卒中后殘疾風險預測模型的構建與驗證

李艷青 吳紅霞 王慧敏 黃凡修 孫建萍

【摘要】 目的：構建風險預測模型預測腦卒中患者殘疾的發生。方法：于電子病歷系統中調取499例出院診斷為腦卒中患者的病歷資料，采用計算機軟件隨機抽取373例作為建模組，剩余126例作為驗證組。建模組分為非殘疾組（n=153）和殘疾組（n=220），利用logistic回歸分析構建風險預測模型。通過預測值的符合程度和辨別程度檢驗對模型進行驗證。結果：居住地（X1）、腦卒中類型（X2=缺血，X3=出血）、卒中復發（X4）和GCS評分（X5）均是獨立危險因素。風險預測模型為logit（P）=-2.124+0.590X1+1.813X2+2.372X3+0.535X4+0.703X5。H-L檢驗P=0.894，C-統計量為0.716，約登指數為0.303，敏感度為0.486，特異度為0.817，實際應用的正確率為83.3%。結論：本研究構建的預測模型效果良好，可為臨床篩選殘疾的高危患者提供參考。

【關鍵詞】 腦卒中 殘疾 模型 統計學 風險預測

Construction and Validation of A Risk Prediction Model for Disability after Stroke/LI Yanqing， WU Hongxia， WANG Huimin， HUANG Fanxiu， SUN Jianping. //Medical Innovation of China， 2021， 18（10）： -163

[Abstract] Objective： To construct a risk prediction model to predict the occurrence of of disability after stroke. Method： The medical records of 499 discharged patients diagnosed as stroke were obtained in the electronic medical record system， 373 cases were randomly selected as modeling group and 126 cases were selected as verification group by computer software. The modeling group was divided into non disabled group （n=153） and disabled group （n=220）， using logistic regression analysis to build risk prediction model. The model was verified by the consistency and discrimination of the predicted values. Result： Residence （X1）， stroke type （ischemia=X2， hemorrhage=X3）， stroke recurrence （X4）， and GCS score （X5） were independent risk factors. The risk prediction model constructed was logit（P）=-2.124+0.590X1+1.813X2+2.372X3+0.535X4+0.703X5. H-L test P=0.894， C-statistic was 0.716， Jorden index was 0.303， sensitivity was 0.486， specificity was 0.817， and the accuracy of practical application was 83.3%. Conclusion： The predictive model constructed in this study is effective and can provide reference for clinical screening of high-risk patients with post-stroke disability.

[Key words] Stroke Disability Model Statistics Risk prediction

First-authors address： Nursing School， Shanxi University of Traditional Chinese Medicine， Taiyuan 030619， China

doi：10.3969/j.issn.1674-4985.2021.10.038

腦卒中發病率高，我國每年以8.7%的速度增長[1]，隨著醫療條件的進步，患者病死率顯著降低，但幸存者殘疾的發生率仍然較高，急性期有40%～60%的患者會出現殘疾[2]。早期明確影響卒中后殘疾發生的相關因素，對改善臨床預后意義重大。目前，醫護人員在判斷疾病發生的風險程度時常以經驗為依據，此方法主觀因素強，且在評估者方面可能存在較大偏倚[3]。而風險預測模型是以疾病好發的危險因素為基礎，通過構建數學統計學模型，以預測某些特征人群未來某種疾病發生的概率[4]，能有效避免人為判斷疾病風險程度的弊端，使判斷更具科學性[5]。因此，本研究通過病例對照研究，分析殘疾發生的影響因素，構建風險預測模型，以便預測殘疾發生的風險。現報道如下。

1 對象與方法

1.1 對象 本研究為回顧性研究，研究者于山西省某三級甲等醫院病案室調取2020年1-6月入院診斷為腦卒中的患者病歷資料。納入標準：研究對象診斷均符合第四屆全國腦血管疾病會議修訂[6]或WHO診斷標準[7]，并經CT/MRI確認的腦卒中患者;年齡≥18歲。排除標準：①合并其他嚴重疾病;②患有精神疾病，或其他原因引起精神異常的疾病;③住院期間死亡;④資料不完整。本研究基于文獻回顧、專家咨詢，共篩選出12個危險因素（年齡、女性、糖尿病、房顫、言語障礙、吞咽障礙、認知障礙、尿失禁、GCS評分、NIHSS評分、卒中復發、卒中史）。根據模型構建樣本量計算要求[8]，每個自變量需要卒中后殘疾患者5～10例，卒中后殘疾的發生率為70%～80%，考慮20%的樣本資料缺失不全等原因，本研究所需樣本量為12×10×（1+0.2）/0.7=206例。本研究共采集到507例樣本，排除資料不全3例，老年癡呆2例，死亡3例，最終納入499例（遠大于206例）。采用計算機軟件隨機抽取70%（共373例）作為建模組，剩余30%（共126例）作為驗證組[9]。本研究已經獲得醫院倫理委員會批準。

