基于多因素logistic回归的嵌顿性腹股沟疝绞窄风险预测模型构建与验证

本研究针对嵌顿性腹股沟疝进展为绞窄性疝的临床决策难题，通过回顾性分析120例患者数据，首次建立包含腹股沟区压痛、肠梗阻、CRP、中性粒细胞和前白蛋白五个指标的诺莫图预测模型。该模型AUC达0.906，灵敏度91.11%，特异性82.67%，为早期识别绞窄风险提供了量化工具，对降低肠坏死并发症具有重要意义。

当一位老年腹股沟疝患者因包块卡顿就诊时，临床医生面临着一个关键抉择：是否需要立即手术？传统的判断依据主要依赖医生经验，缺乏量化标准。嵌顿性腹股沟疝是普外科常见急症，若未能及时识别已发生绞窄（strangulation）的病例，可能导致肠管坏死、穿孔等严重并发症。尤其对于老年患者，由于疼痛感知迟钝，往往就诊时肠缺血已相当严重。研究表明，老年腹股沟疝急诊手术的并发症发生率和死亡率显著升高，嵌顿性腹股沟疝急诊手术使术后死亡风险增加5-15倍。

为解决这一临床难题，徐州医科大学附属淮安医院赵海剑团队开展了一项回顾性研究，旨在明确嵌顿性腹股沟疝进展为绞窄的危险因素，并构建风险预测模型。该研究最终纳入2020年1月至2023年1月期间收治的120例急诊手术的嵌顿性腹股沟疝患者，其中45例术中发现肠管绞窄坏死需行小肠切除，75例肠管血运恢复正常未行切除。研究人员通过单因素分析和多因素logistic回归分析，筛选出独立影响因素，并构建了诺莫图（Nomogram）预测模型。该研究成果发表于《Hernia》杂志，为临床医生提供了重要的决策支持工具。

研究采用的关键技术方法包括：基于2018版《国际腹股沟疝管理指南》的标准化诊断流程，通过单因素分析（χ²检验、t检验、Mann-Whitney U检验）筛选显著变量，再采用多因素logistic回归（逐步回归法）确定独立影响因素，最后使用R 4.1.2软件构建诺莫图预测模型，并通过ROC曲线、校准曲线和决策曲线（DCA）评估模型的区分度、校准度和临床实用性。

单因素分析结果

单因素分析显示，两组患者在腹股沟区压痛有无、肠梗阻有无、嵌顿时间等临床症状方面差异具有统计学意义。实验室指标中，白细胞计数、中性粒细胞计数、CRP、纤维蛋白原、D-二聚体、胆碱酯酶和前白蛋白等指标在两组间也显示出显著差异。

多因素logistic回归分析

多因素logistic回归分析（逐步回归法）对单因素分析中具有统计学意义的指标进行分析。结果显示，腹股沟区压痛有无、肠梗阻有无、CRP和中性粒细胞计数是嵌顿性腹股沟疝进展为绞窄的独立危险因素。前白蛋白被确定为独立保护因素。具体而言，腹沟区压痛的OR（比值比）为9.164，肠梗阻的OR为6.781，中性粒细胞计数（每增加1×10³/mm³）的OR为1.253，CRP（每增加1 mg/L）的OR为1.023，而前白蛋白（每增加1 mg/L）的OR为0.992。ROC曲线分析确定了中性粒细胞（7.49×10³/mm³）、CRP（11.40 mg/L）和前白蛋白（275.20 mg/L）的临界值。

预测模型构建

基于上述五个指标构建了嵌顿性腹股沟疝进展为绞窄的风险预测诺莫图模型。

该模型的最终二元logistic回归模型方程为：P = 1 / (1 + e^(-3.176 + 2.215腹股沟压痛有无 + 1.914肠梗阻有无 + 0.225中性粒细胞计数 + 0.023CRP - 0.008*前白蛋白))，其中P代表嵌顿疝进展为绞窄的概率。

模型验证

通过R软件绘制ROC曲线，该模型的AUC（曲线下面积）为0.906（P<0.05，95% CI：0.851-0.962），灵敏度为91.11%，特异性为82.67%，表明该模型对预测嵌顿性腹股沟疝进展为绞窄具有良好的区分能力。

校准曲线显示模型预测与实际情况具有良好的一致性。

决策曲线分析（DCA）表明，在最佳截断值76.8%以下，模型的决策曲线位于“全干预”线和“无干预”线之上，提示模型具有良好的临床实用性。

本研究通过严谨的统计方法，首次构建并验证了一个用于预测嵌顿性腹股沟疝进展为绞窄风险的诺莫图模型。研究确认腹股沟区压痛、合并肠梗阻、CRP升高和中性粒细胞升高是独立的危险因素，而前白蛋白升高是独立的保护因素。该模型具有较高的灵敏度、特异度和临床适用性，为临床医生早期识别高危患者、及时进行手术干预提供了客观、量化的决策依据，有望降低肠坏死等严重并发症的发生率，改善患者预后。值得注意的是，本研究为回顾性研究，样本量有限，且嵌顿时间的准确性可能存在回忆偏倚。模型中的炎症指标（如CRP、中性粒细胞）具有一定非特异性，需结合临床排除其他感染性疾病。作者建议，当模型预测风险≥0.7时推荐手术，风险在0.3-0.7之间时应进一步完善腹部增强CT等影像学检查以辅助决策。未来需要通过多中心前瞻性研究进一步验证该模型的准确性和泛化能力，并探索结合影像组学特征进一步提升模型性能。