《Sustainability》：Conservation Tillage Coupled with Controlled-Release Nitrogen Enhances Soil Aggregate Stability, Nutrient Retention and Soybean Yield in the Loess Plateau
编辑推荐：
背景/目的：谵妄在重症监护病房（ICU）患者中普遍存在，并与延长机械通气、延长ICU住院时间、增加死亡率以及出院后认知障碍相关。由于大多数现有预测工具是基于欧洲队列开发的，其可转移性至其他ICU环境尚不清楚。设备支持负担受到的关注有限，且预处理数据泄漏仍是一个
背景/目的：谵妄在重症监护病房（ICU）患者中普遍存在，并与延长机械通气、延长ICU住院时间、增加死亡率以及出院后认知障碍相关。由于大多数现有预测工具是基于欧洲队列开发的，其可转移性至其他ICU环境尚不清楚。设备支持负担受到的关注有限，且预处理数据泄漏仍是一个次要的方法学问题。方法：这项前瞻性研究连续纳入安卡拉埃特利克城市医院内科ICU的成年患者。在ICU入院或入院后24小时内记录了电子健康记录中的50个预测变量。设备支持变量通过消融分析作为一个独立域进行评估。研究人员开发了一个弹性网络正则化逻辑回归模型，并使用5×4折嵌套交叉验证进行验证。预处理仅限于训练折，并使用梯度提升作为比较方法。研究人员还评估了一个固定的探索性11预测变量简化模型。结果：在50.8%的患者中检测到谵妄。完整正则化模型的受试者工作特征曲线下面积（AUROC）为0.696（95% CI: 0.613–0.767）。固定探索性简化模型的表现AUROC为0.756（95% CI: 0.684–0.819），高于其他模型。当在每个外层训练折内重复特征选择时，这一明显优势消失（嵌套简化模型AUROC 0.700）。完整模型的校准斜率为0.741（95% CI: 0.345–1.265）。该置信区间较宽，并包含1.0。固定简化模型斜率为0.235（95% CI: 0.068–0.886），表明预测概率过于极端。消融分析显示，设备支持变量在临床和实验室变量基础上增加了预测价值，而环境变量单独未能显著区分两组。结论：在这个单中心土耳其ICU队列中，正则化逻辑回归在预测谵妄方面表现出中等性能。嵌套特征选择未能重现固定简化模型的表现优势。设备支持变量最好被解释为护理复杂性的标志，而非直接因果因素。在临床使用前需要进行外部验证和重新校准。由于谵妄发作和设备支持开始时间不可用，该模型根据ICU入院或入院后24小时内记录的预测变量估计整个ICU住院期间的谵妄风险，并非时间锚定。
**论文解读文章**
**研究背景**
谵妄（delirium）是重症监护病房（ICU）患者中一种急性、波动性的注意、意识和认知障碍，其发生率因ICU人群和筛查方法而异，在接受机械通气的患者中可高达60–80%。谵妄不仅延长机械通气时间、增加ICU住院天数和死亡率，还可能导致出院后认知损害，并增加医疗资源利用。目前，ICU谵妄的预防主要依赖多组分非药物干预（如早期活动、轻度镇静、睡眠保护、家庭参与及ABCDEF集束化策略），但这些措施需要大量临床时间和协调。因此，早期识别高危患者有助于将预防措施集中于最可能获益的个体，同时更高效地利用ICU资源。
现有预测工具中，PRE-DELIRIC模型是最广泛验证的ICU谵妄风险模型之一，但在外部验证中其判别性能（AUROC）通常降至0.71–0.77。设备支持变量（如机械通气、鼻胃管、血管加压药等）在PRE-DELIRIC及其入院版本E-PRE-DELIRIC中仅部分体现，而这些变量可能反映器官支持强度、护理工作量和侵入性监测，从而提供额外预测信息。同时，近期机器学习研究报道的高AUROC值可能因预处理数据泄漏（preprocessing leakage）而过于乐观，即预处理步骤（如插补、缩放）在交叉验证前对整个数据集进行，导致测试折信息影响模型开发。
在土耳其ICU环境中，PRE-DELIRIC的验证研究仅报告了中等判别性能（AUROC 0.649），凸显了在本地临床实践中评估预测模型的重要性。本研究旨在基于土耳其安卡拉埃特利克城市医院内科ICU的前瞻性队列，开发一个正则化逻辑回归模型来预测ICU住院期间的谵妄，并采用泄漏感知的嵌套交叉验证框架进行内部评估，同时通过消融分析量化不同预测域（临床/实验室、设备支持、环境）的贡献。
**关键技术与方法**
研究人员采用弹性网络正则化逻辑回归（elastic net regularized logistic regression）作为主要模型，以应对低事件数/变量比（EPV=1.96）情况下的系数不稳定问题。模型开发使用了嵌套交叉验证（5×4折），所有预处理步骤（中位数插补、独热编码、标准化）均仅在训练折内进行，以避免数据泄漏。超参数优化通过内层4折网格搜索（30个参数组合）以AUROC为目标。概率校准采用等渗回归（isotonic regression）。此外，研究人员还评估了一个固定探索性简化模型（11个预测变量，基于前期纯岭回归bootstrap分析），并进行了嵌套特征选择敏感性分析（在每个外层训练折内重复变量选择）。消融分析比较了四个特征集：临床/实验室变量、环境变量、临床/实验室加设备支持变量、所有候选变量。样本来源：2024年11月6日至2025年11月5日期间，土耳其安卡拉埃特利克城市医院内科ICU的193例成年患者（单中心）。