1.2 方法

1.2.1 殘疾評定方法 本研究中殘疾的評定采用改良Barthel評分量表（MBI），MBI評分≥95分認為其無殘疾，<95分認為其出現殘疾[2]。

1.2.2 資料收集方法 由課題組兩名經過培訓的研究生通過醫院電子病歷系統收集研究對象的一般情況（住院號、年齡、性別、婚姻狀況、居住地、在職狀況、醫療費用支付情況等），以及基于文獻回顧篩選出的影響因素等相關資料信息。在實際收集資料過程中NIHSS評分缺失嚴重，故棄掉該影響因素。課題組第3名研究人員核對后錄入Excel 2010軟件，有數據缺失時，通過住院號重新進行資料的收集，對于多次入院的患者只收集其第一次入院的資料，確保數據真實。

1.3 統計學處理 采用SPSS 23.0統計軟件進行統計學分析。符合正態分布的計量資料以（x±s）表示，組間比較采用t檢驗;計數資料以率（%）表示，組間比較采用字2檢驗或Fisher確切概率法。根據組間比較結果，將P<0.05的自變量納入logistic回歸（向前：瓦爾德法），自變量入選界值為α≤0.05，剃除值為α≥0.10，P<0.05認為有統計學意義，建立卒中后殘疾的風險預測模型。采用Hosmer-Lemeshow卡方檢驗驗證模型的符合程度，P>0.05提示模型的預測符合程度好[10];以ROC曲線下面積（C-統計量）反映模型的判別效度，C-統計量<0.70提示模型區分能力差，>0.70時為可用，>0.75時為良好，>0.80時為優[11]。模型的實際應用效能以敏感度、特異度和正確率來驗證。

2 結果

2.1 一般資料 建模組373例患者，其中殘疾220例（殘疾組），未出現殘疾153例（非殘疾組），殘疾發生率為59.0%（220/373）。殘疾組與非殘疾組居住地、在職狀況、腦卒中類型、醫保情況比較，差異均有統計學意義（P<0.05），兩組其他指標比較差異均無統計學意義（P>0.05），見表1。

2.2 影響因素 兩組房顫情況比較，差異無統計學意義（P>0.05），兩組其他影響因素比較差異均有統計學意義（P<0.05），見表2。

2.3 卒中后殘疾風險預測模型的構建 將組間比較有統計學意義的影響因素作為自變量，以患者是否出現殘疾作為因變量，納入logistic回歸進行統計分析，具體賦值見表3。logistic回歸分析結果顯示，居住地（X1）、腦卒中類型（X2=缺血，X3=出血）、卒中復發（X4）和GCS評分（X5）均是獨立危險因素，見表4。最終建立風險預測模型公式：logit（P）=-2.124+0.590X1+1.813X2+2.372X3+0.535X4+0.703X5。

2.4 預測模型擬合程度和預測效果的分

析 Hosmer-Lemeshow卡方檢驗結果：字2=2.900，P=0.894，模型擬合程度較好。采用ROC曲線來檢驗模型得分與卒中后殘疾的擬合效果（圖1），結果顯示，ROC曲線下面積（C-統計量）為0.716，95%CI（0.664，0.768），P<0.001，表明該預測模型的預測效果可用。約登指數的最大值為風險預測模型的最佳臨界點，ROC曲線的約登指數最大值為0.303，敏感度為0.486，特異度為0.817，此時截斷值為0.583。

