卒中后残疾风险预测模型的构建与验证

李艳青 吴红霞 王慧敏 黄凡修 孙建萍

【摘要】 目的：构建风险预测模型预测脑卒中患者残疾的发生。方法：于电子病历系统中调取499例出院诊断为脑卒中患者的病历资料，采用计算机软件随机抽取373例作为建模组，剩余126例作为验证组。建模组分为非残疾组（n=153）和残疾组（n=220），利用logistic回归分析构建风险预测模型。通过预测值的符合程度和辨别程度检验对模型进行验证。结果：居住地（X1）、脑卒中类型（X2=缺血，X3=出血）、卒中复发（X4）和GCS评分（X5）均是独立危险因素。风险预测模型为logit（P）=-2.124+0.590X1+1.813X2+2.372X3+0.535X4+0.703X5。H-L检验P=0.894，C-统计量为0.716，约登指数为0.303，敏感度为0.486，特异度为0.817，实际应用的正确率为83.3%。结论：本研究构建的预测模型效果良好，可为临床筛选残疾的高危患者提供参考。

【关键词】 脑卒中 残疾 模型 统计学 风险预测

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

腦卒中发病率高，我国每年以8.7%的速度增长[1]，随着医疗条件的进步，患者病死率显著降低，但幸存者残疾的发生率仍然较高，急性期有40%～60%的患者会出现残疾[2]。早期明确影响卒中后残疾发生的相关因素，对改善临床预后意义重大。目前，医护人员在判断疾病发生的风险程度时常以经验为依据，此方法主观因素强，且在评估者方面可能存在较大偏倚[3]。而风险预测模型是以疾病好发的危险因素为基础，通过构建数学统计学模型，以预测某些特征人群未来某种疾病发生的概率[4]，能有效避免人为判断疾病风险程度的弊端，使判断更具科学性[5]。因此，本研究通过病例对照研究，分析残疾发生的影响因素，构建风险预测模型，以便预测残疾发生的风险。现报道如下。

1 对象与方法

1.1 对象 本研究为回顾性研究，研究者于山西省某三级甲等医院病案室调取2020年1-6月入院诊断为脑卒中的患者病历资料。纳入标准：研究对象诊断均符合第四届全国脑血管疾病会议修订[6]或WHO诊断标准[7]，并经CT/MRI确认的脑卒中患者;年龄≥18岁。排除标准：①合并其他严重疾病;②患有精神疾病，或其他原因引起精神异常的疾病;③住院期间死亡;④资料不完整。本研究基于文献回顾、专家咨询，共筛选出12个危险因素（年龄、女性、糖尿病、房颤、言语障碍、吞咽障碍、认知障碍、尿失禁、GCS评分、NIHSS评分、卒中复发、卒中史）。根据模型构建样本量计算要求[8]，每个自变量需要卒中后残疾患者5～10例，卒中后残疾的发生率为70%～80%，考虑20%的样本资料缺失不全等原因，本研究所需样本量为12×10×（1+0.2）/0.7=206例。本研究共采集到507例样本，排除资料不全3例，老年痴呆2例，死亡3例，最终纳入499例（远大于206例）。采用计算机软件随机抽取70%（共373例）作为建模组，剩余30%（共126例）作为验证组[9]。本研究已经获得医院伦理委员会批准。

1.2 方法

1.2.1 残疾评定方法 本研究中残疾的评定采用改良Barthel评分量表（MBI），MBI评分≥95分认为其无残疾，<95分认为其出现残疾[2]。

1.2.2 资料收集方法 由课题组两名经过培训的研究生通过医院电子病历系统收集研究对象的一般情况（住院号、年龄、性别、婚姻状况、居住地、在职状况、医疗费用支付情况等），以及基于文献回顾筛选出的影响因素等相关资料信息。在实际收集资料过程中NIHSS评分缺失严重，故弃掉该影响因素。课题组第3名研究人员核对后录入Excel 2010软件，有数据缺失时，通过住院号重新进行资料的收集，对于多次入院的患者只收集其第一次入院的资料，确保数据真实。

