《Frontiers in Health Services》：Evaluating risk factors affecting chronic wound healing: a comprehensive analysis using logistic regression and neural network models
编辑推荐：
目的：慢性伤口给患者带来巨大的负担和痛苦，其愈合过程受生理、社会和心理因素复杂交织的影响。本研究旨在通过整合传统统计方法与机器学习技术，全面评估影响慢性伤口愈合的风险因素。方法：研究人员（研究人员）回顾性收集了本院收治的232例慢性伤口患者的人口学和临床数据。
目的：慢性伤口给患者带来巨大的负担和痛苦，其愈合过程受生理、社会和心理因素复杂交织的影响。本研究旨在通过整合传统统计方法与机器学习技术，全面评估影响慢性伤口愈合的风险因素。方法：研究人员（研究人员）回顾性收集了本院收治的232例慢性伤口患者的人口学和临床数据。采用Mann-Whitney U检验对连续变量进行单变量比较，分类变量采用卡方检验或Fisher精确检验分析，有序变量采用Cochran-Armitage趋势检验评估。具有统计学显著性的参数随后被纳入二元逻辑回归（binary logistic regression）和多层感知器神经网络（multilayer perceptron neural network, MLP）模型。结果：单变量分析确定了七个与伤口预后显著相关的因素：并发伤口数量（P = 0.020）、伤口面积（P = 0.043）、疼痛评分（P = 0.005）、干预方式（趋势P = 0.005）、非甾体抗炎药（NSAIDs）使用（P = 0.010）、血红蛋白（P = 0.005）和白蛋白（P = 0.001）。在多变量逻辑回归模型（事件=良好预后）中，白蛋白（校正后OR=1.101, 95% CI: 1.024-1.183, P = 0.010）以及两种干预方式（OR=4.775, 95% CI: 1.215-18.762, P = 0.025）或三种干预方式（OR=6.360, 95% CI: 1.404-28.797, P = 0.016）与良好预后独立相关。MLP模型的受试者工作特征曲线下面积（AUC）为0.771（95% CI: 0.710-0.832），其中伤口面积（100%）和白蛋白（69.3%）显示出最高的归一化重要性。DeLong检验显示逻辑回归模型与MLP模型之间无显著差异（P = 0.907）。结论：白蛋白水平与多模式干预与慢性伤口良好预后独立相关，而伤口面积和白蛋白在神经网络模型中成为最具影响力的预测因子。这些发现强调了营养状况和综合伤口管理的重要性，但回顾性设计限制了因果推断。
论文解读：
**研究背景与问题**
慢性伤口（定义为持续超过四周未愈合的皮肤损伤）是全球性的重大健康挑战，常与糖尿病、压力性损伤、静脉性溃疡、动脉性溃疡及创伤等基础疾病相关，严重影响患者的身心健康、社会互动和经济状况。在中国，慢性伤口的经济负担沉重，尤其在欠发达地区，治疗费用远超居民年均可支配收入，给患者家庭带来巨大压力。慢性伤口的流行病学模式因地区经济水平和医疗资源可及性而异，城市地区治疗率较高，而农村地区资源有限。评估慢性伤口愈合需考虑生理、社会和心理因素的复杂交互作用，但现有研究在全面识别和评估多层次风险因素方面存在显著空白，尤其是将患者特征与先进分析方法整合方面。传统统计方法虽有价值，但可能无法充分捕捉生物过程中固有的复杂非线性关系。因此，本研究旨在通过回顾性队列设计，整合单变量比较、二元逻辑回归与多层感知器（MLP）神经网络模型，探究与慢性伤口愈合结局相关的因素，并评估这些模型的诊断性能，为临床医生制定个性化治疗策略提供依据。该论文发表在《Frontiers in Health Services》。
**研究内容与结论**
研究人员回顾性收集了2023年1月至2024年6月在重庆大学黔江医院治疗的232例慢性伤口患者的数据。主要结局为随访期末伤口愈合预后，分为良好（完全愈合或面积减少≥50%且无复发）和不良（未愈合、面积减少<50%、恶化或复发）。通过单变量分析（Mann-Whitney U检验、卡方检验、Fisher精确检验、Cochran-Armitage趋势检验）筛选出显著变量，随后纳入二元逻辑回归和MLP模型。单变量分析发现七项因素（并发伤口数量、伤口面积、疼痛评分、干预方式、NSAIDs使用、血红蛋白、白蛋白）与预后显著相关。多变量逻辑回归显示，白蛋白（每增加1 g/L，校正后OR=1.101）以及两种或三种干预方式与良好预后独立相关，而血红蛋白、伤口面积等在多变量模型中失去显著性。MLP模型（两层隐藏层，8和4个神经元，ReLU激活，Adam优化，10折交叉验证）的AUC为0.771，伤口面积和白蛋白分别以100%和69.3%的归一化重要性成为最强预测因子。DeLong检验显示两模型AUC无显著差异（P=0.907）。结论强调营养状况和综合伤口管理的重要性，但需注意回顾性设计无法推断因果关系。
**主要关键技术方法**
（1）样本来源：重庆大学黔江医院的回顾性队列，纳入232例慢性伤口患者（2023年1月至2024年6月）。