2.5 卒中后殘疾風險預測模型的驗證 驗證組126例患者，男87例，女39例;年齡23～90歲，平均（65.32±13.831）歲。其中實際出現殘疾者64例，發生率為50.8%（64/126），模型預測出現85例，21例誤判，敏感度為75.3%（64/85）;實際未出現殘疾者共62例，模型預測未出現殘疾者共41例，出現21例誤判，特異度為66.1%（41/62）。模型總正確率為（64+41）/126×100%=83.3%。

3 討論

3.1 構建的腦卒中患者殘疾發生的風險預測模型預測效果較好 風險預測模型現已作為慢性病發病風險的主要評估工具，主要用于識別高危人群，進行危險因素干預[12]，但目前國內外腦卒中個體發病風險預測模型發展非常迅速，而卒中不良結局的風險預測模型研究比較少。關于腦卒中患者殘疾發生，國內多見影響因素類綜述[13-14]或橫斷面調查[2，15-17]等，關于構建風險預測模型的研究比較少。本研究基于電子病歷系統收集到的患者的真實客觀指標，通過logistic回歸分析構建預測模型，在一定程度上克服了現有經驗評估的不足。通過Hosmer-Lemeshow卡方檢驗證實該模型擬合程度較好。ROC曲線下面積為0.716，該預測模型的預測效果可用。根據約登指數、敏感度、特異度說明該模型用于預測卒中后殘疾的發生效果較好。此外，本研究構建的預測模型納入的危險因素，簡單易測，方便醫護人員進行快速篩查，增加了實用性。

3.2 腦卒中患者殘疾發生風險預測模型相關危險因素分析 腦卒中是臨床上常見的中樞系統疾病，多數患者經過臨床治療后仍會出現一定程度的殘疾[18]，分析腦卒中患者出現殘疾的危險因素，構建風險預測模型，可針對性地加強預防。本研究的logistic回歸分析結果中，回歸系數（β）的絕對值愈大，該因素在模型中所起的作用也愈大。在該預測模型中，GCS評分β值越大，對卒中后殘疾的影響最大。GCS評分是評估患者昏迷程度的指標，分值越高患者昏迷程度越嚴重。GCS評分反應患者入院時神經受損狀況，而殘疾的發生與神經功能狀況密切相關，神經功能缺損越嚴重，殘疾發生的可能性越高[16]。腦卒中的類型對殘疾的發生影響較大，本研究中，出血性卒中的β值為2.372，而缺血性卒中的β值為1.813，出血性腦卒中患者殘疾的發生率比缺血性高，該結論與Synhaeve等[19]的類似，在其研究中，出血性卒中的殘疾的發生率為49.3%，而缺血性殘疾的發生率僅為36.5%。可能原因為出血性卒中起病急、發展快，還可能因為院前延誤，錯失最佳治療時機，導致了不良結局的發生[20]。在本研究中農村居住的腦卒中患者發生殘疾的可能性更高，城鎮居民相對于農村居民來說，文化程度相對較高，疾病的管理能力、就醫的依從性較好，而且城鎮有著完善的醫療急救設施，腦卒中起病時，可得到及時的救治，降低了殘疾的發病率。因此，應適當向農村地區傾斜醫療資源，完善農村地區的急救醫療服務。本研究中腦卒中復發患者發生殘疾的風險較高，可能是由于復發的患者一般病情較重，對神經造成了不可逆的損傷。姜巖等[2]的研究中，腦卒中復發患者其發生殘疾的可能性是首發患者的2.08倍。此外，出現腦卒中復發的患者大多數未進行良好病情管理，未控制好導致不良結局發生的危險因素[21]。此結果提示，應做好腦卒中的二級預防，控制可改變因素，降低殘疾的發生率。

3.3 本研究的創新性和局限性 本研究分析了腦卒中后殘疾的危險因素，臨床醫護人員可結合危險因素制定個性化的護理干預措施。此外，本研究通過logistic回歸分析構建了腦卒中后殘疾的風險預測模型，為預防殘疾的發生提供了一個簡便的工具。但是，本研究的數據僅來源于一所三甲醫院，且為回顧性研究，其他有意義的未在病例中詳細記錄的影響因素未被納入，如NIHSS評分、BMI、學歷等，未來可通過大型前瞻性研究來構建更科學合理的風險預測模型。

本研究通過醫院電子病歷系統，回顧性收集了499例患者的臨床資料，分析腦卒中患者殘疾發生的危險因素，利用logistic回歸分析構建了腦卒中后殘疾的風險預測模型，該模型經過驗證，可有效預測腦卒中后殘疾的發生。但由于只在一所三甲醫院進行了資料收集，是否適合更廣泛的患者，還需進一步的研究。

參考文獻

[1] Chen W，Gao R，Liu L，et al.Report on cardiovascular disease in China[J].Chin Circ J，2018，33：1-8.

