慢性阻塞性肺疾病病人非計劃再入院風(fēng)險預(yù)測模型的系統(tǒng)評價

doi：10.12102/j.issn.2095-8668.2025.12.002

據(jù)統(tǒng)計，我國慢性阻塞性肺疾?。╟hronicobstructivepulmonarydisease，COPD）患病人數(shù)近1億例，年齡gt;40歲的患病率為 13.7%^[1] 。世界衛(wèi)生組織（WHO）關(guān)于COPD的病死率及死因預(yù)測調(diào)查顯示，未來40年COPD的患病率將持續(xù)上升，其防治形勢嚴(yán)峻[2-3]。非計劃再入院是指前次住院診療結(jié)束，病人在出院后無法預(yù)測的再次入院，且病人再入院的原因是相同或相關(guān)的疾病4。研究顯示，COPD病人30d內(nèi)再入院率高達 2.6%～82.2%^[5] ，且再入院可導(dǎo)致每年相關(guān)醫(yī)療費用花費超過150億美元6，給病人及社會造成了沉重的經(jīng)濟負(fù)擔(dān)。降低非計劃再人院率已成為國家衡量衛(wèi)生系統(tǒng)提供護理過程和質(zhì)量結(jié)果的標(biāo)準(zhǔn)[7-8]。因此，早期識別COPD非計劃再入院的高危人群并準(zhǔn)確評估其發(fā)生再入院的風(fēng)險、為病人提供更精準(zhǔn)的預(yù)防方案對降低其再入院率具有重要意義。風(fēng)險預(yù)測模型可作為及早識別COPD病人非計劃再入院風(fēng)險的重要手段之一，主要以篩查非計劃再入院的危險因素為基礎(chǔ)，通過建立統(tǒng)計模型，預(yù)測COPD病人未來發(fā)生非計劃再入院的概率[9。目前，國內(nèi)外已經(jīng)開發(fā)了多種COPD非計劃再入院風(fēng)險預(yù)測模型，但各模型的預(yù)測因子和預(yù)測性能不盡相同，且我國針對COPD病人非計劃再入院風(fēng)險預(yù)測模型進行系統(tǒng)評價的研究較少。因此，本研究對國內(nèi)外有關(guān)COPD病人非計劃再入院的風(fēng)險預(yù)測模型進行系統(tǒng)評價，為相關(guān)預(yù)測模型的構(gòu)建、應(yīng)用和優(yōu)化提供參考依據(jù)，以提高臨床醫(yī)護人員評估COPD病人發(fā)生非計劃再入院風(fēng)險的準(zhǔn)確性?，F(xiàn)報道如下。

1 資料與方法

本研究已在PROSPERO網(wǎng)站進行注冊（注冊號：CRD42023449939）。

1.1文獻納入與排除標(biāo)準(zhǔn)

1.1.1 納人標(biāo)準(zhǔn)

1）研究類型：橫斷面研究、隊列研究、病例對照研究；2）研究對象：疾病診斷符合《慢性阻塞性肺疾病全球倡議》（Global Initiative for Chronic Obstructive LungDisease，GOLD）3指南診斷標(biāo)準(zhǔn)或滿足國際疾病分類標(biāo)準(zhǔn)的COPD病人；3）研究內(nèi)容：COPD病人非計劃再入院風(fēng)險預(yù)測模型的構(gòu)建，并詳細描述模型構(gòu)建或驗證的方法。

1.1.2 排除標(biāo)準(zhǔn)

1）研究內(nèi)容為COPD病人預(yù)測因素或危險因素，但未構(gòu)建風(fēng)險預(yù)測模型;2）語言非中文或英文;3）會議摘要等未正式發(fā)表的文獻;4）重復(fù)發(fā)表的文獻;5）無法獲取全文的文獻；6）預(yù)測模型包含的變量 ?2 個或包含除非計劃再入院外的其他不良結(jié)局，如呼吸衰竭、死亡等。

