层次分析法在慢性疼痛医患共建平行病历和核心结局指标集中的应用＊

胡烨胤，李心怡，代倩倩，石兆峰，田贵华

（北京中医药大学东直门医院 北京 100700）

1 背景

疼痛是一种与组织损伤或潜在组织损伤相关的感觉、情感、认知和社会维度的痛苦体验[1]，已成为继体温、脉搏、呼吸、血压之后的第5大生命体征。慢性疼痛是指持续时间超过3-6个月的疼痛[2]，除给患者带来极大的痛苦体验，还表现为睡眠质量差、食欲减退，出现焦虑、抑郁的情绪，甚至对生活失去希望[3]。研究调查示，欧洲每年用于慢性疼痛治疗的费用超过2000亿欧元，美国则高达1500亿美元[4]。慢性疼痛严重影响患者的生活质量和心理健康，消耗巨大的医疗卫生资源，增加个人、家庭和社会负担，已成为严重的社会问题[5]。

目前，慢性疼痛的临床疗效评价多基于患者主诉和单一维度量表，缺乏统一、规范的标准，难以精准反映患者疼痛相关症状、心理状态和生活质量等。医患共建平行病历和核心结局指标集能够客观、多维度的进行临床疗效评价，有效解决上述问题。医患共建平行病历（Doctor-patient Co-operated Evidence-based Medical Record，DCEMR）是医生与患者相互协作共同完成的一种医疗记录格式，能有效避免医生主导所带来的偏见[6]，并能提高患者满意度和依从性，进而更全面、客观的评估临床疗效[9-10]；核心结局指标集（Core Outcome Set，COS）指特定疾病或健康领域中所有临床研究应当报告的最小结局指标集合[11]，形成一个结合临床症状、心理状态、生活质量等的多维度临床疗效评价体系，增加临床研究结局报告同质性，为临床实践提供更高级别证据[12]。上述两种方法能将医生在感知、共情患者后所获得的信息，进行科学度量转化，从而实现客观、精准的临床疗效评价，为慢性疼痛临床研究与实践提供重要方法学指导。

在构建慢性疼痛DCEMR和COS的过程中，通过循证医学评价方法筛选出医患共建平行病历条目和核心结局指标池，从而获得最优评价指标。针对筛选出的结局指标存在种类繁多、难以量化的问题，需进行定性与定量的综合性分析，确定优先条目。层次分析法（Analytic Hierarchy Process，AHP）由美国匹茨堡大学运筹学家Saaty教授提出，该方法用于解决难于准确计算、准则较多且不易量化的决策问题，是一种定量、定性分析相结合的决策分析方法，通过系统化层次分解并进行量化，对多个评估准则决策问题进行综合评估，获取相关权重，是目前应用广泛的权重确定方法之一[13-15]。因此，我们将AHP引入慢性疼痛DCEMR和COS的构建中，通过指标层次结构模型的建立，形成判断矩阵，比较并量化同一层次不同指标之间的相对重要性，利用数学方法计算指标权重，从而确定优先权重，为慢性疼痛DCEMR和COS最优指标选择提供依据。

2 层次分析法（Analytic Hierarchy Process,AHP）

2.1 构建层次结构模型

通过对结局指标进行逻辑分类，构建层次结构模型，其中，A为总的条目池，设条目池有B、C、D类指标，每类指标由若干子结构构成，如图1所示。

2.2 制作各层判断矩阵

统计德尔菲调查法中专家对各项指标重要程度评分，以此评分为基础构建各子结构判断矩阵，矩阵中每个数值表示专家对各项指标重要程度评分的比值，如子结构B的评分为表1所示，则判断矩阵可表示为表2。

2.3 计算各矩阵中项目权重

子结构的判断矩阵最大特征值对应的特征向量为各指标的权重，通过各项权重除以权重之和进行归一化，保证权重之和为1。如子结构B判断矩阵求得相应最大特征值对应的特征向量为（wb1，wb2，wb3），则子结构B的各项结局指标权重及其归一化后权重如表3所示。

