引用本文： 朱潔云, 高敏, 葉長廣, 潘冬贊, 周娟, 蒙曉寧, 何磊, 陸釗, 蔡昭強. 慢性阻塞性肺疾病患者一年非計劃再入院風險預測模型的構建. 中國呼吸與危重監護雜志, 2025, 24(1): 1-8. doi: 10.7507/1671-6205.202405118 復制
版權信息： ?四川大學華西醫院華西期刊社《中國呼吸與危重監護雜志》版權所有，未經授權不得轉載、改編
慢性阻塞性肺疾病（慢阻肺）是以持續氣流受限為特征的慢性氣道疾病，主要表現為慢性咳嗽、咳痰、氣短、胸悶等臨床癥狀[1-2]。慢阻肺患者每年急性加重的發生次數為0.5～3.5次，疾病的頻繁發作會加速疾病進展，導致肺功能進一步惡化，患者生活質量下降，再入院率及病死率顯著升高，給患者家庭和國家醫療系統造成巨大的負擔[3-5]。因此，早期準確評估患者發生急性加重的風險，識別患者再入院的危險因素并進行早期干預，從而降低慢阻肺患者的再入院率，對于防治慢阻肺具有重要意義。Nomogram預測模型是臨床預測模型的一種，也是一種評分系統，基于個體預測變量的數值計算總分，然后根據總分計算某事件發生風險，目前多用于疾病診斷、發病風險預測及疾病預后情況評估[6-7]。已有相關學者對慢阻肺進行了不同的預后風險預測模型研究，如周丹等[6]構建了慢阻肺并發呼吸衰竭的列線圖風險預測模型，林澤輝[8]構建并驗證了慢阻肺急性加重期住院患者院內死亡結局的臨床預測模型。盡管各模型的研究對象與預測因子均存在差異，但均顯示出了良好的預后預測效能。由此可見，可通過構建慢阻肺患者1年內非計劃再入院的風險預測模型來篩查再入院高風險人群，早期識別慢阻肺患者再入院的發生風險，早期啟動風險預警機制，使疾病防治重心戰略前移，從而防止慢阻肺患者1年內非計劃再入院從而減輕疾病負擔。本研究擬基于慢阻肺患者1年內非計劃再入院的獨立危險因素構建Nomogram預測模型，以期降低慢阻肺患者再入院率，減輕疾病負擔。
1 資料與方法
1.1 臨床資料
前瞻性收集2023年1月—2023年5月于合浦縣人民醫院呼吸與危重癥醫學科住院治療的慢阻肺患者的臨床資料，隨訪至患者出院后1年。納入標準：① 符合《慢性阻塞性肺疾病診治指南》[1]中慢阻肺的診斷標準；② 年齡≥18歲，臨床資料完整。排除標準：① 入院時直接進入重癥醫學科的患者；② 合并嚴重精神疾病不能配合治療的患者。本研究已獲得合浦縣人民醫院倫理委員會批準（批號：202303），所有研究對象均簽署知情同意書。
1.2 樣本量計算
基于logistic回歸EPV（events per variable）法[9]，結局事件數不少于協變量數的10倍，最終模型預計有6～8個因素，至少需60個事件數發生才能有效建立模型。既往文獻報道慢阻肺患者1年再入院的發生率為27.4%～34%[10-11]，則本研究建模樣本量應大于175例。考慮流失率約10.0%，建模樣本不少于193例。本研究最終納入403例患者作為建模集，符合樣本量的要求。
1.3 觀察指標
① 社會人口學資料，如性別、年齡、體重指數（body mass index，BMI）等；② 生活行為習慣資料，如吸煙情況；③ 共病情況，如合并高血壓、血脂異常等；④ 檢驗指標：血常規、生化，如降鈣素原、D-二聚體、白細胞計數（white blood cell count，WBC）、C反應蛋白、嗜酸性粒細胞、空腹血糖、血清肌酐等。檢驗項目于入院時（若空腹）或第2日晨空腹采集。社會人口學資料、生活習慣和共病于入院時采集。再入院指出院后1年內因慢阻肺非計劃的再次入院。
1.4 統計學方法