1.2文獻檢索策略

采用主題詞和自由詞相結(jié)合的方式對9個中英文數(shù)據(jù)庫進行檢索，包括中國知網(wǎng)（CNKI）、萬方數(shù)據(jù)庫（WanFangDatabase）、中國生物醫(yī)學(xué)文獻數(shù)據(jù)庫（CBM）、維普數(shù)據(jù)庫（VIP）、EMbase、PubMed、WebofScience、CINAHL及theCochraneLibrary，檢索與COPD病人非計劃再入院風(fēng)險預(yù)測模型相關(guān)的文獻，檢索時限為建庫至2023年6月30日。此外，追溯納入文獻的參考文獻以補充獲取相關(guān)資料。以萬方數(shù)據(jù)庫為例，中文檢索式為：主題：（肺疾病，慢性阻塞性O(shè)R慢性阻塞性肺疾病OR慢性阻塞性肺病OR慢阻肺ORCOPD）AND主題：（病人再入院OR再人院OR非計劃再入院）AND 主題：（預(yù)測模型OR 模型OR風(fēng)險預(yù)測OR風(fēng)險評估OR風(fēng)險篩查OR 危險因素）。以 PubMed 為例，英文檢索式為：\"pulmonary disease，chronic obstructive\"[MeSH] OR chronic obstructivelung disease[Title/Abstract] OR（chronic obstructivepulmonary diseases[Title/Abstract] OR COAD[Title/Abstract] OR COPD[Title/Abstract] OR chronicobstructive airway disease[Title/Abstract] OR chronicobstructive pulmonary disease ［Title/Abstract]ORairflowobstruction， chronic [Title/Abstract] ORairflowobstructions，chronic [Title/Abstract] ORchronicairflowobstructions [Title/Abstract] ORchronicairflowobstruction [Title/Abstract] AND\"patient readmission\"[MeSH] OR readmission，patient[Title/Abstract] OR rehospitalization[Title/Abstract]OR rehospitalizations[Title/Abstract] OR unplannedreadmission[Title/Abstract] OR readmission，unplanned[Title/Abstract]OR unplanned readmissions [Title/Abstract] OR thirty day readmission[Title/Abstract]OR readmission，thirty day[Title/Abstract] OR thirtyday readmissions[Title/Abstract] OR 3O day readmission[Title/Abstract] OR 3O day readmissions [Title/Abstract] OR hospital readmissions [Title/Abstract]OR unplanned hospital readmissions[Title/Abstract]ORhospital readmission，unplanned[Title/Abstract]OR hospital readmissions，unplanned [Title/Abstract]OR unplanned hospital readmission [Title/Abstract]OR hospital readmission[Title/Abstract] OR readmission，hospital[Title/Abstract] OR readmissions，hospital[Title/Abstract] ANDpredict model [Title/Abstract]OR prognostic mode[Title/Abstract]OR model[Title/ Abstract] OR risk prediction[Title/Abstract] OR risk score[Title/Abstract]ORriskassessment[Title/ Abstract] OR risk factor[Title/Abstract]。

1.3文獻篩選與資料提取

采用NoteExpress3.5軟件進行文獻整理。首先，將檢索到的文獻題錄導(dǎo)人到NoteExpress3.5軟件去除重復(fù)文獻；其次，由2名經(jīng)過循證護理課程學(xué)習(xí)的護理學(xué)碩士研究生根據(jù)文獻的納入和排除標(biāo)準(zhǔn)獨立閱讀標(biāo)題和摘要后初篩文獻；隨后，導(dǎo)人文獻附件進行全文閱讀，進一步進行復(fù)篩。復(fù)篩后進行交叉核對，如遇到分歧，雙方進行討論或由第三方?jīng)Q定。確定納入文獻后，根據(jù)預(yù)測模型系統(tǒng)評價的嚴(yán)格評估和數(shù)據(jù)清單（Critical Appraisal and Data Extraction for SystematicReviews of Prediction Modelling Studies，CHARMS）[1o]，制定標(biāo)準(zhǔn)化表格進行資料提取。提取內(nèi)容包括：1）文獻基本信息，包括第一作者、發(fā)表年份、國家、研究對象、研究類型、預(yù)測結(jié)局；2）模型建立情況及預(yù)測性能，包括樣本量、建模及驗證方法、模型性能、預(yù)測因子等。

1.4偏倚風(fēng)險和適用性評價

由2名研究者采用預(yù)測模型研究的偏倚風(fēng)險和適用性評估工具（PredictionModelRiskofBiasAssessmentTool，PROBAST）[11-12]獨立對納人文獻涉及的預(yù)測模型進行偏倚風(fēng)險和適用性評價，偏倚風(fēng)險的評估包括研究對象、預(yù)測因子、結(jié)局及統(tǒng)計分析4個領(lǐng)域；適用性評估包括研究對象、預(yù)測因子及結(jié)局3個領(lǐng)域。評價結(jié)束后進行交叉核對，如遇到分歧，雙方進行討論或由第三方?jīng)Q定。

2 結(jié)果

2.1文獻檢索結(jié)果

初步檢索獲得相關(guān)文獻2528篇，去除重復(fù)文獻后剩余1837篇，根據(jù)納入及排除標(biāo)準(zhǔn)進行嚴(yán)格的初篩和復(fù)篩后，最終納人21篇[13-33]文獻。文獻篩選流程及結(jié)果見圖1。

