混合数字减影血管造影手术室中患者体位安全的预测性护理工具

摘要

一项单中心回顾性研究开发并进行了内部验证，建立了一种分阶段护理预测工具，该工具结合了患者基线手术风险与可调节的围手术期护理流程，以支持在混合数字减影血管造影手术室中对体位相关并发症进行术前评估及术后体位风险的动态更新。

摘要

本研究旨在基于患者术前基线手术风险和可调整的护理流程，开发并进行内部验证一种用于混合数字减影血管造影手术室术前及体位安置后阶段更新的护理预测评估工具。该单中心回顾性队列研究纳入在混合手术室内接受首次手术的成年住院患者，以手术为分析单位，术后随访至72小时。研究结局为与体位相关的并发症复合终点。

采用多重插补法（m = 10）处理缺失的预测变量数据，并使用 Cohen κ 系数和组内相关系数评估提取一致性。将单变量筛选得到的候选变量与预先指定的变量共同纳入最小绝对收缩与选择算子回归，随后进行多变量逻辑回归建模，并基于阈值风险分层构建列线图。模型性能通过曲线下面积、校准截距与斜率、Brier 分数、自助法内部验证以及决策曲线分析进行评估。

共分析了 1,936 例病例，复合结局发生率为 10.23%。关键变量的最大缺失率为 3.25%，数据提取一致性良好（κ ≥ 0.86，组内相关系数 ≥ 0.89）。最终保留了 12 个预测因子；其中压力点保护和术中体位检查具有保护作用（比值比 0.68–0.71）。基础模型的曲线下面积为 0.74/0.72（表观值/校正后值），完整模型达到 0.79/0.77。经乐观校正的校准斜率为 0.947，截距为 0.004，Brier 评分为 0.085。

该工具在内部验证中表现出稳定的区分能力、校准能力及净获益。护理过程变量具有附加价值，该工具或可支持术前评估及体位安置后的风险更新，但需经外部验证确认。

引言

杂交数字减影血管造影（DSA）手术室将介入影像技术与开放手术相结合，为复杂血管疾病及危急重症的救治提供一体化平台¹操作流程较长，许多患者年龄较大，且全身麻醉或镇静会减弱保护性反射和自主调节能力²受限于C形臂、无菌区域以及通路布局，体位固定后，转动身体以缓解压力的机会减少，而持续受压以及牵拉/牵引的风险增加³联合杂交手术进一步缩短了调整时间窗，体位管理更依赖团队协作。与体位相关的并发症包括压力性损伤、周围神经及肌肉骨骼损伤，还可能表现为体位引起的呼吸和血流动力学波动，影响术后恢复。^4,5.

护理团队在体位安置、受压部位保护、通路固定、术中体位核查及术后观察等方面承担关键职责；早期识别体位相关风险并实施精准干预是护理管理中的核心内容，亟需标准化、基于流程的核查与记录⁶。现有的围手术期风险评估大多依赖术前通用量表，或仅关注单一结局指标⁷。相关证据多来源于传统手术室或介入治疗室，难以涵盖杂交DSA手术室中复合性暴露因素，例如长时间无法翻身、灌注与体温波动，以及鞘管留置伴加压固定等情况。诸如Braden量表等工具侧重于皮肤耐受性评估，但难以准确刻画俯卧位、持续低血压暴露等特异性因素，因而难以支持分层管理⁸。并发症谱表现为皮肤损伤与生理功能不稳定并存，单一评分难以明确各环节管理的优先顺序⁹。

一些研究直接将护理措施作为术前预测因素，这容易导致目的不匹配和信息泄露，使得输出结果难以与干预的时机和强度相一致，并且在风险调整后不利于质量改进¹⁰。目前尚缺乏一种能够提供术前基线风险、并在体位安置后更新风险并给出相应可操作项目的评估工具。本研究基于单中心回顾性队列，开发了一种护理预测评估工具：术前利用患者和手术暴露变量估算基线风险，体位安置后纳入可调整的护理项目以更新风险。采用惩罚回归方法进行变量筛选并完成内部验证，评估了模型的区分度、校准度和净收益，并生成列线图及基于阈值的风险分层方案，为护理决策提供支持，为风险调整和质量改进提供依据。