計數資料以例數（%）表示，組間比較采用兩獨立樣本的χ2檢驗或Fisher確切概率法；計量資料采用Shapiro-Wilk檢驗評估正態性，正態分布的數據以均數±標準差（x±s）表示，組間比較采用獨立樣本t檢驗，非正態分布的資料以中位數（四分位數）［M（P25，P75）］表示，組間比較采用 Mann-Whitney U檢驗。單因素logistic分析中P<0.05的變量進一步納入多因素logistic回歸，采用向后逐步法，同時采用最小絕對收縮與選擇算子（least absolute shrinkage and selection operator，LASSO）回歸法篩選特征變量，結合多因素logistic回歸分析結果篩選最終納入模型的變量并構建模型，采用R4.2.2軟件中“rms package”的lrm函數繪制列線圖。采用1 000次Bootstrap自抽樣法進行內部驗證，受試者操作特征（receiver operating characteristic，ROC）曲線下面積（area under curve，AUC）評估模型的區分度，Calibration校準曲線評估模型預測概率與實際結果的一致性，臨床決策曲線分析模型的臨床應用價值，Hosmer-Lemeshow檢驗預測模型的擬合優度，用敏感性、特異性和正確率評價模型的實際應用效能。P<0.05為差異有統計學意義。
2 結果
2.1 一般情況
本研究最終納入403例慢阻肺患者，其中1年再入院組170例，非再入院組233例，1年再入院發生率為42.2%。差異性分析結果顯示，患者病程、近1年急性發作次數、空腹血糖、氨基末端腦鈉肽前體（N terminal pro B type natriuretic peptide，NT-proBNP）、合并有肺源性心臟病、呼吸衰竭和糖尿病是慢阻肺患者發生呼吸衰竭的相關因素（P<0.05）。結果見表1。
表1
兩組慢阻肺患者臨床資料比較［例（%）/（x±s）/M（P25，P75）］
2.2 LASSO回歸篩選特征變量
因變量較多而樣本量較小，采用LASSO回歸對變量進行降維處理，以便進一步篩出影響慢阻肺患者1年再入院發生風險的特征變量。采用10折交叉驗證，以交叉驗證誤差值最小時的Lambda值（λ值）作為模型最優解，統計此時對應的非零回歸系數的變量名稱及變量數。LASSO回歸結果表明，誤差最小時的Lambda值為0.034，此時對應的非零回歸系數的變量共12個，即患者病程1～10年、病程>10年、近1年急性發作次數、WBC、空腹血糖、NT-proBNP、總膽固醇、血清肌酐、合并有尿酸高、肺源性心臟病、冠心病和糖尿病這12個變量為預測慢阻肺患者1年再入院發生風險的特征變量，詳見圖1。
圖1
LASSO回歸篩選特征變量
a. 候選預測因子的Lasso回歸系數分布；b. Lasso回歸交叉驗證曲線篩選最佳預測因子
2.3 二元多因素logistic回歸分析
以慢阻肺患者是否發生再入院（賦值：是=1，否=0）為因變量，以差異性分析及單因素logistic中P<0.05的變量，結合LASSO回歸篩選的特征變量，即患者病程、近1年急性發作次數、WBC、空腹血糖、NT-proBNP、總膽固醇、血清肌酐、合并有尿酸高、肺源性心臟病、冠心病、呼吸衰竭和糖尿病為自變量，行多因素二元logistic回歸分析。自變量賦值：連續性變量以原值錄入，分類變量賦值為是=1，否=0。多因素logistic回歸分析結果顯示，最終能納入模型的變量有肌酐、WBC、過去1年急性發作次數、患者病程、合并有呼吸衰竭和尿酸高，其中呼吸衰竭、過去1年急性發作次數、肌酐和WBC是慢阻肺患者1年內非計劃入院的危險因素（P<0.05）。結果見表2。
表2
多因素logistic回歸分析結果
2.4 模型的構建
根據多因素logistic回歸分析結果，最終納入Nomogram模型的指標有肌酐、WBC、過去1年急性發作次數、患者病程、合并有呼吸衰竭和尿酸高。Nomogram模型給出各指標具體值所對應的小標尺分數，介于0～100分之間。利用模型中6個指標所得的各分數相加即獲得總分，每個個體的總分在0～400分之間，個體總分垂直對應的率即為該個體發生呼吸衰竭的概率。以WBC>9.5×109/L、肌酐>104 μmol/L、病程1～10年、沒有呼吸衰竭和尿酸高、近1年無急性加重的患者為例，該患者得分為142分，列線圖預測該患者1年內非計劃再入院的風險為38.1%。結果見圖2。
