动态诺模图在预测分娩方式及新生儿重症监护病房入住率方面的开发与验证：一项回顾性队列研究

《International Journal of Women's Health》：Development and Validation of Dynamic Nomograms for Predicting Delivery Mode and Neonatal Intensive Care Unit Admission in Intrapartum Fever: A Retrospective Cohort Study

动态评分量表预测产时发热孕妇的剖宫产及新生儿重症监护病房入住风险，基于多中心回顾性队列研究（2019-2021年24,784例分娩），经向后逐步多变量逻辑回归模型验证，测试集AUC达0.783（剖宫产）和0.748（NICU），Brier score和Hosmer-Lemeshow检验显示良好校准性能。模型整合动态监测指标（如体温、胎心）与静态临床参数（如年龄、BMI、胎便污染羊水），支持产时个体化决策。

　　这项研究围绕妊娠期间发热（intrapartum fever）对母婴结局的影响展开，重点在于开发和验证一个动态的诺模图（nomogram），用于预测发热产妇的剖宫产（cesarean delivery）风险以及新生儿需要进入新生儿重症监护室（NICU）的可能性。该工具旨在为临床提供个性化的决策支持，帮助医生在分娩过程中识别高风险产妇，从而采取更有针对性的干预措施，以改善母婴健康结局。

妊娠期间发热是一个与不良母婴结局密切相关的重要临床问题。发热通常定义为腋下温度≥37.5°C，可能引发绒毛膜羊膜炎、产后出血、新生儿败血症以及新生儿脑损伤等并发症。尽管目前已有针对妊娠期高血压和早产的预测模型，但专门针对发热导致的不良结果的动态风险评估工具仍然稀缺。现有的模型往往只能预测发热的发生或单一的母婴结局，而缺乏对多维度结果的综合预测能力。因此，研究者尝试构建一个能够同时预测剖宫产风险和新生儿是否需要进入NICU的诺模图，以期为临床决策提供更全面的支持。

研究数据来源于一家三级医院的电子病历系统，覆盖了2019年至2021年期间的24,784例分娩记录。在排除不符合条件的病例后，最终纳入了1,047例具有妊娠期发热的产妇。这些数据被随机分为训练集（837例）和测试集（210例），以确保模型的稳定性与泛化能力。通过后向逐步多变量逻辑回归模型，研究者识别出多个与剖宫产风险和新生儿NICU入院相关的独立预测因子。

对于剖宫产风险的预测，研究发现以下因素具有显著影响：高龄产妇、妊娠期高血压、产时抗生素预防（IAP）、胎粪污染羊水（MSAF）、胎儿体重过大（Macrosomia）、产后出血（PPH）、羊水过少（Oligohydramnios）、辅助生殖技术（ART）、妊娠期高血压疾病（HDP）、产妇心动过速、胎盘组织病理学变化、产时体温以及引产方式。这些变量被整合到诺模图中，以评估产妇在发热情况下更可能选择剖宫产的概率。

在预测新生儿是否需要进入NICU方面，研究发现的独立预测因子包括低出生体重（LBW）、不良产科病史（AOH）、胎心过速、胎心过缓、子宫疤痕、产妇心动过速以及胎粪污染羊水。通过这些变量的组合，研究者构建了一个能够预测新生儿重症监护风险的诺模图。模型在训练集中的AUC为0.681，测试集为0.748，显示出良好的预测能力。此外，Brier评分和Hosmer-Lemeshow检验进一步验证了模型的校准性能，表明预测结果与实际观察值之间具有较高的一致性。

研究者强调，该诺模图的优势在于其动态特性。传统的风险评估工具，如产科合并症指数（OBCI）或单一生物标志物模型（如灌注指数PI），通常基于静态数据，无法反映分娩过程中的实时变化。而该模型则整合了产时的动态监测指标，如产妇和胎儿的心率趋势、羊水颜色变化等，这些指标能够实时更新，从而实现更精准的风险评分。这种动态特性使得模型在预测剖宫产和新生儿NICU入院风险方面具有更高的灵活性和实用性。

在临床应用方面，该诺模图能够帮助医生在分娩过程中提前识别高风险产妇，从而做出更加科学的决策。例如，当产妇出现心动过速或羊水污染时，模型可以提示医生需要更密切地监测胎儿状况，并考虑是否需要提前进行剖宫产。同时，对于新生儿而言，该模型可以评估其是否需要进入NICU接受进一步观察和治疗，从而避免不必要的干预或资源浪费。

此外，研究还指出，当前机器学习技术在产科研究中的应用仍面临一些挑战。复杂的算法，如深度学习，虽然在某些情况下能够提供更精确的预测，但其计算需求高、模型解释性差，难以在实际临床环境中推广。相比之下，该诺模图基于常规的临床参数，不需要依赖专门的设备或复杂的软件系统，因此具有更高的临床可行性。研究者认为，这种模型可以更方便地嵌入到现有的分娩监测系统中，为基层医院提供实用的决策支持工具。

在研究的局限性方面，研究者承认该模型基于回顾性数据，且仅在一个中心进行，这可能会影响其外部效度。然而，研究采用了严格的纳入和排除标准，确保了数据的代表性，并通过TRIPOD指南进行模型验证，从而在一定程度上减少了偏差。此外，研究样本量较大（n=24,784），且所有产妇均接受了产时麻醉，这有助于提高模型的稳定性。

总的来说，这项研究提供了一个创新的动态风险评估工具，能够同时预测剖宫产风险和新生儿NICU入院风险，为临床决策提供了更全面的依据。通过整合实时监测数据和常规临床指标，该诺模图不仅提高了预测的准确性，还增强了其在实际应用中的可操作性。未来，研究者建议进一步开展多中心前瞻性研究，以验证该模型在不同人群中的适用性，并探索其在智能产科系统中的集成可能性。这将有助于提高分娩过程中的风险识别能力，推动更加精准和个性化的产科管理。