郭学齐 闫贵贞 张彩霞 陈景娟

[摘要] 目的 探讨决策树模型与Logistic回归模型在产后尿潴留（PUR）发生影响因素分析中的作用。 方法 收集2014年1月1日～2017年12月31日在浙江省丽水市人民医院（以下简称“我院”）经阴道分娩后发生PUR的180例产妇作为病例组，随机选取同期于我院经阴道分娩且未发生PUR的200例产妇作为对照组。采用决策树模型与Logistic回归模型回顾性分析PUR发生的相关影响因素。 结果 决策树模型和多因素Logistic回归模型分析均显示分娩镇痛（P = 0.047）、产钳助产（P = 0.001）以及会阴侧切（P < 0.001）是发生PUR的独立危险因素。此外，Logistic回归模型分析结果还提示巨大儿（P = 0.023）是PUR的影响因素，而决策树模型中未提示其对PUR的发生有影响。 结论 PUR的影响因素众多，决策树模型和Logistic回归模型互为补充，可从不同方面描述PUR发生的影响因素，为进一步制订预防措施提供参考依据。

[关键词] 决策树模型;产后尿潴留;影响因素;Logistic回归模型

[中图分类号] R714.64          [文献标识码] A          [文章编号] 1673-7210（2019）09（b）-0085-04

The role of decision tree model and Logistic regression model in postpartum urinary retention influencing factors analysis

GUO Xueqi   YAN Guizhen   ZHANG Caixia   CHEN Jingjuan

Department of Obstetrics， Lishui People′s Hospital， Zhejiang Province， Lishui   323000， China

[Abstract] 0bjective To investigate the role of decision tree model and Logistic regression model in postpartum urinary retention （PUR） influencing factors analysis. Methods From January 1， 2014 to December 31， 2017， 180 puerpera with PUR after vaginal delivery in Lishui People′s Hospital of Zhejiang Province （"our hospital" for short） were selected as case group， and 200 puerpera who without PUR in our hospital at the same period were selected randomly as control group. Decision tree model and Logistic regression model were used to determine influential factors for PUR. Results Decision tree model and Logistic regression model indicated that delivery analgesia （P = 0.047）， forceps delivery （P = 0.001） and episiotomy （P < 0.001） were independent risk factors of PUR， and fetal macrosomia （P = 0.023） was also the influencing factor in the Logistic regression model， but the decision tree model did not indicate its influence. Conclusion There are many factors influencing PUR. Decision tree model and Logistic regression model are complementary to each other， which can describe the factors from different aspects， and provide basis and reference for the further formulation of preventive measures.

[Key words] Decision tree model; Postpartum urinary retention; Influencing factors; Logistic regression model

產后尿潴留（postpartum urinary retention，PUR）指产妇经阴道分娩后6 h无法自行排尿，或自行排尿后超声监测或导尿管导出膀胱内残余尿量（PVRV）>150 mL，或自行排尿后膀胱内残余尿量>150 mL[1]。PUR是产科常见的一种并发症，不仅使产妇膀胱长期处于过度充盈的状态，影响产后子宫恢复;还可能因子宫收缩欠佳而造成产后大出血[2-3]，危害不容忽视[4]。PUR可导致严重的后果，故发现与阐明PUR的高危因素，指导临床采取针对性措施，对避免PUR的发生至关重要。目前，国内外多采用Logistic回归模型分析发生PUR的影响因素[5]。该分析方法虽能有效地展现因变量和自变量之间的数量依存关系，但尚不足以处理某些非线性、高度交互作用及含大量缺失值等特征的资料，同时也无法直观地显示各因素对结果变量的重要程度[6-7]。决策树法（decision tree）作为数据挖掘领域的重要方法，已被广泛应用于医药生物领域，在很大程度上弥补了传统Logistic回归模型的缺陷和不足[8]。