圖2
慢阻肺患者1年再入院的Nomogram模型
2.5 模型的性能
Nomogram模型ROC曲線的AUC及95%置信區間（confidential interval，CI）為0.687（0.636～0.739），模型預測的敏感性為0.824，特異性為0.742，準確率為0.603，說明具有較好的區分度。采用1 000次Bootstrap自抽樣內部驗證的AUC為0.687（0.634～0.739），表明模型的區分能力仍維持在較好水平。結果見圖3。校準曲線用于評價預測模型的預測能力，ideal表示理想的結果，bias-corrected表示經過重新抽樣校正的曲線，apparent表示當前的結果，內部驗證后的校準曲線圖顯示三線重合度較高，Hosmer-Lemeshow檢驗提示模型的擬合優度較高（χ2=8.66，P=0.469），表明構建的預測模型預測能力良好（圖4）。臨床決策曲線分析表明，閾值在約15.0%～55.0%之間時，應用列線圖的凈獲益水平明顯高于“不干預”和“全干預”方案，表明了列線圖較高的臨床實用價值（圖5）。
圖3
Nomogram模型的ROC曲線
圖4
Nomogram模型的校準曲線
圖5
Nomogram模型的臨床決策曲線
3 討論
慢阻肺是一種常見的、可預防和治療的慢性氣道疾病，也是健康中國行動（2019—2030年）計劃中重點防治的慢性病之一[12]。既往研究顯示，2007—2017年，我國≥40歲人群慢阻肺患病率從8.2%上升至13.7%[13]，慢阻肺已成為中國疾病死亡的第三大原因，也是慢性呼吸系統疾病死亡最常見的原因，給患者、醫護人員和社會帶來了沉重的負擔[14-15]。既往研究發現，全球范圍內慢阻肺患者1年內非計劃再入院率為 25.0%～87.0%，每次急性加重再入院可產生平均高達11 598元/人的住院費用，而40.8%的再入院是可以避免的[11，16-18]。因此，早期預警慢阻肺患者非計劃再入院的危險因素，識別高危患者，對于降低慢阻肺非計劃再入院率、節約醫療成本具有重要意義。
目前列線圖模型已廣泛應用于臨床中，其能夠通過數學建模的方式明確各個因素對患者預后的具體影響，有利于個體化的精準防治[19]。張瑞等[20]研究構建了由文化程度、吸煙情況、過去1年慢阻肺急性加重住院次數、是否規律用藥、是否康復鍛煉、營養狀況及季節因素7個變量組成的預測模型，對老年慢阻肺患者30天急性加重再入院具有良好的預測價值。喻瑩[11]的研究用上1年急性加重次數、GOLD分級、住院期間全身使用糖皮質激素3個因素構建的預測模型，對慢阻肺患者1年再入院具有較高的預測價值。本研究納入403例慢阻肺患者，多因素logistic回歸分析結果顯示呼吸衰竭、過去1年急性發作次數、肌酐和WBC是慢阻肺患者1年內非計劃入院的危險因素；基于肌酐、WBC、過去1年急性發作次數、患者病程、合并有呼吸衰竭和尿酸高構建的Nomogram模型ROC曲線的AUC為0.687，敏感性為0.824，特異性為0.742，準確率為0.603，說明模型具有較好的預測能力。
