识别慢性术后疼痛基线预测因素的两部分统计模型

背景：相当比例的患者报告术后无疼痛，导致零值过多，给传统统计模型的分析带来挑战。本研究旨在检验以下假设：常用于医疗支出研究的两部分模型在预测术后疼痛方面优于传统模型，并能更好地识别这一临床重要结局的预测因素。方法：本研究分析了一个前瞻性收集的单中心慢性术后疼痛数据集（n = 3,925），将新型两部分建模框架与logistic回归和线性回归进行比较。两部分模型首先估计术后3个月发生疼痛的概率（二分类结局），然后估计疼痛患者的疼痛严重程度（1至10数字评定量表）。为获得无偏的模型性能评估，数据被随机分为训练集（n = 3,000）和测试集（n = 925）。模型在训练集上训练，在测试集上评估。该过程重复400次以计算平均性能估计。作为次要目标，研究评估了15个基线因素（包括经过验证的患者报告疼痛、功能和心理测量、合并症及手术细节）在不同建模方法中的关联。结果：与单独线性回归相比，两部分模型表现出更优的预测性能，平均R2值更高（0.075 vs. 0.050；P < 0.0001），均方根误差更低（1.466 vs. 1.485；P < 0.0001），平均绝对误差更低（1.020 vs. 1.030；P < 0.0001）。由于共享二分类成分，无法与单独logistic回归进行统计比较。两部分模型识别出七个基线术前协变量与术后疼痛独立相关，而这些被logistic或线性模型或两者遗漏：自报种族、教育水平、美国麻醉医师学会分级、整体身体疼痛、广泛性疼痛、症状严重程度和焦虑水平。在三种模型中均识别出的显著基线因素为患者性别、手术类型和手术部位疼痛。结论：两部分模型可能提供优于线性回归和logistic回归的统计方法，更好地识别慢性术后疼痛的患者和临床护理相关风险因素，主要通过区分驱动慢性疼痛发生的因素与与疼痛严重程度相关的因素。