方案

本研究涉及人类受试者的既往医疗记录以及麻醉和护理记录数据。研究严格遵守相关机构指南，并经机构伦理委员会审查批准（润润邵逸夫医院伦理审查 2025 年科研第 2113 号），豁免了书面知情同意要求；所有数据在导出前均已去标识化，仅用于本研究目的。

本研究的报告遵循多变量预测模型开发与内部验证的TRIPOD声明；完整的TRIPOD核对清单见补充表S1。

1. 研究设计与研究场所

1. 将研究设计定义为一项采用历史队列设计的单中心回顾性观察性研究。将研究时间范围确定为2021年1月1日至2024年12月31日。
2. 将研究目的设定为开发一种用于混合DSA手术室中体位相关并发症的护理预测评估工具，并进行内部验证和性能评价。以“手术”作为分析单位，为每台手术分配唯一的标识符（例如：住院号 + 手术日期 + 麻醉开始时间）。
3. 当同一患者有多次符合条件的手术时，仅保留首次符合条件的手术记录。将“首次”定义为在研究时间窗口内麻醉或镇静开始时间最早的符合条件的手术。
4. 将数据提取的起始点定义为患者进入手术室并开始麻醉或镇静的时间。将随访终点固定在术后72小时，以覆盖体位相关并发症的主要发生时间段。
5. 将研究场所限定于混合DSA手术室，并记录该手术室配备有平板数字减影血管造影系统和开放手术能力。记录常用的体位包括仰卧位、俯卧位和侧卧位，且由于影像设备、无菌区域以及通路布局的限制，术中体位调整受限，导致翻身机会较少且手术持续时间相对较长。

2. 研究人群、病例筛选流程及样本量策略

1. 从连续登记的手术室登记系统中导出研究时间窗口内所有“杂交DSA手术室”的手术记录。保留匹配字段，如手术编码、手术室标识符、手术日期、住院号及麻醉开始时间。
2. 以住院号和手术日期进行初步匹配，并利用麻醉开始时间和手术室标识符进行二次核对。若同一住院号在同一天存在多条麻醉记录，优先选择手术室标识符一致且麻醉开始时间最接近手术登记时间的记录进行匹配。
3. 纳入在杂交DSA手术室完成手术、年龄≥18岁的成年住院患者，且手术类型为神经血管、心血管或外周血管介入或杂交手术。确认术中实施了全身麻醉或镇静，医疗、麻醉及护理记录完整，并具备术后72小时内的随访资料。
4. 排除主要结局事件在术前已存在的病例，以避免结局指标基线不为零。排除因与体位无关的原因导致术中手术中断、无法进一步评估的病例，以及术后72小时内转院导致结局不明的病例。
5. 通过计算各病例在预设的关键预测变量中缺失值所占比例，确定关键预测变量的缺失阈值，并记录缺失原因。若某病例在这些关键预测变量中的缺失比例超过30%，则根据预设规则予以排除，并在筛选日志中记录排除原因。
6. 由两名研究人员独立完成筛选工作并生成筛选日志（包括纳入/排除情况及原因）。对于存在分歧的病例，由第三名研究人员追溯原始记录进行裁定，并保留裁定记录以确保可追溯性。
7. 不预先设定样本量上限，采用连续纳入所有符合条件病例的策略。根据事件数量控制模型复杂度，依据每参数至少15个事件的原则，确定最终进入模型的参数数量。