慢阻肺是一種慢性消耗性疾病，隨著病程的延長，患者的肺部損害也越來越嚴重，肺泡通氣/血流比例失調，進一步加重缺氧和二氧化碳潴留從而增加呼吸衰竭和急性加重再入院的發生風險[21]。本研究得出WBC是慢阻肺患者發生呼吸衰竭的危險因素，既往研究也表明慢阻肺急性加重期患者血液中炎癥指標明顯升高[22]，大量炎癥物質的產生可對氣道及肺泡等產生直接損傷，導致氣管黏膜充血水腫以及肺實質炎性損傷，同時也會增加氣道黏液分泌，誘發平滑肌痙攣，造成氣道狹窄加重，引發肺通氣功能障礙，導致缺氧和二氧化碳潴留，從而增加慢阻肺急性加重的發作頻率以及再入院的風險[23-25]。近年來慢阻肺合并腎功能不全也倍受關注，研究發現27.1%的慢阻肺患者腎臟生物學標志物水平高于正常上限的2倍，慢阻肺患者中慢性腎功能衰竭的發生率是對照組的3倍以上，急性腎功能衰竭的發生率也明顯高于對照組[26-28]。目前慢阻肺和腎損害相關性的機制問題尚未完全闡明，但系統性炎癥可能是基礎[27]。慢阻肺患者由于存在持續性氣流受限而處于長期慢性缺氧的狀態，慢性缺氧使機體啟動腫瘤壞死因子、白細胞介素（interleukin，IL）-6、IL-8等多種炎癥介質，微血管通透性增加，腎微循環障礙，腎小球濾過率降低，引起腎功能受損，從而出現血尿酸和肌酐升高[26]。相關研究也發現慢阻肺穩定期患者血清尿酸水平高于健康對照組，在GOLD分期4級的患者中增高更明顯，說明尿酸和肌酐對慢阻肺的嚴重程度有一定的評估價值[29-30]。
本研究構建的預測模型有助于醫生更加直觀地對慢阻肺患者再入院風險進行評估，從而制定個性化的干預措施。雖然內部驗證及臨床預測效能評估均表明該預測模型具有較高的準確率和臨床應用價值。但本研究也存在一定的局限性，首先，盡管本研究設置了嚴格的納入與排除標準，但本研究為單中心研究，樣本量較小，研究結果可能存在局限性或區域性；其次，本研究未經外部驗證，可能影響研究結論的可靠性和可推廣性；最后，本研究研究對象來源于縣級醫院，多數患者為農村居民，醫療及經濟條件欠佳等問題，可能導致疾病不能早診早治，延誤病情，影響再入院的發生率。因此，未來研究可構建不同區域、不同經濟條件或醫療環境中慢阻肺患者再入院的風險預測模型以期指導臨床精準防治。
綜上所述，呼吸衰竭、過去1年急性發作次數、肌酐和WBC是慢阻肺患者1年內非計劃入院的危險因素。基于肌酐、WBC、過去1年急性發作次數、患者病程、合并有呼吸衰竭和尿酸高構建的Nomogram模型預測效能較好，有助于風險預警前移，并依據相應危險因素為患者提供個性化精準干預，以降低慢阻肺患者再入院率，減輕疾病負擔。
利益沖突：本研究不涉及任何利益沖突。
慢性阻塞性肺疾病（慢阻肺）是以持續氣流受限為特征的慢性氣道疾病，主要表現為慢性咳嗽、咳痰、氣短、胸悶等臨床癥狀[1-2]。慢阻肺患者每年急性加重的發生次數為0.5～3.5次，疾病的頻繁發作會加速疾病進展，導致肺功能進一步惡化，患者生活質量下降，再入院率及病死率顯著升高，給患者家庭和國家醫療系統造成巨大的負擔[3-5]。因此，早期準確評估患者發生急性加重的風險，識別患者再入院的危險因素并進行早期干預，從而降低慢阻肺患者的再入院率，對于防治慢阻肺具有重要意義。Nomogram預測模型是臨床預測模型的一種，也是一種評分系統，基于個體預測變量的數值計算總分，然后根據總分計算某事件發生風險，目前多用于疾病診斷、發病風險預測及疾病預后情況評估[6-7]。已有相關學者對慢阻肺進行了不同的預后風險預測模型研究，如周丹等[6]構建了慢阻肺并發呼吸衰竭的列線圖風險預測模型，林澤輝[8]構建并驗證了慢阻肺急性加重期住院患者院內死亡結局的臨床預測模型。盡管各模型的研究對象與預測因子均存在差異，但均顯示出了良好的預后預測效能。由此可見，可通過構建慢阻肺患者1年內非計劃再入院的風險預測模型來篩查再入院高風險人群，早期識別慢阻肺患者再入院的發生風險，早期啟動風險預警機制，使疾病防治重心戰略前移，從而防止慢阻肺患者1年內非計劃再入院從而減輕疾病負擔。本研究擬基于慢阻肺患者1年內非計劃再入院的獨立危險因素構建Nomogram預測模型，以期降低慢阻肺患者再入院率，減輕疾病負擔。
1 資料與方法
1.1 臨床資料