2.2納入研究的基本特征（見表1）

2.3 模型構(gòu)建情況及性能

共納人21項研究，涉及29個COPD非計劃再入院風(fēng)險預(yù)測模型。1）模型建立方法：12項 [13-14，16，18-19，21-24，27，29，33] 研究采用了Logistic 回歸方法，2項[15.20]研究采用了COX回歸方法，2項[25-26]研究采用了隨機森林法，1項[31]研究采用了決策樹方法，1項[28]研究采用了Logistic回歸與XGBoost2種方法，1項[32]研究采用了Logistic回歸與神經(jīng)網(wǎng)絡(luò)2種方法，1項[30]研究采用了Logistic回歸、神經(jīng)網(wǎng)絡(luò)與套索回歸3種方法，1項[]研究采用了Logistic回歸、支持向量機、BP神經(jīng)網(wǎng)絡(luò)、隨機森林、XGBoost5種方法。2）模型驗證：12項 [14，17-18，20-21，25-26，28-31，33] 研究僅進行了內(nèi)部驗證，2項[13.16]研究只進行了外部驗證，2項[15.32]研究采用內(nèi)部驗證和外部驗證相結(jié)合的方式對模型進行評價，5項[19.22-24，27]研究未對模型進行驗證。3）缺失數(shù)據(jù)處理：僅4項[17.20.23.28]研究對缺失數(shù)據(jù)進行了處理，分別為回歸估計法、多重插補法、眾數(shù)填充法、隨機森林填充法，其余均未做填充處理。4）模型性能評價：主要通過受試者工作特征（ROC）曲線下面積（AUC）、Hosmer-Lemeshow（H-L）檢驗（ Pgt; 0.05）及校準(zhǔn)曲線進行評估，29個模型均報告了AUC（0.57～0.89） ，其中，22個模型的 AUC?0.7 ，提示預(yù)測模型的性能良好;13項 [13-16，20-24，26，29，32-33] 研究報告了模型的校準(zhǔn)度，僅1項[15]研究同時用了校準(zhǔn)曲線和H-L檢驗評估模型校準(zhǔn)度，5項[13.22-24.29]研究使用H-L檢驗評估模型校準(zhǔn)度，7項[14.16，20-21，26.32-33]研究使用校準(zhǔn)曲線評估模型校準(zhǔn)度。5）預(yù)測變量：最終模型包含3～8個預(yù)測因子。見表2。

2.4偏倚風(fēng)險及適用性評價（見表3）

3 討論

3.1COPD病人非計劃再入院風(fēng)險預(yù)測模型的預(yù)測性能較好，但偏倚風(fēng)險較高

本研究共納入21項關(guān)于COPD病人非計劃再入院風(fēng)險預(yù)測模型的研究，涉及29個預(yù)測模型，這些模型在開發(fā)方式和預(yù)測性能指標(biāo)方面存在較大差異。在建立模型或驗證模型時，22個預(yù)測模型 AUC?0.7 ，說明模型的預(yù)測性能較好，能較好地辨別出COPD非計劃再人院的高風(fēng)險病人。但僅2項[15.32]研究采用內(nèi)部與外部驗證相結(jié)合的方式對預(yù)測模型的預(yù)測性能進行了評價，尚不能證明其是否具有良好的臨床適用性。且偏倚風(fēng)險評估結(jié)果顯示，大部分研究的總體偏倚風(fēng)險為高風(fēng)險，僅1項32研究為低偏倚風(fēng)險。偏倚風(fēng)險主要集中在統(tǒng)計分析方面：1）12項[13-14，16.18-21.24-25.30-31.33]研究建模時樣本量未達到飽和， EPV?20 ;而在預(yù)測模型的開發(fā)研究中，EPV應(yīng) ?20 ，模型的回歸系數(shù)才能較好地接近真實的回歸系數(shù)，得出的回歸模型也較準(zhǔn)確，以防止模型出現(xiàn)過度擬合[34]，而模型驗證研究則要求樣本量 ?100 例[12]，1項[25]研究不符合要求。2）8項[14.16.19-20，2-23.30-31]研究在處理變量時將連續(xù)性變量轉(zhuǎn)化為二分類或多分類變量，還有3項[18.25.32]研究未描述連續(xù)性變量的處理方式，在分析數(shù)據(jù)時將連續(xù)性變量不建議轉(zhuǎn)為二分類變量，否則應(yīng)補充內(nèi)部驗證和收縮回歸系數(shù)以調(diào)整過度擬合[35-36]。3）4項[13，21，24.29]研究直接將缺失數(shù)據(jù)排除，這可能會導(dǎo)致納人分析的數(shù)據(jù)是極端值，導(dǎo)致預(yù)測結(jié)果關(guān)聯(lián)偏差和模型性能偏差，從而影響模型的精準(zhǔn)度。4）僅10項[17.21-2.24-26，29-30，32-33]研究將其他研究確定的可能預(yù)測因子全部納入逐步回歸方程或機器學(xué)習(xí)模型中進行分析，其余項研究僅基于單因素分析篩選的預(yù)測變量進行多因素分析，這可能會遺漏有意義的自變量，導(dǎo)致結(jié)果偏倚，特別是當(dāng)結(jié)局事件過少、EPV過小時，過度擬合問題更為突出[36-37]。5）5項[15.18.25.28-29]研究的內(nèi)部驗證僅包含數(shù)據(jù)的隨機拆分驗證法。6）5項[13.2-24.29]研究僅使用H-L擬合優(yōu)度檢驗評估模型校準(zhǔn)度，8項 [17-19，25，27-28，30-31] 研究未評估模型的校準(zhǔn)度。因此，現(xiàn)有關(guān)于COPD病人非計劃再入院風(fēng)險預(yù)測模型的偏倚風(fēng)險較高，今后的研究可參考PROBAST中的相關(guān)條目[11]，并參考多變量預(yù)測模型的透明報告（TransparentReportingof a MultivariablePrediction Model for Individual Prognosis or Diagnosis，TRIPOD）[38]，通過規(guī)范、嚴(yán)謹(jǐn)?shù)难芯吭O(shè)計實現(xiàn)高質(zhì)量預(yù)測模型的構(gòu)建。

