脑卒中是我国致死率居首位的脑血管疾病，其重症患者因存在严重脑代谢障碍，常需长期输注高渗性、高刺激性药液及肠外营养制剂等特殊治疗液体^[1-3]。临床观察发现，此类药物易导致外周静脉炎、血管硬化及组织坏死等并发症^[4]，不仅严重影响急救药物输注效率，还可能加重神经系统损伤。因此，建立安全可靠的中长期静脉通路已成为重症脑卒中治疗的关键环节。

经外周静脉置入中心静脉导管（peripherally inserted central catheter，PICC）凭借对血管刺激性弱、平均留置时间长等优势^[5-6]，目前已成为ICU静脉通路管理的首选方案。但相关研究数据显示，PICC堵塞发生率高达47.37%^[7]，由此导致的非计划拔管率高达34.8%，同时还可能继发感染及血栓形成等不良事件^[8-9]，对患者预后产生显著负面影响。

当前，关于PICC堵塞的研究多集中于肿瘤化疗及新生儿群体的危险因素分析，风险预测相关研究也侧重于肿瘤患者^[10-11]，针对ICU脑卒中患者这一特殊人群的PICC堵塞风险预测模型尚处于空白状态。基于上述现状，本研究拟构建并验证ICU脑卒中患者PICC堵塞风险预测模型，以期为建立具有临床实用性的风险评估体系及早期干预提供循证依据。

1   资料和方法

1.1   研究对象

连续纳入2022年1月至2024年8月我院脑血管病中心ICU收治的289例脑卒中患者，其中2022年1月至2023年9月的202例为建模组，2023年10月至2024年8月的87例为验证组（用于内部验证）。纳入标准：（1）符合脑卒中诊断标准^[12]；（2）入住ICU；（3）在我院住院期间置入PICC；（4）年龄≥18岁。排除标准：（1）有全身重症感染者；（2）合并严重的重要脏器、造血或免疫系统等疾病者；（3）有恶性肿瘤病史者；（4）有精神疾病者。本研究通过我院伦理委员会审核批准（CHEC2023-061）。

1.2   研究方法

1.2.1   资料收集

通过系统性文献研究，检索中心静脉导管、PICC堵塞相关研究^[13-17]。组建多学科德尔菲专家小组（包括1名脑血管病中心副主任医师、1名重症医学科副主任护师、2名输液护理学会认证静脉治疗专家、2名PICC专科护士），进行2轮改良德尔菲法论证，最终确定以下预测变量。（1）一般资料：包括性别、年龄、疾病类型、BMI、导管类型、置管时间、穿刺次数、穿刺部位、封管溶液、冲/封管技术规范、是否输注易沉淀/黏稠药物、是否持续用药、有无糖尿病史、近1个月是否有手术史、有无高血压病史、有无静脉血栓栓塞病史。（2）实验室指标：包括D-二聚体、纤维蛋白原、凝血酶原、活化部分凝血活酶时间。所有患者资料均通过院内信息系统回顾性采集。对2名数据采集人员培训数据收集的方法与要求后，实行双人核对与录入（每录入100例患者信息抽取20%进行复核）。对于数据缺失项≥1的样本或重复数据进行剔除，以确保资料收集的完整性与正确性。

1.2.2   PICC堵塞判定标准

在导管无打折、弯曲、挤压的前提下，满足以下任意一项即可判定为PICC堵塞：（1）血液无法抽出或回流缓慢；（2）使用0.9%氯化钠溶液脉冲式冲管时有明显阻力或液体无法输入；（3）使用0.9%氯化钠溶液脉冲式冲管后，将输液调节器调至最大，输液速度仍＜60滴/min；（4）电子输液泵频繁报警堵塞^[18]。

1.3   统计学处理

采用SPSS 26.0软件进行数据分析。非正态分布的计量资料以M (Q₁, Q₃)表示，组间比较采用秩和检验；计数资料以例数和百分数表示，组间比较采用χ²检验。检验水准（α）为0.05。通过多因素logistic回归方法构建风险预测模型。运用Hosmer-Lemeshow检验检测回归方程的拟合优度，P＞0.05提示预测模型具有较好的校准能力。采用ROC曲线评估模型的区分度，AUC值＞0.7表明模型具有较高的预测价值。运用R 4.3.3软件对风险预测模型进行列线图可视化分析，以展示发生风险。

2   结果

2.1   PICC堵塞发生情况

入组289例患者中有38例发生了PICC堵塞，发生率为13.15%，其中完全堵塞7例，部分堵塞31例。

2.2   PICC堵塞的影响因素分析

将建模组患者按照有无PICC堵塞事件分为堵塞组（26例）和无堵塞组（176例），对发生PICC堵塞的影响因素进行单因素分析，结果显示两组间性别、穿刺部位、糖尿病史、持续用药时间、D-二聚体等差异均有统计学意义（均P＜0.05）。见表 1。

