结肠镜检查肠道准备的研究进展：现状、影响因素与优化策略

Research Progress on Bowel Preparation for Colonoscopy: Current Status, Influencing Factors and Optimization Strategies

摘要: 结肠镜检查作为结直肠疾病诊断与筛查的核心手段，其诊断准确性和操作安全性高度依赖于肠道准备质量。高质量的肠道准备能够显著提高腺瘤检出率，降低漏诊风险，同时减少操作时间和患者不适。近年来，国内外学者围绕肠道准备的方案优化、影响因素识别、预测模型构建及新型辅助技术应用开展了大量研究，推动了该领域的快速发展。本文将系统梳理国内外相关研究进展，采用总分总结构，以“现状–影响因素–优化策略–预测模型与人工智能应用”为逻辑主线，深入分析当前研究成果与不足，为临床实践和未来研究提供参考。

Abstract: Colonoscopy, as the core method for the diagnosis and screening of colorectal diseases, highly depends on the quality of bowel preparation for its diagnostic accuracy and operational safety. High-quality bowel preparation can significantly increase the detection rate of adenomas, reduce the risk of missed diagnosis, and also shorten the operation time and alleviate patient discomfort. In recent years, scholars at home and abroad have conducted extensive research on the optimization of bowel preparation protocols, identification of influencing factors, construction of predictive models, and application of new auxiliary technologies, which has promoted the rapid development of this field. This article will systematically review the research progress at home and abroad, adopting a total-part-total structure, with the logical thread of “current situation—influencing factors—optimization strategies—predictive models and artificial intelligence applications”, to deeply analyze the current research achievements and deficiencies, providing references for clinical practice and future research.

1. 肠道准备的现状与方案比较

1.1. 国内研究现状

李蕉君等[1] (2025)在真实世界单中心队列研究中，纳入8384例使用2 L或3 L聚乙二醇(PEG)的患者，发现3 L组肠道准备充分率(94.35%)显著高于2 L组(91.29%)，但2 L组在呕吐率(3.2% vs 4.5%)、腹部不适率(3.9% vs 5.0%)和睡眠障碍率(14.6% vs 18.0%)方面表现更优，提示2 L PEG在耐受性方面的优势。刘云丽等[2] (2024)回顾性分析928例住院患者数据，通过多因素Logistic回归确定既往肠道准备不良史(OR = 2.533)、性别(女性OR = 0.632)和学历(OR = 1.487)是肠道准备不良的独立危险因素，为临床风险分层提供了依据。

刘娅等[3] (2024)构建的肠道准备失败风险预测模型显示，年龄 ≥ 65岁、住院状态、无结肠镜检查史及Bristol大便性状1-2型是主要危险因素，该模型AUC为0.751，灵敏度54.6%，特异度85.9%，具有较好的临床预测价值。林燕凤等[4] (2023)将人工智能图像识别模型应用于肠道准备评估，与传统患者自我评估相比，观察组BBPS评分及腺瘤检出率显著提高，肠镜检查时间缩短，证实了AI评估的客观性和高效性。

韦薇等[5] (2023)针对260例老年便秘患者的随机对照试验表明，运动联合乳果糖辅助PEG方案的肠道准备效果优于单纯PEG、PEG + 运动或PEG + 乳果糖组，不良反应发生率降低12.7%，为老年特殊人群提供了优化方案。张娜等[6] (2023)通过Meta分析整合22项研究数据，指出男性、慢性便秘、糖尿病、使用阿片类药物、检查前高纤维饮食是影响肠道准备质量的核心因素，呼吁临床关注上述高危人群。

1.2. 国外研究现状

Kim等[7] (2024)在韩国单中心随机对照试验中，将504例患者分为2~4小时和4~8小时完成肠道准备两组，发现2~4小时组在总体准备成功率(97.6% vs 95.2%)上非劣于对照组，完美清洁率(56.5% vs 39.8%)和BBPS总分显著更高，提示缩短准备完成至检查的时间间隔可优化效果。Wu等[8] (2024)在中国多中心试验中比较2 L PEG联合利那洛肽(2 L + L)与3 L PEG方案，发现2 L + L组在总体清洁评分(3.3 ± 2.1 vs 3.7 ± 2.1)和患者耐受性(腹胀评分0.5 vs 1.0)上更优，且两组充分率相当(97% vs 97.4%)，证实了低剂量联合方案的可行性。

