI:0.051~0.759,P=0.023)是发生AKI的保护性因素。基于以上变量构建列线图预测模型。训练组AUC为0.943(95%CI:0.921~0.965),验证组AUC为0.917(95%CI:0.874~0.960),该模型具有良好的区分度、校准度、临床有效性和应用价值。结论基于年龄、CA至CPR时间、初始可除颤心律、肾上腺素用量、APACHE-Ⅱ评分、基线肌酐及乳酸构建的列线图对CA复苏后早期发生AKI具有良好的预测价值,可为早期识别AKI与精准干预提供新的策略。
目的构建心脏骤停后脑损伤(post-cardiac arrest brain injury,PCABI)不良神经预后的交互式网络动态列线图预测模型,并验证其早期预测效能。方法回顾性收集2020年1月至2024年4月天津医科大学总医院收治的心脏骤停后恢复自主循环住院患者资料,依据出院时格拉斯哥-匹兹堡脑功能表现分级分为预后良好组与预后不良组。将入选患者按7∶3随机分为训练集与内部验证集,采用单因素、多因素Logistic回归分析筛选PCABI不良神经预后的独立影响因素并构建列线图预测模型,通过DeLong检验比较列线图预测模型与各独立影响因素的受试者工作特征曲线的曲线下面积(area under the curve,AUC)以评估预测效能,采用校准曲线和决策曲线评价模型的一致性与临床净获益,并进行内部验证,随后应用网络映射方法构建交互式动态列线图。结果本研究最终纳入276例PCABI患者(训练集196例、内部验证集80例),其中预后不良组82例,发生概率为29.7%。多因素Logistic回归分析发现年龄(OR=1.071,95%CI:1.021~1.124,P=0.005)、APACHEⅡ评分(OR=1.746,95%CI:1.393~2.190,P<0.001)、初始可除颤心律(OR=0.142,95%CI:0.025~0.819,P=0.029)、电除颤(OR=0.228,95%CI:0.060~0.869,P=0.030)、复苏时间(OR=2.116,95%CI:1.487~3.010,P<0.001)和乳酸(OR=1.392,95%CI:1.005~1.927,P=0.047)为PCABI不良神经预后的独立影响因素;基于以上因素构建列线图预测模型并计算训练集与内部验证集的AUC分别为0.965(95%CI:0.939~0.989)和0.987(95%CI:0.967~1.000),较各独立影响因素具有更高的临床预测价值(P<0.001),且该模型具有良好的区分度、校准度与临床净获益;由此映射的交互式网络动态列线图为临床工作进一步提供了便利。结论基于年龄、APACHEⅡ评分、初始可除颤心律、电除颤、复苏时间和乳酸构建的交互式网络动态列线图对PCABI不良神经预后具有良好的预测价值,更便于临床应用,可为早期识别PCABI不