笔者分析已发表的文章，目前尚缺乏决策树模型在PUR数据分析中的应用。因此，本文将决策树模型应用于研究PUR的影响因素，比较并结合Logistic回归模型的结果，以期更好地对高危人群实施干预，减少PUR的发生。

1 对象与方法

1.1 研究对象

收集2014年1月1日～2017年12月31日在浙江省丽水市人民医院（以下简称为“我院”）经阴道分娩后发生尿潴留的180例产妇作为病例组;随机选取同期于我院经阴道分娩且未发生尿潴留的200例产妇作为对照组。本研究经我院医学伦理委员会批准。

1.2 研究设计

研究采用病例对照法。排除标准：①产妇年龄<18岁;②数据不全。

1.3 调查方法及内容

调查表经过统一设计后，对资料进行回顾性调查。资料收集包括年龄、分娩时间、分娩前体重、糖尿病、高血压、第一产程时间、第二产程时间、人工破膜、分娩镇痛、阿片类镇痛药、产钳助产、会阴侧切及巨大儿[9]等。将因变量设定为是否发生PUR，自变量为可能导致PUR发生的因素，并对相关因素进行赋值。见表1。

表1   PUR的影响因素及赋值说明

注：PUR：产后尿潴留

1.4 决策树模型

采用CHAID算法对PUR的影响因素进行分析。分割显著性水准αmerge = αsplit = 0.05;决策树生长层数为4层，停止规则为α = 0.05;母节点最小样本量为50，子节点为最小样本量为10。

1.5 Logistic回归模型

采用Forward Stepwise方法对PUR的影响因素进行分析。

1.6 统计学方法

采用SPSS 23.0统计学软件进行数据分析，符合正态分布计量资料采用均数±标准差表示，两组间比较采用t检验;不符合正态分布的改用中位数（M）或四分位数（P25，P75）表示，两组间比较采用非参数检验（秩和检验）。计数资料用率表示，组间比较采用χ2检验或Fisher确切概率法。以P < 0.05为差异有统计学意义。单因素Logistic回归分析以P < 0.10为差异有统计学意义，多因素Logistic回归分析以P < 0.05为差异有统计学意义。

2 结果

2.1 单因素Logistic回归模型分析结果

单因素Logistic回归模型分析结果显示，第一产程时间、第二产程时间、分娩镇痛、产钳助产、会阴侧切及巨大儿可能是PUR的影响因素（P < 0.05）。见表2。

表2   单因素Logistic回归分析结果

2.2 多因素Logistic回归模型分析结果

校正其他混杂因素后，分娩镇痛（OR = 1.688， 95%CI：1.007～2.830，P = 0.047）、产钳助产（OR = 4.454， 95%CI：1.825～10.873，P = 0.001）、会阴侧切（OR = 3.056， 95%CI：1.782～5.244，P < 0.001）以及巨大儿（OR = 4.592，95%CI：1.239～17.016，P = 0.023）是发生PUR的独立危险因素。见表3。

表3   多因素Logistic回归分析结果

2.3 决策树模型分析结果

分娩镇痛、产钳助产、会阴侧切是发生PUR的独立影响因素，其中产钳助产的影响最为显著。见图1。

PUR：产后尿潴留

图1   决策树模型分析发生PUR影響因素的树型图

3 讨论

PUR发生率较高，若未能及时诊断及干预，可增加产妇的身心痛苦及经济负担，因此确定PUR的主要影响因素具有重要的临床意义[10-12]。决策树模型和Logistic回归模型分析结果显示分娩镇痛、产钳助产以及会阴侧切是发生PUR的独立影响因素。此外，Logistic回归模型分析结果提示巨大儿也是PUR的影响因素，而决策树模型中并未提示其对PUR有影响。这可能是由于决策树模型与Logistic回归模型变量筛选的方式不同导致。

