开发并验证术中输血风险预测模型：优化术前用血，缓解血液资源紧张

本文开发并验证了一种预测术中浓缩红细胞（pRBC）输血的模型（TRANSFUSE）。该模型基于多中心数据，含 24 个术前预测因子，预测准确性高，优于现有工具，有助于优化术前用血，减少血液浪费，对手术患者血液管理意义重大。

　　

一、研究背景

2022 年 1 月，美国红十字会宣布全国血液紧急状态。手术用血占医院血液使用量的很大一部分，但如何合理分配血液资源尚不明确。未使用的交叉配型浓缩红细胞（pRBC）不仅造成经济负担，还加剧全球血液短缺。现有的 pRBC 输血预测模型多针对特定手术，缺乏普适性，机器学习预测工具在不同医疗机构实施难度较大。因此，开发一种通用且易于实施的预测工具至关重要。

二、研究方法

1. 研究队列与数据收集：选取两个研究地点（Montefiore Medical Center，MMC；Beth Israel Deaconess Medical Center，BIDMC）的成年手术患者，排除美国麻醉医师协会（ASA）身体状况评分 6 分的患者。MMC 2016 年 1 月至 2021 年 6 月数据用于模型开发，2021 年 6 月至 2023 年 2 月数据用于内部验证，BIDMC 2008 年 1 月至 2022 年 6 月数据用于外部验证。数据从医院电子管理数据库获取，经机构审查委员会批准，符合相关法规要求，且对数据进行了缺失值处理和去识别化。
2. 术中 pRBC 输血及潜在预测因子：以术中输注至少 1 单位 pRBC 为研究结局，不包括自体血回收系统的应用。基于文献综述和临床合理性选取潜在预测因子，包括基线人口统计学特征、术前合并症、手术类型、手术复杂程度和持续时间等，并对术前不同贫血程度患者使用血管活性药物情况进行研究。
3. 评分开发与验证：采用逐步向后回归确定结局预测因子，计算 TRANSFUSE 评分，通过 C 统计量评估模型性能，用尤登指数确定输血高低风险截断值，并在独立队列中进行内部和外部验证。
4. 敏感性和探索性分析：将 TRANSFUSE 评分与已发表的输血风险理解评分工具（TRUST）及 3 种机器学习衍生模型进行比较，评估其在不同手术类型患者亚组中的性能，包括预测大量 pRBC 输血（术中输注超过 3 或 10 单位 pRBC），以及对术中新鲜冰冻血浆（FFP）输血的预测价值，还评估了加入围手术期使用氨甲环酸这一预测因子后的模型性能。
5. 统计分析：连续正态分布变量用均值 ± 标准差或均值标准误表示，偏态分布变量用中位数（四分位数间距）表示，分类变量用频数和百分比表示。使用逐步向后逻辑回归进行评分开发，用 Student t 检验分析组间差异，P<0.05 为有统计学意义，采用 Stata 17 和 Prism 10 软件进行数据分析。

三、研究结果

1. 研究设计与人群：共纳入 816618 例患者（MMC 273654 例，BIDMC 542964 例）。MMC 开发队列有 205200 例患者，其中 2.0% 接受术中 pRBC 输血；MMC 前瞻性验证队列有 68454 例患者，2.1% 需术中 pRBC 输血；BIDMC 验证队列有 542964 例患者，2.4% 接受至少 1 单位 pRBC 输血。MMC 术前有贫血的患者中，29.5% 进行非择期手术。在接受 pRBC 输血的患者中，35.4% 无贫血，45.7% 有轻度贫血，4.9% 有严重贫血。接受输血与未接受输血患者相比，术中使用血管活性药物的比例分别为 77.6% 和 27.2%，轻度贫血接受输血患者的去甲肾上腺素等效剂量显著高于中重度贫血患者。
2. 评分开发：最终预测模型保留 24 个预测因子，包括手术类型、基线人口统计学特征、术前数据和合并症等。各预测因子权重为 1 - 16 分，总分最高 62 分，术中 pRBC 输血概率为 0.003% - 96.5%。
3. 评分性能：训练队列中，模型的受试者工作特征曲线下面积（AUC）为 0.93，Brier 评分为 0.02。尤登 J 统计量确定截断值为 30 分及以上，此时低风险组占 80.9%，高风险组占 19.1%，敏感性为 86.8%，特异性为 82.3%，阳性预测值（PPV）为 8.9%，阴性预测值（NPV）为 99.7%。
4. 内部验证：内部验证队列中，模型预测术中 pRBC 输血的 AUC 为 0.92，按截断值分组，敏感性为 89.6%，特异性为 78.7%，PPV 为 8.4%，NPV 为 99.7%。
5. 外部验证：外部验证队列中，模型 AUC 为 0.90，无需重新校准。按截断值分组，PPV 为 16.5%，NPV 为 98.9%，敏感性为 60.0%，特异性为 92.5%。
6. 与 TRUST 评分和机器学习工具比较：TRANSFUSE 评分的 AUC 显著高于 TRUST 评分（0.93 vs 0.64，P<0.001），在外部验证队列中同样如此（0.90 vs 0.73，P<0.001），且其预测准确性与 3 种机器学习衍生工具相当。
7. 额外临床应用：模型在多种高风险手术（如胰腺切除术、心脏手术、肝切除术）中能准确预测术中 pRBC 输血，对不同外科专科手术（如移植、癌症、肌肉骨骼手术）的判别能力也得到证实。对大量 pRBC 输血（≥3 单位 AUC 为 0.93，≥10 单位 AUC 为 0.97）和 FFP 输血（AUC 为 0.93，PPV 为 2.6%，NPV 为 99.9%）预测能力良好，加入围手术期氨甲环酸作为预测因子后模型性能相似。

四、讨论

1. 模型优势：本研究开发并验证的 TRANSFUSE 模型可用于术前血型筛查和用血决策支持。与机器学习工具相比，该模型可手动计算，应用更便捷。在高风险 pRBC 输血手术中，对患者护理具有重要实用价值，已在肝移植手术中应用，未来还将整合到电子病历系统。
2. 主要预测因子分析：术前贫血是术中 pRBC 输血的最强预测因子，即使是轻度贫血也有预测价值。非门诊手术、手术复杂程度高、手术时间长、心肺转流手术、内脏移植手术、产科或妇科手术、再次手术、急诊手术或非常规工作时间手术、高 ASA 分级、肝脏疾病、低白蛋白血症、血小板减少、国际标准化比值（INR）升高均为术中 pRBC 输血的风险因素。
3. 模型的普适性与局限性：本模型旨在涵盖多种手术类型，提高适用性。但研究存在局限性，模型未纳入术中大量失血等指标，数据来自学术中心相关医院，农村社区医院的血液使用模式可能不同，且未进行反复局部验证。不过，对于出血风险高的手术，模型的 PPV 较高，可为临床决策提供支持。

五、研究结论

本研究开发并验证了一种预测术中 pRBC 输血的评分模型，无需先进信息技术或机器学习基础设施即可应用于临床实践，性能优于现有模型和机器学习衍生评分，对手术患者的血液管理具有重要意义。