作者：张泽琼，段丽阳，何凌霄，刘雨薇，龚仁蓉，廖灯彬，四川大学华西医院

围手术期非计划性低体温（inadvertent perioperative hypothermia, IPH）是指非治疗性或非计划性的围手术期内发生的患者机体核心体温低于 36℃ 的现象。国内外研究显示 IPH 的发生率为 14.05%～73.5%，是外科手术常见的并发症之一。IPH 不仅会增加患者的不适程度，还可导致组织耗氧量增加、术中出血量增加、出血时间延长，甚至引起手术部位感染、代谢性酸中毒、心动过速、心律失常等，进而延长患者恢复时间和住院时间。

早期识别和预测外科患者 IPH 风险，有助于实施针对性干预策略，对于降低 IPH 发生率、减少并发症、改善患者预后具有重要意义。预测模型是指通过多种因素判断个体是否患有某种疾病或预测个体预后的统计学模型，可分为诊断模型与预后模型。

IPH 预测模型对临床医护人员识别 IPH 高危患者、及时采取预防措施具有指导作用。近年来，国内外已建立了较多成人 IPH 预测模型，但对此类预测模型的适用范围、构建方法、预测因素和预测性能等，仍缺乏系统的总结与评价。本综述在全面检索国内外文献的基础上，对近年来成人 IPH预测模型相关研究进行分析与比较，以期对模型的选择、应用与优化提供借鉴与参考。

1. 成人 IPH 的危险因素

研究表明，多种因素都会影响成人外科手术患者的体温调节，在一定程度上造成 IPH 的发生。目前国内外研究将 IPH 的危险因素主要归结为以下方面：

① 患者因素：包括年龄、体质量指数（body mass index, BMI）、美国麻醉医师协会（American Society of Anesthesiologists, ASA）分级等。老年患者更易发生 IPH，且成年患者年龄每增长 20 岁，IPH 的发生风险就增加 1.035 倍；高 BMI 为成年患者发生 IPH 的独立保护因素，可能与体脂含量较高者产热多且脂肪的热传导性低有关。此外，ASA 分级越高，患者 IPH 风险随之增加。

② 手术与麻醉因素：包括手术时长、术中输血输液、气腹气体温度等。患者手术时间越长，IPH 风险越高。其原因为较长的手术时间使患者暴露在环境中的时间增加，导致麻醉持续时间更长，麻醉药物通过抑制体温调节中枢，降低基础代谢率，使患者IPH 风险升高。若患者术中输入大量未加热的液体，其 IPH 发生率将大大增加。此外，腹腔镜手术患者采用加温加湿的气体建立气腹时，其核心体温较未采用加温加湿气体建立气腹的患者高，IPH 的发生率也相对降低。

③ 环境因素：手术室室温较低是成年患者 IPH 的危险因素，但空气加温可减少低室温对患者体温的影响。

④ 保温措施：目前临床上将保温措施分为主动保温（如空气加热）与被动保温（如加盖棉毯），而主动保温措施对于低体温的预防更为有效。目前关于 IPH 危险因素的研究较多，可为成人患者 IPH 预测模型的构建提供参考。但是各研究纳入的危险因素不尽相同，如龚晓媛等的研究显示女性患者发生低体温风险更高，可能与女性体内雌激素水平有关。而 Sagiroglu 等的研究表明，男性是成人全身麻醉（全麻）发生 IPH 的危险因素。

Xu 等、Lynch 等的研究表明手术时长与 IPH 风险呈正相关，但 Akers 等的研究表明手术时长与IPH 发生率无相关性。何种危险因素有助于构建准确程度更高的风险预测模型尚无一致结论。

2. 成人 IPH 预测模型的研究现状

根据模型构建方式的不同，可将目前的 IPH 预测模型分为基于专家共识构建的评估量表、基于logistic 回归分析构建的预测模型及基于机器学习构建的预测模型。

2.1 基于专家共识构建的成人 IPH 评估量表

此类模型主要通过前期文献调研收集危险因素，并进一步通过专家共识法，明确危险因素及对应权重后构建风险预测模型，并以风险评估量表的形式呈现。2021 年，李丽等编制并验证了成人手术患者 IPH 风险评估量表，研究者根据国内外文献建立条目池后，邀请 15 名专家进行两轮专家函询，最终编制的量表包括 4 个维度 12 个条目，得分范围为 11～35 分；采用该量表对 888 例成人患者进行评估，其受试者操作特征曲线下面积（area underthe curve, AUC）、灵敏度、特异度分别为 0.748、0.707、0.652，高危临界值为 20 分，表明该量表具有良好的信效度。