1.3 统计学处理 采用SPSS 23.0统计软件进行统计学分析。符合正态分布的计量资料以（x±s）表示，组间比较采用t检验;计数资料以率（%）表示，组间比较采用字2检验或Fisher确切概率法。根据组间比较结果，将P<0.05的自变量纳入logistic回归（向前：瓦尔德法），自变量入选界值为α≤0.05，剃除值为α≥0.10，P<0.05认为有统计学意义，建立卒中后残疾的风险预测模型。采用Hosmer-Lemeshow卡方检验验证模型的符合程度，P>0.05提示模型的预测符合程度好[10];以ROC曲线下面积（C-统计量）反映模型的判别效度，C-统计量<0.70提示模型区分能力差，>0.70时为可用，>0.75时为良好，>0.80时为优[11]。模型的实际应用效能以敏感度、特异度和正确率来验证。

2 结果

2.1 一般资料 建模组373例患者，其中残疾220例（残疾组），未出现残疾153例（非残疾组），残疾发生率为59.0%（220/373）。残疾组与非残疾组居住地、在职状况、脑卒中类型、医保情况比较，差异均有统计学意义（P<0.05），两组其他指标比较差异均无统计学意义（P>0.05），见表1。

2.2 影响因素 两组房颤情况比较，差异无统计学意义（P>0.05），两组其他影响因素比较差异均有统计学意义（P<0.05），见表2。

2.3 卒中后残疾风险预测模型的构建 将组间比较有统计学意义的影响因素作为自变量，以患者是否出现残疾作为因变量，纳入logistic回归进行统计分析，具体赋值见表3。logistic回归分析结果显示，居住地（X1）、脑卒中类型（X2=缺血，X3=出血）、卒中复发（X4）和GCS评分（X5）均是独立危险因素，见表4。最终建立风险预测模型公式：logit（P）=-2.124+0.590X1+1.813X2+2.372X3+0.535X4+0.703X5。

2.4 预测模型拟合程度和预测效果的分

析 Hosmer-Lemeshow卡方检验结果：字2=2.900，P=0.894，模型拟合程度较好。采用ROC曲线来检验模型得分与卒中后残疾的拟合效果（图1），结果显示，ROC曲线下面积（C-统计量）为0.716，95%CI（0.664，0.768），P<0.001，表明该预测模型的预测效果可用。约登指数的最大值为风险预测模型的最佳临界点，ROC曲线的约登指数最大值为0.303，敏感度为0.486，特异度为0.817，此时截断值为0.583。

2.5 卒中后残疾风险预测模型的验证 验证组126例患者，男87例，女39例;年龄23～90岁，平均（65.32±13.831）岁。其中实际出现残疾者64例，发生率为50.8%（64/126），模型预测出现85例，21例误判，敏感度为75.3%（64/85）;实际未出现残疾者共62例，模型预测未出现残疾者共41例，出现21例误判，特异度为66.1%（41/62）。模型总正确率为（64+41）/126×100%=83.3%。

3 讨论

3.1 构建的脑卒中患者残疾发生的风险预测模型预测效果较好 风险预测模型现已作为慢性病发病风险的主要评估工具，主要用于识别高危人群，进行危险因素干预[12]，但目前国内外脑卒中个体发病風险预测模型发展非常迅速，而卒中不良结局的风险预测模型研究比较少。关于脑卒中患者残疾发生，国内多见影响因素类综述[13-14]或横断面调查[2，15-17]等，关于构建风险预测模型的研究比较少。本研究基于电子病历系统收集到的患者的真实客观指标，通过logistic回归分析构建预测模型，在一定程度上克服了现有经验评估的不足。通过Hosmer-Lemeshow卡方检验证实该模型拟合程度较好。ROC曲线下面积为0.716，该预测模型的预测效果可用。根据约登指数、敏感度、特异度说明该模型用于预测卒中后残疾的发生效果较好。此外，本研究构建的预测模型纳入的危险因素，简单易测，方便医护人员进行快速筛查，增加了实用性。

