老年病人缺血性腦卒中后衰弱預測模型的前瞻性研究

張玲慧,王亞喜,陳 晨,杜欽霞,龐旭峰

腦卒中作為一種腦血管疾病(cardiovascular diseases)是全球致死致殘的重要病因,其中缺血性腦卒中病人可達全部腦卒中病人的62.4%[1]。近年來腦卒中治療方面雖取得重要進展[2],但每年因腦卒中引起的死亡、傷殘等不良預后仍給全球帶來了重大疾病負擔[1]。衰弱是一種多因素老年臨床綜合征,其核心是生理儲備下降,自我平衡被破壞,從而導致機體脆弱性增加、抗應激能力減退,具有系統(tǒng)性、動態(tài)性、可逆性特點[3]。腦卒中后的神經功能缺陷使病人更易發(fā)生衰弱,與健康同齡人相比,腦卒中個體的衰弱發(fā)生率增加1倍,可達到22%[4-5]。另外,衰弱與腦卒中病人預后結局密切相關,增加老年腦卒中病人卒中并發(fā)癥、溶栓及取栓手術后不良結局、死亡的發(fā)生率[6-7],兩者之間具有雙向關系。因此,防止腦卒中病人衰弱發(fā)生對于改善病人預后具有重要研究意義,醫(yī)務人員有必要早期對老年腦卒中病人進行衰弱風險評估以便及時采取措施、延緩衰弱進展。然而,目前針對老年腦卒中病人衰弱的研究多為橫斷面研究,而傳統(tǒng)橫斷面研究難以確定潛在影響因素與卒中后衰弱的因果關系;并且腦卒中病人的衰弱評估主要借助于評估量表,現(xiàn)有的衰弱評估量表僅能評估衰弱程度,而無法對衰弱風險進行預測,不利于衰弱的早期預防?；诖?本研究將采用前瞻性研究探索老年缺血性腦卒中病人發(fā)生衰弱的影響因素,進而構建決策樹風險預測模型并進行檢驗,以便早期識別腦卒中衰弱高危人群,以期為醫(yī)護人員早期識別衰弱風險提供評估工具,及時預防衰弱的發(fā)生,改善病人預后。

1 對象與方法

1.1 研究對象

本研究為前瞻性研究,通過文獻回顧[8-11]并結合臨床判斷,最終納入19個可能的影響因素,模型開發(fā)隊列樣本量計算公式為N=自變量個數×(5～10)/患病率,參考Palmer等[4]的研究結果,衰弱發(fā)生率為22%,同時考慮10%失訪率,故最小樣本量為19×5/22%/(1-10%)=480例,本研究實際納入485例。本研究便利選取2022年7月—2023年4月青島市某三級甲等醫(yī)院神經內科的老年腦卒中病人。納入標準:1)根據《中國急性缺血性腦卒中診治指南2018》的診斷標準[12],經電子計算機斷層掃描(CT)或磁共振成像(MRI)確診為腦卒中;2)年齡≥60歲;3)發(fā)病時間在7 d內;4)意識清醒,能夠正常溝通及配合;5)知情同意并自愿參加本研究。排除標準:1)病情不穩(wěn)定,不能耐受評估者;2)此次腦卒中發(fā)生前已處于衰弱狀態(tài);3)合并嚴重的肝腎功能不全、惡性腫瘤、自身免疫性疾病、血液系統(tǒng)疾病等;4)不能獲取完整的臨床資料及檢查結果者。本研究獲得醫(yī)院醫(yī)學倫理委員會的審批同意(審批號:QDU-HEC-2022203)。

1.2 研究方法

1.2.1 研究工具

1.2.1.1 一般信息及臨床資料調查表

自行設計,包括年齡、文化程度、居住情況、共病情況、用藥種類、握力、平均上臂圍、平均小腿圍、入院時美國國立衛(wèi)生研究院卒中量表(NIHSS)評分;入院后24 h內血紅蛋白、白蛋白、低密度脂蛋白、D-二聚體、C-反應蛋白。其中測量病人握力時,采用統(tǒng)一的彈簧式握力器測量,囑病人用優(yōu)勢手或健側未受病情影響的手以最大的力量收縮握力器,進行至少2次測試選取最大讀數作為結果。

1.2.1.2 Barthel指數(Barthel Index,BI)

BI是評估個體生活自理能力的量表,包括穿衣、進食、上下樓梯等10個項目,總分為100分,得分越高表示個體越無需依賴他人。該量表Cronbach′s α系數為0.916[13]。

