惡性腫瘤患者衰弱綜合征風險評估模型的構建與評價

韋潔靜 盧 婷 應燕萍 黃彪進 徐 誼

1.廣西醫科大學第一附屬醫院腫瘤科，廣西南寧 530021；2.廣西醫科大學第一附屬醫院日間化療中心，廣西南寧 530021；3.廣西醫科大學第一附屬醫院護理部，廣西南寧 530021；4.廣西壯族自治區南溪山醫院胸外科，廣西桂林 541002

衰弱綜合征指個體因生理功能儲備減少或失衡而對外界壓力源的抵抗力下降、易損性增加的一種狀態[1-2]。研究表明，衰弱綜合征與糖尿病、心血管疾病、惡性腫瘤等多種慢性病關系密切，多見于老年人[3]。盡管衰弱綜合征與年齡息息相關，但即使不是老年人也會發生衰弱綜合征，尤其是惡性腫瘤患者[4]。由于腫瘤本身及其治療都是巨大的壓力源，挑戰患者的生理儲備，所以腫瘤患者衰弱綜合征的發生率較高[5]。超過半數的腫瘤患者體質衰弱或完全衰弱，使其發生化療不耐受甚至死亡的風險增加[6-9]。但目前關于衰弱綜合征的研究多局限于老年患者，惡性腫瘤患者的研究卻少有報道，且目前衰弱綜合征的測量較為復雜，依賴熟練的醫護人員，在臨床推廣和實施存在困難。為此，本研究旨在通過臨床上容易測量的指標來探討惡性腫瘤患者衰弱綜合征的相關因素，并構建風險評估模型和評價其效能，為醫護人員早期且簡便的識別惡性腫瘤患者衰弱綜合征的高危人群、制訂優化策略提供參考。

1 對象與方法

1.1 研究對象

采用便利抽樣法選取2020 年5 月至8 月在廣西某三甲醫院腫瘤科住院的惡性腫瘤患者為研究對象。納入標準：年齡＞18 歲；確診為惡性腫瘤；TNM 分期為Ⅳ期；能完成調查和評估。排除標準：軀體功能因其他疾病或癥狀而受影響；正參與其他研究。本研究已得到醫學倫理委員會的批準[NO.2022-KY-（001）]，研究對象均知情同意并愿意參與本研究。

1.2 研究方法

1.2.1 研究工具

1.2.1.1 患者一般資料 包括患者的性別、年齡、身高、體重、體重指數（body mass index，BMI）、文化程度、職業、診斷、高血壓史等信息。

1.2.1.2 衰弱綜合征表型量表 包括3 項自評問卷和2項數據測量，5 項身體狀況指標。（1）體重下降，指近1 年內體重不明原因下降＞5%或4.5 kg。（2）步速下降，測試4.6 m 行走時間，判斷標準：男性身高≤173 cm用時≥7 s，身高＞173 cm 用時≥6 s；女性身高≤159 cm用時≥7 s，身高＞159 cm 用時≥6 s。（3）握力下降，使用CAMRY EH101 型電子握力計測量優勢握力，根據性別及BMI 進行判斷。參考標準：男性BMI≤24 kg/m2、握 力≤29 kg，24 kg/m2＜BMI ≤28 kg/m2（＞24～28 kg/m2）、握力≤30kg，BMI＞28kg/m2、握力≤32 kg；女性BMI≤23 kg/m2、握力≤17 kg，23 kg/m2＜BMI≤26 kg/m2（＞23～26 kg/m2）、握力≤17.3 kg，26 kg/m2＜BMI≤29 kg/m2（＞26～29 kg/m2）、握力≤18 kg/m2，BMI＞29 kg/m2、握力≤21 kg。（4）體力活動減少。判斷標準：男性＜393 kcal/周（散步2.5 h），女性＜270 kcal/周（散步2.0 h）。（5）疲乏。對“①我感覺做每一件事都很費力。②我無法繼續我的日常工作。”這兩個問題中的任意一個問題在過去1 周內出現的情況進行評定：＜1 d為0 分，1～2 d 為1 分、3～4 d 為2 分，＞4 d 為3分，得分2～3 分為疲乏。在以上5 項中每項為1 分，總分為5 分，≥3 分被確定為衰弱綜合征期，1～2 分為衰弱綜合征前期，0 分為無衰弱綜合征。本研究將衰弱綜合征前期和無衰弱綜合征歸為非衰弱綜合征組。

1.2.2 實驗室指標

患者入院次日早晨空腹采集5 ml 靜脈血后送該院檢驗科統一檢測血紅蛋白、白蛋白、前白蛋白等指標。

1.3 統計學方法

采用SPSS 22.0 統計學軟件進行數據分析。符合正態分布的計量資料以均數±標準差（±s）表示，采用t 檢驗。計數資料以例數或百分比表示，采用χ2檢驗。采用二元logistic 回歸分析構建模型，受試者操作特征曲線進行模型的效能分析，并計算曲線下面積、靈敏度、特異度、Youden 指數。以P＜0.05 為差異有統計學意義。

2 結果

2.1 衰弱綜合征發生現狀

共調查327 例患者，發生衰弱綜合征的患者93例（28.4%）；5 項衰弱綜合征指標從高到低為體重下降158 例（48.3%），握力下降122 例（37.3%），疲乏107 例（32.7%），體能下降71 例（21.7%），步速下降71例（21.7%）。

2.2 不同因素惡性腫瘤患者衰弱綜合征發生情況比較

兩組性別、年齡、握力、臂圍、小腿圍、BMI、紅細胞、血紅蛋白、總蛋白、白蛋白及前白蛋白比較，差異有統計學意義（P＜0.05）。兩組其他指標比較，差異無統計學意義（P＞0.05）。見表1～2。