3.2 脑卒中患者残疾发生风险预测模型相关危险因素分析 脑卒中是临床上常见的中枢系统疾病，多数患者经过临床治疗后仍会出现一定程度的残疾[18]，分析脑卒中患者出现残疾的危险因素，构建风险预测模型，可针对性地加强预防。本研究的logistic回归分析结果中，回归系数（β）的绝对值愈大，该因素在模型中所起的作用也愈大。在该预测模型中，GCS评分β值越大，对卒中后残疾的影响最大。GCS评分是评估患者昏迷程度的指标，分值越高患者昏迷程度越严重。GCS评分反应患者入院时神经受损状况，而残疾的发生与神经功能状况密切相关，神经功能缺损越严重，残疾发生的可能性越高[16]。脑卒中的类型对残疾的发生影响较大，本研究中，出血性卒中的β值为2.372，而缺血性卒中的β值为1.813，出血性脑卒中患者残疾的发生率比缺血性高，该结论与Synhaeve等[19]的类似，在其研究中，出血性卒中的残疾的发生率为49.3%，而缺血性残疾的发生率仅为36.5%。可能原因为出血性卒中起病急、发展快，还可能因为院前延误，错失最佳治疗时机，导致了不良结局的发生[20]。在本研究中农村居住的脑卒中患者发生残疾的可能性更高，城镇居民相对于农村居民来说，文化程度相对较高，疾病的管理能力、就医的依从性较好，而且城镇有着完善的医疗急救设施，脑卒中起病时，可得到及时的救治，降低了残疾的发病率。因此，应适当向农村地区倾斜医疗资源，完善农村地区的急救医疗服务。本研究中脑卒中复发患者发生残疾的风险较高，可能是由于复发的患者一般病情较重，对神经造成了不可逆的损伤。姜岩等[2]的研究中，脑卒中复发患者其发生残疾的可能性是首发患者的2.08倍。此外，出现脑卒中复发的患者大多数未进行良好病情管理，未控制好导致不良结局发生的危险因素[21]。此结果提示，应做好脑卒中的二级预防，控制可改变因素，降低残疾的发生率。

3.3 本研究的创新性和局限性 本研究分析了脑卒中后残疾的危险因素，临床医护人员可结合危险因素制定个性化的护理干预措施。此外，本研究通过logistic回归分析构建了脑卒中后残疾的风险预测模型，为预防残疾的发生提供了一个简便的工具。但是，本研究的数据仅来源于一所三甲医院，且为回顾性研究，其他有意义的未在病例中详细记录的影响因素未被纳入，如NIHSS评分、BMI、学歷等，未来可通过大型前瞻性研究来构建更科学合理的风险预测模型。

本研究通过医院电子病历系统，回顾性收集了499例患者的临床资料，分析脑卒中患者残疾发生的危险因素，利用logistic回归分析构建了脑卒中后残疾的风险预测模型，该模型经过验证，可有效预测脑卒中后残疾的发生。但由于只在一所三甲医院进行了资料收集，是否适合更广泛的患者，还需进一步的研究。

参考文献

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

[2]姜岩，逄冬.脑卒中病人发生残疾的影响因素分析[J].护理研究，2019，33（12）：2130-2133.

[3]苗晓，马亮，徐萍，等.ICU获得性衰弱风险预测模型的研究进展[J].中国护理管理，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]中华医学会，全国第四届脑血管病学术会议.脑血管疾病分类诊断要点[J].中华神经科杂志，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]祝晓迎.ICU谵妄的风险因素分析及风险预测模型的构建[D].重庆：第三军医大学，2017.

[10]普鹰，张莹，汤佳骏，等.腹腔镜手术患者术中低体温预测模型的构建及应用[J].中华护理杂志，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]石福艳.常见慢性病危险因素测量及风险等级评估方法研究[D].西安：第四军医大学军事预防医学院，2015.

[13]何宇迪，吕雨梅.卒中后残疾保护因素及生化相关危险因素研究进展[J].中国卒中杂志，2019，14（3）：293-296.

[14]何宇迪，吕雨梅.医院常测生化指标对脑卒中后残疾风险预测的研究进展[J].中国全科医学，2019，22（5）：511-515.

[15]田洋.成都主城区社区脑卒中患者残疾率及其相关因素分析[D].泸州：西南医科大学，2020.

[16]王珊珊，张艳，刘洁.急性脑梗死病人功能恢复影响因素分析[J].护理研究，2019，33（23）：4117-4120.

[17]李娟，吕雨梅，周郁秋，等.大庆市住院脑卒中患者残疾状况及影响因素研究[J].中国康复医学杂志，2017，32（12）：1376-1381.

[18]冯赵慧子，刘培培，幸小玲.防痉挛针刺法联合运动再学习疗法对脑卒中患者肌张力及运动功能的影响[J].中国医学创新，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，杨丽，朱雪梅，等.脑卒中患者就医延迟关键风险因素分析与策略研究[J].护理学杂志，2020，35（20）：45-50.

[21]赵一莎，吕雨梅，周郁秋，等.大庆市社区脑卒中患者残疾状况及影响因素分析[J].护理学杂志，2017，32（1）：82-85.

（收稿日期：2020-12-14） （本文编辑：程旭然）