1.2.1.3 一般自我效能感量表(General Self-Efficacy Scale,GSES)

GSES由Schwarzer[14]編制。該量表總分40分,國內學者在老年人群中進一步驗證該量表的信效度,結果顯示適用于中國老年人,Cronbach′s α系數為0.871[15]。

1.2.1.4 簡版老年抑郁量表(Geriatric Depression Scale,GDS)

GDS由Yesavage等[16]編制。該量表為評估老年人抑郁程度的單維度簡化量表,總分15分,得分越高的個體抑郁程度越重。GDS中文版Cronbach′s α系數為0.793[17]。

1.2.1.5 社會支持評定量表(Social Support Rating Scale,SSRS)

SSRS由肖水源[18]編制。此量表共10個條目,從主觀支持、客觀支持、對支持的利用度維度對個體進行評估,不同維度和條目具有不同的計分方式,得分越高表示個體社會支持水平越高。該量表Cronbach′s α系數為0.896[19]。

1.2.1.6 衰弱評估標準

本研究采用荷蘭學者Gobbens等[20]在衰弱整合模式基礎上提出的Tilburg衰弱指數(Tilburg Frailty Index,TFI)量表。該量表屬于自我評估型量表,從生理、心理、社會3個維度評估病人衰弱狀態(tài),總分15分,得分≥5分即為衰弱。TFI中文版Cronbach′s α系數為0.75[21]。

1.2.2 資料收集方法

首先,研究者于醫(yī)療電子病歷系統(tǒng)按納入與排除標準初步篩選病人后,進入病房獲得病人知情同意,采用TFI量表篩選此次腦卒中前尚未處于衰弱狀態(tài)的病人作為研究對象。其次,研究者采用面對面詢問及測量的方式收集病人信息,調查結束后獲取病人手機號碼或微信,以便后續(xù)隨訪、避免失訪。最后,研究者在出院后的第3個月進行隨訪調查。本研究共調查485例病人,最終441例病人完成隨訪(失訪率為9.07%)。

1.2.3 統(tǒng)計學方法

2 結果

2.1 老年缺血性腦卒中病人發(fā)生衰弱的影響因素分析

2.1.1 單因素分析

本研究共調查了441例老年缺血性腦卒中病人,年齡為66(61,72)歲,共134例病人發(fā)生衰弱,發(fā)生率為30.4%。根據出院后3個月內是否發(fā)生衰弱將病人分為衰弱組(134例)和非衰弱組(307例)。單因素分析結果顯示,衰弱組和非衰弱組年齡、居住情況、文化程度、用藥種類、握力、平均小腿圍、腦卒中次數、NIHSS評分、C-反應蛋白、Barthel指數、一般自我效能感得分、社會支持得分、簡版老年抑郁得分比較差異有統(tǒng)計學意義(P<0.05),見表1。

表1 影響老年缺血性腦卒中病人發(fā)生衰弱的單因素分析

2.1.2 多因素分析

選擇單因素分析中P<0.05的項目作為自變量進行二元Logistic回歸分析。變量賦值情況為非衰弱=0,衰弱=1;居住情況中的非獨居=0,獨居=1;文化程度中的小學及以下=1,初中=2,高中或中專=3,?？萍耙陨?4。結果顯示,腦卒中次數(OR=5.899)、NIHSS評分(OR=2.150)、老年抑郁(OR=1.673)為老年缺血性腦卒中病人出院后3個月內發(fā)生衰弱的危險因素;握力(OR=0.921)、Barthel指數(OR=0.954)、一般自我效能(OR=0.797)、社會支持(OR=0.860)為老年缺血性腦卒中病人出院后3個月內發(fā)生衰弱的保護因素,見表2。

表2 老年缺血性腦卒中病人發(fā)生衰弱影響因素的Logistic回歸分析

2.2 老年缺血性腦卒中病人發(fā)生衰弱的決策樹預測模型

2.2.1 特征重要性

納入多因素Logistic回歸分析中P<0.05的變量作為自變量,以是否發(fā)生衰弱作為因變量,使用Python 3.7軟件進行決策樹預測模型的構建。預測模型中自變量的特征重要性依次為NIHSS評分(45.342%)>老年抑郁(26.124%)>握力(15.297%)>社會支持(9.017%)>一般自我效能感(4.219%),腦卒中次數及Barthel指數未進入決策樹預測模型。