3. 研究指标与变量定义

1. 建立变量字典，并为每个变量明确其来源系统、字段名称、取值规则和时间序列。对于连续型变量，使用术前最近一次的实验室检查或评估值；对于手术和麻醉相关变量，使用整个手术过程中记录的最差值或累积暴露量；对于护理和器械相关变量，使用术中实际执行情况。根据临床常用标准、围手术期护理与麻醉实践以及已发表文献，预先定义预设的阈值和分类截断点。当缺乏单一广泛接受的截断值时，采用实用的分类方式，以利于记录、解读和临床应用。
2. 主要结局：体位相关并发症的复合结局
   1. 将主要结局定义为从术中至术后72小时内发生的体位相关并发症的复合结局。若同一病例中出现多个组成事件，仅计为一次复合结局，同时记录首次发生时间及所有组成事件类型，用于后续分析。
   2. 将术后72小时内新发的2期及以上压力性损伤或深部组织损伤定义为组成事件之一。以护理皮肤评估表、分期记录和护理文书为依据，且记录需能定位至具体解剖部位。
   3. 将外周神经损伤定义为感觉丧失、麻木或肌力下降持续≥24小时。要求其解剖分布与体位时的接触/牵拉区域一致，主要依据为病程记录或专科评估记录。
   4. 将关节或肌肉骨骼损伤定义为局部疼痛，且伴有提示牵拉/压迫损伤的阳性影像学发现或专科体格检查结果。需记录影像学检查方式或检查结论，并标注与体位相关的受力部位。
   5. 将体位相关的呼吸或血流动力学不稳定事件定义为因体位导致的气道受压、呼吸受限或静脉回流受阻，需通过调整体位、加压、升压药物加量或中断手术来处理。以麻醉系统事件记录、麻醉记录单以及包含明确“体位相关”描述的护理或医师记录及其相应处理措施作为依据。
   6. 将穿刺侧血肿直径≥5 cm，或渗血需额外加压固定，且记录提示与体位限制相关的加重情况，定义为组成事件之一。以术后72小时内的护理记录和医师查房记录为依据，并记录所采取的额外处理措施。
   7. 根据以下三项标准判断体位相关性：记录中明确提及体位相关性、解剖部位与体位暴露点一致、无更可能的其他替代病因。若护理记录与医师记录存在归因冲突，优先采纳更接近事件发生时间的原始记录，并由两名裁定者共同审核并达成共识。
3. 预测变量的定义
   1. 将患者层面的变量定义为年龄、性别、体重指数、糖尿病、周围神经病变、外周动脉疾病、慢性肾脏病分期≥3期、充血性心力衰竭、吸烟状态、术前白蛋白、术前血红蛋白、Charlson合并症指数和术前Braden评分。“术前”定义为进入手术室前最近一次有效的记录，且在医院常规围手术期评估时间窗内。
   2. 将手术和麻醉层面的变量定义为手术类别、麻醉类型、体位类型、头颈部旋转角度分类、上肢外展角度分类、下肢外展或屈曲>45°、手术持续时间、透视时间、术中不可翻转状态、估计失血量、最低平均动脉压（MAP）、MAP<65 mmHg的累积时间、最低核心体温、血管活性药物使用情况以及最大去甲肾上腺素等效剂量。体位分类为仰卧/俯卧/侧卧；头颈部旋转分类为≤30°、31–60°和>60°；上肢外展分类为≤90°和>90°。
   3. 从麻醉信息管理系统导出带时间戳的MAP时间序列数据。以相邻记录间的时间差作为区间长度，累加所有MAP<65 mmHg区间的持续时间，得到“MAP<65 mmHg累积时间”；若单个区间数据缺失或间隔异常（例如>5分钟且无合理解释），则将该区间标记为缺失，不计入累积总量。
   4. 将护理和器械层面的变量定义为手术床垫类型、关键受压点保护是否完成、上肢是否固定于带垫臂板上、头部是否保持中立位支撑、穿刺部位类别、鞘管尺寸、鞘管留置时间、穿刺部位固定/闭合方法以及术中体位核查记录的完整性。“关键受压点保护完成”定义为枕部、肩胛区、骶尾部和足跟四个部位均有保护记录；否则视为未完全完成。
   5. 记录是否使用任何血管活性药物，未使用者编码为“未使用”。对于使用者，记录最大去甲肾上腺素等效剂量（µg/kg/min）；在每次麻醉记录时间点，计算NE_eq_t = norepinephrine_t + epinephrine_t + 0.01 * dopamine_t + 0.06 * phenylephrine_t + 2.5 * vasopressin_t，其中去甲肾上腺素、肾上腺素、多巴胺和苯肾上腺素单位为µg/kg/min，血管加压素单位为U/min；在特定时间点未使用的药物记为0，最大去甲肾上腺素等效剂量为术中期间所有NE_eq_t的最大值（na.rm = TRUE）。
      注：转换与汇总规则已预先确定，并在分析脚本中实现。