前瞻性收集2023年1月—2023年5月于合浦縣人民醫院呼吸與危重癥醫學科住院治療的慢阻肺患者的臨床資料，隨訪至患者出院后1年。納入標準：① 符合《慢性阻塞性肺疾病診治指南》[1]中慢阻肺的診斷標準；② 年齡≥18歲，臨床資料完整。排除標準：① 入院時直接進入重癥醫學科的患者；② 合并嚴重精神疾病不能配合治療的患者。本研究已獲得合浦縣人民醫院倫理委員會批準（批號：202303），所有研究對象均簽署知情同意書。
1.2 樣本量計算
基于logistic回歸EPV（events per variable）法[9]，結局事件數不少于協變量數的10倍，最終模型預計有6～8個因素，至少需60個事件數發生才能有效建立模型。既往文獻報道慢阻肺患者1年再入院的發生率為27.4%～34%[10-11]，則本研究建模樣本量應大于175例。考慮流失率約10.0%，建模樣本不少于193例。本研究最終納入403例患者作為建模集，符合樣本量的要求。
1.3 觀察指標
① 社會人口學資料，如性別、年齡、體重指數（body mass index，BMI）等；② 生活行為習慣資料，如吸煙情況；③ 共病情況，如合并高血壓、血脂異常等；④ 檢驗指標：血常規、生化，如降鈣素原、D-二聚體、白細胞計數（white blood cell count，WBC）、C反應蛋白、嗜酸性粒細胞、空腹血糖、血清肌酐等。檢驗項目于入院時（若空腹）或第2日晨空腹采集。社會人口學資料、生活習慣和共病于入院時采集。再入院指出院后1年內因慢阻肺非計劃的再次入院。
1.4 統計學方法
計數資料以例數（%）表示，組間比較采用兩獨立樣本的χ2檢驗或Fisher確切概率法；計量資料采用Shapiro-Wilk檢驗評估正態性，正態分布的數據以均數±標準差（x±s）表示，組間比較采用獨立樣本t檢驗，非正態分布的資料以中位數（四分位數）［M（P25，P75）］表示，組間比較采用 Mann-Whitney U檢驗。單因素logistic分析中P<0.05的變量進一步納入多因素logistic回歸，采用向后逐步法，同時采用最小絕對收縮與選擇算子（least absolute shrinkage and selection operator，LASSO）回歸法篩選特征變量，結合多因素logistic回歸分析結果篩選最終納入模型的變量并構建模型，采用R4.2.2軟件中“rms package”的lrm函數繪制列線圖。采用1 000次Bootstrap自抽樣法進行內部驗證，受試者操作特征（receiver operating characteristic，ROC）曲線下面積（area under curve，AUC）評估模型的區分度，Calibration校準曲線評估模型預測概率與實際結果的一致性，臨床決策曲線分析模型的臨床應用價值，Hosmer-Lemeshow檢驗預測模型的擬合優度，用敏感性、特異性和正確率評價模型的實際應用效能。P<0.05為差異有統計學意義。
2 結果
2.1 一般情況
本研究最終納入403例慢阻肺患者，其中1年再入院組170例，非再入院組233例，1年再入院發生率為42.2%。差異性分析結果顯示，患者病程、近1年急性發作次數、空腹血糖、氨基末端腦鈉肽前體（N terminal pro B type natriuretic peptide，NT-proBNP）、合并有肺源性心臟病、呼吸衰竭和糖尿病是慢阻肺患者發生呼吸衰竭的相關因素（P<0.05）。結果見表1。
表1
兩組慢阻肺患者臨床資料比較［例（%）/（x±s）/M（P25，P75）］
2.2 LASSO回歸篩選特征變量
因變量較多而樣本量較小，采用LASSO回歸對變量進行降維處理，以便進一步篩出影響慢阻肺患者1年再入院發生風險的特征變量。采用10折交叉驗證，以交叉驗證誤差值最小時的Lambda值（λ值）作為模型最優解，統計此時對應的非零回歸系數的變量名稱及變量數。LASSO回歸結果表明，誤差最小時的Lambda值為0.034，此時對應的非零回歸系數的變量共12個，即患者病程1～10年、病程>10年、近1年急性發作次數、WBC、空腹血糖、NT-proBNP、總膽固醇、血清肌酐、合并有尿酸高、肺源性心臟病、冠心病和糖尿病這12個變量為預測慢阻肺患者1年再入院發生風險的特征變量，詳見圖1。
