背景

血液制品是有限的资源，术前输血往往依赖于输血方案或临床经验，而非客观的风险评估。 因此，需要一个系统而准确的预测策略，以实现有效的血液利用和及时的输血。我们开发并验证了一个用于预测术中红细胞（RBC）输注的列线图。

方法

我们开发了一种列线图模型，整合术前变量预测三级医院（2012-2021年）接受大型腹部手术患者的术中红细胞输注需求。该模型通过其他三级医院数据集和开放数据集进行外部验证。变量筛选采用最小绝对收缩法或选择性算子Logistic回归法。通过C统计量评估模型判别能力，并利用校准曲线图分析预测值与实际结果的一致性。

研究结果

本回顾性研究纳入了128,749例患者用于模型开发，71,590例和3,701例患者分别来自两个外部验证集。在开发组中，术中红细胞输注发生率为6.0%，而在验证组中该比例分别为4.5%和7%。在两个验证集中，分别有3%的患者符合标准。该列线图整合了七个术前变量，包括年龄、美国麻醉医师协会体格状态分级、 欧洲心脏病学会手术风险评分、血红蛋白浓度、血小板计数、 国际标准化比值和白蛋白浓度。该列线图展现出良好的预测能力，在开发集和外部验证集中，其C统计量分别为0.857 (95%置信区间[CI] ：0.852—0.861、 0.847 (95% CI：0.840—0.854）和0.848 (95% CI：0.822—0.873），表明其在预测概率范围内具有良好的校准性。

结论

该列线图整合了7个术前变量，可有效预测腹部大手术的术中输血。

引言

每年全球有超过3000万患者接受腹部大手术，尽管外科技术有所进步并且努力减少围手术期失血量，但术中和术后红细胞（ RBC）输注仍经常发生。虽然输血通常是挽救生命的必要医疗手段，但其也会导致术后并发症增多、死亡率上升以及住院时间延长，进而提高医疗成本并影响患者预后。先前研究发现，即使调节了合并症和手术风险因素，围手术期输注一个单位浓缩红细胞悬液仍会增加术后缺血性脑卒中和心肌梗死的风险。尽管无法完全确定因果关系，但在调整相关混杂因素后，观察到并发症（如感染、免疫调节反应、输血相关急性肺损伤及死亡率）仍随输血量增加而上升的现象，表明存在显著且具有临床意义的关联性。 因此，在术前准确识别需要输血的高危患者至关重要，这不仅能确保及时恰当实施必要的输血，还能优化围手术期管理，避免不必要的延误和血液资源浪费。

目前术前输血计划通常依赖于经验性方案，临床医生在手术前根据失血的最坏情况假设来订购血液，导致不必要的准备和相当大比例的交叉配型血液未被使用。反之，若低估输血需求可能导致兼容血液供应延迟，进而引发术中血流动力学失衡和组织灌注不足，最终可能造成术后疗效下降。鉴于输血制品供应有限且主要依赖自愿捐献，通过数据驱动的预测模型优化其使用对提升输血管理质量至关重要。

针对这些挑战，近期研究致力于开发适用于各类外科手术的围手术期输血需求预测模型。 Kim团队基于术前变量构建了预测肝胆胰及结直肠手术输血需求的列线图；张教授团队则开发了一套模型，综合考虑年龄、种族和肾脏疾病等因素，评估心脏手术和非心脏手术中的输血风险。陈及其同事预测了体外循环心脏手术中的术中输血严重程度。然而，现有的输血预测模型普遍存在普适性不足的问题，这些模型往往局限于特定手术类型或基于小样本量构建，且缺乏外部验证。迄今为止，尚未展开专门针对腹部大手术的围手术期输血预测，而这类手术通常伴随显著的术中失血量。基于大规模人群队列建立可靠的预测模型，对于改善该领域的输血实践具有关键作用。 因此，本研究通过整合多中心临床数据集，开发并对外验证了一套全面的预测模型，用于评估腹部大手术的术中红细胞输注需求。

方法

本项多中心回顾性研究的数据来源于三级医疗机构的电子病历系统（ EMR），以及PhysioNet 平台（https://physionet.org/content/ inspire）上公开的创新研究环境外科患者信息数据集（INSPIRE）。