2.3   发生PICC堵塞的多因素logistic回归分析与交互效应分析

将是否发生PICC堵塞作为因变量（否＝0，是＝1），单因素分析中有统计学意义的变量作为自变量纳入多因素logistic回归分析。结果显示，患侧穿刺、有糖尿病史、D-二聚体升高是ICU脑卒中患者发生PICC堵塞的独立危险因素（表 2）。根据多因素logistic回归分析结果，将3项独立危险因素进行交互效应分析，结果显示穿刺部位-糖尿病史、穿刺部位-D-二聚体、D-二聚体-糖尿病史、D-二聚体-糖尿病史-穿刺部位交互效应均有统计学意义（均P＜0.05，表 3）。

2.4   风险预测模型的建立与可视化分析

利用筛选的PICC堵塞的独立危险因素构建预测模型：LogitP＝－4.733+1.324×穿刺部位（患侧＝1，健侧＝0）+1.185×糖尿病史（有＝1，无＝0）+0.618×D-二聚体（mg/L）。Hosmer-Lemeshow检验结果提示回归方程拟合良好（P＝0.761）。ROC曲线分析显示，在建模组该模型的AUC值为0.840（95%CI 0.747~0.933），灵敏度为0.731，特异度为0.875，最佳截断值为0.185，提示当ICU脑卒中患者的模型得分＞0.185时即存在发生PICC堵塞的风险（图 1）。通过列线图对预测模型进行可视化分析，若患者为患侧穿刺（26分）、有糖尿病史（23分）、D-二聚体升高至4 mg/L（80分），其预测模型总分为129分，PICC堵塞风险达到90%以上（图 2）。

图  1  ICU脑卒中患者PICC堵塞风险预测模型的ROC曲线分析

Fig.  1  ROC curve analysis of risk prediction model for PICC occlusion in ICU patients with stroke

ICU: Intensive care unit; PICC: Peripherally inserted central catheter; ROC: Receiver operating characteristic.

下载: 全尺寸图片

图  2  ICU脑卒中患者PICC堵塞风险预测模型的列线图

Fig.  2  Nomogram of risk prediction model for PICC occlusion in ICU patients with stroke

Intensive care unit; PICC: Peripherally inserted central catheter.

下载: 全尺寸图片

2.5   风险预测模型的内部验证

利用验证组87例患者的资料进行内部验证，实际发生与模型预测的PICC堵塞均为12例。ROC曲线分析显示AUC值为0.873（95%CI 0.759~0.987），灵敏度为0.833，特异度为0.867，表明模型预测能力良好，可实施性较强（图 3）。

图  3  ICU脑卒中患者PICC堵塞风险预测模型内部验证的ROC曲线分析

Fig.  3  ROC curve of internal validation for risk prediction model of PICC occlusion in ICU patients with stroke

ICU: Intensive care unit; PICC: Peripherally inserted central catheter; ROC: Receiver operating characteristic.

下载: 全尺寸图片

3   讨论

本研究结果显示，289例PICC置管患者中有7例完全堵塞，31例部分堵塞，PICC堵塞率为13.15%。患侧穿刺、有糖尿病史、D-二聚体升高是ICU脑卒中患者发生PICC堵塞的独立危险因素。本研究中PICC堵塞率高于新生儿人群（10.00%）^[9]，低于肿瘤化疗人群（15.56%）^[19]。这种差异可能与以下原因有关：（1）新生儿拥有特殊的凝血系统，与成人相比，凝血因子缺乏，常处于促凝-抗凝动态平衡状态。当病原体、创伤等外源因素侵入时机体会产生应激反应，打破促凝-抗凝动态平衡，导致机体存在生理性出血可能^[20]。另外，新生儿较少患有血管内皮损伤性疾病，且穿刺部位多为右下肢（大隐静脉），PICC堵塞的发生率相较于穿刺上肢时更低^[21]。（2）肿瘤患者的肿瘤细胞可直接激活凝血系统，释放促凝物质；同时，化疗会使内皮细胞受损，增强血小板活性，提高血栓形成率^[22]，增加了PICC堵塞风险。（3）既往研究人群肢体活动度高，活动后可能因血液反流造成PICC堵塞，但自身可控制。然而，脑卒中患者因疾病原因已存在血管损伤，凝血活性高，且70%~80%存在肢体障碍，血液流动缓慢，血液黏稠度高，大大提升了血凝性PICC堵塞率，增加了并发症发生风险，甚至可能导致死亡^[23]。因此，针对不同人群，应结合疾病特异性，充分认识到早期识别、快速评估的重要性以及及时进行针对性干预的必要性。

本研究结果显示，穿刺患侧肢体时患者的PICC堵塞率较高，这可能与肢体肌力下降或肌张力障碍有关。分析原因可能是肌张力异常导致肌肉收缩运动减少或亢进，使得血液附着于管壁，导致管腔变形、管腔内压力失衡，进而引起血液回流及滞留，最终诱发血栓形成，导致导管堵塞^[24]。因此，在置管前应正确评估患者的肌力并精准选择穿刺部位，首选肘上健侧血管进行置管^{[6, 25]}。若选择患侧置管，则需实时关注患肢的血运、肿胀、疼痛及肌张力等情况，及时排查不良因素，必要时应行X线片或超声检查，同时要注重对患肢进行主/被动锻炼以预防和避免机械性损伤。