4. 数据采集与质量控制

1. 对负责数据提取的两名研究人员进行统一培训，并分发标准操作规程（SOP）和变量字典。培训完成后，开展小样本预提取，针对含义模糊的字段修订其定义及提取路径。
2. 从电子病历中提取人口统计学信息和合并症，从实验室系统中提取术前实验室指标，从麻醉系统中提取生命体征和用药情况，从护理系统中提取体位及护理措施，从PACS中提取透视时长和影像相关资料。利用住院号和手术日期进行跨系统匹配，并保留匹配密钥及匹配日志。
3. 当场域冲突发生时，应追溯至原始纸质记录，并以纸质记录为准。在冲突处理日志中记录冲突类型、原始值、更正值及证据来源。
4. 由两人对所有字段进行双人数据录入，并生成差异清单。由第三位研究人员逐项核对原始记录以裁定差异，并锁定最终数据库版本用于分析。
5. 为连续变量建立临床合理范围表，并在导入后执行自动范围检查。追溯超范围值以进行核实；若无法核实，则将其设为缺失值，同时保留原始值以供参考。
6. 对前50例样本进行重复提取，计算一致性，分类变量采用Cohen κ系数，连续变量采用组内相关系数（ICC，双向随机效应模型，绝对一致性）。如果κ < 0.80 或 ICC < 0.85，针对相关变量进行重新培训并重新审核，直至达到标准11。
7. 计算每个候选预测变量的缺失病例数及缺失比例，并生成缺失数据报告。对于缺失比例不超过30%的关键预测变量，进行多重插补；主要结局变量不进行插补。
8. 多重插补链式方程（MICE）的实现细节
   1. 将填补数据集的数量固定为 m = 10，迭代次数至少设置为 20，以促进收敛。设置随机种子以确保填补结果的可重复性，并保存 mice 对象以备审计。
   2. 对连续变量使用预测均值匹配法（PMM）以保持其分布形态；对二分类变量使用逻辑回归插补法，对无序多分类变量使用多项逻辑回归插补法，对有序分类变量使用有序逻辑回归插补法。在 R 中，无序多分类变量被定义为 nom_vars <- c("吸烟状况","实验方法类别","麻醉类型",
      "职位类型","表格填充类型","穿刺部位
      类别","穿刺部位闭合方法"），有序分类变量定义为 ord_vars <- c("头部与颈部旋转（猫）","上肢外展猫式"）；dat[nom_vars] <- lapply(dat[nom_vars], factor); dat[ord_vars] <- lapply(dat[ord_vars], ordered); meth <- 小鼠::make.method(数据); meth[sapply(数据, is.numeric)] <- "pmm"；meth[names(dat)[sapply(dat, function(x) is.factor(x) && nlevels(x) == 2)]] <- "logreg"；meth[nom_vars] <- "多聚反应"；meth[ord_vars] <- "polr"；以及 meth[c("住院患者编号","手术编号","结果")] <- "".
   3. 将所有候选预测变量和结局变量纳入填补预测矩阵中，以提高填补质量，但仅对存在缺失值的预测变量进行填补。将不应作为预测因子的标识字段（例如住院号、唯一手术编号）设置为不参与填补模型，以避免引入非临床信息。为遵循本方案，应将预测矩阵设置为 pred <- 小鼠::make.predictorMatrix(数据); pred[,] <- 1；diag（pred） <- 0；pred[, c("住院患者编号","手术编号")] <- 0；pred[c("住院号","手术编号","结果"), ] <0；以及 pred[setdiff(列名(pred), c("住院患者编号","手术编号","结果")), "结果"] <- 1，以便结果仅作为辅助预测因子使用，而不进行插补。
   4. 绘制迭代轨迹图，并检查关键连续变量的均值和方差是否稳定，以评估填补收敛性。填补过程运行为 imp <- mice::mice(dat, m = 10, maxit = 20, method = meth, predictorMatrix = pred, seed = 20250101, printFlag = FALSE)；通过绘制 plot(imp) 图以及检查关键连续变量在迭代过程中均值和方差的稳定性来评估收敛性。

