脑卒中后运动功能恢复预测模型的研究进展

宋美璇，赵春艳，李 刚，徐卓珺

（1. 同济大学医学院，上海 200092； 2. 同济大学附属东方医院，上海 200120）

脑卒中，俗称中风，是一种常见的器质性脑损伤导致的脑血管疾病[1]，是世界第二大死因和第三大致残原因。在我国，高达75%的脑卒中后幸存者存在不同程度的肢体功能障碍，显著增加了卒中复发、死亡率上升等不良后果的风险，同时也降低了患者的生活质量、增加了家庭和社会的经济负担[2]。因此，最大限度地减少伤残、促进肢体功能康复、改善患者活动能力和生活质量成为脑卒中患者护理工作的重心。而准确地预测脑卒中后患者的运动功能恢复情况是关键，有助于发掘患者的具体运动需求和潜力，减少功能损害，优化康复方案，最大程度地降低经济负担。近年来，预测脑卒中功能恢复的各种方法受到了研究人员的广泛关注[3]。本文主要对近年来脑卒中后运动功能恢复的预测模型进行综述，以期为脑卒中患者的功能预后工作提供参考。

1 传统统计学预测模型

1.1 局部运动功能恢复预测模型

1.1.1 Prabhakaran 比例恢复模型由Prabhakaran等[4]于2008 年基于41 例脑卒中患者的临床资料研发，以Fugl-Meyer 上肢运动功能（Fugl-Meyer Assessment-Upper Extremity，FMA-UE）评分变化（即梗死后3 月、6月FMA-UE 减去梗死后24～72 h FMA-UE 的差值）作为结局指标，包括患病入院时FMA-UE 评分、大脑皮层下病变体积、年龄和重新评估时间4 项危险因素，用于预测脑卒中患者上肢运动恢复情况。其中初始FMAUE 评分是结果预测的主要指标,初始FMA-UE 评分≤45 时，R2为0.90，提示该模型有较高的预测准确性。Winters 等[5]在211 例脑卒中患者中对Prabhakaran 比例恢复模型进行外部验证，结果显示，该模型的灵敏度为80%、特异度为89%。该模型在两队列中都表现出了相似的良好性能，表明脑卒中患者上肢运动恢复情况与患病后运动功能初始损伤程度紧密相关，但其只在轻至中度脑卒中患者中适用，存在更严重脑卒中缺陷（如严重手臂损伤、手指不伸展、面瘫、严重腿部损伤等）的患者的上肢运动功能恢复曲线和Prabhakaran 比例恢复模型不吻合，同时，由于Prabhakaran 等[4]研究的样本量较小，模型的可行性有待进一步确认。

1.1.2 Nijland 上肢运动预测模型由Nijland 等[6]于2010 年基于188 例缺血性脑卒中患者的临床资料研发，以上肢动作研究量表（Action Research Arm Test，ARAT）评分作为结果指标，包括FMA-UE 中手指伸展维度评分和肩外展运动力指数（Motricity Index，MI）2个变量，用于预测缺血性脑卒中患者患病6 个月时的上肢功能恢复情况。其中手指伸展维度评分的贡献度较大（OR=58.67，95%CI为13.83～257.17），ARAT≥10分时，该模型的灵敏度为89%～95%、特异度为83%。该模型还指出在脑卒中发病后第2 天能进行肩部外展和手指伸展的上肢运动障碍患者在6 个月后上肢恢复一定灵活性的概率为98%，而在脑卒中发病后第2 天不能进行肩部外展和手指伸展的患者在6 个月后上肢恢复一定灵活性的概率为25%。Veerbeek 等[7]纳入85 例脑卒中患者对Nijland 上肢运动预测模型进行外部验证，结果显示，ARAT≥32 分时，ROC 曲线下面积（area under the ROC curve，AUC）为0.86～0.90、灵敏度为100%、特异度为28%～52%。该模型只包含量表评估指标，易于执行，但ARAT 评分为10～57 分时所代表的上肢各项运动功能恢复情况较多，导致预测模型的临床用途尚不能清晰明确。