3.2COPD病人非計劃再入院風(fēng)險預(yù)測模型納入的預(yù)測因子差異較大

本研究納入文獻共涉及29個預(yù)測模型，最后納入的預(yù)測因子為3～8個，由于研究類型和納入變量的差異，各研究最后納入的預(yù)測因子不盡相同。其中，年齡、過去1年COPD急性加重次數(shù)、吸煙史、合并癥、FEV/FVC、CAT評分是預(yù)測模型中最常見的預(yù)測因子。對于COPD病人而言，高齡的病人非計劃再入院的風(fēng)險更大，這可能與年齡的增長、細胞免疫功能下降、溶菌酶活性降低、呼吸道易反復(fù)感染有關(guān)。同時，機體功能逐漸減弱，各系統(tǒng)功能相互影響，多病共存，也會增加病人非計劃再入院的風(fēng)險。也有研究表明，與未再入院的COPD病人相比，再入院病人的共病指數(shù)更高39。COPD通常與其他疾病同時存在，如冠心病、高血壓、心力衰竭、糖尿病、腦卒中、骨骼肌功能障礙等。其中，心血管疾病是COPD最常見的合并癥，既往研究表明，合并心血管疾病的病人住院時間延長，住院風(fēng)險增加，發(fā)生死亡的風(fēng)險也相應(yīng)增加[40]。且合并心力衰竭是心血管疾病中最常見的原因，會使COPD病人遠期發(fā)生急性加重再入院的風(fēng)險增加1.4倍[41-42]。高血糖會使機體免疫功能受損，抑制抗炎細胞趨化、吞噬、細胞介導(dǎo)免疫等[16.43]，這會促使感染的風(fēng)險增加，而感染是COPD急性加重的最常見誘因。骨骼肌功能障礙也是COPD病人常見的合并癥，COPD病人通常會為了避免呼吸困難而特意減少活動量，病人肌肉力量會因此減弱，呼吸肌力量相應(yīng)減弱，進而加重呼吸困難，急性加重的風(fēng)險也相應(yīng)增加。近年來，越來越多學(xué)者關(guān)注COPD合并肌少癥這一特定人群，有研究表明，COPD合并肌少癥會導(dǎo)致病人的肺功能惡化，增加其非計劃再入院及死亡的風(fēng)險[44]。吸煙與COPD病人的再入院也密切相關(guān)，這可能與吸煙引起氣道炎癥反應(yīng)、氣道凈化能力下降、氣道阻力增加，導(dǎo)致肺功能進一步受損有關(guān)。也有研究表明，戒煙能明顯降低COPD病人再入院風(fēng)險[45]。FEV1/FVC、過去1年急性加重次數(shù)、CAT評分是病人非計劃再入院的重要促進因素。FEV/FVC是公認(rèn)的評估COPD病人嚴(yán)重程度和影響長期預(yù)后的指標(biāo)， FEV₁/FVC 越低提示肺功能受損越嚴(yán)重，氣流受限程度越重，其發(fā)生COPD急性加重再入院風(fēng)險也越高，提高 FEV_?1/FVC 水平可明顯降低COPD病人的非計劃再入院率[15.46]。

CAT評分是指南推薦的評估COPD癥狀嚴(yán)重程度的指標(biāo)[47]， ?20 分提示病人病情嚴(yán)重，預(yù)后較差，已影響其健康狀況及日常生活能力，非計劃再入院風(fēng)險增加[14]。因此，醫(yī)護工作者應(yīng)給予高齡、過去1年COPD急性加重次數(shù)多、合并基礎(chǔ)疾病、有吸煙史以及CAT評分 ≥20 分的病人更多關(guān)注，以早期識別其再入院的風(fēng)險。

