腦卒中病人出院安置預測模型的系統評價

江雅倩，汪 暉，屈聰蕙，樂 霄，王怡萱

1.華中科技大學同濟醫學院護理學院，湖北 430030；2.華中科技大學同濟醫學院附屬同濟醫院

隨著我國經濟的飛速發展，居民生活方式發生顯著改變，而人口老齡化的加劇與腦血管疾病危險因素的日益流行，使得腦卒中（stroke）已成為我國成年人致死、致殘的首位病因，且發病率呈上升趨勢，發病年齡也愈加年輕化[1]。腦卒中病人接受急性期治療后往往會遺留下不同程度的殘疾，其中運動功能障礙與認知功能受損最為常見[2?3]，部分病人仍需要接受進一步的康復訓練與照護支持，因而這類病人在出院時可能無法直接返回病前住所，需轉介至康復科、下級醫院或社區康復中心繼續接受治療，對于獨居缺乏照護者的老人，則可能需轉介至養老院等長期照護機構。這種出院時即將前往的地點或場所被稱之為出院安置（discharge disposition）[4]，分為居家與非居家兩種類型。出院安置的地點常常成為是否需要為病人加強或實施特殊出院準備服務（discharge planning）的評判標準。對于有非居家出院安置需求的病人，需要盡早為其實施出院準備服務，幫助病人安全地從醫院過渡至出院安置點，保證病人得到持續而完整的醫療照護服務，降低再入院風險，使病人及其家屬能安心離開醫院[5]。因此，在住院早期階段識別出有非居家出院安置需求的病人對出院準備服務的開展具有重要臨床意義。目前，國內外已有大量研究對腦卒中病人出院安置的預測因子展開探討，其中部分研究通過建立預測模型更加有效地量化了居家或非居家出院安置的概率，且模型內的各個預測因子易于評估，使用起來更加快捷、方便。故本研究旨在對國內外的腦卒中病人出院安置預測模型進行系統性分析、評價，為臨床護理工作人員選擇合適的預測模型提供參考，進而推動出院準備服務的實施，以有效分配、利用醫療資源。

1 資料與方法

1.1 納入與排除標準

1.1.1 納入標準 ①研究類型：隊列研究、病例對照研究或橫斷面研究；②研究對象：年齡18歲及以上腦卒中住院病人，類型不限，符合全國第4屆腦血管病會議的腦卒中診斷標準或世界衛生組織（WHO）腦卒中診斷標準，并經CT或MRI確診；③研究內容：用于預測腦卒中病人出院安置的模型建立、驗證研究。

1.1.2 排除標準 ①僅對最終預測因子做出報告，未構建完整模型或無法用于結局事件發生概率評估；②模型僅納入1個預測因子；③模型建立采用橫斷面研究方法；④非中英文文獻；⑤無法獲取全文。

1.2 文獻檢索策略 計算機檢索PubMed、EMbase(OVID)、CINAHL、The Cochrane Library、中國生物醫學文獻數據庫（SinoMed）、中國知網（CNKI）和萬方數據庫（Wanfang Data）等7個數據庫中有關腦卒中病人出院安置預測模型的研究，檢索時限均為建庫時間至2021年1月16日。英文采用stroke,discharge,disposi?tion,predict,model,C?statisti等有關的詞語進行檢索，采取通配符形式，并結合主題詞檢索。中文檢索詞采用“卒中/腦出血/腦缺血/腦梗/中風”“出院/院后”“安置/結局/目的地/處置/地點/場所/機構/轉介/家/社區/養老院/護理/照護/康復”“預測/模型/影響因素/影響因子”等；人工檢索納入文獻的參考文獻作為補充。

1.3 文獻篩選與資料提取 2名研究者按照既定的文獻納入與排除標準、檢索策略，獨立進行文獻檢索與篩選，通過閱讀文獻標題與摘要進行初篩，閱讀全文進行復篩。以CHARMS（checklist for critical appraisal and data extraction for systematic reviews of prediction modeling studies）清單[6]為參考，制定標準化表格進行資料提取，由2名研究者獨立操作并交叉核對，搜集資料主要包括：第一作者及發表年份、研究地區、研究設計類型、研究人群、腦卒中定義、樣本納入與排除標準、預測結局事件及其定義、樣本總數量、結局事件數量、候選預測因子數量、預測因子收集時間、結局事件測量時間、內部驗證方法、建模方法、連續性變量處理方式、缺失值處理方式、變量篩選方法、模型最終預測因子、模型性能指標、模型呈現方式。上述過程中若遇分歧且無法達成共識時，尋求第三方意見。