5. 护理预测评估工具的开发

1. 候选变量的预处理与编码
   1. 将操作类别的参考水平设置为 "神经血管"，以及位置的参考水平 "仰卧位"将头颈部旋转的参考水平设为“≤30°”，上肢外展的参考水平设为“≤90°”。将穿刺部位类别的参考水平设为 "桡动脉"，以及穿刺部位闭合方法的参考标准 "血管闭合装置".
   2. 年龄每10年、手术时长每60分钟、透视时长每10分钟、估计失血量每100 mL、鞘管留置时间每60分钟，以及鞘管尺寸每1 Fr。对于假设为 "数值越低，风险越高" （例如，核心温度最低值、白蛋白、血红蛋白、Braden 评分、平均动脉压最低值），进行反向编码，使得回归 OR 值表示 "每单位减少对应的风险增加".
      注意：可通过取原始变量的负值并按单位进行缩放来实现反向编码，例如 Temp_dec = -(Temp/0.5) 或 Braden_dec = -(Braden/1)，以保持比值比（OR）解释方向的一致性。
2. 单变量分析与候选变量筛选
   1. 为每个候选预测因子拟合单变量逻辑回归模型，并记录比值比（OR）、95% 置信区间（CI）和 P 值。对于分类变量，采用虚拟编码（哑变量编码），以参考水平为基准，输出各水平相对于参考水平的效应估计值。
   2. 使用限制性立方样条检验连续变量的线性关系，设置四个节点，分别位于5%、35%、65%和95%分位数处。若检验结果显示存在显著非线性关系，则在后续的多变量模型中保留相同的样条形式。
   3. 取并集 "临床预先指定的变量" 和 "单变量 P 值变量<0.20" 将候选变量集与事件数量的约束条件进行比较，并在必要时优先保留临床高度相关的变量，以控制过拟合。
3. LASSO 选择与主模型的构建
   1. 在候选集上拟合惩罚性逻辑回归（LASSO，alpha=1），family="二项式"对连续变量进行标准化（standardize=TRUE），以确保在不同量纲的变量之间实现公平的惩罚。
   2. 进行1,000次重复的十折交叉验证，每次随机生成折叠划分，并记录对应于lambda.min的交叉验证偏差。将惩罚强度定义为1,000次重复中lambda.min的中位数（或等价地，对应于最小平均偏差的λ），并使用该λ进行最终的LASSO拟合，以获得具有一组稳定非零系数的变量。
   3. 使用LASSO筛选出的具有非零系数的变量，在完整数据集中拟合非惩罚性多变量Logistic回归主模型。若保留样条项，则在主模型中以相同的样条形式拟合，并记录相应的系数或函数项。
   4. 在10个插补数据集中分别拟合主模型，并提取回归系数和标准误。使用Rubin规则合并系数、标准误和置信区间，并报告合并后的OR值和P值。
4. 风险评分、列线图及风险分层
   1. 根据 Sullivan 方法，将主模型的回归系数线性缩放至整数点，固定基础缩放比例和舍入规则。计算总评分，并通过 logit 函数将总评分映射为预测概率；该映射公式必须与主模型的截距保持一致。
   2. 使用 rms 包根据主模型生成列线图，并将其导出为高分辨率图像或 PDF 以供发表。对列线图输出文件采用版本化命名，以避免后续修改导致的混淆。
   3. 定义预测概率 <5% 为低风险，5% 至 14.9% 为中等风险，≥15% 为高风险13。将工具输出固定为两种格式——一页纸的纸质表格和电子计算器，并将评分过程限制在不超过三个步骤，以方便临床使用。

