心脏手术患者术后谵妄风险预测列线图模型的开发与验证

来自南京第一医院的研究团队针对心脏手术患者术后谵妄(POD)高发问题，通过回顾性分析825例患者数据，利用LASSO回归和多元逻辑回归构建了包含头CT结果、拔管前高乳酸血症、APACHE II评分等关键指标的预测模型。该模型展现出优异性能（训练集AUC 0.922，验证集0.896），并开发了交互式网络计算工具，为临床早期干预提供了量化决策支持。

　　

心脏术后谵妄(Postoperative Delirium, POD)作为困扰老年患者的常见并发症（发生率高达65%），其精准预测一直是临床难点。这项研究通过挖掘825例心脏手术患者的多维数据，采用机器学习领域的LASSO回归结合传统逻辑回归，首次构建了包含影像学（头CT异常）、代谢指标（拔管前高乳酸血症）、疾病严重度（APACHE^II评分）及手术风险（ASA分级）的复合预测体系。

模型验证阶段展现出令人振奋的判别力——曲线下面积(AUC)在训练队列达0.922，独立验证队列保持0.896的高水准。更巧妙的是，研究者将晦涩的统计学模型转化为直观的"风险计算器"，通过动态网络界面实现了个体化风险评估，让临床医生能像查看天气预报般预判患者POD风险。这项成果不仅为ICU的谵妄监测提供了客观工具，更开创了心脏围术期神经并发症的主动防控新模式。