ICU 獲得性肌無力風險預測模型的構(gòu)建及應用

楊 霞，于紅靜，潘澤林，梁梓楊，葉敏怡，何志麗，梅楚楠，覃湘君，凌冬蘭，陳利芬*

1.廣州醫(yī)科大學附屬第二醫(yī)院，廣東 510260；2.中山大學護理學院；3.肇慶市第一人民醫(yī)院；4.廣東省中西醫(yī)結(jié)合醫(yī)院；5.中山大學附屬第一醫(yī)院

重癥監(jiān)護病房（ICU）獲得性肌無力（intensive care unit-acquired weakness,ICU-AW）指在ICU 住院期間發(fā)生發(fā)展的，無法用危重癥疾病以外的其他原因進行解釋的，以廣泛性肢體乏力為特征的臨床綜合征[1]。據(jù)報道，重癥監(jiān)護病房ICU 獲得性肌無力的發(fā)生率為50%～100%，尤其是膿毒血癥病人，發(fā)生率遠高于其他疾病病人[2]。然而，目前仍無針對ICU 獲得性肌無力的有效治療藥物[3]。一旦臨床出現(xiàn)ICU 獲得性肌無力，將延長機械通氣時間和ICU 住院時間，導致病死率和致殘率增加，降低預后生活質(zhì)量并增加醫(yī)療經(jīng)濟負擔[4]。ICU 早期觀察到的肌肉功能和肌力的異常通常是可逆的[5]，早期識別其發(fā)生風險，找出其危險因素，并針對危險因素進行干預，可以降低ICU 獲得性肌無力的發(fā)生率。目前，國內(nèi)研究主要集中在危險因素的探討方面，相關(guān)風險預測模型的報道仍較少[6]。風險預測模型能夠?qū)⒍鄠€危險因素代入模型中，從而篩查出疾病發(fā)生的風險級別。ICU 臨床實際工作中已經(jīng)形成常規(guī)對所有重癥病人評估的項目包括皮膚壓力性損傷風險、跌倒墜床風險以及營養(yǎng)風險篩查等，但目前臨床缺乏針對ICU 獲得性肌無力的風險篩查工具[7-8]。因此，構(gòu)建一個簡單、客觀、有效的風險預測模型對臨床篩查高危病人有重要的臨床意義。

1 對象與方法

1.1 對象

采用前瞻性隊列研究方法，選取2020 年8 月—2021 年12 月廣東省4 所三級甲等綜合醫(yī)院成人重癥醫(yī)學科（ICU）330 例病人作為研究對象，年齡19～79（58.91±14.12）歲。納入標準：年齡≥18 歲；同意參與本研究，并簽署相關(guān)知情同意書；能配合進行英國醫(yī)學研究理事會評分（Medical Research Council，MRC）檢查；成人綜合重癥醫(yī)學科的病人。排除標準：入ICU時MRC 評分＜48 分；患有如急性橫紋肌溶解綜合征、低鉀性周期性麻痹、肉毒桿菌中毒、嚴重肌少癥、格林巴利綜合征、肌萎縮側(cè)索硬化、重癥肌無力、脊髓損傷、因腦血管意外疾病導致肢體功能障礙等影響肌力疾病；骨折；孕產(chǎn)婦；有嚴重認知功能障礙或精神心理疾病。脫落與剔除標準：入住ICU＜3 d；中途退出研究或研究終點前病人死亡；入組后治療期間診斷為排除標準中的疾病。本研究已通過醫(yī)院倫理委員會審批，批件號：2020-hs-28。本研究最終納入模型的變量數(shù)目為5，采用經(jīng)驗公式的15 倍計算[9]，結(jié)合文獻資料[10]，取ICU 獲得性肌無力總發(fā)生率為40%，模型訓練集樣本量至少為（5×15）÷40%≈188 例,以7∶3 的比例分配訓練集和驗證集?？倶颖玖繛?88÷0.7≈269 例，考慮10%失訪率，最終納入330 例。