近年來，生物學(xué)指標(biāo)預(yù)測疾病發(fā)展進程的研究逐漸增多。如外周血中嗜酸性粒細胞的增多已是目前公認(rèn)的COPD急性加重和再入院的預(yù)測因素[48]。此外，血嗜酸性粒細胞作為COPD的1種內(nèi)在表型標(biāo)志物，在對COPD急性加重風(fēng)險的預(yù)測、穩(wěn)定期吸入性糖皮質(zhì)激素（inhaledcorticosteroids，ICS）使用和撤除的指導(dǎo)、靶向治療的應(yīng)用及預(yù)后的預(yù)測方面都具有重要價值，在指導(dǎo)COPD安全有效的管理和治療方面具有巨大的潛力[49]。也有研究表明，全身炎癥標(biāo)志物C反應(yīng)蛋白比痰液炎癥標(biāo)志物更能預(yù)測AECOPD病人的非計劃再入院[50]。C反應(yīng)蛋白是一種由肝臟分泌的急性時相反應(yīng)蛋白，在感染、局部缺血、組織損傷等情況時迅速升高[51]?，F(xiàn)有研究表明，COPD病人外周血C反應(yīng)蛋白水平的升高與其疾病的急性加重相關(guān)，且C反應(yīng)蛋白水平可以動態(tài)監(jiān)測其病情變化，評估非計劃再入院風(fēng)險[52-54]。本研究中，有11項[15-7，19.2-29.31]研究將生物學(xué)指標(biāo)納入了預(yù)測模型，如嗜酸性粒細胞百分比、C反應(yīng)蛋白、中性粒細胞與淋巴細胞比值、血小板與淋巴細胞比值、淋巴細胞與單核細胞比值、血清清蛋白與球蛋白比值、ALT水平、血紅蛋白、血小板計數(shù)等，且有22項研究預(yù)測模型的AUC gt;0.7 ，說明模型的區(qū)分度良好，有較好的預(yù)測性能。

3.3COPD病人非計劃再入院風(fēng)險預(yù)測模型尚處于發(fā)展階段，適用于我國COPD病人再入院的風(fēng)險預(yù)測模型有待進一步研究

本研究系統(tǒng)檢索了國內(nèi)外COPD病人非計劃再入院風(fēng)險預(yù)測模型的相關(guān)研究，最終納人了21項研究。我國于2019年開始初步探索，起步較晚，且多中心、大樣本的研究不足[21]。雖然國外開展了多中心、大樣本研究，但由于國家間文化背景、種族等差異，這些預(yù)測模型是否適用于我國人群還需進一步明確。大部分模型未進行外部驗證，總體偏倚風(fēng)險高，難以評估其研究結(jié)果的外推性。但我國學(xué)者張瑞等[13考慮到了季節(jié)因素對COPD病人非計劃再入院的影響，并將其劃分為春夏秋冬4個季節(jié)，并準(zhǔn)確預(yù)測了老年COPD病人4個季節(jié)的非計劃再入院風(fēng)險；其中，春季、冬季再入院概率明顯高于夏季。而國外尚未檢索到納入季節(jié)這一因素的研究。其次，建模方法較單一，大多研究采用Logistic回歸方法建模。目前，機器學(xué)習(xí)和深度學(xué)習(xí)等方法已成為計算機和醫(yī)學(xué)領(lǐng)域的研究熱點。本研究中，支持向量機[17]、隨機森林[17，25-26]、神經(jīng)網(wǎng)絡(luò)[17，30.32]、XGBo0st[17，28]、套索回歸[30]等新型方式也用于預(yù)測模型的構(gòu)建中，但研究相對較少。路曉云等[17，28.30.32]的研究采用多種建模方法進行對比。建模方式本身并無優(yōu)劣之分，但通過多種建模方法的對比，有助于研究者根據(jù)臨床需要選擇合適的建模方法構(gòu)建出模型性能較好的模型，如套索回歸有助于降低候選預(yù)測變量的多重共線性，適用于候選預(yù)測變量較多的情況[9]。此外，模型的呈現(xiàn)方式逐漸多樣化，不再局限于以各因子回歸系數(shù)或比值比（OR），列線圖、網(wǎng)頁計算器、應(yīng)用程序、可視化工具[沙普值加性解釋模型（ShapleyAdditiveExplanations，SHAP）]等呈現(xiàn)方式也逐步興起。因此，未來研究可結(jié)合臨床實際情況驗證和優(yōu)化已開發(fā)的模型，并可采用多中心聯(lián)合的方法構(gòu)建出本土化的、預(yù)測性能好的高質(zhì)量預(yù)測模型，全面評估其預(yù)測性能，探索出適合我國COPD病人的非計劃再入院風(fēng)險預(yù)測模型，促進研究成果向臨床實踐的轉(zhuǎn)化，根據(jù)預(yù)測因素制定并落實預(yù)防策略，以減少COPD病人的非計劃再人院次數(shù)。

