社区管理高血压患者的服药依从性预测模型构建

梁汝江，井明霞，张梅，张眉，王永馨

(石河子大学医学院，新疆 石河子 832002)

高血压流行率高、控制率低，其引发的严重并发症造成了患者的健康损害和经济损失[1]。世界卫生组织指出，患者对降压药的不依从是高血压难以控制的最重要原因之一[2]。高血压患者当前由基层医疗机构进行管理，但管理方式无法满足患者的个性化需要[3]，采用预测模型识别出不依从的患者并进行精细化管理，可以更合理地分配卫生资源并使患者群体最大程度受益。国内依从性预测研究多使用回归模型进行预测，回归模型在应用时对数据分布有严格要求[4]，而机器学习方法则对数据分布没有严格要求，国外研究[5-7]发现使用机器学习方法预测服药依从性可以取得较好的预测精度。在预测因子方面，除了国内研究常用的变量外，本研究拟验证生活方式依从性、心理变量对服药依从性的预测作用。

本研究拟使用机器学习方法初步建立管理高血压患者服药依从性的预测模型，并验证预测模型效果，为提高基层医疗机构高血压管理效果提供依据，为完善服药依从性预测提供参考。

1 对象与方法

1.1 数据收集

1.1.1 调查对象

2017年7月采用目的抽样在新疆生产建设兵团某师随机抽取5个社区，根据当地社区管理名单随机抽取符合纳入排除标准的高血压患者共1131名。纳入排除标准见课题组前期研究[8]。

1.1.2 调查内容和调查方法

服药依从性使用自行设计的问卷进行测量，该测量工具是在国内相似研究基础上增加一个问题而来[8]，共包含5个条目：前四个问题询问患者能否按照医嘱要求的药物种类、次数、量、时间服药；患者回答：1)根本做不到；2)有时做得到；3)基本做得到；4)完全做得到。第五个问题询问患者能否按医嘱长期坚持服药从不间断，患者回答：1)中止服药；2)断断续续服药；3)自行减量从不间断；4)按医嘱从不间断。本研究中该依从性调查工具的Cronbach's α系数为0.86。五个问题均选择最后一个选项为依从，否则不依从。

测量17个预测因子(表1)，按照WHO的慢性病依从性影响因素框架可归纳为：1)患者相关因素；2)社会经济因素；3)治疗相关因素；4)疾病相关因素；5)卫生系统相关因素。其中生理指标收缩压和舒张压由培训过的调查员用统一校对过的汞柱式血压计测量。

表1 调查对象的信息

生活方式依从性由自制调查表进行测量：调查患者是否：1)每天摄入食盐低于6 g；2)平时进行体育锻炼；3)不吸烟或已戒烟；4)近1年内未饮酒；5)很少或从未觉得生活有压力。患者回答为“否”计零分，回答为“是”计一分，用总分衡量患者的生活方式依从性。本研究中该生活方式依从性调查工具的Cronbach's α系数为0.81。

精神心理类变量共2个：1)焦虑或抑郁；2)对病情担心。患者回答为“是”或“否”。

两组患者的创面愈合时间及大小的比较用均数±标准差的形式,并用t值检验,治疗总有效率的比较用“%”的形式,并用卡方值检验,数据采用SPSS20.0软件核对,当2组烧伤患者的各指标数据有差别时,用P<0.05表示。

数据收集由统一培训考核的调查员面对面调查获得。研究方案经石河子大学伦理委员会审核批准，患者在调查开始前均签署知情同意书或按指印表示同意。

1.2 统计方法

1.2.1 建立数据集

首先进行单因素分析选择P<0.1的变量。经第一步筛选后，穷举保留的变量的所有可能组合，加上结局变量构成数据集，建模后选择预测能力强的模型，观察其纳入的变量以完成变量选择(封装法)。

为了验证以上变量选择过程的可靠性，以依从性为因变量，对17个自变量采用后退法基于AIC准则进行逐步Logistic回归建模，观察上述方法选择的变量是否被纳入到最终的回归模型。

1.2.2 预测模型的建立、验证和评价

2 结果

2.1 调查对象的基本信息和依从性现状

纳入高血压患者1131名。年龄为73.15±7.43岁，女性占63.13%。32.45%的患者接受过高中及以上教育，50.49%患者居住于城市地区(表1)。37.67%的患者服药不依从，78.51%的患者可以坚持长期服药不间断。

2.2 单因素分析结果和模型结果

单因素分析结果显示：自评健康(P=0.030)、收入(P=0.052)、居住地(P<0.001)、高血压疾病严重程度(P=0.002)、共患糖尿病(P=0.073)、病程(P=0.042)、是否享受慢性病保险(P=0.008)与依从性的关联有统计学意义。收缩压和舒张压由于和服药行为相关，基于经验保留。一共有9个预测因子被保留。

封装法变量选择结果：9个预测因子组合后产生511个(29- 1)数据集，使用BP算法建模和十折交叉验证后，模型符合率为62.51%±0.25%，分布范围是62.33%到63.75%(图1)。符合率排前五的模型分别包含了8、6、7、6和7个变量(表2)，单因素分析保留的9个变量共重复出现了34次。其中，居住地(社会经济)、高血压疾病严重程度(疾病相关)、共患糖尿病(疾病相关)、收缩压(疾病相关)和是否享受慢病保险(卫生系统相关)在每个模型中都被纳入，是最常被纳入的变量。