2022 年，柯稳等研制了成人 IPH量表，包含 2 个维度 10 项指标，随后选取 150 例择期手术患者验证该量表，其最佳诊断阈值为 15 分，AUC、灵敏度、特异度分别为 0.820、1.000、0.475。项海燕等基于专家咨询法构建了全麻手术患者IPH 风险评估量表，该量表包括 6 个一级风险指标、18 个二级分类指标，总分 0～2 为围手术期低体温低风险，≥3 分为围手术期低体温高风险，两轮专家函询的权威系数分别为 0.903、0.921，量表总Cronbach α 系数为 0.764；使用该量表对 263 例患者进行评估，AUC、灵敏度、特异度分别为 0.879、0.726、0.861，表明量表具有良好的信度与预测效能。

2.2 基于 logistic 回归分析构建的成人 IPH 预测模型

此类模型主要基于回顾性或前瞻性队列数据，使用 logistic 回归分析来探讨 IPH 风险因素并构建预测模型，最终以回归方程形式呈现模型。根据麻醉方式、手术类型和患者人群不同，可分为以下几种类型。

2.2.1 全麻大手术 IPH 风险预测模型：　2002 年，Kasai 等通过回顾性研究纳入 862 例全麻下行开腹手术的患者，通过多因素 logistic 回归分析建立模型，并在 50 例开腹手术患者中进行验证，模型的灵敏度、特异度分别为 0.815、0.830。2017 年，Yi 等报告了全麻患者术中低体温风险预测方程，该研究基于我国 3 132 例全麻患者数据，通过 logistic 多因素回归分析纳入手术等级、麻醉时间、BMI、基线核心体温、手术室环境温度、术中静脉输液量、患者升温方式建立预测模型，随后将该模型应用于北京地区的调查中加以验证；该模型 Hosmer-Lemeshow拟合优度检验值为 0.561 1，Brier 值为 0.21，建模组与验模组的 C-index 分别为 0.789、0.771。2021 年，史卓颖等纳入符合标准的 9 155 例全麻患者，其中 1 420 例发生术中低体温，采用 logistic 回归分析建立的预测模型纳入年龄、性别、体位、器械护士能级、BMI、手术时长、总输液量和总出量 8 个因素，使用内部验证明确模型的 AUC、约登指数、灵敏度、特异度分别为 0.814、0.480、0.639、0.841。2021 年，周宁宁等纳入 377 例全麻成人手术患者，建立成人全麻患者术中意外低体温预警评分系统，预测因素包括性别、年龄、手术科室、手术时间、出血量、手术级别、麻醉级别及血制品、液体总入量；该预警评分系统在内部验证中 AUC 为 0.837，具有良好的临床预测价值。

2.2.2 包含不同麻醉方式的 IPH 预测模型：　2008年，Rincón 等通过前瞻性队列研究纳入 264 例全麻、局部麻醉或联合麻醉患者，使用其中 200 例患者的数据建模，另外 64 例作为验证组，通过 logistic回归分析纳入年龄、体重、预计手术时间、诱导前的环境温度和体温建立完整模型，并在此基础上构建了简化模型；建模组完整模型与简化模型的AUC 分别为 0.85、0.83，验模组完整模型与简化模型的 AUC 分别为 0.85、0.82。

2.2.3 全麻复苏室患者低体温预测模型：　陈思宇等纳入 2 001 例全麻术后麻醉复苏室患者，通过 logistic回归分析纳入年龄、BMI、输液量、输血情况、ASA分级建立预警评分系统；该评分系统的 AUC 为0.691。之后，孔青等纳入 240 例全麻术后患者，基于 logistic 回归分析建立预测模型，纳入的危险因素包括年龄、BMI、科室、手术时间、麻醉时间、室温，进一步根据回归系数对危险因素的权重进行重新赋值，形成了 IPH 风险评分量表；该模型的AUC、约登指数、灵敏度、特异度分别为 0.860、0.788、0.944、0.845，预测性能较好。

2.2.4 老年全麻非心脏手术患者术后低体温预测模型：　2022 年，杨曦仑等纳入 399 例全麻老年患者，根据 logistic 回归分析建立预测模型；该模型的 AUC 为 0.91，预测性能良好。然而，该研究样本量较小且模型外推性需进一步验证，期待今后可扩大样本量，进行多中心研究，从而对模型进行外部验证。

2.2.5 机器人手术患者术中意外低体温预测模型：　2023 年，Hu 等纳入了 833 例接受机器人手术的患者，其中 344 例发生低体温，发生率为 41%；经logistic 回归分析，纳入年龄、性别、BMI、基线核心温度、诱导时间、手术部位建立预测模型，经 5 倍交叉验证，模型的 AUC 为 0.85。