3.4 啟示及展望

COPD病人非計劃再入院風(fēng)險預(yù)測模型為早期識別并篩選高風(fēng)險病人提供了有效評估工具，通過早期篩查和識別高危人群、高危因素，預(yù)測非計劃再入院的概率，為醫(yī)護人員對高風(fēng)險病人進行針對性的治療和護理措施提供了參考依據(jù)，為減少病人再次入院、提高生存質(zhì)量、加強COPD的防治及提高醫(yī)療資源的使用效率提供了指導(dǎo)性意見，從而減輕病人及社會負(fù)擔(dān)。本研究結(jié)果顯示，隨著醫(yī)療技術(shù)的發(fā)展及大數(shù)據(jù)的興起，預(yù)測模型的呈現(xiàn)方式更加多元化。研究者應(yīng)控制偏倚風(fēng)險，掌握適用的數(shù)據(jù)挖掘技術(shù)，對COPD病人進行科學(xué)化、個體化、動態(tài)化的非計劃再人院風(fēng)險因素評估。醫(yī)護人員將模型應(yīng)用于臨床工作的同時也需要定期根據(jù)COPD病人非計劃再入院的特點及時對模型進行校準(zhǔn)，調(diào)整預(yù)測因子，使預(yù)測的精準(zhǔn)度更高。此外，可結(jié)合人工智能技術(shù)研制界面友好、操作簡單的電子預(yù)警平臺，減輕用戶負(fù)擔(dān)，提高其使用風(fēng)險預(yù)測工具時的依從性。

4小結(jié)

綜上所述，COPD病人非計劃再人院風(fēng)險預(yù)測模型性能較好，但整體偏倚風(fēng)險較高，未來還需對現(xiàn)有模型進行更新和驗證以進一步完善。此外，在模型構(gòu)建過程中應(yīng)盡可能避免偏倚風(fēng)險，并使用合適的方法在不同地區(qū)和人群中進一步驗證其適用性和安全性，以提高模型的準(zhǔn)確性。

參考文獻：

[1]WANG C，XU JY，YANG L，et al.Prevalence and risk factors of chronic obstructive pulmonary disease in China （the China Pulmonary Health[CPH]study）：a national cross-sectional study[J]. The Lancet，2018，391（10131）：1706-1717.

［2]中華醫(yī)學(xué)會呼吸病學(xué)分會慢性阻塞性肺疾病學(xué)組，中國醫(yī)師協(xié)會 呼吸醫(yī)師分會慢性阻塞性肺疾病工作委員會.中國慢性呼吸道疾 病呼吸康復(fù)管理指南（2021年）[J].中國結(jié)核和呼吸雜志，2021，44 （3）：170-205.

[3]Global Initiative for Chronic Obstructive Lung Disease. Global strategy for the diagnosis，management，and prevention ofchronic obstructive pulmonary disease（2021 REPORT）[EB/OL]. （2020- 11-18）[2023-08-01].https：//goldcopd.org/gold reports/.

[4]LANDRUM L，WEINRICH S.Readmission data for outcomes measurement： identifying and strengthening the empirical base[J]. QualityManagement inHealth Care，2006，15（2）：83-95.

[5]NJOKUC M，ALQAHTANI JS，WIMMER BC，et al.Risk factors and associated outcomes of hospital readmission in COPD：a systematic review[J].RespiratoryMedicine，2O2O，173：105988.

[6]PRESS V G，TAMARA KONETZKA R，WHITE S R.Insights about the economic impact of chronic obstructive pulmonary diseasereadmissonspost implementation of the hospital readmission reduction program[J]. Current Opinion in Pulmonary Medicine，2018，24（2）：138-146.

[7]SHAHT，PRESSVG，HUISINGH-SCHEETZM，et al.COPD readmissions addressing COPD in the era of value-based health care[J].Chest，2016，150（4）：916-926.

[8]賈方容，袁平喬，姚麗，等.慢性阻塞性肺疾病加重期病人30d非 計劃再入院研究進展[J].護理研究，2022，36（14）：2538-2542.

[9]張蕊，鄭黎強，潘國偉.疾病發(fā)病風(fēng)險預(yù)測模型的應(yīng)用與建立[J]. 中國衛(wèi)生統(tǒng)計，2015，32（4）：724-726.

[10]MOONS KG M，DE GROOT JAH，BOUWMEESTER W， et al.Critical appraisal and data extraction for systematic reviews of prediction modelling studies： the CHARMS checklist[J].PLoS Medicine，2014，11（10）：e1001744.

[11]WOLFFRF，MOONSKGM，RILEYRD，et al.PROBAST：a tool to assess the risk of bias and applicability of prediction model studies[J].AnnalsofInternalMedicine，2O19，17O（1）：51-58.

[12]陳香萍，張奕，莊一渝，等.PROBAST：診斷或預(yù)后多因素預(yù)測模 型研究偏倚風(fēng)險的評估工具[J].中國循證醫(yī)學(xué)雜志，2020，20（6）： 737-744.

[13]張瑞，吳珍珍，常艷，等.老年慢性阻塞性肺疾病患者30天內(nèi)急 性加重再入院風(fēng)險預(yù)測模型的構(gòu)建與驗證[J].中國呼吸與危重 監(jiān)護雜志，2021，20（7）：457-464.

[14］鮑姨琴，魏冰冰，鮑張民，等.基于營養(yǎng)風(fēng)險篩查2002評分構(gòu)建 慢性阻塞性肺疾病急性加重期患者出院后90d內(nèi)非計劃性再入 院風(fēng)險預(yù)測模型[J].臨床軍醫(yī)雜志，2022，50（8）：814-817.