2.4 各判断矩阵进行一致性检验

对所有子结构判断矩阵获得的权重进行一致性比率（CR）计算以检验一致性，当CR≤0.1时，通过一致性检验；CR＞0.1时，判断矩阵应当修正。

图1 层次模型结构图

表1 子结构B专家评分表

表2 子结构B判断矩阵表

表3 子结构B权重结果表

（1）CR=CI∕RI（CI：一致性指标，RI：平均随机一致性指标）；

（2）CI=(λ-n)∕(n-1)（其中：λ为判断矩阵的最大特征值，n为矩阵的阶数）；

（3）RI值查表或者通过软件计算[16]（见表4）

2.5 计算各指标权重

当各判断矩阵均满足一致性检验（CR≤0.1）时，各结局指标最终合并权重为相应层次路径的权重之积。如若B在子结构A中权重为wb|a，B1在子结构B中权重为wb1|b，则B1的最终合并权重为wb|a×wb1|b。

2.6 结局指标的选择

将结局指标合并权重后对其进行排序，按研究需要选取相应数量的指标纳入医患共建平行病历模板与核心结局指标集。

3 例证举隅

本研究以针刺治疗偏头痛为例，应用层次分析法获得结局指标最优权重，从而构建针刺治疗偏头痛医患共建平行病历与核心结局指标集，探索建立慢性疼痛临床疗效评价方法和研究新模式。

表4 平均随机一致性指标（RI）表

表5 针刺治疗偏头痛层次结构模型表

表6 第一层判断矩阵表

表7 第二层偏头痛疼痛症状判断矩阵表

3.1 AHP在针刺治疗偏头痛医患共建平行病历中的

应用

首先，根据系统评价结果提取结局指标，形成医患共建平行病历草稿，两轮德尔菲调查初步形成医患共建平行病历模板，利用AHP得出评价指标的最优权重，从而筛选医患共建病历最优条目。开展小样本临床研究验证，通过专家共识会议对获得的最优结局指标进行评价，形成针刺治疗偏头痛医患共建平行病历最终模板。

3.1.1 层次结构模型

通过系统评价及德尔菲法，构建层次结构模型，确定第一层结局指标分类以及子结构层结局指标，共4大类16个结局指标，如表5所示。

3.1.2 判断矩阵

通过两轮德尔菲调查，统计专家对针刺治疗偏头痛各项结局指标重要程度的评分，计算两次结局指标重要度值，制作各子结构的判断矩阵，构建偏头痛层次结构模型。第一层子结构判断矩阵如表6，第二层以偏头痛疼痛症状为例，其结构判断矩阵如表7。

表8 第一层权重结果表

表9 第二层偏头痛疼痛症状权重结果表

3.1.3 各项结局指标权重

计算上述判断矩阵最大特征值对应的特征向量作为各指标的权重，并归一化处理。第一层权重如表8所示，第二层以偏头痛疼痛症状为例，其结局指标权重如表9所示。

3.1.4 一致性检验

对上述判断矩阵进行一致性检验：第一层偏头痛疼痛症状（偏头痛症状+睡眠质量+心理健康状态+生活质量）矩阵CI=4.4409×10-16，RI=1.12，CR=CI∕RI=3.9651×10-16；第二层偏头痛疼痛症状（VAS评分+中到重度头痛天数+头痛发作频率+头痛持续时间+头痛程度）矩阵CI=1.4803×10-16，RI=0.89，CR=CI∕RI=1.6632×10-16。一致性检验结果表明各个判断矩阵均满足一致性（CR≤0.1）。

3.1.5 计算各结局指标权重

通过一致性检验后，计算各结局指标的最终权重，如表10。

3.1.6 构建针刺治疗偏头痛医患共建病历条目

对针刺治疗偏头痛各项结局指标按权重排序后，取前五项作为针刺治疗偏头痛医患共建平行病历最终纳入结局指标，形成医患共建病历最优报告条目，结果如表11。

3.2 AHP在针刺治疗偏头痛核心结局指标集中的应用

通过系统评价及半结构化访谈构建结局指标池，对所获得的结局指标分类整理并统一规范，确定结局指标清单。两轮专家及患者德尔菲调查后，通过AHP计算结局指标的最优权重，初步建立核心结局指标集。召开专家共识会议，最终确定纳入针刺治疗偏头痛核心结局指标集的各项结局指标。