1.2 研究方法

1.2.1 ICU 獲得性肌無力判定方法

美國胸科協(xié)會在2014 年擬定的ICU 獲得性肌無力診斷指南[1]中指出，ICU 獲得性肌無力診斷標準為在ICU 期間首發(fā)的、弛緩的、對稱性的虛弱，且滿足以下3 項：1）MRC 得分＜48 分或者＜最大分數(shù)的80%，并且持續(xù)至少24 h；2）證據(jù)顯示，檢測的肢體伴有虛弱；3）顱神經(jīng)功能完好。本研究在病人入ICU 24 h 內(nèi)和入ICU 24 h 后每日進行MRC 評分，MRC 總分為0～60 分，0 分為完全癱瘓，60 分為正常肌力，當篩查到MRC 評分＜48 分時，24 h 后重測MRC 評分＜48 分者，可診斷ICU 獲得性肌無力。MRC 評分時要求病人處于清醒狀態(tài)，病人能回應簡單命令(睜開眼睛、閉上眼睛、看著我、點頭、伸舌、皺眉)中至少3 個。當納入研究的病人使用鎮(zhèn)痛鎮(zhèn)靜藥物后，在規(guī)定的評估時機內(nèi)，為了病人能配合檢查，需要對病人短暫暫停鎮(zhèn)靜鎮(zhèn)痛藥物應用，此舉措是和重癥醫(yī)學科醫(yī)生共同對病人的病情評估后制定好每日喚醒方案，且符合中華醫(yī)學會重癥醫(yī)學分會在2018 年制定的《中國成人ICU 鎮(zhèn)痛和鎮(zhèn)靜治療指南》[11]要求。

1.2.2 臨床病例報告表

基于文獻回顧和重癥專家小組開會討論，自行設(shè)計病人臨床病例報告表，收集納入病人的人口學因素（包括性別、年齡、職業(yè)、文化程度、體質(zhì)指數(shù)、是否吸煙、是否飲酒）、疾病自身因素（入ICU 第一診斷、既往史、是否手術(shù)）、疾病治療因素（機械通氣與否、呼吸機使用時間）、藥物使用情況（是否使用糖皮質(zhì)激素、鎮(zhèn)靜藥、鎮(zhèn)痛藥、神經(jīng)肌肉阻滯劑）、入室量表評分[急性生理與慢性健康狀況評分系統(tǒng)Ⅱ（APACHEⅡ）、序貫器官功能衰竭評分（SOFA）]、實驗室檢查（血糖、白蛋白、血鈣、血鉀、血乳酸、降鈣素原）、營養(yǎng)供給情況（營養(yǎng)啟動時間、營養(yǎng)類型）、追蹤資料（ICU 住院天數(shù)）。

1.2.3 統(tǒng)計學方法

采用SPSS 22.0 和R 軟件（版本4.1.0）進行統(tǒng)計分析。符合正態(tài)分布的定量資料采用均數(shù)±標準差（±s）表示，組間比較采用獨立樣本t檢驗，方差不齊資料采用t'檢驗；不符合正態(tài)分布的定量資料采用中位數(shù)（四分位數(shù)）[M（P25,P75）]表示，組間比較采用非參數(shù)Mann-WhitneyU檢驗。定性資料以頻數(shù)、百分比（%）表示，組間比較采用χ2檢驗和Fisher 確切概率法。將28 個相關(guān)因素作為自變量，以是否發(fā)生ICU 獲得性肌無力作為因變量分別對訓練集和驗證集數(shù)據(jù)進行單因素分析，以P＜0.05 為差異有統(tǒng)計學意義。多因素分析及風險預測模型構(gòu)建時，將單因素分析中P＜0.15的變量納入篩選范圍，通過逐步回歸法構(gòu)建多因素Logistic 回歸模型，通過計算模型訓練集和驗證集的受試者工作特征曲線（ROC）下面積（AUC）、靈敏度、特異度和準確性以評價模型的預測性能。采用R 軟件繪制列線圖對模型進行可視化呈現(xiàn)，采用1 000次Bootstrap法繪制校正曲線圖檢驗模型的一致性。