（2）单变量分析：对连续变量（如年龄、伤口面积、血红蛋白等）采用Mann-Whitney U检验；分类变量（如性别、居住地、伤口病因等）采用卡方检验或Fisher精确检验；有序变量（如教育水平、干预方式）采用Cochran-Armitage趋势检验。
（3）多变量逻辑回归：将单变量分析中P<0.05的变量同时纳入模型，以良好预后为事件，计算校正后OR及95% CI，并用Hosmer-Lemeshow检验评估校准度，方差膨胀因子（VIF）评估多重共线性，Cook距离评估影响点，以及进行敏感性分析（排除极端值）。
（4）MLP神经网络：使用SPSS神经网络模块构建，输入层7个神经元，两个隐藏层（8和4个神经元，ReLU激活），输出层为sigmoid二分类。采用Adam优化器、二元交叉熵损失、L2正则化（α=0.1）、学习率0.001、批次大小32、最大500轮训练并早停（patience=20）。连续变量经z-score标准化，数据集按69%训练集和31%测试集划分，10折交叉验证评估稳定性。变量重要性基于敏感性分析计算归一化重要性。AUC通过Hanley-McNeil公式估计95% CI，最佳截断值由约登指数确定，DeLong检验比较两模型AUC。
**研究结果**
**3.1 基线特征**：通过单变量比较发现，232例患者中，110例（47.4%）预后不良，122例（52.6%）预后良好。多数患者居住在农村（87.5%），教育水平较低（小学为主，51.1%），合并症普遍（93.1%），NSAIDs使用率39.7%，情绪障碍发生率60.8%。两组在年龄、性别、居住地、吸烟、饮酒、合并症、情绪障碍等方面无显著差异。
**3.2 伤口特征**：伤口主要位于下肢（38.8%）和足部（35.8%），病因以手术溃疡（SU，61.6%）和静脉性腿溃疡（VLU，21.1%）为主，分布无组间差异。并发伤口数量>3者在良好预后组中更多（7.4% vs. 0.9%，P=0.020）。伤口面积在良好预后组更小（中位数6 cm2 vs. 9 cm2，P=0.043），而疼痛评分中位数相同但分布差异显著（P=0.005）。
**3.3 治疗与实验室指标**：干预方式类别间趋势显著（趋势P=0.005），良好预后组更常接受两种（47.5%）或三种（23.8%）干预方式，不良预后组更常接受一种（50.0%）或无干预（7.3%）。NSAIDs使用在良好预后组更频繁（47.5% vs. 30.9%，P=0.010）。实验室指标中，血红蛋白（中位数128 vs. 122 g/L，P=0.005）和白蛋白（39 vs. 37 g/L，P=0.001）在良好预后组更高。
**3.4 多变量逻辑回归分析**：七项显著变量同时纳入模型，白蛋白（校正后OR=1.101，P=0.010）和干预方式（两种vs.无：OR=4.775，P=0.025；三种vs.无：OR=6.360，P=0.016）与良好预后独立相关。血红蛋白、并发伤口数量>3、伤口面积、疼痛评分、NSAIDs使用未达到统计学显著性。模型校准良好（Hosmer-Lemeshow P=0.538），总体分类准确率69.8%。多重共线性诊断无问题（VIF<2.0），敏感性分析显示结果稳健。
**3.5 MLP模型预测性能与模型比较**：MLP模型在训练集准确率73.1%，测试集68.1%，AUC为0.771（95% CI: 0.710-0.832）。归一化重要性排序：伤口面积100%、白蛋白69.3%、干预方式60.0%、并发伤口数量53.9%、血红蛋白40.6%、疼痛评分37.7%、NSAIDs使用15.2%。逻辑回归模型AUC为0.773（95% CI: 0.713-0.833），灵敏度0.680，特异度0.755。DeLong检验显示两模型AUC无显著差异（P=0.907），表明判别性能相当。
**讨论与结论**
研究人员在讨论中指出，白蛋白与良好预后独立相关，支持了营养状况（尤其是蛋白质充足性）在伤口愈合中的关键作用，但白蛋白同时反映营养、炎症和肝脏合成功能，应视为整体营养炎症状态的标志而非孤立因果因素。血红蛋白的单变量关联在调整后消失，主要因其独立贡献较小。两种或三种干预方式与良好预后相关联，但回顾性设计无法排除适应证混淆（病情较重者可能接受更多干预），因此该关联不应视为因果，而需前瞻性研究验证。疼痛评分和NSAIDs使用的矛盾结果（良好预后组疼痛评分更高、NSAIDs使用更多）可能源于指标偏差和症状性治疗，避免机制性结论。伤口面积在MLP模型中重要性最高，但逻辑回归中未保持独立显著性，提示非线性关系，MLP更擅长捕捉此类交互。两模型性能相当，逻辑回归提供可解释的OR，MLP提供非线性变量重要性排序，具有互补优势。此外，不同伤口病因间预后无显著差异，可能与糖尿病伤口接受标准化管理有关，而其他病因患者面临医疗资源可及性障碍。情绪障碍未确认关联，可能因回顾性设计未充分捕捉严重程度。
**研究结论**：在这项探索性回顾性研究中，血清白蛋白水平和多模式干预（两种或三种方式）与慢性伤口良好预后独立相关，而伤口面积和白蛋白在MLP神经网络模型中成为最具影响力的预测因子。逻辑回归模型与MLP模型取得了相当的判别性能（AUC ≈ 0.77）。这些发现强调了营养状况和综合伤口管理在慢性伤口护理中的关键重要性。然而，由于单中心回顾性设计及适应证混杂的可能性，研究人员将观察到的关联视为预后模式而非因果效应。未来需要开展前瞻性、多中心、长期随访及外部验证的研究来证实这些发现并阐明慢性伤口愈合的机制。