近年来，分娩镇痛在临床应用中普及，虽然能够降低产妇分娩的疼痛、提高分娩质量，但同时也会促进PUR的发生[12-13]。Mulder等[14]研究提示，分娩镇痛会增加PUR的发生率。石翠霞等[15]通过研究也发现分娩镇痛患者的PUR发生率（51.5%）明显高于未使用分娩镇痛的产妇（36.5%），差异有统计学意义。机制研究结果表明，麻醉药物可以阻断脊髓与脑桥间的信号传导，抑制正常的排尿反射;同时麻醉药物也可减弱尿道内括约肌和膀胱逼尿肌的收缩力及敏感性，导致PUR的发生风险增加[15-16]。因此，充分了解麻醉药物对排尿中枢、膀胱功能的影响，掌握分娩镇痛的用药时机[17]，积极协助分娩镇痛产妇排空膀胱对于预防PUR十分重要。

本研究结果提示产钳助产是PUR的独立危险因素之一，这与Kekre等[18]报道结果一致。产钳助产的过程中，产钳压迫和摩擦盆底组织，容易造成周围神经肌肉损伤，破坏反射弧的完整性，导致排尿反射失效，从而发生PUR[11]。因此，产钳助产应由经过专业训练的高年资医师进行，且产钳助产术前要充分评估患者的病情，术中严格依据操作要点进行，术后细致检查软产道的情况。

常规会阴侧切术可以避免产妇会阴裂伤严重，但Oh等[1]研究发现会阴侧切与PUR存在关联，会阴侧切患者的PUR发病率较高，与本研究一致。原因有两方面：一方面，初产妇容易对会阴部切口过度焦虑，心理上对排尿行为产生恐惧，从而对膀胱括约肌舒张功能及逼尿肌的收缩功能产生影响，导致PUR;另一方面，会阴侧切的产妇往往产程时间较长，盆底组织长时间受到压迫，易造成盆骨神经功能麻痹，增加PUR的发生风险[14-15]。因此，临床医生应严格把握会阴侧切的指征和条件，避免预防性的常规应用。此外，Logistic回归模型分析也发现出生体重≥4 kg的新生儿产妇PUR的发生风险较正常出生体重的新生儿产妇高，其原因可能是胎儿过大导致会阴侧切或产钳助产后压迫膀胱及盆腔神经[19]。

Logistic回归模型和决策树模型各有优势，两者结合可从不同角度反映所研究的影响因素[20-21]。对于本研究，决策树模型的优势体现在以下三方面[22]：①决策树模型可以揭示不同因素对结果变量的重要程度，其表现形式也更加清楚直观。本研究的根节点为产钳助产，显示产钳助产是发生PUR的最重要影响因素，并且以树型图的形式清晰准确的表现出来。②临床工作者能够依据决策树模型的亚组情况，简单高效地识别高危人群。本研究结果提示，医护人员应重点关注产钳助产的产妇，这类人群PUR的发生率高达77.1%;而无产钳助产、无会阴侧切且无分娩镇痛的患者PUR的发生风险较小。③决策树模型能够清楚地显示各因素间相互作用的关系。本研究可从树型图发现分娩镇痛、会阴侧切仅对无产钳助产的产妇有影响，而对产钳助产的产妇则无意义。

综上所述，PUR的影响因素众多，决策树模型与Logistic回归模型可互为补充，从不同方面描述PUR发生的影响因素及作用，为制订预防措施提供参考依据。

[参考文献]

[1]  Oh J，Kim S，Shin J，et al. Risk factors for acute postpartum urinary retention after vaginal delivery：focus on episiotomy direction [J]. J Matern Fetal Neonatal Med，2016， 29（3）：408-411.

[2]  石翠霞，馬乐.产后尿潴留高危因素及防治进展[J].中国生育健康杂志，2017，28（3）：296-298，301.

[3]  Stanley A，Conner B. Implementing a clinical practice guideline to manage postpartum urinary retention [J]. J Nurs Care Qual，2015，30（2）：175-180.