1.1.3 Veerbeek 步行预测模型由Veerbeek 等[8]于2011年基于154例无法独立行走的脑卒中患者的临床资料研发，以功能性步行能力量表（Functional Ambulation Category Scale，FAC）评分作为结局指标，包括躯干控制测试（Trunk Control Test，TCT）中的坐位维度评分和患侧下肢MI 评分2 个变量，用于预测脑卒中患者发病后6 个月时实现独立行走概率。其中坐位维度评分的贡献度较大（OR=33.33，95%CI为10.57～105.11），当坐位维度评分和下肢MI 评分均≥25 分时，该模型的灵敏度为93%～94%、特异度为63%～83%，且指出患者在6 个月内恢复独立行走的概率约为98%。该模型由Veerbeek 等[9]于2022 年在两独立脑卒中患者队列（样本量分别为39 例、78 例）中进行外部验证，结果显示，AUC 分别为0.68～0.92 和0.80～0.85，提示该模型对预测脑卒中患者发病后6 个月时恢复独立行走具有一定的作用。该模型包含的预测因子较少，且具有脑卒中发病后第2、5 和9 天3 个基线评估时间点和脑卒中发病后6 个月的主要终点评估时间点，使临床应用更为简便及明确。此外，Veerbeek 步行预测模型以多元方程的形式呈现，可将其转换为应用程序或易于记忆的决策树来提高适用性。

1.1.4 修订版基本动作评定量表（Revised Version of the Ability for Basic Movement Scale，AMBSⅡ）由Kinoshita 等[10]于2017 年基于374 例康复期脑卒中患者临床资料研发，以出院时FAC 评分作为结果变量。AMBSⅡ评分包括翻身、坐起、坐位保持、站起和立位保持5 项指标，总分5～30 分，用于预测脑卒中后患者在急性期后的康复阶段能否实现独立行走。其中坐位保持和恢复行走功能之间的关联最显著（HR=9.48，95%CI为6.47～13.89），当AMBSⅡ评分≥16分，AUC为0.91、灵敏度为93%、特异度为71%。Yang 等[11]在176例康复期脑卒中患者中对ABMSⅡ进行外部验证，结果显示，ABMSⅡ评分≥18 分时，AUC 为0.86、灵敏度为87%、特异度为68%。尽管AMBSⅡ评分5 项内容所需评估时间短，但其仅对脑卒中患者在接受康复治疗期间的行走功能进行评估，在预测康复治疗出院后行走方面的长期效果尚不清楚。

1.1.5 Bland 步行预测模型由Bland 等[12]于2012 年基于脑卒中康复系统数据库中110 例患者的相关资料研发，以10 m 步行速度作为结果指标（以0.4m/s 速度为界），包括功能独立性评定（Functional Independence Measures，FIM）中行走项目评分和伯格平衡量表（Berg Balance Scale，BBS）评分2 个变量，用于预测脑卒中患者在出院时能否实现家庭步行或社区步行。当患者入院时BBS 评分≤20 分且FIM 中行走项目评分为1～2 分时，模型的灵敏度为91%、特异度为65%。同时，Bland等[12]也将模型在159 例脑卒中患者的单独队列中进行了外部验证，模型灵敏度为94%、特异度为60%。相较于ABMSⅡ，Bland步行预测模型（共16项条目）评估至少需要20 min，用时较长，但其能在患者出院时就对患者当时情况进行相应评估及预测。此外，该模型开发和验证的两个样本都来自同一个康复数据库，因此未来需开展多中心的前瞻性研究以验证该模型在预测脑卒中患者在出院时能否实现家庭步行或社区步行的效果。