2 結(jié)果

2.1 研究對象納入與排除情況

本研究資料收集時間為2020 年8 月1 日—2021 年12 月31 日，研究期間主要研究中心收治病人684 例，排除其中入ICU 時MRC 評分＜48 分病人121 例、入ICU 時明確診斷為神經(jīng)系統(tǒng)等影響肌力疾病的病人230 例、孕產(chǎn)婦5 例、入ICU 時MRC 評分無法評估（如心搏驟停、昏迷等）70 例。根據(jù)入ICU 時的情況，初步納入病人258 例，剔除ICU 住院時間＜3 d 的病人29例、研究終點前因病情變化死亡8 例、繼發(fā)ICU 譫妄等導致MRC 無法評估病人4 例、研究期間才明確診斷為排除標準疾病中的病人4 例，最終主要研究中心納入分析的病人213 例。另外3 所合作研究中心因研究啟動時間較晚，因此在規(guī)定研究時間收集的有效病例數(shù)相對較少，最終納入分析的病例分別為50 例、45 例、22例。本研究最終納入總樣本量為330 例，將330 例數(shù)據(jù)按照入ICU 時間的先后順序，2020 年8 月1 日—2021年7 月26 日的231 例病例數(shù)據(jù)作為模型訓練集，2021年7 月27 日—2021 年12 月31 日的99 例病例數(shù)據(jù)作為模型驗證集。

2.2 研究對象的一般資料

社會人口學特點：330 例ICU 病人年齡19～79（58.91±14.12）歲；男女之比為1.64∶1.00；職業(yè)分布中，離退休占比最高，為102 例（30.9%），可能與年齡整體偏大有關(guān)，其次是自由職業(yè)90 例（27.3%）；文化程度分布情況中，高水平文化占比最小，?？萍耙陨?0 例（15.2%），文化程度普遍較低；有吸煙史86 例（26.1%），有飲酒史62 例（18.8%）；ICU 住院天數(shù)2～64 d，中位數(shù)為7 d。

疾病種類特點：入ICU 的第一診斷為消化系統(tǒng)疾病比例最高（30.9%），心血管系統(tǒng)疾病次之（16.7%），整體分布以消化系統(tǒng)、心血管系統(tǒng)、呼吸系統(tǒng)為主；因手術(shù)后轉(zhuǎn)入監(jiān)護治療的病人119 例，占36.1%；疾病嚴重程度評分方面，APACHE Ⅱ評分4～47（18.26±7.64）分；SOFA 評分0～23（5.85±3.13）分，提示研究對象入ICU 時病情處于中等水平。

疾病治療特點：行機械通氣治療的病人占60.6%，67.9%的病人使用鎮(zhèn)靜藥，63.9%的病人使用鎮(zhèn)痛藥；17.3%病人單純行腸內(nèi)營養(yǎng)支持，27.6%病人行腸外營養(yǎng)支持，55.1%病人行腸內(nèi)+腸外營養(yǎng)支持。研究對象的一般資料見表1。

表1 研究對象一般資料單位：例（%）

2.3 ICU 獲得性肌無力的發(fā)生情況

本研究最終納入330 例病人，123 例病人發(fā)生ICU獲得性肌無力，ICU 獲得性肌無力總發(fā)生率為37.3%。訓練集共納入病人231 例，101 例病人發(fā)生ICU 獲得性肌無力，其中男59 例，女42 例，訓練集ICU 獲得性肌無力的發(fā)生率為43.7%。驗證集共納入病人99 例，22例病人發(fā)生ICU 獲得性肌無力，其中男11 例，女11例，驗證集ICU 獲得性肌無力的發(fā)生率為22.2%。對123 例ICU 獲得性肌無力病人的發(fā)生時間進行分析，76 例（61.8%）病人是在ICU 住院7 d 內(nèi)發(fā)生的，47 例（38.2%）病人在ICU 住院時間≥7 d 發(fā)生的。