2.2.2 樹形圖

構建出一個包括5個特征、17個節(jié)點、深度為4的衰弱風險決策樹預測模型的樹形圖。5個特征即NIHSS評分、老年抑郁、握力、社會支持和一般自我效能感。17個節(jié)點包括根節(jié)點、內部節(jié)點、葉子節(jié)點,見圖1。按照從根節(jié)點到葉子節(jié)點的每一條路徑對應一條決策路徑的分類規(guī)則,共提取出9條分類規(guī)則,見表3。

圖1 決策樹預測模型樹形圖

表3 決策樹預測模型分類規(guī)則

2.2.3 決策樹預測模型在訓練集和測試集的預測效果

使用Python 3.7軟件計算決策樹模型在訓練集(308例)和測試集(133例)的準確性、敏感性、特異性、ROC曲線下面積。結果顯示,決策樹模型在訓練集上判斷正確272例,準確率為0.88,敏感性為0.74,特異性為0.94;在測試集上判斷正確116例,準確率為0.87,敏感性為0.76,特異性為0.93;在訓練集和測試集上的ROC曲線下面積分別為0.94,0.92,見圖2。

圖2 決策樹預測模型在訓練集和測試集的ROC曲線

3 討論

3.1 老年缺血性腦卒中病人發(fā)生衰弱的影響因素

根據多因素分析、決策樹模型中變量的特征重要性大小將影響因素進行排序,NIHSS評分是最主要的影響因素,其后依次為老年抑郁、握力、一般自我效能感和社會支持。

3.1.1 NIHSS評分

本研究結果顯示,入院時的NIHSS評分是老年缺血性腦卒中病人出院后3個月發(fā)生衰弱最重要的預測因素(OR=2.150),與林衛(wèi)等[9]的研究結果一致。原因可能是相較于入院時NIHSS評分低的腦卒中病人,NIHSS評分越高的病人神經損傷程度越嚴重,更可能伴有其他功能受損,如偏癱、言語障礙及吞咽障礙等,增加衰弱發(fā)生風險。因此,醫(yī)護人員應及時評估老年缺血性腦卒中病人的神經功能損傷程度,選擇合適的康復方式進行針對性治療;應重視對NIHSS評分較高的腦卒中病人的疾病指導和宣教,予以盡可能多的支持。

3.1.2 握力

腦卒中病人一側握力和同側的肌肉力量之間存在相關性,一側握力可作為病人同側一般力量的有效評估方法[22]。在本研究中,握力是老年缺血性腦卒中病人發(fā)生衰弱的重要保護因素(OR=0.921),當握力>15.05 kg時,衰弱發(fā)生風險處于較低水平。原因可能是腦卒中病人的肌肉力量反映軀體功能狀況,肌肉力量弱的個體生理儲備低,對腦卒中造成的偏癱、失語等功能障礙不能較好適應和調節(jié),更易進入衰弱狀態(tài)。因此,醫(yī)護人員不僅要關注病人的腦卒中病情,還需重視肌肉力量下降的篩查和防治,對肌肉力量差的個體提供運動鍛煉、營養(yǎng)補充、中醫(yī)學等方面的指導,幫助改善病人的肌肉力量和功能[23]。

3.1.3 心理因素

既往研究顯示,抑郁對老年病人的衰弱有顯著的預測價值[24],本研究結果也支持這一觀點(OR=1.673)。自我效能感也是病人腦卒中后衰弱狀況的重要影響因素[11],在本研究中,一般自我效能感是老年缺血性腦卒中病人發(fā)生衰弱的保護因素(OR=0.797),當一般自我效能感得分≤23分,病人發(fā)生衰弱的風險較高。原因可能是腦卒中合并抑郁病人在治療及康復方面的信心和依從性偏低,進而影響身體功能恢復、增加衰弱發(fā)生風險;而一般自我效能感高的病人具有較高心理適應水平,面對疾病治療及康復能選擇更加積極的應對方式,正面情緒更多,進而促進身體康復、降低衰弱發(fā)生風險。因此,醫(yī)護人員在日常工作中應鼓勵病人積極參與康復治療和鍛煉,在病區(qū)內可開展經驗分享會,以增強老年腦卒中病人治療信心及康復鍛煉的依從性,必要時對抑郁病人進行心理干預[25]。