[4]  Mulder F，Hakvoort R，De Bruin J，et al. Long-term micturition problems of asymptomatic postpartum urinary retention：a prospective case-control study [J]. Int Urogynecol J，2018，29（4）：481-488.

[5]  Polat M，■entürk MB，Pulato■lu ？覶，et al. Postpartum urinary retention：Evaluation of risk factors [J]. Tur J Obstet Gynecol，2018，15（2）：70-74.

[6]  帅健，李丽萍，陈业群.决策树模型与Logistic回归模型在伤害发生影响因素分析中的作用[J].中华疾病控制杂志，2015，19（2）：185-189.

[7]  郭慧敏，杜军，黄路非，等.决策树和logistic回归评价非重症社区获得性肺炎患者住院费用[J].中国病案，2017， 18（7）：50-52.

[8]  Amini P，Maroufizadeh S，Samani RO，et al. Prevalence and Determinants of Preterm Birth in Tehran，Iran：A Comparison between Logistic Regression and Decision Tree Methods [J]. Osong Public Health Res Perspect，2017，8（3）：195-200.

[9]  Mallouli M，Derbel M，Ingrid A，et al. Associated outcomes to fetal macrosomia：effect of maternal diabetes [J]. Tunis Med，2017，95（2）：120-125.

[10]  Neron M，Allègre L，Huberlant S，et al. Impact of systematic urinary catheterization protocol in delivery room on covert postpartum urinary retention：a before-after study [J]. Sci Rep，2017，7（1）：17 720.

[11]  陈红珍.产后尿潴留的发生原因及护理研究进展[J].护理研究，2016，30（16）：1924-1927.

[12]  仇春波，陈洁.分娩镇痛产后尿潴留的临床观察[J].现代实用医学，2013，25（3）：352-353.

[13]  殷素华.阴道分娩后尿潴留的相关因素分析及盆底康复干预的效果研究[J].中国妇幼保健，2017，32（10）：2093-2095.

[14]  Mulder FE，Hakvoort RA，Schoffelmeer MA，et al. Postpartum urinary retention：a systematic review of adverse effects and management [J]. Int Urogynecol J，2014，25（12）：1605-1612.

[15]  石翠霞.产后尿潴留的危险因素分析[D].北京：首都医科大学，2017.

[16]  Tiberon A，Carbonnel M，Vidart A，et al. Risk factors and management of persistent postpartum urinary retention [J]. J Gynecol Obstet Hum Reprod，2018，47（9）：437-441.

[17]  杨同文，熊巍，任自刚，等.系统评价硬膜外分娩镇痛时机对初产妇分娩过程的影响：Meta分析[J].临床和实验医学杂志，2018，17（11）：1206-1212.

[18]  Kekre AN，Vijayanand S，Dasgupta R，et al. Postpartum urinary retention after vaginal delivery [J]. Int J Gynaecol Obstet，2011，112（2）：115.

[19]  Cavkaytar S，Kokanal？覦 M，Baylas A，et al. Postpartum urinary retention after vaginal delivery：Assessment of risk factors in a case-control study [J]. J Turk Ger Gynecol Assoc，2014，15（3）：140-143.

[20]  Chen W，Xie X，Wang J，et al. A comparative study of logistic model tree，random forest，and classification and regression tree models for spatial prediction of landslide susceptibility [J]. Catena，2017，151：147-160.

[21]  Pak K，Kim K，Kim MH，et al. A decision tree model for predicting mediastinal lymph node metastasis in non-small cell lung cancer with F-18 FDG PET/CT [J]. PLoS One，2018，13（2）：e0193403.

[22]  劉兵，李苹，朱玫烨，等.决策树模型与logistic回归模型在胃癌高危人群干预效果影响因素分析中的应用[J].中国卫生统计，2018，35（1）：70-73.

（收稿日期：2018-12-19  本文编辑：任   念）