2.4 ICU 獲得性肌無力影響因素的單因素分析

2.4.1 分類變量單因素分析（見表2）

表2 ICU 獲得性肌無力影響因素的單因素分析（分類變量）單位：例

2.4.2 連續(xù)性變量單因素分析（見表3、表4）

表3 訓練集病人ICU 獲得性肌無力影響因素的單因素分析（連續(xù)性變量）

表4 驗證集病人ICU 獲得性肌無力影響因素的單因素分析（連續(xù)性變量）

2.5 ICU 獲得性肌無力影響因素的多因素分析

以病人是否發(fā)生ICU 獲得性肌無力作為二分類因變量，將單因素分析P＜0.15 的變量納入多因素Logistic 回歸分析，采用逐步回歸法進行多因素Logistic回歸分析，自變量賦值情況：ICU 住院天數(shù)、年齡、呼吸機使用時間及APACHE Ⅱ評分原值帶入，是否機械通氣中，否=0，是=1。結(jié)果見表5。

表5 ICU 獲得性肌無力影響因素的Logistic 回歸分析結(jié)果

2.6 ICU 獲得性肌無力風險預測模型的構(gòu)建

根據(jù)多因素Logistic 回歸結(jié)果、赤池信息準則（AIC）與臨床實際工作情況，課題組討論后選擇以下5 個指標建立ICU 獲得性肌無力風險預測模型，其多因素Logistic 回歸模型方程為：

2.7 ICU 獲得性肌無力風險預測模型的驗證

將已構(gòu)建的模型回代前期模型訓練集數(shù)據(jù)中進行內(nèi)部驗證，采用驗證集的新數(shù)據(jù)代入已構(gòu)建的模型進行外部驗證，計算每例病人ICU 獲得性肌無力的發(fā)生概率，根據(jù)病人ICU 獲得性肌無力的預測概率和ICU獲得性肌無力的實際發(fā)生情況，采用AUC、靈敏度、特異度和準確性驗證構(gòu)建模型的預測效果。外部驗證結(jié)果：AUC 為0.755，靈敏度為0.682，特異度為0.740，準確性為0.727，見表6。Logistic 回歸模型的訓練集和驗證集均采用AUC 評價模型的區(qū)分度，見圖1。

圖1 Logistic 回歸模型的ROC 曲線

表6 Logistic 回歸模型預測指標

2.8 ICU 獲得性肌無力風險預測模型的臨床應用

2.8.1 方法一：微信小程序

根據(jù)繪制的ROC 曲線，可找到不同閾值的靈敏度和特異度，當取最佳截斷值為0.648 時，此時對應的靈敏度和特異度組合最佳，其中靈敏度0.797，特異度0.768，最大約登指數(shù)（靈敏度+特異度-1）為0.565，即當使用Logistic 回歸方程計算概率≥0.648 時，病人有發(fā)生ICU獲得性肌無力的風險。由于Logistic回歸方程計算較為復雜，為了方便臨床實際應用，基于Logistic回歸方程開發(fā)微信小程序。醫(yī)護人員通過微信掃描二維碼即可進入小程序，輸入病人的實際年齡、APACHEⅡ評分、呼吸機使用時間、ICU 住院天數(shù)、是否機械通氣（是為1，否為0），小程序即可自動計算出發(fā)生ICU 獲得性肌無力的概率，當?shù)贸龅母怕省?.648 時，表明病人有發(fā)生ICU 獲得性肌無力的風險。小程序的應用界面見圖2。

圖2 微信小程序應用界面

2.8.2 方法二：列線圖

2.8.2.1 ICU 獲得性肌無力列線圖的繪制

根據(jù)Logistic 回歸結(jié)果繪制列線圖，見圖3。每個入選變量取值通過垂直線在列線圖頂端的評分標尺獲得相應的得分（默認0～100 分），將所有變量的得分相加取總分，通過總分在列線圖底部的預測線上得出發(fā)生ICU 獲得性肌無力的預測概率。以不同總分為潛在截斷點，分別計算對應截斷點下的約登指數(shù)，最大約登指數(shù)對應的總分就是最優(yōu)總分截斷值，當以14.2 分為列線圖總評分的截斷值時，該模型的約登指數(shù)最大，即為最優(yōu)截斷總分。當總分≥14.2 分時，病人有發(fā)生ICU 獲得性肌無力的風險。見圖4。