Alverdy等[9] (2019)在综述中对比芬兰MOBILE研究和荷兰SELECT研究，指出机械肠道准备在结直肠手术中的争议，强调肠道菌群调控和个性化抗生素方案的潜在价值。Zhang等[10] (2023)在中国四中心试验中，对548例低风险患者比较1 L PEG + 利那洛肽与2 L PEG方案，发现两组充分率无差异(90.5% vs 91.6%)，但1 L + L组恶心(7.7% vs 17.1%)、呕吐(4.0% vs 10.9%)发生率更低，患者重复准备意愿更高(95.2% vs 82.2%)，支持超低剂量方案在特定人群中的应用。

Shahini等[11] (2023)系统综述指出，糖尿病、慢性便秘、肝硬化、神经系统疾病及腹部手术史是难准备患者的主要危险因素，建议对老年患者采用延长低纤维饮食、分剂量方案及检查前5小时内完成准备的策略。Su等[12] (2025)回顾性分析1727例患者，发现女性(OR = 1.77)、腹部或盆腔手术史(OR = 1.38)、炎症性肠病(OR = 1.77)是肠道准备不良反应的独立危险因素，而肥胖(OR = 0.48)和高龄(OR = 0.58)是呕吐的保护因素，为不良反应预防提供了方向。

1.3. 小结

国内外研究均表明，传统高剂量PEG方案仍是金标准，但低剂量联合用药方案在特定人群中展现出优势。国内研究更关注真实世界中的耐受性和危险因素分析，而国外研究侧重机制探索和新型药物联合应用。然而，现有研究在方案标准化、多中心验证及特殊人群(如肝硬化、慢性肾病)的针对性策略上仍存在不足，需要进一步研究。

2. 肠道准备质量的影响因素分析

2.1. 国内研究进展

梁蓉等[13] (2019)对180例老年患者的调查显示，腹部手术史、糖尿病史、运动及饮食习惯、服药准确性、末次排便性状、文化程度和社会支持是影响肠道准备质量的主要因素，提示需要多维度干预。纪丽等[14] (2015)通过526例患者分析发现，是否住院、性别、首次检查、不良反应及末次服药时间是肠道清洁效果的关键影响因素，建议对门诊、首次检查及男性患者加强指导。

郭盛丽等[15] (2023)构建的老年人肠道准备失败风险模型纳入年龄 ≥ 75岁、糖尿病、运动习惯差、Bristol大便性状异常、衰弱及行走功能差等因素，该模型AUC为0.824，Hosmer-Lemeshow检验P = 0.907，显示出良好的预测效能和校准度。饶薇[16] (2022)通过列线图模型指出，年龄、少数民族、吸烟、便秘、体重指数、腹部及盆腔手术史、既往肠道准备不足史是住院患者肠道准备失败的危险因素，模型AUC为0.883，Brier评分为0.103，可辅助临床分层管理，为临床医生评估患者肠道准备困难程度提供了量化的标准，提升临床肠道准备清洁成功率及患者满意度。

赵洋洋等[17] (2022)对339例住院患者的研究发现，年龄、排便次数、住院天数、便秘及糖尿病是肠道准备不充分的预测因子，构建的列线图模型AUC为0.770，在外部验证中表现稳定。吴宇等[18] (2023)通过1023例门诊患者分析，确定每周排便次数、服药后排便次数、末次排便次数及检查前自我评估是肠道准备质量的预测因子，其列线图模型AUC达0.913，具有较高的预测精度，为临床实践指导患者更好完成肠道准备提供数据支持。