1.2 整体运动功能恢复预测模型

1.2.1 Maugeri 模型由Scrutinio 等[13]于2017 年基于717例康复期脑卒中患者临床资料研发，以出院时FIM中运动维度评分作为主要结局变量，分为模型1（包括年龄、从脑卒中发生到入院康复治疗的时间、入院时FIM 中运动和认知维度评分、是否单侧忽略5 个变量）和模型2（包括年龄、性别、从脑卒中发生到入院康复治疗的时间、入院时FIM 中运动和认知维度评分5 个变量），分别用于预测脑卒中患者康复后运动功能改善的可能性和独立生活的可能性。其中入院时FIM 中运动维度评分的贡献度较大（模型1、模型2的OR值分别为1.15、1.16），模型1、模型2 的AUC 分别为0.88、0.91。该研究者[13]也在875 例脑卒中患者中对该模型进行外部验证，结果发现模型1、模型2 的AUC 分别为0.87、0.85，提示Maugeri 模型的两个子模型均具有良好的预测能力。García-Rudolph 等[14]在710 例脑卒中患者中对该模型进行外部验证，结果显示Maugeri模型中的两个子模型AUC 分别为0.87 和0.80，再次表明该模型预测能力较好。此外，该模型的预测因素被组合成一个易于使用且准确的算法，与网页计算器结合，便于医师在临床中使用，但其设置的从脑卒中发病到介入康复的时间中位数为15～25 d、康复时间平均为52～55 d，均长于其他医疗保健机构脑卒中患者发病到介入康复的时间，从而限制了该模型的通用性。

1.2.2 Kwah 运动预测模型由Kwah 等[15]于2013 年基于114 例脑卒中患者的临床资料研发，以运动功能评估量表（Motor Assessment Scale，MAS）中步行、手部运动和手部精细活动3 个维度评分作为结局指标，分为模型1、模型2[均包括年龄和国立卫生研究院卒中量表（National Institutes of Health Stroke Scale，NIHSS）2个变量]和模型3（包括NIHSS 评分1 个变量），分别用于预测脑卒中患者是否能够在发病后6 个月恢复独立行走、上肢功能（移动杯子、自己进食）。其中NIHSS评分的贡献度最大（OR分别为0.78、0.88 和0.80），AUC分别为0.84、0.73 和0.82，表明该模型具有较高的区分力以及对独立行走和上肢功能的预测能力。Langerak等[16]于2021 年在914 例脑卒中患者中对Kwah 运动预测模型中的模型1 进行外部验证，结果显示AUC 为0.77，提示模型有良好的预测准确性，但低于原本Kwah 等[15]的预测结果，因而对模型进行更新，增加了斯堪的纳维亚卒中量表（Scandinavian Stroke Scale，SSS）总分和下肢肌力维度评分2 项变量，结果显示更新后模型的AUC 为0.82、灵敏度为0.85、特异度为0.68。

1.2.3 Douiri 日常生活活动预测模型由Douiri 等[17]于2017 年基于495 例脑卒中患者的临床资料研发，以脑卒中患者发病后1 年内8 个时间点的Barthel 指数量表评分作为结局指标，包括年龄、格拉斯哥昏迷量表评分、NIHSS 评分和脑卒中亚型4 个变量，用于预测脑卒中患者日常生活活动功能恢复情况。该模型经内部交叉验证显示R2为0.77，提示模型预测准确性较好。此外，Douiri 等[17]在1 049 例脑卒中患者中对该模型进行了外部验证，结果显示，R2为0.83，当脑卒中患者发病后3个月的Barthel指数<8分时，AUC为0.94、灵敏度为71%、特异度为96%。该模型不局限于在单个时间点对患者日常生活活动功能恢复情况进行预测，其恢复曲线可以较为准确的预测脑卒中患者日常生活活动功能恢复的进展，但模型中的每个变量的恢复曲线反映的是患者恢复模式，并不能精确表达其概率，且其应用过程中操作不简便，影响临床人员的使用率。因此，可以将模型转换为预测计算器等形式，提升其临床使用性能。