2.3 基于机器学习构建的成人 IPH 预测模型

2022 年，曹立源等建立了基于特征选择和极端梯度增强算法优化的术中低体温预测模型，研究者纳入 294 例全麻手术患者，首先利用随机森林法对纳入患者进行特征选择，筛选出术前体温、BMI、麻醉时间、年龄、术中输液量、术中出血量和是否冲洗作为预测因素，之后将特征选择后的数据集按7∶3 的比例随机分为训练集和测试集，利用基于精英保留策略的遗传算法来优化极端梯度增强算法超参数，根据最优参数训练预测模型；最终模型测试集的 AUC 为 0.894 7，性能良好。

项海燕等构建了基于深度学习的全麻患者 IPH 预测模型，研究者纳入 19 068 例符合标准的患者，其中 2 649 例发生低体温，发生率为 13.89%，将患者按 7∶3 的比例随机分为训练集和测试集，训练集数据构建多层神经网络模型，测试集对模型进行测试并修正；最终构建的预测模型包括 ASA 分级、复苏时间、麻醉苏醒时间、手术体位、麻醉时间、手术时间等 19 个因素，预测模型用于训练集的 AUC、灵敏度、特异度分别为 0.724、0.516、0.823，研究者随后纳入 2 157例患者进行模型的外部验证，预测准确率为 74.97%。

3. 成人 IPH 预测模型的特征分析

3.1 研究设计

当前研究以回顾性研究为主，前瞻性队列研究较少，其中部分研究未说明研究类型。回顾性队列研究可以直接从既往医疗资料中收集信息，可在较短时间内完成资料收集，快捷省时省力，但所构建的预测模型的性能受到既往资料完整性、全面性和准确性的影响。例如手术室室温、冲洗液温度等数据可能无法从病历中提取，而上述因素同样是 IPH发生的风险因素，纳入风险因素的不完整可能导致预测模型性能降低。而前瞻性队列研究可避免上述局限，获得较为全面、准确的资料，但需要耗费大量时间及人力，通常纳入样本量较小，导致模型外推性受限。

3.2 纳入的预测因素

目前，来自不同国家、地区的研究者建立了多种 IPH 预测模型，由于研究对象、纳入样本量等的差异，模型中的预测因素不尽相同。Kasai 等的研究纳入年龄、身高、体重、术前收缩压、术前心率建立预测模型，其临床可操作性更高，可推广性较强，但因影响因素纳入较少，模型预测性能受限；另有 3 项研究纳入预计手术时间、预计麻醉时间、预计静脉输注液体量、预计术中冲洗液量等术中因素的估计值建立模型，在术前进行围手术期低体温的预测，而更多的研究则纳入手术时间、麻醉时间、静脉输液量、冲洗液量等术中因素的实际值建立模型。与后者相比，前者既能明确术中因素对低体温的影响，又方便临床医护人员早期识别患者术中低体温风险，采取保温措施，但也可能存在预估因素与实际因素不相符，使模型的预测结果出现偏差，仍需要综合考虑预测因素，以保证预测时效性和准确性之间的平衡。

3.3 预测模型的建模方法

德尔菲法可综合专家们的意见及建议，体现集思广益，而通过多轮函询，专家可不断地对预测模型进行完善，有利于提高模型的准确性，但该方法存在两方面主要问题：一是仅基于文献回顾和专家经验，可能无法涵盖围手术期患者所有的风险因素，导致使用范围和性能受到限制；二是确定危险因素权重同样基于专家看法，较为主观。前文提到的基于专家共识构建的成人 IPH 评估量表在更广泛人群中的应用效果仍未得到充分验证。目前多数研究采用 logistic 回归分析建立预测模型，虽操作简便，但仍然是基于线性分布假设下的回归分析，可能无法很好地捕捉变量与结局间的非线性关联，导致模型准确度有所降低。

机器学习近年来逐渐应用于成人 IPH 预测模型的构建，相比其他方法，机器学习可提高模型的预测性能，例如曹立源等结合 3 种算法的优点，所构建的模型具有较强的适应性和效用性。未来研究者可以采用更加多元化的建模方法构建 IPH 预测模型，如深度学习、神经网络技术等，且可建立风险评估量表、方程式、列线图等使模型更加直观。

来源：张泽琼,段丽阳,何凌霄,等.成人围手术期非计划性低体温预测模型研究进展[J].华西医学,2025,40(08):1346-1350.