3.2.1 层次结构模型

根据系统评价、患者访谈以及德尔菲调查结果，构建层次结构模型。确定第一层7类针刺治疗偏头痛核心结局指标集类别，包括：偏头痛疼痛症状、理化指标、心理健康状态、生存质量、伴随症状、卫生经济学指标、患者自我评估；通过构建判断矩阵确定第二层共57项结局指标（见表12）

3.2.2 德尔菲调查结果

3.2.2.1 专家德尔菲调查结果 根据专家评分，构建第一层分类和第二层结局指标的判断矩阵并确定权重（结果见表13、表14）。并对结果进行一致性检验，显示CI=0，RI=1.36，CR=CI∕RI=0＜0.01，满足一致性。

3.2.2.2 患者德尔菲调查结果 对患者进行德尔菲调查结果权重分析，结果如表15、表16所示。

3.2.3 构建针刺治疗偏头痛核心结局指标集

表10 针刺治疗偏头痛结局指标最终权重表

表11 针刺治疗偏头痛医患共建平行病历最终纳入结局指标表

将专家和患者对结局指标权重进行合并，拟定在不同分类项中优先选取前25%，初步形成针刺治疗偏头痛的核心结局指标集。结局指标集包括：偏头痛程度、偏头痛发作持续时间、偏头痛次数、MSQ、PSQI、头晕频率、HADS、止痛药使用类型、止痛药使用频率、治疗依从性。

4 讨论

慢性疼痛作为一种迁延不愈、反复发作的疾病，其临床特征均来源于患者的主观感觉和情感体验[17]，常规的医疗病历记录模式难以准确、客观地描述病情变化，导致临床疗效评价缺乏真实性与可靠性。目前，慢性疼痛的临床疗效评价多以患者主诉以及单一的量表为主，结局指标过于主观，缺乏统一、规范的标准，成为制约慢性疼痛临床疗效精准评价的

关键问题。医患共建病历既注重医生的疗效评价，又兼顾患者的主观感受；核心结局指标集，能平衡主观、客观不同维度，多靶点、多维度地反映慢性疼痛的真实临床疗效，二者的引入为测量和评价慢性疼痛的临床疗效提供了科学的方法。层次分析法是将定性与定量方法结合，能将结局指标中的多元化数据有效归类、合并，通过构建层次结构模型，使结局指标更加具体化，清晰化；将专家意见转化到各层次定性指标当中，客观、合理地量化各层结局指标的权重系数；最后通过对各判断矩阵一致性检验，保证评价结果的可信度，有效地将定性分析与定量分析结合起来。

表12 针刺治疗偏头痛原始核心结局指标集清单

表13 专家德尔菲结局指标第一层判断矩阵

表14 专家德尔菲结局指标最终权重

表16 患者德尔菲结局指标最终权重

本研究中AHP的应用亦有一定局限性：在现有结局指标的前提下进行权重计算与优选，需要前期获取足够完整的结局指标列表；同时，不同知识背景以及判断标准的专家对同一结局指标的评价可能存在较大差异，只有对各项结局指标进行客观评价，才能尽可能构建科学的AHP判断矩阵，从而形成客观的结局指标最优权重。此外，AHP在结局指标权重构建中只是起到了根据专家对结局指标的评价进行量化整合，给予数据上的权重分配，而在各个结局指标的临床实际整合与应用时，还应该在AHP结果基础上再次经过专家的论证与优化，方能得到可以实际应用于临床的结局指标整合结果。

笔者以针刺治疗偏头痛为例，通过AHP对针刺治疗偏头痛医患共建平行病历和核心结局指标集中的结局指标进行系统化层次分析，并确定优先权重，客观、精确地选择最具代表性的结局指标，为慢性疼痛的医患共建病历与核心结局指标集的建立提供依据，为后续专家共识与最终临床应用奠定基础。同时，AHP也为其他主观指标的临床疗效精准评价的指标选择提供了方法参考，在一定程度上可以更好的指导临床规范化诊疗评价，提高临床疗效。