1.4 納入研究的偏倚風險和適用性評估 2名評價者運用預測模型偏倚風險評價工具(Prediction Model Risk of Bias Assessment Tool，PROBAST)對 納 入 研究的偏倚風險及適用性進行獨立評估，分歧由第三方判定。PROBAST由荷蘭學者Wolff及其團隊[7?8]于2019年開發，其中偏倚風險評估涵蓋了研究對象、預測因子、結局和統計分析4個領域內的共20個信號問題，每個信號問題采用“是/可能是”“否/可能否”“缺少信息”進行回答，各領域的偏倚評估結果采用高、低或不清楚進行判定；適用性評估只適用于研究對象、預測因子、結局3個領域，但每個領域無信號問題，進行總體評估即可，同樣通過高、低或不清楚進行判定；根據每個領域的評估結果，可得出預測模型的整體偏倚風險和適用性情況，均采用高、低或不清楚進行判定[9]。

1.5 統計學分析 采用描述性分析方法，整理、總結納入研究的基本特征、模型建立或驗證情況以及模型性能等指標。

2 結果

2.1 文獻篩選流程及結果 初檢共獲得文獻6 174篇，其中PubMed 2 073篇、EMbase(OVID)2 844篇、CINAHL 243篇、the Cochrane Library 245篇、SinoMed 285篇、CNKI 346篇、萬方138篇，經過逐層篩選后，最終納入15篇文獻[10?24]。文獻篩選流程及結果見圖1。

圖1 文獻篩選流程及結果

2.2 納入研究的基本特征及預測結果 最終納入15項研究，包含14個腦卒中病人出院安置預測模型，納入研究的基本特征及使用的預測結局詳見表1。最早的腦卒中出院安置預測模型研究發表于1997年，近5年共有5項研究[10?14]發表。研究設計方法均采用隊列研究方法，其中8項[10,12?13,15?17,19?20]為回顧性隊列研究，7項[11,14,18,21?24]為 前 瞻 性 隊 列 研 究；13項[10,12?20,22?24]為 單中心研究，2項[11,21]為多中心研究。研究對象共包含兩類，一類為急性期腦卒中病人，另一類為亞急性期接受康復治療的腦卒中病人。出院安置預測結局主要分為居家與非居家兩種情況，前者包含病人出院回到自身原本家中或親人、朋友家中，后者包含病人住院期間死亡或病人出院到下級醫院、康復機構、照護機構，僅1項研究[20]采用居住方式發生改變作為預測結局，即病人出院到照護機構、出院到他人家中或他人搬入自己家中實施照護。

表1 納入研究的基本特征及預測結局

（續表）

2.3 腦卒中病人出院安置預測模型建立/驗證情況 15項 研 究 中，有10項[10,12,14?16,18?20,22,24]進 行 了 模 型建立，3項[17,21,23]進行了模型外部驗證，2項[11,13]研究同時進行了模型建立與外部驗證，具體情況詳見表2。在模型建立的12項研究中，僅5項研究進行了內部驗證，4項[10,12,15,19]采用隨機拆分驗證，1項[14]采用自助重抽樣法驗證。模型建立研究的樣本量為80～101 223例，結局事件數為23～1 498個，其中兩項研究未報道結局事件數；模型外部驗證研究的樣本量為50～26 358例，結局事件數為26～458個，其中1項研究未報道結局事件數。

表2 腦卒中病人出院安置預測模型建立/驗證情況

在 建 模 方 法 選 擇 上，有9項[10?12,15?16,19?20,22,24]研 究 采用單因素分析篩選有統計學意義的候選預測因子，2項[14,18]研究選擇全部候選預測因子作為最終自變量進行Logistic回歸分析并建模，僅1項研究[14]納入全部候選預測因子后采用主成分分析方法建模。模型建立研究中有9項[10?17,19]研究采用受試者工作特征（receiver operating characteristic，ROC）曲線下面積（area under the curve，AUC）報告區分度，為0.737～0.900；模型外部驗證研究中有3項[11,13,17]研究報告了AUC值，為0.724～0.860；僅4項[10?12,19]模型建立研究與1項[17]模型驗證研究報告了校準度指標。

各研究候選預測因子數為3～29個，最終納入模型的預測因子數為3～10個，其中活動功能、年齡、認知功能、卒中類型、合并癥、照護支持與卒中嚴重程度等預測因子較為常見，具體出現頻率詳見表3。在模型最終呈現形式方面，有8項研究將模型中的回歸系數進行變換處理后對各個預測因子進行賦分，其中5項[10?12,16?17]研究繪制出ROC，確定了最佳閾值，另外3項[13,15,19]研究則根據不同分值計算相應結局事件發生概率，其余研究[14,18,20?24]直接通過模型方程計算結局事件發生概率或因變量值。