[2]姜巖，逄冬.腦卒中病人發生殘疾的影響因素分析[J].護理研究，2019，33（12）：2130-2133.

[3]苗曉，馬亮，徐萍，等.ICU獲得性衰弱風險預測模型的研究進展[J].中國護理管理，2019，19（1）：155-159.

[4] Anderson K M，Wilson P W，Odell P M，et al.An Updated Coronary RiskProfile.A Statement for Health Professionais[J].Circulation，1991，83（1）：356-362.

[5] Farzadfard M T，Sheikh Andalibi M S，Thraft A G，et al.Long-term disability after stroke in Iran：Evidence from the Mashhad Stroke Incidence Study[J].Int J Stroke，2019，14（1）：44-47.

[6]中華醫學會，全國第四屆腦血管病學術會議.腦血管疾病分類診斷要點[J].中華神經科雜志，1996，29（6）：376-379.

[7] Goldstein M，Barnett H J M，Orgogozo J M，et al.

Recommendations on stroke prevention，diagnosis，and therapy.Report of the WHO Task Force on Stroke and other Cerebrovascular Disorders[J].Stroke，1989，20（10）：1407-1431.

[8] Chen Y，Du H，Wei B H，et al.Development and validation of risk-stratification delirium prediction model for critically ill patients：a prospective，observational，single-center study[J].Medicine，2017，96（29）：e7543.

[9]祝曉迎.ICU譫妄的風險因素分析及風險預測模型的構建[D].重慶：第三軍醫大學，2017.

[10]普鷹，張瑩，湯佳駿，等.腹腔鏡手術患者術中低體溫預測模型的構建及應用[J].中華護理雜志，2019，54（9）：1308-1312.

[11] Kolek M J，Graves A J，Xu M，et al.Evaluation of a Prediction Model for the Development of Atrial Fibrillation in a Repository of Electronic Medical Records[J].JAMA Cardiol，2016，1（9）：1007-1013.

[12]石福艷.常見慢性病危險因素測量及風險等級評估方法研究[D].西安：第四軍醫大學軍事預防醫學院，2015.

[13]何宇迪，呂雨梅.卒中后殘疾保護因素及生化相關危險因素研究進展[J].中國卒中雜志，2019，14（3）：293-296.

[14]何宇迪，呂雨梅.醫院常測生化指標對腦卒中后殘疾風險預測的研究進展[J].中國全科醫學，2019，22（5）：511-515.

[15]田洋.成都主城區社區腦卒中患者殘疾率及其相關因素分析[D].瀘州：西南醫科大學，2020.

[16]王珊珊，張艷，劉潔.急性腦梗死病人功能恢復影響因素分析[J].護理研究，2019，33（23）：4117-4120.

[17]李娟，呂雨梅，周郁秋，等.大慶市住院腦卒中患者殘疾狀況及影響因素研究[J].中國康復醫學雜志，2017，32（12）：1376-1381.

[18]馮趙慧子，劉培培，幸小玲.防痙攣針刺法聯合運動再學習療法對腦卒中患者肌張力及運動功能的影響[J].中國醫學創新，2020，17（32）：79-82.

[19] Synhaeve N E，Arntz R M，Maaijwee N A M，et al.Poor Long-Term Functional Outcome After Stroke Among Adults Aged 18 to 50 Years：Follow-Up of Transient Ischemic Attack and Stroke Patients and Unelucidated Risk Factor Evaluation（FUTURE） Study[J].Stroke，2014，45（4）：1157-1160.

[20]王玲，楊麗，朱雪梅，等.腦卒中患者就醫延遲關鍵風險因素分析與策略研究[J].護理學雜志，2020，35（20）：45-50.

[21]趙一莎，呂雨梅，周郁秋，等.大慶市社區腦卒中患者殘疾狀況及影響因素分析[J].護理學雜志，2017，32（1）：82-85.

（收稿日期：2020-12-14） （本文編輯：程旭然）