3.1.4 社會支持

本研究結果顯示,社會支持在老年缺血性腦卒中病人發(fā)生衰弱方面具有保護作用(OR=0.860),與Li等[26]的研究結果一致。原因可能是在面對腦卒中事件時,社會支持水平高的老年腦卒中病人可獲得的社會資源更多,在治療及后續(xù)康復方面更有可能獲得充足的物質、精神支持[27],從而降低衰弱發(fā)生風險。因此,醫(yī)護人員應為老年腦卒中病人提供力所能及的幫助,鼓勵其參加社會活動,提醒配偶及子女給予病人更多的關懷和照顧、注重與病人的溝通和交流[28]。

3.2 決策樹預測模型的結果分析

決策樹算法作為一種分類預測方法,基于基尼系數來評估特征的重要性、選擇最佳特征進行劃分,并以樹形圖可視化分析過程和多變量之間的相互作用;其結果可解釋性強,分類效率高,在疾病危險因素篩查、分類診斷等方面已得到有效運用[29-30]。

決策樹預測模型的樹形圖對NIHSS評分、老年抑郁、握力、一般自我效能感和社會支持5個變量間的交互作用進行了可視化。其中NIHSS評分對衰弱發(fā)生風險影響最大,NIHSS評分≤2.5分、簡版老年抑郁量表得分>4.5分、握力≤13.25 kg時,發(fā)生衰弱的病人占該節(jié)點的90.9%,為第一類高危人群;NIHSS評分≤2.5分、簡版老年抑郁量表得分>4.5分、握力>13.25 kg、一般自我效能感量表得分≤23.5分時,發(fā)生衰弱的病人占該節(jié)點的66.7%,為第二類高危人群;NIHSS評分>2.5分且≤7.5分、握力≤15.05 kg、簡版老年抑郁量表得分>1.5分時,發(fā)生衰弱的病人占該節(jié)點的100.0%,為第三類高危人群;NIHSS評分>2.5分且≤7.5分、握力>15.05 kg、社會支持評分≤38.5分時,發(fā)生衰弱的病人占該節(jié)點的60.0%,為第四類高危人群;NIHSS評分>7.5分,發(fā)生衰弱的病人占該節(jié)點的100.0%,為第五類高危人群。醫(yī)護人員通過了解變量之間的交互作用,可針對以上5類高危人群采取更加個性化的預防措施,以避免衰弱發(fā)生。另外,醫(yī)護人員通過識別關鍵的交互作用,可方便將資源和注意力集中在最具影響力的變量上,進而制定出更有效的預防措施避免病人衰弱發(fā)生。

本研究采用綜合性評價指標(ROC曲線下面積)進行決策樹模型的參數調優(yōu),ROC曲線下面積在0.90附近,表示診斷價值高。本研究中ROC曲線下面積在訓練集為0.94,在測試集為0.92,其中測試集略低于訓練集,未出現(xiàn)過擬合。另外,決策樹模型在訓練集和測試集的敏感性(在0.75左右)雖低于準確率(0.85以上)和特異性(0.90以上),但仍可接受。以上結果均說明決策樹模型預測效果良好,可能是因為CART決策樹算法基于基尼系數選擇最佳特征和閾值來分割數據,有助于捕獲特征間的非線性關系、增強預測性能[30]。

4 小結

衰弱作為一種臨床綜合征,影響到腦卒中病人疾病軌跡、治療及康復結局[29]。有效預測腦卒中病人衰弱發(fā)生風險,篩選出高危人群,是預防衰弱發(fā)生、制定干預措施的首要步驟。本研究與以往類似衰弱預測模型的橫斷面研究不同,首次基于前瞻性研究構建老年病人缺血性腦卒中后發(fā)生衰弱的決策樹模型,能夠確定預測因子與腦卒中后發(fā)生衰弱的因果關系,并篩選出5類高危人群,可為臨床醫(yī)護人員預測老年缺血性腦卒中衰弱高危人群、采取預防措施提供決策依據。本研究的不足在于僅選取了青島市三級甲等醫(yī)院的缺血性腦卒中病人,樣本量較小,未來還需納入出血性腦卒中病人、擴大樣本量進行外部驗證;本研究僅調查了病人出院后3個月內的衰弱發(fā)生情況,未來還可延長隨訪時間,探討老年腦卒中病人出院后更長時間內發(fā)生衰弱的影響因素。