[15] 徐秀娟，徐棟庭，邱凱莎.慢性阻塞性肺疾病患者一年再入院的 臨床預(yù)測模型構(gòu)建[J].臨床肺科雜志，2022，27（8）：1197-1202.

[16]周寅川，榮蓉，黃祎丹，等.慢性阻塞性肺疾病急性加重期患者出 院后30d內(nèi)再入院的影響因素分析及Nomogram模型構(gòu)建[J]. 實用心腦肺血管病雜志，2020，28（8）：57-63.

[17］路曉云.基于機器學(xué)習(xí)的慢阻肺患者再入院預(yù)測和風(fēng)險分類[D] 廣州：廣東工業(yè)大學(xué)，2022.

[18] 張桂梅，陳蜀，宋云華，等.AECOPD患者再人院危險因素分析 及預(yù)測模型的構(gòu)建[J].昆明醫(yī)科大學(xué)學(xué)報，2022，43（8）：184-190.

[19] 李文娟，周宇麒，楊海玲，等.AECOPD住院患者3個月內(nèi)再住院 相關(guān)風(fēng)險評估模型的建立[J].國際呼吸雜志，2019，39（5）： 350-354.

[20] 張桂梅.COPD患者再人院危險因素分析及預(yù)測模型的構(gòu)建[D]. 昆明：昆明醫(yī)科大學(xué)，2022.

[21]HU W P，LHAMO T，LIU D，et al.Development of a nomogram topredict the risk of 3O-day re-exacerbation for patients hospitalizedforacute exacerbation of chronicobstructive pulmonary disease[J].COPD，2019，16（2）：160-167.

[22]MONTSERRAT-CAPDEVILA J，GODOY P，MARSAL JR， etal.Predictive model of hospital admission for COPD exacerbation[J].Respiratory Care，20l5，60（9）：1288-1294.

[23]VIDAL S，GONZALEZ N，BARRIO I，et al.Predictors of hospital admission in exacerbationsof chronic obstructive pulmonary disease[J].The International Journal of Tuberculosis and Lung Disease，2013，17（12）：1632-1637.

[24]XU TT，SUN W，ZHAO HQ，et al.Characteristics of 12-month readmission for hospitalized patients with COPD： a propensity score matched analysis of prospective multicenter study[J]. International Journal of Chronic Obstructive Pulmonary Disease， 2022，17：2329-2341.

[25]AMALAKUHAN B，KILJANEK L，PARVATHANENI A， et al.A prediction model for COPD readmissions： catching up， catching our breath，and improving a national problem[J].Journal of Community Hospital Internal Medicine Perspectives，2012， 2（1）.doi： 10.3402/jchimp.v2i1.9915.

[26]BONOMO M，HERMSEN MG，KASKOVICH S，et al.Using machine learning to predict likelihood and cause of readmission after hospitalization for chronic obstructive pulmonary disease exacerbation[J]. International Journal of Chronic Obstructive Pulmonary Disease，2022，17：2701-2709.

[27]WU YK，LAN CC，TZENG IS，et al.The COPD-Readmission （CORE） Score： a novel prediction model for one-year chronic obstructive pulmonary disease readmissions[J].JFMA，2021，120 （3）：1005-1013.

[28]CHEN L L，CHEN S P.Prediction of readmission in patients with acute exacerbation of chronic obstructive pulmonary disease within one year after treatment and discharge[J].BMC Pulmonary Medicine，2021，21（1）：320.

[29]YU T C，ZHOU HX，SUH K，et al.Assessing the importance of predictors in unplanned hospital readmissionsfor chronic obstructive pulmonary disease[J].Clinico Economics and Outcomes Research，2015，7：37-51.

[30] GOTO T，JO T，MATSUI H，et al.Machine learning-based prediction models for 3O-day readmission after hospitalization for chronic obstructive pulmonary disease[J].COPD，20l9，16（5/6）： 338-343.

[31]LI M，CHENG K，KU K，et al. Modelling 30-day hospital readmission after discharge for COPD patients based on electronic health records[J].NPJPrimary CareRespiratoryMedicine，2023， 33（1）：16.

[32] WANGL，LIGH，EZEANACF，etal.AnAI-drivenclinical care pathway to reduce 3O-day readmission for chronic obstructive pulmonary disease （COPD） patients[J].Scientific Reports，2022，12 （1）：20633.

[33] GOTO T，YOSHIDA K，F(xiàn)ARIDI M K，et al.Contribution of social factors to readmissions within 3O days after hospitalization for COPD exacerbation[J].BMC Pulmonary Medicine，2020，20 （1）：107.

[34] OGUNDIMU E O，ALTMAN D G，COLLINS G S.Adequate sample size for developing prediction models is not simply related to events per variable[J].Journal of Clinical Epidemiology，2016， 76：175-182.