圖3 基于Logistic 回歸分析的列線圖

圖4 基于Youden 指數(shù)的列線圖最優(yōu)截斷評分圖

2.8.2.2 列線圖校準度的評價

采用1 000 次Bootstrap 法繪制校正曲線圖檢驗模型的一致性，圖中原始曲線和校準曲線均在45°斜對角附近，列線圖的校準曲線和理想曲線擬合較好，說明模型校準度較高，見圖5。

圖5 列線圖的校正曲線

3 討論

3.1 ICU 獲得性肌無力的發(fā)生情況

本研究結(jié)果顯示，330 例病人中有123 例發(fā)生ICU獲得性肌無力，發(fā)生率為37.3%，與國內(nèi)一項研究結(jié)果[12]接近，同時本研究樣本量估算時，參考的國外一項系統(tǒng)評價[10]得出的ICU 獲得性肌無力總發(fā)生率為40%，與本研究發(fā)生率接近，說明本研究在計算樣本量時假設(shè)的發(fā)生率是可靠的。對123 例ICU 獲得性肌無力病人的發(fā)生時間進行分析，76 例病人是在ICU 住院7 d 內(nèi)發(fā)生的，占61.8%；47 例病人在ICU 住院時間≥7 d 發(fā)生的，占38.2%。Hermans 等[13]研究表明，在機械通氣5～7 d 的清醒病人中，ICU 獲得性肌無力的發(fā)病率為26%～65%。提示在病人入住ICU 7 d 內(nèi)即應早期進行肌力評估和干預，從而降低發(fā)生率。

3.2 ICU 獲得性肌無力風險預測模型相關(guān)危險因素分析

3.2.1 ICU 住院天數(shù)

本研究結(jié)果顯示，ICU 住院天數(shù)是發(fā)生ICU 獲得性肌無力的獨立危險因素。ICU 住院天數(shù)越長，意味著臥床制動時間越長，一項研究顯示，健康人完全臥床制動1 d，肌力可下降1%左右，臥床制動1 周可下降10%～15%，臥床制動3 周可下降20%～50%[14]。主要是由于活動受限導致肌肉蛋白質(zhì)分解比例大于合成比例，引起肌肉功能喪失。Formenti 等[15]研究結(jié)果表明，臥床制動7～10 d 的ICU 病人，使用床旁超聲發(fā)現(xiàn)肌肉厚度減少20%，橫截面積減少10%，回聲強度增加8%，羽狀角減少5%，而肌肉的流失直接造成肌力下降。將ICU 住院天數(shù)以連續(xù)性變量形式納入模型中，可以提醒護理人員關(guān)注ICU 病人的住院天數(shù)，對于住院時間長的病人采取相應的干預措施。研究表明，早期活動能縮短絕對臥床制動時間，降低ICU 住院天數(shù)，從而降低ICU 獲得性肌無力發(fā)生率[16]。

3.2.2 機械通氣

本研究結(jié)果顯示，機械通氣是發(fā)生ICU 獲得性肌無力的獨立危險因素，與馬潔葵等[17]研究結(jié)果一致。研究表明，當膈肌完全不運動18 h 后就會出現(xiàn)膈肌纖維萎縮，機械通氣治療會導致膈肌功能呈對數(shù)性下降，引起膈肌萎縮、膈神經(jīng)損傷、呼吸肌失用性萎縮，甚至導致呼吸機依賴及呼吸機相關(guān)性并發(fā)癥的發(fā)生[18-19]。另外，呼吸機參數(shù)設(shè)置不當時，更容易加重膈肌的負荷。因此，在病情允許情況下，應當盡早撤除機械通氣的輔助，盡早實施脫機策略。

