背景资料
Glance 等在《Anesthesiology》2018 年 11 月刊上发表了题为《Impact of the Choice of Risk Model for Identifying Low-risk Patients Using the 2014 American College of Cardiology/American Heart Association Perioperative Guidelines》的文章，作者探究了不同的心脏风险评估模型是否会影响评估结果以及干预策略的选择 [1]，文章摘要如下：
方法：对 10000 例择期非心脏手术患者病历记录进行了回顾性观察研究，分别采用以下三种预测工具对所有样本进行心脏风险的分层：(1) 改良心脏指数（Revised Cardiac Index）；(2) 美国外科医生学会国家外科质量改进计划手术风险评估（American College of Surgeons National Surgical Quality Improvement Program Surgical Risk Calculator）；(3) 心肌梗塞或心脏骤停评估（Myocardial Infarction or Cardiac Arrest calculator）。采用组内相关系数和 kappa 分析来量化这三种风险预测工具的一致性。
结果：预测工具 (2) 与预测工具 (3)(组内相关系数 = 0.68，95% CI：0.66-0.68) 之间的一致性良好。预测工具 (2) 与预测工具 (1)(组内相关系数 = 0.37；95% CI：0.34-0.37) 以及预测工具 (1) 与预测工具 (3)(组内相关系数 = 0.26；95% CI：0.23-0.26) 的一致性很低。而对于心脏低风险患者，三个预测模型的不一致率为 29%。
结论：不同的风险预测工具对心脏并发症风险的预测结果有很大的差异。选用不同的预测工具可能会导致干预决策的差异。
专家点评
术前评估是麻醉医生的工作要点，其重点在于明确并存疾病的程度，以选择围术期的管理方式。早在 40 年前，Goldman 等开始采用风险分层指数 [2] 来评估手术患者的心脏疾病，目前已发展出多种评估心脏疾病的工具。
在术前评估中, 多数指南都采用了贝叶斯算法（常被应用于机器学习的领域）[3]。贝叶斯定理由一位个性低调的英国数学家、神学家托马斯·贝叶斯（Thomas Bayes）设计，贝叶斯定理认为，一个假设成立的概率取决于两个因素：1. 根据当前的知识（「先验」）判断它的合理程度；2. 评估它与新的证据的契合程度。当一个不合理的解释与一个新的证据完美契合时，贝叶斯定律与频率论（假设-检验）方法之间的区别尤为明显。贝叶斯定理的一个特征是：当证据较弱时，对事物的已有认知是最重要的。这个原则一直被我们直觉性地采用。在医学诊断中，一个症状（新证据）可以是多种可能的疾病（假设）的结果，但不同的疾病对于不同的人来说具有不同的先验概率。从本质上讲，已识别的合并症可被用于计算围术期事件的基线概率，然后可以将其纳入风险评估的决策。本文作者在研究中也运用了这一理念，对国家外科质量改善项目数据库进行了抽样，以评估那些可能需要被考虑根据指南进行进一步检测的患者。在构建了一个包含 10000 份记录的分层样本后，对其中接受高风险手术的患者进行过度采样，因为作者认为，外科医生更有可能对高风险手术患者进行心脏病学咨询。同时又选择减少样本量，其中包括大约 10% 的中等或低风险的手术病例，并且保留大部分高风险的手术。而后患者被分为两组，低风险组（严重心脏不良事件<1%）和高风险组（严重心脏不良事件 ≥ 1%），分析三种评估工具在两组患者中的一致性，结果显示，采用不同评估工具得出的围术期不良心脏事件发生概率存在差异，这种差异在低风险患者群体中尤为显著；这一结果提示了多种被认为有效的心脏疾病术前评估工具并不是想象中的那样一致，更重要的是，在实际工作中，这会导致同一患者由于采用不同的评估工具而接受完全不同的干预方式，这是值得所有麻醉从业者深思的问题，所以此文对围术期研究有着重要的意义。
参考文献
1. Glance, L.G., et al., Impact of the Choice of Risk Model for Identifying Low-risk Patients Using the 2014 American College of Cardiology/American Heart Association Perioperative Guidelines. Anesthesiology, 2018. 129(5): p. 889-900.
2. Goldman, L., et al., Multifactorial index of cardiac risk in noncardiac surgical procedures. N Engl J Med, 1977. 297(16): p. 845-50.
3. Schulman, P., Bayes' theorem--a review. Cardiol Clin, 1984. 2(3): p. 319-28.