图1 模型的符合率分布

表2 符合率前五的模型包含的变量及其符合率

Logistic回归变量选择结果：以依从性为因变量，对17个自变量采用后退法基于AIC准则进行逐步logistic回归建模，模型最终纳入6个变量：居住地(β_城市=0.457，P<0.001)、高血压疾病严重程度(β_轻度不适=-0.417，P=0.002；β_中度及以上不适=0.007，P=0.974)、共患糖尿病(β_是=0.308，P=0.019)、收缩压(β=-1.232，P=0.071)、是否享受慢病保险(β_是=0.382，P=0.009)和自评健康(β=0.884，P=0.021)。

2.3 生活方式依从性和精神心理因素对服药依从性的预测能力

向符合率前五的模型(模型1-5)预测因子中加入生活方式依从性后，建模获得模型6、8、10、12和14，模型的符合率均升高(表3)。向模型1-5的预测因子中加入焦虑或抑郁、对病情担心后获得模型7、9、11、13和15，模型的符合率均升高。模型11的符合率最高，为81.96%。

表3 符合率前五的模型增加生活方式依从性、焦虑或抑郁、对病情担心作为预测因子后符合率 %

2.4 分亚组建模对模型预测能力的影响

根据血压是否达标将患者分成血压未达标组(N=467)和已达标组(N=664)。以符合率最高的模型11中所纳入的变量，重新为两组患者构建模型，结果发现，相较于总样本的模型(模型11)，已达标组中模型符合率从81.96%下降为79.52%，未达标组中符合率升高为85.01%。ROC曲线下面积两两对比差异无统计学意义(总样本VS已达标组：P=0.392，总样本VS未达标组：P=0.389，已达标组VS未达标组：P=0.897)(表4，图2)。

表4 符合率最高的模型在总样本和亚组人群中的受试者工作特征曲线下面积

图2 符合率最高的模型在总样本和亚组人群中的受试者工作特征曲线

3 讨论

高血压患者的服药依从性对其血压控制具有重要的作用，本研究对提高血压患者管理效果提供一定的依据，为完善服药依从性预测提供了参考。

本研究应用机器学习方法建立了服药依从性预测模型，符合率尚可。本研究发现社会经济、疾病相关和卫生系统因素对于服药依从性预测具有一定的价值；生活方式依从性、精神心理类变量对服药依从性有预测能力。另外，血压未达标组和已达标组的服药依从性预测模型符合率尚可，ROC曲线下面积无统计学差异，这些结果对于完善服药依从性预测模型构建提供了参考。

本研究纳入的变量中，城市居民离医疗机构和药店距离更近，通过提高药物可及性影响服药依从性[9]。慢病保险作为卫生系统因素，通过减少购买药物的经济负担影响患者的服药依从性[10]。糖尿病患者需要按时服药来维持血糖的稳定，因此，糖尿病患者对降糖药会有更好的依从性[11]，这种良好的服药行为可能迁移到了服用降压药的行为中，因此，是否共患糖尿病对降压药的服药依从性有预测作用。疾病越严重、收缩压越高的患者可能由于担心自身疾病，会更有意愿遵从医生的建议服药[9]。

高血压的治疗需要多种行为的改变，医生在开具降压药的同时也会建议患者做生活方式上的改变，包括减少钠盐摄入、规律运动、戒烟、限制饮酒和心理平衡等方面[12]。本文根据《国家基层高血压防治管理指南》定义了生活方式依从性[12]，验证了生活方式依从性对服药依从性有预测作用，这提示将来在患者的管理实践中，可以据此更加具体地指导患者的生活方式，也可以为将来的服药依从性预测提供基础数据。KARANASIOU G S等[7]同样发现心衰患者的治疗依从性对其服药依从性有预测作用，与本文发现相符。在加入治疗依从性作为预测因子后，模型的符合率从平均79%±2.46%上升到90%±1.26%。

健康信念模型认为个体的主观心理过程如态度和信念等可以来解释和预测行为[13]，因此本文探索了精神心理类变量对服药依从性的预测能力，发现将焦虑或抑郁、对病情担心加入到模型中后，模型的符合率有了较大的提升，这与国内外相似研究的发现相符。周艺[9]在2017年建立的冠心病患者服药依从性预测模型中也纳入了“担心药物副作用”等精神心理因素。LEE S K等[6]在2011年的研究中，仅纳入3个预测因子的慢性病服药依从性预测模型达到了89.40%的符合率，这其中2个为精神心理因素(自我效能、抑郁)。而STEINER J F[14]在2009年的高血压患者服药依从性预测研究中，预测因子仅使用了社会经济因素和临床特征因素，模型的ROC曲线下面积分布在0.512到0.567之间。这提示将来的行为预测研究应当收集患者的心理因素作为预测因子。并且，基层医疗机构可适当收集这方面信息为将来的患者行为预测提供支持。

由于血压未达标患者的心血管疾病发病风险、靶器官损害风险都比已控制的患者的风险要高，基层医疗机构对两类患者的管理方案和用药方案有所不同[12]，这可能会影响患者依从性，因此本文对两组患者分别建模以消除管理方案对依从性的潜在影响。结果发现对人群分亚组建模无法增加模型的预测能力。这可能是由于将人群分亚组后，每组患者的异质性更小[15]，从而算法难以建立映射。吴菲等[15]建立的乳腺癌风险预测模型在人群按年龄分组后同样发现模型在55岁以上人群中预测能力下降，ROC曲线下面积为0.567(95%CI:0.518,0.630)。

本研究具有一些局限性，由于纳入人群年龄偏高，平均为73岁，可能限制了研究结论在其他人群中的适用性。尽管本文选择并测试了17个变量，但仍有其他的预测因子可以使用，因为服药依从性是一种受许多因素影响的复杂行为。