6. 模型验证与性能评估

1. 内部验证与乐观校正
   1. 采用自助法（bootstrap）进行内部验证，将重采样次数设为 1,000 次以获得稳定的估计值。对每次重采样，在bootstrap样本中重新拟合模型，并在bootstrap样本和原始样本中计算性能指标，以估计乐观度（optimism）。
   2. 将乐观度定义为bootstrap样本中的性能与原始样本中性能的平均差异。从表观性能中减去乐观度，得到校正后的性能，并报告经过乐观度校正的AUC、校准截距、校准斜率和Brier得分。
2. 区分能力
   1. 绘制ROC曲线，并以AUC作为区分能力的度量指标。使用DeLong方法估计AUC及其95%置信区间，并在相同的预测输出（概率）上进行计算，以确保可比性。
   2. 在预定义的阈值（5% 和 15%）下，计算敏感性、特异性、阳性预测值（PPV）和阴性预测值（NPV）。对于每个阈值，同时输出混淆矩阵的计数，以便验证计算结果。
3. 校准与总体误差
   1. 拟合一个校准模型，以模型的线性预测值（logit）作为自变量；其中截距反映系统性偏差，斜率反映过拟合程度。理想校准定义为截距 = 0 且斜率 = 1，并报告校正前后的指标。
   2. 以Brier得分为总体误差的度量指标，并使用loess平滑法绘制校准曲线，同时绘制45°理想线作为参考。Brier得分的计算公式为 mean((结果 - 预测概率)²)，loess平滑的实现方式为 stats::loess(结果 ~ 预测概率, span = 0.75, degree = 2, family = "gaussian", surface = "direct")。
4. 临床净获益与决策曲线
   1. 采用决策曲线分析评估阈值概率在2%至25%范围内14的净获益，并将“全部治疗”（Treat-All）和“不治疗”（Treat-None）策略作为参考线绘制。将阈值步长固定为0.01，并在脚本中明确指定，以确保可重复性。
   2. 在低风险和高风险阈值附近进行净获益的敏感性分析，记录阈值变化对净获益影响的方向。将敏感性分析结果与预定义的阈值一并呈现，以验证其合理性。