1.2.4 洛桑卒中量表（Acute Stroke Registry and Analysis of Lausanne， ASTRAL）由Ntaios 等[18]于2012 年基于1 645 例急性缺血性脑卒中（acute ischemic stroke，AIS）患者临床资料研发，以改良Rankin 量表（Modified Rankin Scale，mRS）评分作为结局指标,ASTRAL 评分包括年龄、NIHSS 评分、脑卒中发病到就诊时间、视野范围缺损、入院时血糖和意识水平6 个变量，用于有效预测急性缺血性卒中患者患病后3 个月时的功能结局。其中发病到就诊时间和意识水平所占结局预测结果的比重最大（OR分别为1.65 和2.20），模型的AUC 为0.85，提示其预测效果较好。该研究者[18]也将该模型在雅典和维也纳两个AIS 患者独立队列中（样本量分别为1 659 例和653 例）进行了外部验证，结果显示AUC 分别为0.94 和0.71，两个队列合并后AUC为0.90，表明模型具有很好的鉴别能力。Zhang等[19]在中国26 家医院纳入3 870 例AIS 患者对ASTRAL 进行验证，结果显示，C 统计量为0.78，ASTRAL 评分≥20 分时，灵敏度为74%、特异度为69%。陈云霞等[20]则进一步将ASTRAL 评分分为3 个等级，即<19 分为预后低风险、19～23分为中风险、≥24分为高风险。

1.2.5 急性缺血性脑卒中动态功能预后（Dynamic Functional Status after Acute Ischemic Stroke，DFSAIS）预测模型由Ji 等[21]于2014 年基于中国国家卒中登记处7 215例AIS患者相关资料研发，以mRS评分作为结局指标，包括年龄、性别、当前吸烟、糖尿病史、房颤病史、卒中前生活自理、他汀类药物应用、入院NIHSS评分和入院血糖9个变量，用于预测AIS患者出院时、3个月、6个月和1年的功能结局。其中脑卒中前生活自理对预测结果的贡献度较大（OR分别为1.73、1.80、1.96 和1.89），模型的AUC 为0.84～0.85，对AIS后不同时间点的良好功能预后均显示出较好的判断能力。同时，该研究者[21]在4 811 例AIS 患者中对该模型进行外部验证，结果显示AUC 为0.83～0.84，表明模型具有良好的预测准确性和稳定性。DFS-AIS 预测模型采用Web 的计算器进行概率计算，有助于其在临床应用，且其在预测急性脑卒中后3 个月的功能恢复方面比ASTRAL表现出更好的区分力[21]。

2 人工智能建立模型

2.1 决策树算法Stinear 等[22]基于207 例脑卒中患者相关资料，以ARAT 评分作为结局指标，采用预测恢复潜力2 （Predicting Recovery Potential 2，PREP2）算法建立了由年龄、NIHSS 评分、运动诱发电位（Motor Evoked Potentials，MEPs）、肩外展和手指伸展肌力等级（Shoulder Abduction Finger Extension，SAFE）4 个变量组成的决策树，用于预测脑卒中后3 个月上肢功能恢复情况。结果显示，该模型对脑卒中患者3 个月后上肢功能恢复的预测准确率达75%，表明该模型在脑卒中后上肢功能的预后评估具有一定的潜在价值。PREP2算法解决了传统模型将预测结果二等分造成的结果不精确问题，且将临床评估与神经电生理检查相结合，有利于其在临床实践中的应用。Smith 等[23]基于41 例脑卒中患者的临床评估资料、经颅磁刺激和磁共振成像检查报告，以FAC 评分作为结局指标，采用脑卒中后独立行走时间（time to walking independently after STroke，TWIST）算法建立了由TCT 评分和髋关节伸展力量评分2 个变量组成的决策树，用于预测脑卒中患者何时恢复独立行走。结果显示，该模型灵敏度为80%～100%、特异度为90%～100%，对脑卒中患者恢复独立行走的预测准确率达95%。不同于传统统计学预测模型，TWIST 算法是基于脑卒中后独立行走所需时间进行预测且以决策树形式呈现，但由于研究样本量较少，因此仍需经大样本、多中心研究验证后推广应用。