[35]PAVLOU M，AMBLER G，SEAMAN S R，et al.How to develop a more accurate risk prediction model when there are few events[J].BMJ，2015，351：h3868.

[36] 楊曉，周會蘭，王玲，等.重返ICU風(fēng)險預(yù)測模型的系統(tǒng)評價[J]. 中國循證醫(yī)學(xué)雜志，2023，23（1）：67-74.

[37] ZHOU ZR，WANGWW，LI Y，et al.In-depth mining of clinical data：the construction of clinical prediction model with R[J].Annals of Translational Medicine，2019，7（23）：796.

[38] COLLINS G S，REITSMA J B，ALTMAN D G，et al. Transparent reporting of a multivariable prediction model for individual prognosisordiagnosis（TRIPOD）：the TRIPOD statement[J].EuropeanUrology，2015，67（6）：1142-1151.

[39]JO Y S，RHEE C K，KIM K J，et al.Risk factors for early readmission after acute exacerbation of chronic obstructive pulmonary disease[J].Therapeutic AdvancesinRespiratory Disease，2020，14：1753466620961688.

[40] MORGAN A D，ZAKERI R，QUINT JK.Defining the relationship between COPD and CVD： what are the implications forclinicalpractice？[J]. TherapeuticAdvances inRespiratory Disease，2018，12：1753465817750524.

[41］陳雪影.建立預(yù)測重度慢性阻塞性肺疾病急性加重風(fēng)險列線圖 [D].武漢：華中科技大學(xué)，2020.

[42] SIDNEYS，SORELM，QUESENBERRYCP，etal.COPDand incident cardiovascular disease hospitalizations and mortality： Kaiser permanente medical care program[J]. Chest，20o5，128（4）： 2068-2075.

[43] PARAPPIL A，DEPCZYNSKI B，COLLETT P，et al.Effect of comorbid diabetes on length of stay and risk of death in patients admitted with acute exacerbations of COPD[J].Respirology，2010， 15（6）：918-922.

「44]張瑩瑩，卜煒琴，謝艷萍.慢性阻塞性肺疾病并發(fā)肌少癥護理研 究進展[J].護理研究，2021，35（15）：2734-2737.

[45]ANBESSEZK，MEGATA，TESFAYEBT，etal.Early readmission and its predictors among patients treated foracute exacerbations of chronicobstructive respiratory diseasein Ethiopia：a prospective cohort study[J].PLoS One，2O2O，15（10）： e0239665.

[46]ABUHUSSEINN，TERRIETG，SCHOENENBERGERL， etal.TheADO indexasa predictorof two-year mortalityin general practice-based chronic obstructive pulmonary disease cohorts[J].Respiration;International Reviewof ThoracicDiseases， 2014，88（3）：208-214.

[47] 中華醫(yī)學(xué)會呼吸病學(xué)分會慢性阻塞性肺疾病學(xué)組，中國醫(yī)師協(xié) 會呼吸醫(yī)師分會慢性阻塞性肺疾病工作委員會.慢性阻塞性肺 疾病診治指南（2021年修訂版）[J].中華結(jié)核和呼吸雜志，2021，44 （3）：170-205.

[48] 陳亞紅.2022年GOLD慢性阻塞性肺疾病診斷、治療、管理及預(yù) 防全球策略更新要點解讀[J].中國全科醫(yī)學(xué)，2022，25（11）：1294- 1304.

[49] 王紅梅，劉耘充，鄭丹蕾，等.血嗜酸性粒細胞作為生物標(biāo)志物在 慢性阻塞性肺疾病中的研究進展[J].中華全科醫(yī)學(xué)，2020，18（5）： 815-820.

[50]ZHANG J，CHANG C，SHEN N，et al.Systemic inflammatory marker CRP wasbetter predictor of readmission for AECOPD thansputum inflammatory markers[J].Archivos De Bronconeumologia， 2016，52（3）：138-144.

[51] 賈心予，吳楨珍，吉寧飛，等.慢性阻塞性肺疾病急性加重期生物 標(biāo)志物的研究進展[J].中國呼吸與危重監(jiān)護雜志，2020，19（3）： 299-303.

[52] CHANGC，ZHUH，SHENN，etal.Utilityof thecombination of serumhighly-sensitive C-reactive protein level at dischargeand a risk index in predicting readmission foracuteexacerbation ofCOPD [J].Journal Brasileiro de Pneumologia，2014，40（5）：495-503.

[53] CHENYR，CHENV，HOLLANDERZ，etal.C-reactive protein and N-terminal prohormone brain natriuretic peptide as biomarkersinacute exacerbationsof COPD leadingto hospitalizations[J].PLoS One，2017，12（3）：e0174063.

[54] ALOTAIBI N M，CHEN V，HOLLANDER Z，et al. PhenotypingCOPD exacerbationsusing imagingand blood-based biomarkers[J].International Journal of Chronic Obstructive PulmonaryDisease，2018，13：217-229.

（收稿日期：2024-08-04；修回日期：2025-03-26）

（本文編輯 趙奕雯）