圖1
LASSO回歸篩選特征變量
a. 候選預測因子的Lasso回歸系數分布；b. Lasso回歸交叉驗證曲線篩選最佳預測因子
2.3 二元多因素logistic回歸分析
以慢阻肺患者是否發生再入院（賦值：是=1，否=0）為因變量，以差異性分析及單因素logistic中P<0.05的變量，結合LASSO回歸篩選的特征變量，即患者病程、近1年急性發作次數、WBC、空腹血糖、NT-proBNP、總膽固醇、血清肌酐、合并有尿酸高、肺源性心臟病、冠心病、呼吸衰竭和糖尿病為自變量，行多因素二元logistic回歸分析。自變量賦值：連續性變量以原值錄入，分類變量賦值為是=1，否=0。多因素logistic回歸分析結果顯示，最終能納入模型的變量有肌酐、WBC、過去1年急性發作次數、患者病程、合并有呼吸衰竭和尿酸高，其中呼吸衰竭、過去1年急性發作次數、肌酐和WBC是慢阻肺患者1年內非計劃入院的危險因素（P<0.05）。結果見表2。
表2
多因素logistic回歸分析結果
2.4 模型的構建
根據多因素logistic回歸分析結果，最終納入Nomogram模型的指標有肌酐、WBC、過去1年急性發作次數、患者病程、合并有呼吸衰竭和尿酸高。Nomogram模型給出各指標具體值所對應的小標尺分數，介于0～100分之間。利用模型中6個指標所得的各分數相加即獲得總分，每個個體的總分在0～400分之間，個體總分垂直對應的率即為該個體發生呼吸衰竭的概率。以WBC>9.5×109/L、肌酐>104 μmol/L、病程1～10年、沒有呼吸衰竭和尿酸高、近1年無急性加重的患者為例，該患者得分為142分，列線圖預測該患者1年內非計劃再入院的風險為38.1%。結果見圖2。
圖2
慢阻肺患者1年再入院的Nomogram模型
2.5 模型的性能
Nomogram模型ROC曲線的AUC及95%置信區間（confidential interval，CI）為0.687（0.636～0.739），模型預測的敏感性為0.824，特異性為0.742，準確率為0.603，說明具有較好的區分度。采用1 000次Bootstrap自抽樣內部驗證的AUC為0.687（0.634～0.739），表明模型的區分能力仍維持在較好水平。結果見圖3。校準曲線用于評價預測模型的預測能力，ideal表示理想的結果，bias-corrected表示經過重新抽樣校正的曲線，apparent表示當前的結果，內部驗證后的校準曲線圖顯示三線重合度較高，Hosmer-Lemeshow檢驗提示模型的擬合優度較高（χ2=8.66，P=0.469），表明構建的預測模型預測能力良好（圖4）。臨床決策曲線分析表明，閾值在約15.0%～55.0%之間時，應用列線圖的凈獲益水平明顯高于“不干預”和“全干預”方案，表明了列線圖較高的臨床實用價值（圖5）。
圖3
Nomogram模型的ROC曲線
圖4
Nomogram模型的校準曲線
圖5
Nomogram模型的臨床決策曲線
3 討論
慢阻肺是一種常見的、可預防和治療的慢性氣道疾病，也是健康中國行動（2019—2030年）計劃中重點防治的慢性病之一[12]。既往研究顯示，2007—2017年，我國≥40歲人群慢阻肺患病率從8.2%上升至13.7%[13]，慢阻肺已成為中國疾病死亡的第三大原因，也是慢性呼吸系統疾病死亡最常見的原因，給患者、醫護人員和社會帶來了沉重的負擔[14-15]。既往研究發現，全球范圍內慢阻肺患者1年內非計劃再入院率為 25.0%～87.0%，每次急性加重再入院可產生平均高達11 598元/人的住院費用，而40.8%的再入院是可以避免的[11，16-18]。因此，早期預警慢阻肺患者非計劃再入院的危險因素，識別高危患者，對于降低慢阻肺非計劃再入院率、節約醫療成本具有重要意義。