3.2.3 年齡

本研究結(jié)果顯示，年齡是發(fā)生ICU 獲得性肌無力的獨立危險因素，與苗曉等[20-22]研究結(jié)果一致。本研究納入病人年齡為19～79（58.91±14.12）歲，與國內(nèi)相關(guān)研究報道[23]年齡基本接近，年齡分布基本符合國內(nèi)ICU 重癥病人的特點[24]。隨著年齡增長會出現(xiàn)老年肌肉衰減綜合征，導致肌肉含量減少，肌力降低。年齡在一定程度上反映出患病前肌肉儲備的重要性。年齡是不可改變的因素，研究表明，高齡病人肌肉損失率是年輕病人的3～6 倍[25]。高齡病人不僅容易發(fā)生肌無力的衰弱現(xiàn)象[26]，肌無力的衰弱程度也較嚴重，且一旦發(fā)生，其恢復也較慢。因此，護理人員應更加關(guān)注高齡病人，密切追蹤肌力變化，協(xié)助和指導高齡病人進行必要的功能鍛煉。

3.2.4 呼吸機使用時間

本研究結(jié)果顯示，呼吸機使用時間是發(fā)生ICU 獲得性肌無力的獨立危險因素。ICU 獲得性肌無力病人的肌力下降不僅累及四肢肢體肌群，嚴重者還會累及呼吸肌肌肉，加速膈肌萎縮，引起膈肌無力，導致脫離呼吸機困難[27]。臨床除了關(guān)注病人是否使用呼吸機進行機械通氣治療，還應當具體關(guān)注呼吸機使用時長。將呼吸機使用時間以連續(xù)性變量形式納入模型中，可以提醒護理人員關(guān)注ICU 病人的呼吸機使用時間，對于呼吸機使用時間長的病人積極采取相應的干預措施。2018 年《神經(jīng)重癥康復中國專家共識(中)》[28]建議，建立早期脫機策略，應當將每日喚醒試驗（SATs）同自主呼吸試驗（SBTs）相結(jié)合進行序貫脫機治療，減少呼吸機使用時間，避免因長時間機械通氣導致膈肌功能減退、呼吸肌乏力，進而引起病人對呼吸機依賴，這同本研究所采取的每日喚醒方案相一致。其中SBTs 通常采用吸氣壓力增加模式[吸氣壓力5～8 cmH2O(1 cmH2O=0.098 kPa)]。對于滿足脫機拔管標準的機械通氣病人，建議行氣囊漏氣試驗，若結(jié)果陽性，提示存在喉頭水腫和氣道痙攣的風險。拔管后有喘鳴風險病人可在拔管前4 h 使用激素。

3.2.5 APACHEⅡ評分

本研究結(jié)果顯示，APACHEⅡ評分是發(fā)生ICU 獲得性肌無力的獨立危險因素，與Patel 等[29-30]研究結(jié)果一致，本研究對混雜因素的處理原則與國內(nèi)外研究報道[31-33]一致。APACHEⅡ評分綜合多項指標對ICU 病人的疾病嚴重程度進行總評分，APACHEⅡ評分越高，說明病人病情越嚴重，病人病情越嚴重將伴隨著更多治療手段，如機械通氣、鎮(zhèn)靜鎮(zhèn)痛治療等，多種危險因素聯(lián)合促使ICU 獲得性肌無力的發(fā)生概率增加。研究發(fā)現(xiàn)，APACHEⅡ評分≥15 分是膿毒血癥病人誘發(fā)ICU 獲得性肌無力的危險因素[34]。因此，臨床應當重視APACHEⅡ評分，綜合病人評分中各項異常指標并進行有針對性的治療和護理干預，從而降低病人的疾病嚴重程度。

3.3 ICU 獲得性肌無力風險預測模型的預測性能

AUC 是評價模型性能的重要指標，可用于判斷模型的整體區(qū)分能力，一般情況下，AUC 越大，模型的預測性能越好[35-37]。從統(tǒng)計學角度來說，AUC 為0.5～0.7 表明模型的預測效果較低，＞0.7～0.9 表明預測效果中等，＞0.9 表明預測效果較高，只有AUC＞0.8 才可考慮應用于臨床[38]。本研究構(gòu)建的模型內(nèi)部驗證結(jié)果顯示：AUC 為0.879，靈敏度為0.762，特異度為0.838，準確性為0.805；外部驗證結(jié)果：AUC 為0.755，靈敏度為0.682，特異度為0.740，準確性為0.727，提示本研究構(gòu)建的模型預測性能較為理想。