研究队列包含2012年1月至2021年12月期间，在某三级医疗中心接受腹部大手术的≥18岁患者数据。验证队列则整合了2011年1月至 2019年6月期间在另一家三级医疗中心接受腹部大手术的≥18岁患者数据，以及2011年1月至2020年12月期间的INSPIRE数据集。对于研究期间接受多次手术的患者，仅纳入其最早一次手术的数据用于分析。本研究涵盖普通外科、泌尿外科、妇科及血管外科四大主要外科专业，代表性手术包括胃肠道切除术（如结肠切除术、胃切除术）和实体器官切除术（如肾切除术、子宫切除术、主动脉瘤修复术）和其他腹腔内手术。排除标准如下：已知患有血液疾病或凝血障碍（排除药物引起的凝血功能障碍）的患者；术前接受过输血的患者；以及数据不完整或实验室检查值缺失的患者。

数据收集和变量定义

通过回顾性分析电子病历系统，我们获取了患者的临床特征、手术数据及术前实验室指标等信息。患者基本信息包含年龄、性别、体重、身 高、BMI指数以及ASA分级。此外，还记录了糖尿病、高血压、心血管疾病、脑血管意外、高脂血症、肝炎以及肺肾疾病等合并症情况。手术相关数据涵盖急诊手术、器官移植、癌症手术、欧洲心脏病学会（ ESC）手术风险、手术类型、麻醉方式及手术时长等指标。术前实验室参数包括白细胞计数、血红蛋白、国际标准化比值（INR）、血小板、中性粒细胞、淋巴细胞、单核细胞、红细胞分布宽度、钠离子、钾离子、天冬氨酸氨基转移酶、丙氨酸氨基转移酶、总胆红素、白蛋白、总蛋白、肌酐、总钙和血糖浓度。输血数据涵盖术中输注的红细胞、新鲜冰冻血浆、冷沉淀和浓缩血小板，以及术后红细胞输注情况。术后结果数据包括ICU住院率、30天死亡率及总体死亡率。

该研究旨在开发术中RBC输注的预测模型，使用外部验证评估其性能，并基于净获益评估其临床实用性。如果血浆血红蛋白浓度<8 g /dl或预期发生大量术中出血，则根据麻醉医师的判断和指南的说明进行RBC输注。对于缺血性心脏病患者，血红蛋白浓度需维持 >10 g/dl。

统计分析和模型开发

连续变量采用均值±标准差或中位数±四分位间距进行统计，分类变量则以频率（年龄百分比）呈现。针对连续变量，采用学生t检验或Mann—Whitney U检验分析患者特征与围手术期指标；分类变量则根据情况选用χ检验或Fisher’s精确检验。针对BMI (4.9%患者）及术前实验室指标（包括中性粒细胞、淋巴细胞、单核细胞、尿酸、总胆红素、 国际标准化比值、白蛋白、钠、钾、肌酐、总蛋白、总钙和葡萄糖，5.4%患者）的缺失数据，采用马尔科夫链-蒙特卡洛法（Markov chain Monte Carlo）进行单次插补。为开发并验证术中红细胞输注预测模型，研究人员根据手术及治疗机构将患者划分为开发集与验证集。模型开发采用某三级医疗中心的数据，外部验证则使用另一家三级医疗中心数据及公开的INSPIRE数据集。通过开发集进行单变量逻 辑回归分析，评估各变量的预后能力。构建术中红细胞输注预测模型时，基于Lasso回归筛选变量构建Logistic回归模型。LASSO方法通过施加惩罚项将无关系数压缩至零，从而识别关键预测因子。最终模型保留非零系数的变量。年龄作为多项研究中报告的风险因素且具有临床意义，基于其相关性也被纳入模型。随后，我们利用多变量Logistic回归模型的回归系数生成预测术中红细胞输注可能性的异常图。该预测模型的判别力和校准效果被用于评估其预测性能。为评估模型的判别能力，计算了C统计量，取值范围从0.5（无区别）到1（完全区别）。我们绘制了校准图以直观呈现预测概率与实际观测结果的一致性。采用Hosmer—Lemeshow检验评估模型的拟合优度，并基于两组验证集计算C统计量和校准曲线以评估外部效度。利用净效益曲线评估该输血预测模型的临床意义与应用价值。根据临床相关性和影响程度，将风险的关键决策阈值设定为20%。所有报告的P值均为双侧检验，当P<0.05时视为具有统计学显著性。所有统计分析均使用SAS 9.4版软件(SAS研究所公司）完成。

结果

研究参与者

在130,582例患者的研究数据集中，根据排除标准排除了1833例。因此，最终纳入研究的病例数为128749例。两项外部验证集分别纳入了71590例和3701例患者（图1）。

