《Surgery》：Accuracy of the Surgical Risk Preoperative Assessment System (SURPAS) in a broad, elderly (age ≥ 65) patient population
编辑推荐：
本研究基于美国外科医生学会国家手术质量改进计划数据库，回顾性分析2009-2020年9大手术专科老年与年轻患者术后并发症风险预测模型。结果显示，老年组模型C-index为0.800，略低于年轻组的0.846，但所有12项并发症的模型校准良好，Brier评分差异显著（0.036 vs 0.019），提示当前普适性手术风险预评估系统对老年患者仍具临床适用性。
哈里斯·卡德里（Haaris Kadri）|艾哈迈德·M·希德（Ahmad M. Hider）|威廉·G·亨德森（William G. Henderson）|易苏（Yi Su）|迈克尔·R·布隆瑟特（Michael R. Bronsert）|托马斯·N·罗宾逊（Thomas N. Robinson）|罗伯特·C·麦金太尔（Robert C. McIntyre）|罗伯特·A·梅吉德（Robert A. Meguid）
科罗拉多大学医学院外科系外科手术结果与应用研究项目，科罗拉多州奥罗拉市
摘要
背景
随着对老年人进行更多的手术，对术后并发症的风险评估对于向患者和医疗提供者提供信息非常重要，尤其是因为老年患者的并发症发生率比年轻患者更高。外科手术术前风险评估系统（Surgical Risk Preoperative Assessment System）是一种通用且简洁的外科手术风险计算工具，但其在校老年患者群体中的准确性尚未得到评估。
方法
本研究使用了美国外科医师学会国家外科质量改进计划（American College of Surgeons National Surgical Quality Improvement Program）2009–2018年的参与者使用数据来开发外科手术术前风险评估系统模型，并用2019–2020年的数据在所有患者（包括老年人和年轻人）中测试这些模型。采用多元逻辑回归分析，将外科手术术前风险评估系统的变量（如手术类型、美国麻醉医师学会分类、功能健康状况、外科医生专业、急诊情况、住院或门诊以及患者年龄）作为自变量，12种常见的术后并发症作为因变量。模型评估采用了C指数（C-index）、布里尔评分（Brier score）和霍斯默-莱梅肖校准图（Hosmer-Lemeshow calibration graph）。
结果
开发数据和测试数据的样本量分别为6,924,709人和1,929,287人。在测试数据中，37.7%的患者为老年人。老年患者的平均C指数为0.800，而年轻患者的平均C指数为0.846。在评估的12个结果中，有11个结果的C指数处于良好到中等水平（≥0.70）。老年患者的平均布里尔评分略高于年轻人（0.036 vs 0.019）。霍斯默-莱梅肖校准图显示老年患者和年轻患者之间的模型校准效果良好。
结论
外科手术术前风险评估系统在老年患者中的表现略逊于年轻患者，但在临床上是可以接受的。
部分内容摘录
背景
随着美国65岁以上人口数量的稳步增长，老年患者接受的外科医疗服务也在增加。1在老年人群中，由于身体虚弱2,3以及骨骼肌量减少4等因素，并发症的风险可能会增加。在一项针对1991至1999年间参与退伍军人事务部国家外科质量改进计划（Department of Veterans Affairs National Surgical Quality Improvement Program）的594,911名患者的研究中，80岁及以上的患者并发症发生率显著
伦理声明
由于本研究使用了通过ACS-NSQIP获得的公开、去标识化数据，因此免于机构审查委员会的审查。
研究设计与患者样本
这是一项回顾性队列研究，使用了2009–2020年的ACS-NSQIP参与者使用数据（PUF）。所有病例均来自ACS-NSQIP的9个主要专业领域，包括普通外科、妇科、神经外科、骨科、耳鼻喉科、整形外科、胸外科、泌尿外科和血管外科。数据缺失的病例被排除在外。
结果
2009–2020年间，ACS-NSQIP PUF共包含9,003,060名患者；其中149,064人（1.7%）因数据缺失被排除。在剩余的8,853,996名患者中，6,924,709人（78.2%）用于模型开发，1,929,287人（21.8%）用于模型测试。在模型测试样本中，727,117人（37.7%）为老年人，1,202,170人（62.3%）为年轻人（图1）。
表I总结了SURPAS的结果
讨论
在这项关于SURPAS在老年外科患者中风险评估准确性的大规模研究中，我们发现该系统在老年患者中的表现略逊于所有患者或年轻患者，但仍处于可接受范围内。我们能够利用已公开发布的SURPAS模型进行这项研究。当统计预测模型未公开时，如ACS SRC的例子所示，验证研究需要依赖手动方法
作者贡献声明
哈里斯·卡德里（Haaris Kadri）：撰写——审稿与编辑、撰写——初稿、数据可视化、数据分析。艾哈迈德·M·希德（Ahmad M. Hider）：撰写——审稿与编辑、撰写——初稿、数据分析。威廉·G·亨德森（William G. Henderson）：撰写——审稿与编辑、撰写——初稿、研究监督、方法学设计、数据分析、概念构建。易苏（Yi Su）：软件开发、数据分析、形式化分析。迈克尔·R·布隆瑟特（Michael R. Bronsert）：数据可视化、软件开发、方法学设计、数据分析、形式化分析、数据管理。托马斯·N.
审稿声明
罗伯特·梅吉德（Robert Meguid）是外科执行委员会成员，未参与本手稿的审稿、编辑决策或批准过程。