3.4 微信小程序和列線圖的臨床實際應用價值

使用風險預測模型量化ICU 獲得性肌無力的發(fā)生概率具有重要的臨床意義[39]。而通常情況下多因素Logistic 回歸模型得出的是一條復雜的數(shù)學公式，不利于臨床實際應用，微信小程序或者清晰直觀的列線圖能夠幫助臨床簡單、快速地計算出發(fā)生概率。隨著微信的普及，基于微信小程序的評估有望成為臨床風險篩查的新模式，微信小程序具有掃描方便、觸手可及、無需安裝APP、占用內(nèi)存空間小等優(yōu)點，具有良好的使用體驗和應用價值[40-41]。本研究開發(fā)的微信小程序只要輸入病人的實際年齡、APACHEⅡ評分、呼吸機使用時間、ICU 住院天數(shù)、是否機械通氣，小程序即可自動計算出發(fā)生ICU 獲得性肌無力的概率，當?shù)贸龅母怕省?.648 時，表明病人有發(fā)生ICU 獲得性肌無力的風險，提醒醫(yī)護人員應當對病人積極采取干預措施。微信小程序的優(yōu)點在于簡單、快速、方便、容易操作，不足之處在于需要配備手機或其他電子設(shè)備，且需要有網(wǎng)絡(luò)信號支持。

本研究還嘗試基于多因素Logistic 回歸結(jié)果繪制列線圖。列線圖的優(yōu)點在于可以直接利用圖形，推算出各個變量的取值，從而得出預測總分和相對應的風險級別，是一種直觀、可視化的風險預測圖形,近年來其在醫(yī)學領(lǐng)域的應用越來越廣泛[42-45]。本研究根據(jù)得出的列線圖評分模型能計算出每例重癥病人發(fā)生ICU獲得性肌無力的風險，當使用此列線圖模型對危重癥病人進行ICU 獲得性肌無力風險評估時，列線圖總分≥14.2 分時，可取得最大的約登指數(shù)，表明病人極有可能發(fā)生ICU 獲得性肌無力，提醒醫(yī)護人員應當對病人積極采取干預措施。當列線圖總得分接近14.2 分時，護理人員也應當提高警惕，制定預見性護理措施，將發(fā)生風險降至最低。列線圖的優(yōu)點在于評分具體、分值有跡可循，同時只需要在ICU 床旁配備列線圖指引，不足之處在于對于初次使用者，需要解釋如何使用列線圖。

4 小結(jié)

本研究設(shè)計為一項多中心前瞻性隊列研究，通過連續(xù)肌力評估，篩查廣東省4 所三級甲等綜合醫(yī)院成人重癥醫(yī)學科ICU 獲得性肌無力的發(fā)生率，分析引起重癥病人出現(xiàn)ICU 獲得性肌無力的危險因素，以小程序和列線圖形式可視化呈現(xiàn)ICU 獲得性肌無力風險預測模型，將復雜的Logistic 回歸方程簡單化，減少臨床評估工作的負擔。本研究多中心病例數(shù)據(jù)按照入ICU 時間的先后順序以7∶3 的比例分配模型訓練集和驗證集，分別對構(gòu)建的模型進行內(nèi)部驗證和外部驗證，增加研究結(jié)果的可推廣性和可信度。通過風險預測模型，可以幫助篩查ICU 病人發(fā)生ICU 獲得性肌無力的危險因素，實施基于危險因素的個體化干預策略，以期降低ICU 獲得性肌無力發(fā)生率，提升ICU 病人的預后生存質(zhì)量，縮短ICU 住院時間和總住院時間，節(jié)約醫(yī)療成本，提升ICU 護理專業(yè)質(zhì)量[46]。本研究局限性在于采用MRC 評分作為ICU 獲得性肌無力的診斷標準，難免忽略部分因意識障礙無法配合檢查的病人。未來擬擴大多中心樣本量，使各中心數(shù)據(jù)分布均勻；探索非意識性肌肉力量測量方法對重癥病人肌力早期異常的預測能力；開展基于危險因素篩查的干預策略在預防ICU 獲得性肌無力的應用效果研究。