在术后结局方面，输血组的ICU入院率显著高于非输血组（34.3% vs 7.9%，P< 0.001），30 天死亡率（1.0% vs 0.2%，P<0.001）和总体死亡率( 36.5% vs 14.8%，P<0.001）也更高（表1）。在开发集中，6.0% ( 7749/128 749）患者接受输血治疗。相比之下，另一项外部验证集报告输血率为4.5%（3207/71 590），而INSPIRE验证集报告输血率为 7.3%（269/3701）（补充表1）。开发集和首次外部验证集的平均输血单位数为0.1 ,INSPIRE验证集则为0.7（补充表1）。

Nomogram开发和外部验证

通过LASSO回归分析，最终确定七个变量纳入预测模型：ASA分级、ESC手术风险、血红蛋白浓度、血小板计数、国际标准化比值（INR）、白蛋白浓度及年龄（基于临床相关性和广泛认可度）。单变量与多变量Logistic回归分析显示，ASA分级、 ESC手术风险、 INR和血小板计数是影响术中红细胞输注的显著预测因子（表2）。这七个经统计学与临床双重验证的变量，被用于构建术中红细胞输注概率预测模型（图2）。

表3展示了术中红细胞输注预后模型在开发集与验证集中的判别性能。根据C统计量显示，该模型在开发集的判别性能为0.86 (95%置信区 间[CI] ：0.85—0.86），外部验证集为0.85 (95% CI：0.84—0.85）， INSPIRE验证集则为0.85 (95% CI：0.82—0.87。

该模型在所有数据集上均展现出稳定且良好的区分能力（表3）。补充图1直观展示了开发数据集的受试者工作特征曲线和校准图，清晰呈现了术中红细胞输注预后模型的整体性能。模型具有优异的区分度，AUC值达0.86 (95%置信区间：0.85—0.86，Hosmer—Lemeshow检验（χ2=12.59, df=8, P=0.127）显示校准效果良好。补充图2通过INSPIRE等两个外部数据集对外部验证了模型性能，校准曲线与对角线高度吻合，表明预测概率与实际观察结果基本一致（补充图2）。

预测模型的临床应用

决策曲线分析表明，相较于“全治疗”和“不治疗”策略，该预测模型在不同概率阈值区间均呈现正向净效益（图3）。在开发集数据中，模型在0.31的概率阈值范围内持续保持正向净效益（图3）。在两个验证集数据中，模型展现出更广范围的正向净效益。全治疗策略在低概率阈值后出现净效益急剧下降，而不治疗策略则保持恒定且无净效益。该预测模型在所有数据集中始终展现出更高的净效益水平。

讨论

我们利用一个广泛的数据集构建了精准且临床实用的预测模型，为接受腹部大手术的患者制定围手术期输血管理方案提供科学依据。这种可靠的输血预测模型不仅能优化医疗资源配置、提升人员配置效率、完善术前患者准备流程、减少非必要输血操作，更能通过精准的输血策略，最终实现患者预后的显著改善。

精准预测术中输血需求对优化围手术期管理至关重要，既能确保及时给予适当血液支持以维持血流动力学稳定，又能提升手术成功率。尽管输血治疗常被必要，但大量研究显示其会增加接受腹部大手术患者的并发症发生率和死亡风险。本研究发现输血组的短期与长期死亡率、 ICU入院率及住院时长均显著偏高，这充分说明输血需求与手术效果不佳存在密切关联。此外，准确预测围手术期输血需求与完善的术前规划密切相关，包括术前确保充足的血管通路、做好充分的输血准备，以及优化手术室人员配置和资源分配。由于血液制品是主要由献血者提供的有限且珍贵资源，高效的输血管理对于防止血液资源短缺并确保合理使用至关重要。

现有的血液管理系统，例如最大手术用血订购计划（ MSBOS）和分组筛选检测，以及基于外科医生和麻醉师经验的临床实践，可能无法完全满足个体化的输血需求。这些方法依赖于术中失血量的预估来预先制备血制品，常会出现未使用的库存需返还血库的情况。但红细胞（RBC）的有效期具有严格限制，一旦返还必须在规定时限内使用；否则可能因存储规范和安全考量而被废弃。此外，从订购、处理到返还的流程操作，给血库工作带来了沉重的人员和资源负担，导致整个血液供应链的低效率。一个准确的预测模型，通过整合患者特异性和手术相关因素，可以增强术前血液管理，优化交叉配型，并改善围手术期决策。此外，它还可以向患者提供风险评估和促进策略（如术前贫血优化）。

