综述：围手术期低体温风险预测模型的系统评价

这篇系统评价全面分析了11项研究中的14个围手术期低体温（Perioperative Hypothermia）风险预测模型，发现模型虽具有良好区分度（AUC 0.700-0.870），但普遍存在高偏倚风险（PROBAST评估），主要源于样本量不足、变量筛选方法单一（如单因素分析）及验证不充分（仅3项完成内外验证）。研究推荐未来采用前瞻性多中心数据，结合机器学习优化模型，并重点关注年龄、基础体温、BMI等高频预测因子。

　　

Abstract

围手术期低体温作为常见并发症，可增加手术部位感染（SSI）、凝血功能障碍等风险。本文系统评价了14个预测模型，发现其核心问题在于方法论缺陷：61%研究依赖回顾性数据，45%存在样本量不足（事件数/变量<10），且64%未采用多因素变量筛选。值得注意的是，中国学者近三年贡献了63%的相关研究，但国际多中心验证仍匮乏。

Background

当核心体温<36°C时，围手术期低体温可使心肌缺血风险增加4.49倍（95% CI 1.00–20.16）。全球发生率差异显著（4%-72%），中国报道达44.3%。体温调节失衡涉及辐射散热（占热损失85%）和麻醉药物对下丘脑的抑制，术后1小时核心体温常下降1.0–1.5°C。

Methods

通过TRIPOD-SRMA框架筛选3019篇文献，最终纳入11项研究。采用CHARMS清单提取数据，PROBAST工具评估显示：

• 预测因子：9项研究未报告体温测量一致性

• 模型验证：仅3项同时完成内部（Bootstrap法）和外部验证

• 机器学习应用：XGBoost在少量研究中展现优势，但逻辑回归仍是主流（91%模型）

Results

高频预测因子形成四大维度：

1. 患者因素：年龄>60岁（OR 2.3）、BMI<18.5（核心体温降幅增加37%）

2. 手术因素：时长>2小时（AUC贡献值0.12）、腹腔镜CO₂气腹

3. 麻醉因素：全麻药物抑制血管收缩（RR 1.33）

4. 环境因素：手术室温度<23°C（P<0.001）

Discussion

现有模型的临床转化面临三重挑战：

1. 技术层面：LASSO回归等新型变量筛选法仅见于9%研究

2. 临床层面：输液量>1L未加热液体可致体温下降0.25°C/升

3. 实践层面：多中心验证样本中位仅215例（IQR 158-347）

Conclusion

未来方向应聚焦：

• 采用传导加热系统（如38–40°C冲洗液）的干预研究

• 电子病历（EHR）实时风险预警系统开发

• 基于甲状腺功能等代谢标志物的精准预测