2.2. 国外研究进展

Dik等[19] (2015)在荷兰多中心研究中开发的预测模型纳入ASA评分 > 3分、三环类抗抑郁药使用、阿片类药物使用、糖尿病、慢性便秘、腹部/盆腔手术史、住院状态及既往准备不良史，该模型AUC为0.77，在分剂量方案人群中具有良好的预测价值。Gimeno-García等[20] (2017)验证的模型显示，合并症、抗抑郁药物使用、便秘及腹部/盆腔手术史是独立危险因素，总分 > 1.225分提示高风险，为临床筛查提供了量化工具。

Berger等[21] (2021)开发的PREPA-CO评分纳入糖尿病或肥胖、不规律体力活动、肝硬化、抗抑郁药或神经安定药使用、阿片类药物使用、腹部/盆腔手术史及既往准备不良史，总分 > 2分提示高危，但其AUC仅为0.621，预测效能有待提高。Okamoto等[22] (2022)构建的评分模型包含ASA评分 ≥ 3分、糖尿病、日常泻药使用、每日排便 < 1次及精神类药物使用，AUC为0.75，Brier评分为0.11，显示出较好的区分度和校准度。

Kurlander等[23] (2022)在美国退伍军人队列中比较Logistic回归和随机森林模型，发现肝硬化、慢性肾病、检查月份、吸烟及糖尿病是重要预测因子，随机森林模型AUC为0.61，提示机器学习在复杂数据处理中的潜力。Fuccio等[24] (2021)开发的手机应用程序模型纳入分剂量方案、1 L PEG使用、卧床状态、便秘、糖尿病、抗精神病药物使用及住院 ≥ 7天，C指数为0.73，Brier评分为0.19，实现了个性化风险预测。

2.3. 小结

国内外研究已识别出一系列影响肠道准备质量的因素，涵盖患者因素(如年龄、合并症、手术史)、行为因素(如饮食、服药依从性)及方案因素(如剂量、时间间隔)。国内研究更注重临床可操作性，而国外研究在模型构建方法和机制探索上更为深入。然而，现有模型普遍缺乏多中心外部验证，且在特殊人群(如孕妇、终末期肾病)中的适用性不足，需要更多高质量研究支持。

3. 肠道准备的优化策略与新型辅助手段

3.1. 国内优化策略研究

中华医学会消化内镜学分会(2013)指南推荐分剂量PEG方案为标准肠道准备方法，强调饮食限制和患者教育的重要性。中国医师协会内镜医师分会(2019)更新指南进一步推荐低剂量PEG联合抗分泌药物在特定人群中的应用，并提出个性化方案调整原则。

李健民等[25] (2020)基于最优子集法建立的预测模型显示，高纤维饮食、糖尿病、便秘史及检查前无准备活动是主要风险因子，据此提出术前膳食纤维限制、糖尿病管理及运动干预的综合策略。陈志坚[26] (2020)分析400例门诊患者发现，男性、中学文化、糖尿病、便秘、高纤维饮食及饮水量 < 2 L是危险因素，建议针对性加强教育和液体补充。

徐苗苗等[27] (2022)针对老年患者构建的风险评分模型包含年龄 > 65岁、体重指数 ≥ 24 kg/m²、便秘、糖尿病、结直肠手术史及首次检查，据此设计了分剂量方案 + 运动指导 + 饮食监控的综合干预，使准备充分率提升12.3%。热孜亚·阿帕儿[28] (2023)在1221例患者中验证饶薇[16]模型，AUC达0.900，基于该模型的分层干预使肠道准备充分率提升15.3%。

3.2. 国外优化策略与新型药物

欧洲胃肠内镜学会(ESGE, 2019)指南推荐分剂量PEG方案，建议最后一剂泻药在检查前5小时内服用，并强调对高风险患者的个体化调整。美国多学会工作组(Johnson等[29]，2014)建议优化饮食管理，采用低渣饮食替代清流质饮食，以提高患者耐受性。

Zhang等[10] (2023)验证的1 L PEG + 利那洛肽方案在低风险人群中充分率达90.5%，且恶心、呕吐发生率显著降低，为超低剂量方案提供了证据。Maida等(2021)发现1 L PEG联合抗坏血酸(PEG-ASC)在炎症性肠病患者中清洁率达92.9%，且安全性良好，支持其在特殊人群中的应用。