表3 模型最終預測因子納入情況

（續表）

（續表）

（續表）

2.4 偏倚風險和適用性評價 在模型偏倚風險評估方面，所有研究在研究對象與預測因子兩個領域均被評價為低偏倚。結局領域中僅有3項研究被判定為高偏倚。

在分析領域，所有研究均被評價為高偏倚。7項[11,14,20?24]研究的建?；蝌災颖玖坎蛔?，對于模型建立研究，每個變量的事件數（events per variable，EPV）應大于20，從而避免模型過度擬合；對于模型驗證研究，應至少包含100例有結局事件的研究對象[8]。在變量處理上，有3項[11,16,22]研究將連續性變量簡單劃分為二分類變量，這將損失大量信息，甚至降低模型預測能力。對于缺失值的處理，4項[11?12,14?15]研究無缺失值，剩余研究[10,13,16?24]則采用完整資料分析，有缺失值的研究對象被直接刪除，而未采取多重插補法來減小偏 倚。在 模 型 建 立 研 究 中，有9項[10?12,15?16,19?20,22,24]研 究采用單因素分析方法篩選預測因子，該方法被認為是一種不合理的建模方法，可能導致模型最終納入不恰當的預測因子[8]。在模型性能方面，只有5項[10?12,17,19]研究同時報告了區分度與校準度，均采用Hosmer?Lemeshow擬合優度檢驗描述校準度，僅1項研究[17]同時采用了校準圖，更為準確地描述了模型的預測能力。然而，模型性能指標常因過度擬合或選用較好的閾值而出現樂觀偏差，因此，需通過自助重抽樣法或交叉驗證法進行內部驗證。納入研究中，僅有5項研究進行了內部檢驗，其中4項[10,12,15,19]采用的都是隨機拆分驗證方法，這是一種低效能的檢驗方法，將對開發數據造成極大浪費[25]，剩余1項[14]則采用了自助重抽樣法，但未說明具體驗證過程。

在模型適用性方面，僅3項研究[11?12,22]適用性較差，其余研究各領域的適用性與總體適用性均較好。所有模型的偏倚風險與適用性評價結果詳見表4。

表4 納入模型的偏倚風險評價結果（PROBAST評價結果）

3 討論

3.1 腦卒中出院安置預測模型總體情況 總體來看，腦卒中出院安置預測模型的研究仍處于發展階段，在研究時間上跨越度較大，研究數量也遠少于單個預測因子或影響因素的研究，已有研究仍集中于歐、美、日、韓等國家，我國研究較少。同時，多數研究僅建立了模型而缺少外部驗證，即便開展外部驗證也只在某一人群中進行，缺乏多中心驗證，因而模型在應用上具有一定局限性，也導致絕大多數模型在建立后并未真正運用于臨床。本系統評價納入的15項研究整體適用性較好，且已報道的AUC值均在0.7以上，但在模型偏倚風險上，所有模型均為高風險，尤其是分析領域，這可能與本研究選用的評估工具有關。PROBAST是專門針對預測模型偏倚風險評估所開發的工具，但其正式發表時間在2019年，隨后才逐漸應用，而本研究中的模型多開發于2019年前，因此缺少參考，導致模型普遍偏倚風險高。

3.2 模型預測結局事件 在納入研究中，幾乎所有模型都以居家或非居家安置作為相對應的結局事件，但不同模型對結局事件的定義與選擇存在差異。由于非居家安置種類較多，有些研究僅選擇其中1種，如僅長期照護機構或僅康復機構，而有些選擇納入所有非居家安置的種類，甚至認為死亡結局也應被當作非居家安置，因為在對病人進行早期評估時，并無法預判該病人是否會在住院期間死亡，且這類病人更有可能需要實施出院準備服務[19]。由于歐美等國家急性后期醫療服務（post?acute care）發展體系完善，出院病人能盡早轉介至中長期照護機構或康復機構，而我國醫療保險制度與分級診療制度仍在優化與推進中，龐大的人口數量下，醫療資源也十分緊張，缺乏院后照護與康復機構，大量病人病情穩定后只能進行居家護理、康復，但這類病人極有可能因為缺乏專業照護支持而再入院，因此，也需要實施出院準備服務以確保其在家中能得到妥善照護。綜合來看，在開發適用于我國國情的出院安置模型時，對于預測結局的界定不能完全參照國外，應做適當調整，如可考慮將居家照護模式作為單獨一類出院安置。

3.3 模型預測因子分析 14種預測模型包含眾多預測因子，涵蓋人口社會經濟學特征與臨床特征，但均可通過簡單、快速的詢問或評估獲取，其中活動功能、年齡、認知功能、卒中類型、合并癥、照護支持與卒中嚴重程度較為常見，這也與眾多腦卒中出院安置預測因素探究研究的結果[26?28]相符。