**研究结果**
**4.1 队列特征**
在193例患者中，98例（50.8%）发生谵妄。未调整分析中15个候选预测变量有差异，经Benjamini-Hochberg假发现率校正后11个变量仍显著，主要反映疾病严重程度、设备支持负担和全身炎症，包括血管加压药使用、鼻胃管、序贯器官衰竭评估（SOFA）评分、无创机械通气、高流量氧疗、既往住院史、吸入氧分数（FiO
2）>40%、机械通气、急性生理与慢性健康评估（APACHE II）评分、C反应蛋白（CRP）和白蛋白。谵妄患者的中位SOFA评分（6 vs. 4）、APACHE II评分（22 vs. 18）、CRP水平（95 vs. 54 mg/L）更高，白蛋白水平（28.5 vs. 32.0 g/L）更低。
**4.2 事件数/变量比**
完整模型名义EPV为1.96，因入院诊断变量经独热编码后有效信息-参数比更低。要达到常规EPV≥10，所需样本量约985例。因此，完整模型被视为内部验证的发育模型，而非临床工具。
**4.3 完整特征模型性能**
完整正则化逻辑回归模型在嵌套交叉验证中AUROC为0.696（95% CI: 0.613–0.767），AUPRC为0.689，Brier得分为0.228。校准斜率为0.741，表示预测概率略显极端。Hosmer–Lemeshow检验不显著（p=0.109），但样本量小，不能作为校准良好的证据。五折AUROC范围0.588–0.839。梯度提升（GBM）比较器AUROC为0.699（p=0.924），无显著改善。
**4.4 阈值依赖性表现**
在约登最优阈值下，完整模型灵敏度71.4%，特异度64.2%。决策曲线分析显示，完整模型在阈值概率0.33–0.66区间内净获益超过“全部治疗”和“不治疗”策略。
**4.5 简化模型性能**
固定简化模型表现AUROC为0.756（95% CI: 0.684–0.819），较完整模型高约6个百分点（DeLong p=0.006），折间变异更小（SD 0.056 vs. 0.085），但校准斜率更差（0.235），表明预测概率过于极端。嵌套特征选择敏感性分析中，当变量选择在每个外层训练折内重复时，嵌套简化模型AUROC降至0.700，与完整模型无显著差异（p=0.87），提示固定简化模型的表现优势主要源于在相同数据集上进行特征选择引起的乐观偏差。仅血管加压药使用、鼻胃管和白蛋白在五个外层折中均被选中。
**4.6 特征重要性**
固定简化模型中，血管加压药使用（OR 1.398，95% CI 1.089–1.747）和鼻胃管（OR 1.386，95% CI 1.066–1.696）与谵妄正关联最强，白蛋白水平较高与较低谵妄风险相关（OR 0.873，95% CI 0.689–1.000）。
**4.7 域消融分析**
设备支持变量加入临床/实验室变量后，AUROC从0.656提升至0.709（+5.2个百分点），而环境变量单独AUROC为0.450，置换检验不显著（p=0.117），表明其表现与随机水平一致。
**4.8 探索性敏感性分析**
模拟结果误分类（5–20%的阴性标签翻转为阳性）后，模型AUROC保持相对稳定（10%噪声下平均AUROC 0.705）。设备负担评分分层分析显示，高负担组（评分≥4）谵妄患病率74.4%，平均预测概率0.722；低负担组（0–1）分别为21.2%和0.202，观察到/预测概率比值接近1。
**讨论与结论**
本研究的主要发现是：正则化逻辑回归模型在单中心土耳其ICU队列中表现出中等预测性能。固定简化模型虽表现AUROC较高，但校准不良且嵌套特征选择后优势消失，提示其表现受乐观偏差影响，不能直接推广。设备支持变量（尤其是血管加压药和鼻胃管）提供了超越临床/实验室变量的增量预测信息，但应视为疾病严重性和护理复杂性的标志，而非直接因果因素。环境变量（如噪声、探视、电视使用等）单独无判别能力，可能因记录为二值变量且缺乏强度、持续时间等细节。
方法的稳健性体现在：采用泄漏感知的嵌套交叉验证、明确报告校准和决策曲线分析、低EPV下的正则化处理。然而，模型的主要局限性包括：样本量小（EPV低）、单中心设计、缺乏外部验证、校准不佳（尤其是固定简化模型）、谵妄评估依赖每日两次CAM-ICU（可能漏诊波动性或低活动性谵妄）、未记录第一次CAM-ICU阳性时间和设备支持开始时间（无法进行时间锚定预测）、缺乏镇静深度、苯二氮?类/阿片类药物暴露、疼痛评分等关键变量。
**结论**：在该单中心土耳其ICU队列中，正则化逻辑回归在内部验证中实现了对ICU谵妄的中等判别能力。固定简化模型表现AUROC较高，但嵌套特征选择下优势消失，提示乐观偏差。设备支持负担提供了额外预测信息，宜解释为器官支持强度标志而非因果因素。环境二值指标无独立判别价值。由于校准不良、样本量小、EPV低及缺乏外部验证，该模型尚不适合临床实施。未来需要更大规模的前瞻性多中心研究进行外部验证和重新校准，并纳入更详细的镇静、镇痛和合并症信息。该模型应被视为基于ICU入院24小时内记录的变量进行谵妄风险分层，而非时间锚定预测模型。论文发表在《Sustainability》。
