Development and temporal validation of a prediction model for emergence agitation in older patients undergoing orthopedic surgery with general anesthesia: a single-center retrospective cohort study
这项单中心回顾性队列研究开发并经时间验证了一个逻辑回归模型，该模型利用七个临床预测因子，能够准确地对接受全身麻醉进行骨科手术的高龄患者出现术后谵妄的风险进行分层，其展现出的强大判别性能值得进一步开展多中心外部验证。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
当老年患者从大型手术中苏醒时，目标是实现平稳、安静的意识回归。然而，对于某些人来说，这一过渡过程却非常剧烈。他们并非平静地醒来，而是可能会突然变得神志不清、烦躁不安并出现肢体抽动，甚至试图拔掉管路或静脉输液管。这种被称为“苏醒期躁动”（emergence agitation）的状态不仅仅是一个暂时的困扰，它还潜藏着真正的危险。在手术后的关键几小时内，一个四处挣扎的患者可能会导致自身受伤、医疗设备脱落或手术部位出血。这在接受骨科手术（如髋关节或膝关节置换术）的老年患者中尤为令人担忧，因为他们的身体已经承受了巨大的压力。由于这些患者的生理储备较低，且通常伴有多种慢性疾病，因此，如果在躁动发生前能够预测出哪些人可能出现这种情况，就能让医疗团队做好更好的准备，通过提供更严密的监测和更快速的干预来确保大家的安全。
海南总医院的一个研究小组致力于解决这一问题，他们开发了一款工具，用于预测哪些老年患者在骨科手术后更有可能出现躁动。他们回顾了两年间治疗的近 2,000 名患者的病历，分析了患者在苏醒前即可获取的广泛信息。这包括其既往病史、麻醉过程中使用的特定药物、手术类型，以及在麻醉期间采集的各种血液检测结果。研究人员测试了几种不同的数学方法，以观察哪一种最能识别出导致躁动的模式。他们发现，一种相对简单的方法——通过权衡七个特定的因素——其表现与复杂的计算机算法一样出色。最终的模型显示，有饮酒史、中风史或高血压史的患者风险较高；同时，使用一种名为七氟烷（sevoflurane）的特定吸入性麻醉剂或插尿管的患者也属于高风险人群。相反，安装了自动给药镇痛泵的患者发生躁动的可能性较低。模型还指出，苏醒前血液中二氧化碳水平较高是一个预警信号。
研究人员首先利用 2025 年治疗的 1,339 名患者的数据对模型进行了训练。在这一组中，约 30% 的患者出现了躁动。模型通过关注七个关键预测因子来学习区分哪些患者会保持冷静，哪些不会，这七个因子分别是：饮酒史、高血压史、中风史、使用七氟烷、使用患者自控镇痛泵、使用尿管以及血液中的二氧化碳水平。为了确保模型不仅是在死记硬背数据，而是真正学习到了可靠的模式，团队将模型应用于另一组完全独立的、由 2026 年上半年治疗的 67 0 名患者组成的群体进行测试。这第二组患者的躁动率略低，约为 22%。当模型在不作任何更改的情况下应用于这些新患者时，它成功地识别出了高风险个体，并表现出极高的准确度，在约 90% 的病例中能够正确区分患者是否会出现躁动。
虽然该模型在对患者进行低风险到高风险排序方面表现优异，但研究人员观察到，它在处理新组数据时往往会高估实际发生躁动的可能性。换句话说，如果模型显示患者有 40% 的躁动概率，那么实际概率可能更低。这表明，虽然该工具在标记需要额外关注的人员方面非常出色，但其生成的具体数值应被视为一种参考指南，而非对即将发生情况的精确预测。研究还强调，预测中最有力的因素并非单一的医疗状况，而是疼痛管理方案的设置。配备了准备好提供止痛药物的泵的患者，发生躁动的可能性显著降低，这进一步证实了疼痛管理不当是导致此类行为的主要驱动因素。
研究小组得出结论，该预测工具可以作为麻醉师和复苏室护士的有力辅助。通过在患者苏醒前查阅其病历，医疗团队可以识别出具有高躁动风险的患者，并确保对其进行更严密的观察或提供额外的护理。然而，研究人员谨慎地指出，该工具并非人类判断或标准监测的替代品。由于该研究是在单一医院进行的，因此在广泛应用之前，该模型需要在其他地点、针对不同的患者群体和医疗实践进行测试。研究结果表明，利用患者苏醒前即可获得的正确信息，是有可能预见并减轻恢复期困难风险的，从而将一个潜在混乱的时刻转化为一个受控且更安全的过渡过程。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。