Lee等[30] (2017)比较2 L PEG-ASC与4 L PEG在肝硬化患者中的应用，发现两组清洁率相当，但2 L组患者接受度更高，提示低剂量方案在肝功能不全患者中的可行性。Ohmiya等[31] (2021)证实PEG-ASC在慢性肾病患者中的安全性，未观察到电解质紊乱或肾功能恶化，拓宽了适用人群。

3.3. 人工智能与新型技术应用

林燕凤等[4] (2023)开发的人工智能图像识别模型通过分析肠道黏膜图像，使BBPS评分的准确性和一致性显著提高，AUC达0.85，为客观评估提供了新技术。Lu等(2022)构建的卷积神经网络模型通过大便照片预测肠道准备质量，实现了非侵入性评估，为居家准备患者提供了便利。

Marchal等[32] (2023)开发的机器学习模型整合患者特征、服药行为和大便性状数据，AUC达0.88，优于传统Logistic回归模型，展示了人工智能在多维度数据整合中的优势。Bertrand等[33] (2022)利用视频胶囊内镜数据训练的深度学习模型，可实时评估肠道清洁度，为术中决策提供支持。

3.4. 小结

国内外均在优化策略上取得进展，国内侧重基于预测模型的分层干预，国外则在新型药物联合和人工智能应用上更为前沿。利那洛肽、PEG-ASC等新型方案在特定人群中展现出优势，但长期安全性和成本效益仍需评估。人工智能技术为肠道准备评估提供了客观化、智能化工具，但临床转化仍需多中心验证，以确保其可靠性和普适性。

4. 总结与展望

4.1. 研究现状总结

本综述系统梳理了结肠镜检查肠道准备的国内外研究进展，发现以下共识：(1) 分剂量PEG方案仍是金标准，但低剂量联合用药(如PEG + 利那洛肽、PEG-ASC)在耐受性和特定人群中具有优势；(2) 肠道准备质量受患者因素(如年龄、合并症、手术史)、行为因素(如饮食、服药依从性)及方案因素(如剂量、时间间隔)多维度影响；(3) 预测模型构建已从单因素分析发展到多变量整合，人工智能技术提升了预测效能；(4) 新型辅助手段(如促分泌剂、人工智能评估)为优化策略提供了新方向。

国内研究在真实世界数据收集、危险因素分析和临床可操作性上表现突出，而国外研究更注重机制探索、新型药物研发和人工智能应用。然而，现有研究仍存在以下不足：(1) 多数模型缺乏多中心外部验证，普适性有限；(2) 特殊人群(如肝硬化、慢性肾病、孕妇)的针对性方案研究不足；(3) 人工智能模型的临床转化路径尚不清晰；(4) 长期随访数据缺乏，难以评估方案对结直肠癌筛查结局的影响。此外现有研究在健康教育领域的不足主要体现为：缺乏标准化干预方案(如视频时长、App功能模块差异)，且长期效果数据缺失。未来需开展多中心试验，比较不同宣教方式的成本效益，例如护士强化宣教与智能App的协同应用是否优于单一模式。

4.2. 未来研究方向

未来研究可聚焦以下方向：(1) 开展多中心、前瞻性随机对照试验，验证新型方案(如低剂量PEG + 利那洛肽)的长期效果和安全性；(2) 针对难准备人群(如糖尿病、慢性便秘)开展亚组分析，制定个性化方案；(3) 整合多组学数据(如肠道菌群、代谢组学)，探索肠道准备的机制基础；(4) 推动人工智能模型的临床转化，开发便携式评估工具；(5) 开展成本效益分析，为卫生决策提供依据。

肠道准备的优化是一个多学科交叉的研究领域，需要消化内科、结直肠外科、影像医学和人工智能领域的协同合作。随着技术进步和研究深入，有望实现肠道准备的精准化、个性化，最终提升结肠镜检查质量和结直肠疾病防治水平。

基金项目

基于临床病例研究消化系统疾病的“环境–遗传–行为”因素及交互作用(临沂市医药卫生科技项目202422)。

NOTES

^*通讯作者。