本研究首次开展大规模临床试验，旨在建立针对接受大手术患者输血需求的预测模型，并通过外部验证突出其临床价值。该预测模型致力于通过实现更精准、个性化的血液制备方案来解决现有低效问题。与传统高度依赖经验判断的方法不同，我们的模型通过整合客观的术前变量，显著提升了输血风险预测的准确性。这种创新方法既能避免不必要的血液制备流程，又能确保真正需要输血的患者获得及时且充足的血液供应。在本研究模型中，我们构建了一个包含七个变量的列线图用于预测术中输血需求。该模型在内部开发和外部验证中均表现出优异的区分度，在外部验证过程中对预测概率范围内的数据也显示出良好的拟合效果。本研究纳入预测模型的变量均为术前已知风险因素，这些变量在既往研究中已被广泛认可。

文献中已确定多个影响输血需求的重要预测因素。年龄和患者合并症，ASA分级和Charlson Comorbidity指数的评估与围手术期输血需求增加密切相关。老年患者及合并症较多者更易需要输血，这与其生理储备减少及对手术应激的易感性增加有关。此外，手术复杂程度和操作类型也是输血的重要风险因素：手术越复杂，失血量越大，输血需求也越高。在实验室变量中，多项研究一致表明，与贫血相关的术前血红蛋白浓度一直被确定为输血的最强预测因子之一。此外，凝血参数如国际标准化比值（INR）和血小板计数也是重要预测因子，因为它们能反映患者的凝血状态及围手术期出血倾向。另一个值得关注的因素是白蛋白的作用，研究表明其与患者预后密切相关，可作为急性期炎症标志物和营养状况的评估指标。在我们的研究中，白蛋白也显示出与输血需求的显著相关性，这与其作为该指标可反映患者对手术应激及并发症的易感程度。这一发现与既往研究结论相呼应，这些研究强调了白蛋白或相关指标（如预后营养指数）在预测输血需求方面的重要性。本研究将可通过简单术前血液检测、患者特征及手术复杂度等易于获取的变量纳入输血预测模型，且这些变量具有易于推广至其他医疗机构的优势。

此外，该预测模型在广泛概率阈值范围内均展现出正净效益，在开发集和外部验证集（包括INSPIRE数据集）中持续优于“全治疗”和“不治疗”两种策略。尽管在开发集中的正净效益最高可达0.31的概率阈值，但验证集显示出更广的临床应用范围，这凸显了该模型在不同临床场景中的普适性和稳健性。

我们的研究有几个局限性。首先，本研究的回顾性设计可能导致选择偏倚，因为数据质量取决于电子病历系统的准确性和完整性。机构间输血政策的差异以及外科医生经验、术中失血量估算、术前体液状态等不可控混杂因素，也可能影响模型的适用性。其次，本研究仅在韩国某单一机构进行模型开发，并在另一家以韩裔患者为主的韩国医院完成外部验证。这可能限制我们的研究结果对其他医疗中心的普适性。但需说明的是，本模型基于术前实验室指标和国际通行的手术风险因素等客观变量，具有跨患者群体的普遍适用性。此外，为便于外部验证和本土化调整，我们提供了完整的模型系数（表2），供其他机构根据自身患者数据进行必要参数校准。鉴于既往关于输血模型的研究已将种族作为预测因素纳入考量，未来需要开展包含更多不同种族和民族群体的多中心研究，以提升该模型的适用性和稳健性。第三，虽然本模型主要针对红细胞输注，排除了新鲜冰冻血浆、血小板及冷冻沉淀物等其他血液制品，这可能限制其在手术输血管理中的全面应用。最后，为使本研究所开发的四联素谱图（fourthenogram）真正应用于临床实践，可能需要将其整合到自动化决策支持系统中。由于本研究未直接评估实施可行性，后续研究应探索将该模型实际融入医院工作流程，理想情况下可作为电子病历系统决策支持模块或移动应用程序工具的一部分。

尽管如此，我们的研究强调了预测模型在改善围手术期管理和优化血液制品等稀缺资源的使用方面的重要性。通过精准预测术中输血需求，该模型能优化外科手术规划、提升患者安全并提高大型腹部手术资源利用效率。相较于临床医生目前使用的非正式预估方法，该模型实现了数据驱动的改进，并可作为术前规划的有效工具。将该模型整合到临床工作流程（如基于电子病历的决策支持系统）中，可实现风险分层自动化、简化血液配型流程，并减少不必要的术前交叉配血。未来研究应着重验证该模型在不同患者群体的多中心应用，并探索其在实时临床决策工具中的整合。

Tags： 【神麻人智】腹部大手术输血预测模型的建立与验证：多中心回顾性研究