这篇文档属于类型a，即报告了一项单一原创研究的学术论文。以下是对该研究的详细报告：

主要作者与机构

本研究的主要作者包括Paul T. Itting、Monika Sadlonova、Manuel J. Santander等，他们来自德国哥廷根大学医学中心（University Medical Center Göttingen）的心血管与胸外科部门。该研究于2025年发表在*International Journal of Surgery*期刊上。

学术背景

本研究聚焦于心脏手术后的术后谵妄（Postoperative Delirium, POD），这是一种严重的并发症，与发病率和死亡率的增加密切相关。尽管POD在心脏手术患者中的发生率较高（3%至55%），但其与术中和术后早期因素的关系仍存在争议。为了填补这一研究空白，研究者旨在通过前瞻性观察研究，识别与POD相关的术中和术后早期因素，并评估其预测价值。

研究流程

本研究采用前瞻性观察研究设计，招募了2021年2月至2022年10月期间在哥廷根大学医学中心接受择期心脏手术的患者。研究共筛选了800多名50岁及以上的患者，最终纳入了490名患者进行分析。研究的主要目标是识别POD的风险因素，并评估其预测价值。

1. 患者招募与术前评估

所有患者在术前接受了详细的认知评估，包括蒙特利尔认知评估（Montreal Cognitive Assessment, MoCA）和六项认知障碍测试（Six-Item Cognitive Impairment Test）。术前数据还包括心血管疾病史、心脏瓣膜疾病、心力衰竭、糖尿病等。

2. 术中和术后早期数据收集

术中和术后早期的数据通过电子健康系统收集，包括手术时间、体外循环（Cardiopulmonary Bypass, CPB）使用时间、主动脉阻断时间（Aortic Cross-Clamping Time）、机械通气时间等。所有数据由心脏外科医生进行盲审，以确保数据质量。

3. 术后谵妄筛查

术后谵妄的筛查在术后5天内每天进行两次，使用ICU混淆评估方法（Confusion Assessment Method for the ICU, CAM-ICU）和普通病房的混淆评估方法（I-CAM）。研究还通过病历回顾评估了患者的夜间症状。

4. 数据分析

研究使用单变量和多变量逻辑回归分析，结合机器学习（Machine Learning, ML）方法，包括十折交叉验证（Ten-Fold Cross-Validation）和Lasso回归（Least Absolute Shrinkage and Selection Operator, Lasso），来识别POD的预测因素。机器学习模型包括决策树（Decision Tree）和Lasso回归。

主要结果

在490名患者中，106名（21.6%）患者在术后筛查中呈POD阳性。多变量分析显示，POD的发生与年龄（p < 0.001）、手术时间（p = 0.027）、联合手术（p = 0.024）、心脏腔室开放（p = 0.046）以及机械通气时间（p < 0.001）呈正相关。机器学习模型进一步验证了这些结果，决策树模型识别出机械通气时间和主动脉阻断时间为POD的预测因素，验证集的AUC（Area Under the Curve）为0.7116（p = 0.0002）。Lasso回归分析则识别出机械通气时间、红细胞浓缩物（Erythrocyte Concentrates, EC）的使用和体外循环的使用为POD的预测因素，验证集的AUC为0.7407（p < 0.0001）。

结论

本研究强调了机械通气时间、主动脉阻断时间、红细胞浓缩物的使用以及体外循环的使用与POD的关联。研究结果表明，优化手术方案有可能降低心脏手术患者POD的风险。特别是，早期拔管和减少手术时间可能是降低POD风险的有效策略。

研究亮点

1. 重要发现：机械通气时间和主动脉阻断时间是POD的重要预测因素，且这些因素可以通过优化手术方案来调整。
2. 新颖性：研究采用了机器学习方法，包括决策树和Lasso回归，来识别POD的风险因素，这为未来的研究提供了新的数据分析工具。
3. 临床意义：研究结果可以为心脏外科医生和围手术期团队提供指导，帮助他们在术前和术中更好地评估和降低POD的风险。

其他有价值的内容

研究还讨论了POD的病理生理机制，包括系统性炎症反应、脑微血管循环障碍等。这些机制为理解POD的发生提供了理论依据，并为未来的研究指明了方向。此外，研究还建议在未来的研究中进一步验证这些发现，并探索其他可能的POD风险因素。

通过这项研究，研究者为心脏手术患者POD的预防和管理提供了重要的科学依据，并为未来的临床实践和研究奠定了基础。