在這些常見預測因子中，大部分研究采取的評估方法或等級劃分區別不大，只有在活動功能評估上顯示出較大差異?；顒庸δ苁軗p是病人腦卒中后的常見后遺癥，其對病人日常生活所產生的影響體現在多個方面，所以不同研究在進行活動功能評估時側重點各不相同，所選用工具也有所差異，例如：在Kubo等[10]與Itaya等[12]的預測模型中，病人的自理能力為評估重點，故多采用Barthel指數量表、改良Rankin量表或FIM活動功能量表進行評測；而Kim等[11]與Agarwal等[20]側重于評估病人的下肢運動功能，因而分別選用了功能性步行量表與Chedoke?McMaster卒中測評量表進行評 估；Lin等[22]與L?fgren等[23?24]則 均 采 用Fugl?Meyer平衡量表來評估病人的姿勢穩定性。為了使模型擬合效果更佳，絕大多數研究在初始階段都選擇將多個評估工具所測得的活動功能結果作為候選預測因子納入，但進入最終模型的預測因子卻差異較大，這可能是由于各研究所納入病人的卒中類型、嚴重程度、治療階段以及評估時間不同而導致。

認知功能受損也是影響腦卒中病人出院后生活質量的重要影響因素之一，但并不適用于預測急性期腦卒中病人的出院安置，因為，此階段的病人，尤其是出血性腦卒中病人，常易發生意識不清或昏迷，無法正常溝通或進行認知功能評估。故在本研究中，納入認知功能的模型其適用對象也多為康復期腦卒中病人。

腦卒中嚴重程度與類型是決定病人預后情況的重要影響因素。NIHSS是目前最常見的腦卒中病人神經功能檢查量表之一，也是評估卒中嚴重程度的重要工具，在臨床上被廣泛應用[29]。NIHSS評分在反映嚴重程度的同時，也能為臨床治療、康復與護理提供指導，在一定程度上能預測軀體功能恢復的可能性，因而在病人出院安置預測上有重要意義，甚至在Schlegel等[30]的一項出院安置預測因子研究中，早期NIHSS評分是多因素分析中唯一有關變量。同時，卒中類型也能反映卒中嚴重程度。相較于缺血性腦卒中，出血性腦卒中的死亡風險更高，預后較差，更易致殘[31]。然而，在納入卒中類型的模型中，適用對象大部分為急性期腦卒中病人，對于預測康復期腦卒中病人出院安置的模型，其預測能力并不突出，這可能是因為處于康復期的病人已接受過一段時間治療，情況相對穩定，因而此時卒中類型并不能預測出二者預后的差別。此外，部分模型也納入了合并癥作為預測因子，主要為糖尿病、心臟病、高血壓、腎病等疾病，在一項長達18年的腦卒中預后隊列研究中也發現，無論短期或長期內，合并癥負擔都是不良預后的重要預測因素[32]。

年齡與照護支持也是重要的預測因子。隨著年齡的增長，腦卒中發病率及死亡率均明顯升高[33]，且高齡病人常合并衰弱，生理儲備和功能下降，病人病死、并發癥、住院時間延長及預后不良的風險也隨之增加[34]，轉介到專業照護機構或康復機構的可能性也更高。同時，對于出院時有可能返回家中的病人而言，家庭照護支持成為關鍵點。在Dutrieux等[35]的一項多中心研究中也發現，相較于年齡在70歲以下的腦卒中病人，除ADL功能與卒中嚴重程度外，配偶的照護是70歲以上病人能否返回家中的獨立影響因素。這也說明，如果缺少照護者，那些原本能返回家中的病人可能會選擇繼續住院或出院到照護機構。

4 小結

本研究共納入14個腦卒中出院安置預測模型，涵蓋不同階段、不同類型的病人，總體適用性較好，多數模型區分度高，但由于所有模型偏倚風險高，尚不適宜直接應用于臨床，臨床工作者應根據實際工作需求選取最合適的預測模型后進行多中心外部驗證，不斷優化與改進?；谖覈鴩椋ㄗh臨床工作者開發本土化的預測模型，同時參考PROBAST評價，減少開發過程中的各類偏倚，確保模型的高質量與使用簡便性。此外，由于腦卒中疾病的復雜性，模型中常采用多種工具、量表來進行測評，臨床工作者也要加強其相應學習與實際應用。隨著我國按病種付費方式的推進與分級診療設施的建設，床位利用率將大大提升，未來將有更多病人能提前轉介至下級醫院、康復機構或社區中，早期預測出有非居家出院安置的病人能盡早為其開展出院準備服務，及時根據病人及其家人的需求優化調整治療、康復方案，確保醫療服務的延續性。