7. 统计实现与可重复的脚本工作流程

1. 软件环境与项目初始化
   1. 使用 R 4.3.2 进行分析，并加载 pROC、rms、glmnet、mice 和 rmda 软件包。
   2. 在脚本开头设置固定的随机种子（20250101），并记录会话信息以存档软件环境。
2. 数据导入、类型设置与质量检查
   1. 使用 read.csv("data/analysis.csv") 或 readr::read_csv() 导入数据。验证行数是否与唯一的手术标识符一一对应，并检查是否存在重复的 ID。
   2. 将分类变量转换为因子，并使用 relevel() 设置参考水平以匹配预设方案。保持连续变量为数值型，并在建模前根据预设进行单位缩放和反向编码。
   3. 对于分类变量，计算频数和百分比；对于连续变量，计算均值 ± 标准差或中位数 [IQR]。使用图形方法和 shapiro.test() 评估分布形态，并据此确定描述性统计方法。
3. 缺失数据处理与多重插补（m = 10）
   1. 计算每个变量的缺失比例，并将其导出为 output/missing_report.csv。确认结局变量无缺失，并锁定“仅对预测变量进行插补，不对结局变量插补”的策略。
   2. 使用 mice() 函数，设置 m = 10 且 maxit ≥ 20，执行链式方程插补，并根据变量类型指定插补方法。使用 complete(mids, action=k) 导出第 k 个完整数据集，并保存为 data/imp_k.csv。
   3. 绘制 plot(mids) 以检查迭代轨迹的稳定性，并比较关键连续变量在插补前后的分布。将诊断图保存至 output/imputation_diagnostics.pdf 以供验证。
4. 单变量回归、样条检验与候选变量集生成
   1. 在每个插补数据集中拟合单变量 Logistic 回归模型，并使用 pool() 合并系数与标准误。将 OR、95% CI 和 P 值导出为 output/univariate_pool.csv，用于候选变量筛选记录。
   2. 使用 rms 包中的 rcs() 为连续变量拟合样条项并检验非线性项。固定结点的数量和位置，并在脚本注释中记录，以避免不同运行之间的差异。
   3. 取临床预设变量与单变量分析中 P<0.20 的变量的并集，生成候选变量列表，并保存为 output/candidate_list.txt。检查候选变量数量与事件数是否满足复杂性约束，并记录最终用于 LASSO 的变量集合。
5. LASSO 变量选择与主模型拟合
   1. 使用 model.matrix() 生成自变量矩阵，并确保参考水平正确。使用 cv.glmnet(x, y, family="binomial", alpha=1, standardize=TRUE) 执行十折交叉验证。
   2. 通过循环重复随机划分折叠 1000 次，记录每次的 lambda.min 和交叉验证误差，并写入 output/lasso_lambda_trace.csv。取 1000 个 lambda.min 值的中位数作为稳定的 λ，并使用该 λ 在完整数据集上拟合 glmnet，获得具有非零系数的变量。
   3. 在 10 个插补数据集中，使用所选变量拟合主模型 glm(family=binomial)。使用 Rubin 法则合并 β、SE、OR 和 95% CI，并将结果保存为 output/multivariable_pool.csv。
6. 评分转换、列线图与风险分层输出
   1. 根据固定比例将 β 转换为整数评分，并使用相同比例将总分映射回 logit 和概率。随机抽取若干病例，比较“原始模型概率”与“评分转换后概率”，确保误差在预设可接受范围内。
   2. 使用 rms 包构建列线图，并导出为 output/nomogram.pdf。将评分表导出为 output/score_sheet.xlsx 或等效格式，以便制作单页纸质表格。
   3. 使用 5% 和 15% 的阈值进行分层，并输出各层的病例数和观察发病率。在阈值处导出敏感性、特异性、阳性预测值和阴性预测值至 output/threshold_metrics.csv，用于后续展示。
7. 内部验证、校准与决策曲线分析
   1. 设置 Bootstrap 重采样次数为 1,000 次，在每次重采样中执行重新拟合与预测，计算 AUC、Brier 分数、校准截距和校准斜率。将经乐观性校正的结果写入 output/bootstrap_corrected_metrics.csv，并保留每次重采样的中间结果摘要以供审计。
   2. 使用 pROC 包中的 roc() 和 auc() 计算 AUC，并使用 ci.auc(method="delong") 输出 95% CI。将 ROC 曲线保存为 output/roc_curve.png，并在脚本中固定分辨率和图像尺寸。
   3. 使用 rmda 包计算净获益，并在 2% 至 25% 的阈值范围内绘制 DCA 曲线。将图像导出为 output/dca_curve.png，并固定阈值步长和曲线标签，以确保可重复性。
8. 敏感性分析
   1. 将结局变量替换为“压力性损伤分期 ≥3”，并重复插补、LASSO 变量选择、主模型拟合及性能评估流程。将性能指标与主分析结果并列输出，以评估结果稳健性。
   2. 将低血压暴露变量替换为“平均动脉压 <60 mmHg 的累积时间”，并重复完整的建模与验证流程。比较系数方向以及 AUC、Brier 分数和校准指标的变化，检验对阈值设定的敏感性。