本研究结果显示，合并糖尿病的患者发生PICC堵塞的风险较高，这与Zhu等^[26]的研究结果一致。糖尿病患者由于过高的血糖刺激血管内膜，造成反复损伤并发生微血管病变，使血液呈高凝状态^[27-28]。脑卒中患者常伴有内膜损坏性疾病，血流速度缓慢，且其血糖控制目标高于一般人群，这进一步增加了导管堵塞风险^{[2, 28]}。因此，在置管前可行糖化血红蛋白与血液流变学检测，以了解患者的血糖控制水平与血液循环情况^[29]。在置管期间应加强对血糖的监测与管理，对于持续性血糖升高者给予胰岛素降糖，并可将监测间隔缩短至1 h/次。此外，建议在超声引导下进行穿刺置管，以避免造成血管反复损伤^[6]。同时，要积极治疗并预防诱发血栓的高危原发病，开展个体化针对性健康教育。

本研究结果显示，D-二聚体水平升高的患者发生PICC堵塞的风险较高，这与既往研究^[30]一致。D-二聚体水平升高通常提示血液呈高凝状态，是微血栓形成的分子标志物之一^[31-32]。已有研究证实，脑卒中患者由于血管病变，纤维蛋白溶解功能极为亢进，D-二聚体水平升高^{[4, 33]}。Hoffer等^[34]研究指出，在凝血功能较高的情况下留置带有瓣膜的PICC，其堵塞发生率相较于不带瓣膜的PICC更低。因此，在置管前需关注患者的凝血指标，对于指标升高者首选带有瓣膜的PICC置管；置管期间加强监测，对于无禁忌证者可适当进行抗凝治疗。近期研究表明，血栓弹力图指标在识别脑卒中患者血凝状态方面优于传统凝血指标^[35]，这表明同时关注此项检测有助于进行个体化评估并调整干预方法，从而降低血凝性导管堵塞的发生风险。

本研究基于多因素logsitic回归分析结果，对患侧穿刺、糖尿病史和D-二聚体升高这3个独立危险因素进行交互效应分析，结果显示三者间存在显著交互作用。值得注意的是，两两合并分析时OR＜1，表明双因素共存时可呈现抑制或拮抗效应。分析原因可能是机体触发并依靠代偿机制，或者各因素竞争单一病理通路造成短暂平衡，呈现出“保护假象”。然而，当三因素共存时OR＞1，表明存在协同效应，PICC堵塞风险可增至3.642倍。这一现象可能是由于血流动力学改变/血管损伤（患侧肢体）、代谢异常/血管内皮损伤（糖尿病）、凝血异常激活（D-二聚体升高）等多条通路激活突破了机体的代偿阈值，从而放大危险因素的影响，导致PICC堵塞风险激增。穿刺患侧肢体所引起的血流动力学改变与血管损伤可能导致机体出现新的促凝途径^[36]，打破了糖尿病与高凝状态的微平衡，催化了血栓的形成。但具体机制尚不明确，需进一步研究验证。因此，在临床管控个体危险因素时还需协同关注联合的高危因素，从而制定全面的预防策略。

本研究通过ROC曲线评价预测模型的效能，建模组AUC值为0.840，灵敏度为0.731，特异度为0.875；验证组AUC值为0.873，灵敏度为0.833，特异度为0.867。这表明该模型具有较高的区分度，能够较好地预测PICC堵塞事件。对logistic回归模型建立列线图，可直观展示个体化风险，增强模型的解释性与实用性，更适用于临床快速评估与精准个体干预^[37]。与文献报道的关于癌症患者PICC堵塞风险预测模型（利用logistic回归建立的模型在验证组的AUC值为0.868，灵敏度为55.8%，特异度为92.3%）^[11]进行比较，本研究所构建的模型预测性能略有优势。然而既往研究中采用机器学习算法的随机森林模型性能更为突出，其验证组AUC值高达0.930，灵敏度为63.2%，特异度为98.4%^[11]，这可能与不同算法的原理不同有关。这提示应扩大样本量，通过多种方法建模并对多种类型的预测模型进行对比，从而不断优化模型性能并筛选出最优模型。

综上所述，本研究结果表明患侧穿刺、有糖尿病史、D-二聚体升高是ICU脑卒中患者发生PICC堵塞的独立危险因素，所建立的预测模型能够有效识别ICU脑卒中患者PICC堵塞的风险。但本研究仅进行了内部验证，未进行外部验证，且研究中心单一、收集数据样本较少，也未针对不同地区人群、不同导管性能与材质进行深入研究，研究结果存在一定局限性。未来可采取多区域、多中心联合的方式扩大样本量并对模型进行外部验证，从而进一步完善、修订模型并验证其可靠性，为临床提供可预见性评估工具。