目前列線圖模型已廣泛應用于臨床中，其能夠通過數學建模的方式明確各個因素對患者預后的具體影響，有利于個體化的精準防治[19]。張瑞等[20]研究構建了由文化程度、吸煙情況、過去1年慢阻肺急性加重住院次數、是否規律用藥、是否康復鍛煉、營養狀況及季節因素7個變量組成的預測模型，對老年慢阻肺患者30天急性加重再入院具有良好的預測價值。喻瑩[11]的研究用上1年急性加重次數、GOLD分級、住院期間全身使用糖皮質激素3個因素構建的預測模型，對慢阻肺患者1年再入院具有較高的預測價值。本研究納入403例慢阻肺患者，多因素logistic回歸分析結果顯示呼吸衰竭、過去1年急性發作次數、肌酐和WBC是慢阻肺患者1年內非計劃入院的危險因素；基于肌酐、WBC、過去1年急性發作次數、患者病程、合并有呼吸衰竭和尿酸高構建的Nomogram模型ROC曲線的AUC為0.687，敏感性為0.824，特異性為0.742，準確率為0.603，說明模型具有較好的預測能力。
慢阻肺是一種慢性消耗性疾病，隨著病程的延長，患者的肺部損害也越來越嚴重，肺泡通氣/血流比例失調，進一步加重缺氧和二氧化碳潴留從而增加呼吸衰竭和急性加重再入院的發生風險[21]。本研究得出WBC是慢阻肺患者發生呼吸衰竭的危險因素，既往研究也表明慢阻肺急性加重期患者血液中炎癥指標明顯升高[22]，大量炎癥物質的產生可對氣道及肺泡等產生直接損傷，導致氣管黏膜充血水腫以及肺實質炎性損傷，同時也會增加氣道黏液分泌，誘發平滑肌痙攣，造成氣道狹窄加重，引發肺通氣功能障礙，導致缺氧和二氧化碳潴留，從而增加慢阻肺急性加重的發作頻率以及再入院的風險[23-25]。近年來慢阻肺合并腎功能不全也倍受關注，研究發現27.1%的慢阻肺患者腎臟生物學標志物水平高于正常上限的2倍，慢阻肺患者中慢性腎功能衰竭的發生率是對照組的3倍以上，急性腎功能衰竭的發生率也明顯高于對照組[26-28]。目前慢阻肺和腎損害相關性的機制問題尚未完全闡明，但系統性炎癥可能是基礎[27]。慢阻肺患者由于存在持續性氣流受限而處于長期慢性缺氧的狀態，慢性缺氧使機體啟動腫瘤壞死因子、白細胞介素（interleukin，IL）-6、IL-8等多種炎癥介質，微血管通透性增加，腎微循環障礙，腎小球濾過率降低，引起腎功能受損，從而出現血尿酸和肌酐升高[26]。相關研究也發現慢阻肺穩定期患者血清尿酸水平高于健康對照組，在GOLD分期4級的患者中增高更明顯，說明尿酸和肌酐對慢阻肺的嚴重程度有一定的評估價值[29-30]。
本研究構建的預測模型有助于醫生更加直觀地對慢阻肺患者再入院風險進行評估，從而制定個性化的干預措施。雖然內部驗證及臨床預測效能評估均表明該預測模型具有較高的準確率和臨床應用價值。但本研究也存在一定的局限性，首先，盡管本研究設置了嚴格的納入與排除標準，但本研究為單中心研究，樣本量較小，研究結果可能存在局限性或區域性；其次，本研究未經外部驗證，可能影響研究結論的可靠性和可推廣性；最后，本研究研究對象來源于縣級醫院，多數患者為農村居民，醫療及經濟條件欠佳等問題，可能導致疾病不能早診早治，延誤病情，影響再入院的發生率。因此，未來研究可構建不同區域、不同經濟條件或醫療環境中慢阻肺患者再入院的風險預測模型以期指導臨床精準防治。
綜上所述，呼吸衰竭、過去1年急性發作次數、肌酐和WBC是慢阻肺患者1年內非計劃入院的危險因素。基于肌酐、WBC、過去1年急性發作次數、患者病程、合并有呼吸衰竭和尿酸高構建的Nomogram模型預測效能較好，有助于風險預警前移，并依據相應危險因素為患者提供個性化精準干預，以降低慢阻肺患者再入院率，減輕疾病負擔。
利益沖突：本研究不涉及任何利益沖突。