2.2 人工神经网络模型Li 等[24]基于中国国家晚期脑卒中中心1 735 例患者的临床数据，以mRS 评分作为结局指标，采用深度神经网络（deep neural network，DNN）构建由年龄、入院时NIHSS 评分、发病前mRS 评分、空腹血糖和肌酸酐5 个变量组成的预测模型，用于预测中国脑卒中患者患病后6 个月时的运动功能。结果显示，AUC 为0.87、灵敏度为56%、特异度为89%，提示该模型的预测效果较好。Kim 等[25]基于接受脑卒中康复治疗的1 056 例脑卒中患者临床资料，运用DNN和传统logistic 回归方法分别构建均由年龄、性别、脑卒中类型（梗死或出血）和MEPs等14个变量组成的模型，用于预测脑卒中患者患病后6 个月时上下肢运动功能的恢复情况。结果显示，这2 个模型对于上肢和下肢运动功能预测的AUC 分别为0.91、0.87 和0.82、0.77，均具有较好的预测能力。但与采用logistic 回归构建的模型相比，采用DNN 构建的模型预测准确性更高，上肢运动功能恢复情况准确性高于下肢，且采用DNN 构建的模型对数据类型要求不高、对资料利用度高，能够较好地拟合数据，更适合于脑卒中患者运动功能的预测。

3 脑卒中后运动功能恢复预测模型的比较分析

3.1 脑卒中后运动功能恢复预测模型的研究方法比较从研究设计方面来看，上述研究中有5 项研究为前瞻性研究[4,6,8,15,17]，9项为回顾性研究[10,12-13,18,21-25]。回顾性研究获取资料便利，但可能存在重要信息缺失的情况，最终会影响模型的预测准确性；前瞻性研究获取资料更为全面，能更准确地探讨危险因素与运动功能恢复之间的关系。从研究对象上看，多数模型都是针对进行康复治疗的脑卒中患者，不能代表所有患者，可能会导致预测模型出现偏差。在数据分析方法上，传统的logistic 回归最常用，基于机器学习的预测模型使用较少，上述研究均证实后者的预测准确性明显优于前者，且能更好地挖掘复杂多变的临床数据中的潜在规律信息，从而将规律应用于临床，但目前机器学习模型只进行了内部验证，且其需要在大数据的支持下进行精准的计算，对运行环境要求高。从研究应用上来看，预测模型主要应用于早期运动功能恢复预测，目前尚不清楚中风后早期改善效果能否长期保持，缺乏对远期功能恢复的探讨。

3.2 脑卒中后运动功能恢复预测模型影响因素的比较关于卒中后运动功能恢复预测的研究，多从患者的临床基本资料入手，如年龄、NIHSS、血糖水平和入院时运动功能等。单纯依据临床因素虽能在一定范围内能预测卒中康复，但其预测的效度有限。有学者发现结合MEPs 和脑卒中病变大小等神经电生理检查和影像学标志物能够提高预测的准确性[26]。研究发现，在脑卒中后7 d 内可以诱发MEPs 的患者的上肢恢复优于在此期间没有MEPs 的患者[27]。随着近年研究的开展，研究者们也发现生物学标志物与运动恢复之间存在相关性。一项荟萃研究表明，白细胞、估计肾小球滤过率和半乳糖凝集素-1 等61 种独立的预后生物标志物可以预测脑卒中患者短期和长期运动功能恢复[28]。此外，预测模型中上肢、下肢运动功能的影响因素也存在差异，脑卒中后上肢恢复最重要的预测因素似乎是运动损伤或功能的初始严重程度[3]，而下肢运动恢复最佳的预测因素似乎是坐位平衡和躯干控制等平衡功能评估[29]。Lee 等[30]的研究也曾发现上肢和下肢运动功能恢复因素之间的不同，表明中风后上肢和下肢的恢复机制不同，上肢运动功能恢复与年龄、NIHSS、皮质脊髓束损伤和病变体积等有关，而下肢运动功能恢复与初始简易智力状态检查量表评分等有关。

4 小结

脑卒中后运动恢复的预测对于患者康复治疗具有重要的意义。预测模型的构建需要综合考虑临床因素、影响学因素和生物标志物等方面的内容，目前的预测模型构建多基于传统logistic 方法，样本量小，难以在临床中推广应用。随着大数据时代的来临和人工智能的发展，以机器学习为代表的预测模型表现出良好的准确性，未来应不断加强临床大数据库的建设，借助机器学习、计算机编程等技术开发高质量的预测模型，加强预测模型的多中心外部验证，同时结合考虑上下肢的恢复模式，建立有针对性的预测模型，从而有助于医护人员制定个性化康复计划，提升患者肢体功能康复效果，减轻患者痛苦和医疗投入，改善患者预后。