结果

研究人群与基线特征
根据预先设定的标准，从混合DSA手术室中识别出3,274例患者记录，其中1,936例（59.1%）符合纳入标准并进入模型构建与验证阶段（图1）。入组患者的年龄为（66.82 ± 11.94）岁；男性占61.16%；BMI为（24.73 ± 3.89）kg/m²；糖尿病患病率为23.45%。查尔森合并症指数为3 [2,5]，布拉登评分为17 [16,19]，术前白蛋白水平为（39.18 ± 4.41）g/L，提示患者总体合并症负担较重，并存在一定压疮风险（表1）。入组时的手术类型主要为神经血管和心血管手术；仰卧位占69.78%；全身麻醉占77.89%。中位手术时长为174分钟，中位透视时间为37分钟，76.81%的病例术中无法翻身，最低平均动脉压为（63.72 ± 8.96）mmHg，45.99%的病例使用了血管活性药物，提示患者普遍存在较长时间的体位暴露及一定程度的循环不稳定风险（表2）。在护理与器械使用方面，凝胶减压垫的使用率...

讨论

在混合型DSA手术室中，与体位相关的并发症包括并发的皮肤和软组织损伤以及体位引起的呼吸和血流动力学不稳定，表明体位安全不仅涉及局部压力问题，还反映了全身的生理耐受能力。风险决定因素来源于患者的脆弱性和手术暴露需求。高龄和较高的合并症负担提示组织储备能力下降；较低的Braden评分反映皮肤耐受性降低和活动能力受限，从而减弱了对持续压力的耐受性。长时间的手术和固定体位会导致界面压力和剪切力的累积，而镇静或全身麻醉会削弱疼痛反馈和自主调节能力¹⁵。低血压暴露会减少组织灌注，低温则引起外周血管收缩并影响组织修复，使压力性损伤和神经受压更易发生¹⁶。俯卧位常伴随头面部及肩带受压、胸腹壁顺应性改变以及静脉回流受限，增加局部压迫和循环波动的风险¹⁷。既往围手术期研究和指南一致指出，高龄、合并症、低Braden评分、较长的手术时间以及俯卧位是压力性损伤和周围神经损伤的重要危险因素，同时提示低灌注和低温与组织损伤风险增加相关¹⁸。混合型DSA设备和无菌区域限制了体位...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
麻醉信息管理系统	机构来源	N/A	术中生命体征、血管活性药物、平均动脉压（MAP）时间序列及麻醉记录的数据来源。
电子病历系统	机构来源	N/A	人口学资料、合并症、手术记录及术后随访临床文档的数据来源。
glmnet	CRAN	N/A	用于惩罚性逻辑回归和LASSO变量筛选的R语言程序包。
混合数字减影血管造影手术室	机构来源	N/A	所有纳入手术的研究场所；配备介入影像和开放手术设备。
实验室信息系统	机构来源	N/A	术前实验室指标（包括白蛋白和血红蛋白）的数据来源。
mice	CRAN	N/A	用于链式方程多重插补的R语言程序包。
护理信息系统	机构来源	N/A	体位记录、受压部位保护、术中体位核查及术后护理文档的数据来源。
影像归档与通信系统（PACS）	机构来源	N/A	透视持续时间及影像相关数据的来源。
pROC	CRAN	N/A	用于ROC分析、AUC估计及DeLong置信区间的R语言程序包。
R	R Foundation for Statistical Computing	N/A	统计分析软件环境。
rmda	CRAN	N/A	用于决策曲线分析的R语言程序包。
rms	CRAN	N/A	用于回归建模策略、样条函数及列线图构建的R语言程序包。