表2 兩組患者營養相關人體測量學指標及血液指標比較（±s）

表2 兩組患者營養相關人體測量學指標及血液指標比較（±s）

注BMI：體重指數

2.3 惡性腫瘤患者衰弱綜合征的影響因素分析

以是否存在衰弱綜合征（0=無衰弱綜合征，1=衰弱綜合征）為因變量，將單因素分析中差異有統計學意義（P＜0.05）的因素作為自變量進行二元logistic 回歸分析。自變量賦值：性別（1=男、2=女），年齡（青年=1、中年=2、老年=3）。結果顯示，性別、握力、臂圍、白蛋白是惡性腫瘤患者衰弱綜合征的影響因素（OR＜1，P＜0.05）。見表3。

表3 惡性腫瘤患者衰弱綜合征的影響因素分析

2.4 惡性腫瘤患者衰弱綜合征風險預測模型的建立

根據logistic 回歸分析的結果構建惡性腫瘤患者衰弱綜合征風險預測模型。對logistic 回歸分析結果中自變量的β 值以最小β 值0.087 為基數，其他變量β 值與其相除，得出各變量賦值分數。最終得出公式：Y=13-16X1-3X2-1X3-1X4。各變量的具體計算方式：男=1，女=2；握力、臂圍、白蛋白均已實際結果進行計算，變量賦值分數見表4。采用H-L 擬合優度檢驗對構建的模型進行檢驗，該模型預測惡性腫瘤患者衰弱綜合征的概率與實際發生概率比較，差異無統計學意義（χ2=9.689，P=0.288），提示模型擬合較好。

表4 變量賦值分數

2.5 ROC 曲線對預測模型的診斷效能

根據預測模型公式計算患者得分，以該得分為檢驗變量，繪制ROC 曲線（圖1）。結果顯示，ROC 曲線下面積為0.852（95%CI：0.807～0.897，P＜0.05）。靈敏度為0.849，特異度為0.722 時，Youden 指數最大（0.572），預測模型分數為149。因此，149 分是惡性腫瘤患者衰弱綜合征風險評估模型的最佳臨界值。

圖1 預測惡性腫瘤患者發生衰弱綜合征的ROC 曲線

3 討論

本研究結果顯示，惡性腫瘤患者衰弱綜合征的發生率為28.4%，低于Handforth 等[10]在老年腫瘤患者中的研究。隨著年齡的增長，機體各項生理功能逐漸衰退，老年患者對外界刺激的易損性增加，導致老年腫瘤患者衰弱綜合征的整體發生率更高。衰弱綜合征發生率較高的指標為體重下降和握力下降。因此，醫護人員應對發生體重下降或握力下降的患者及時干預，防止衰弱綜合征的發生。

本研究發現女性患者是衰弱綜合征的危險因素，可能是女性患者肌肉力量較男性患者低[11]，有研究報道肌肉力量的降低與衰弱綜合征密切相關[12]。因此，對女性患者進行握力測量檢測肌肉力量，對肌肉力量較低的患者進行干預來預防衰弱綜合征的發生。此外，臂圍、握力、白蛋白是惡性腫瘤患者衰弱綜合征的影響因素。一方面，臂圍、握力、白蛋白指標與營養不良的發生相關[13-14]，營養不良導致患者的免疫狀況、藥物療效下降及多系統功能等，身體應激能力下降，導致衰弱綜合征發生[15]。既往研究顯示，營養干預可改善患者的衰弱狀況[15-17]，營養支持可以預防和延緩衰弱綜合征的發生[18]。另外，其與肌少癥的發生及肌肉質量減少、肌肉力量降低有關[19-20]。肌少癥可致代謝活躍的細胞數量減少，肌肉無力引起的靜息代謝率降低及體力活動減少，導致機體呈現衰弱綜合征狀態[21]。因此，臂圍、握力、白蛋白可通過影響其機體的營養及肌少癥癥狀，進而與衰弱綜合征產生關聯。

衰弱綜合征是患者預后不良的一個重要標志，可導致跌倒、殘疾和死亡等后果[22-23]，也會使患者生活質量下降[24-25]。本研究發現惡性腫瘤患者衰弱綜合征的發生率較高，如不能有效識別和處理，將會影響患者的預后及生活質量。因此，通過構建風險評估模型，幫助醫護人員有效識別衰弱綜合征的高危人群，有目的地應對患者當前存在的風險因素。性別、握力、臂圍、白蛋白易于測量，ROC 曲線下面積為0.852，經過檢驗模型擬合較好，可為患者進行衰弱綜合征評估。當評估模型得分少于149 分時，提示患者存在衰弱綜合征的風險，醫務人員應提高警惕，對患者提供針對性的干預措施。如幫助患者攝入足夠的營養，及時糾正患者的營養水平，或鼓勵患者適當的運動以提高機體的肌力，密切監測白蛋白指標。同時在臨床工作中，醫護人員應根據患者的特征及自身專業判斷對模型進行適當調整，在不斷更新中更好地使模型適用于臨床。

惡性腫瘤患者衰弱綜合征發生率較高，性別、握力、臂圍、白蛋白是惡性腫瘤患者衰弱綜合征的影響因子，本研究構建的衰弱綜合征風險評估模型具有較好的診斷效能。然而，本研究也存在一定的局限性：由于納入的樣本量較少，未能進行臨床驗證，均為晚期腫瘤患者，同時老年患者人數偏少，可能導致結果的偏倚，今后可納入其他分期腫瘤患者進行大樣本的多中心臨床研究進一步對模型進行改進和優化。