脑卒中病人出院安置预测模型的系统评价

江雅倩，汪 晖，屈聪蕙，乐 霄，王怡萱

1.华中科技大学同济医学院护理学院，湖北 430030；2.华中科技大学同济医学院附属同济医院

随着我国经济的飞速发展，居民生活方式发生显著改变，而人口老龄化的加剧与脑血管疾病危险因素的日益流行，使得脑卒中（stroke）已成为我国成年人致死、致残的首位病因，且发病率呈上升趋势，发病年龄也愈加年轻化[1]。脑卒中病人接受急性期治疗后往往会遗留下不同程度的残疾，其中运动功能障碍与认知功能受损最为常见[2⁃3]，部分病人仍需要接受进一步的康复训练与照护支持，因而这类病人在出院时可能无法直接返回病前住所，需转介至康复科、下级医院或社区康复中心继续接受治疗，对于独居缺乏照护者的老人，则可能需转介至养老院等长期照护机构。这种出院时即将前往的地点或场所被称之为出院安置（discharge disposition）[4]，分为居家与非居家两种类型。出院安置的地点常常成为是否需要为病人加强或实施特殊出院准备服务（discharge planning）的评判标准。对于有非居家出院安置需求的病人，需要尽早为其实施出院准备服务，帮助病人安全地从医院过渡至出院安置点，保证病人得到持续而完整的医疗照护服务，降低再入院风险，使病人及其家属能安心离开医院[5]。因此，在住院早期阶段识别出有非居家出院安置需求的病人对出院准备服务的开展具有重要临床意义。目前，国内外已有大量研究对脑卒中病人出院安置的预测因子展开探讨，其中部分研究通过建立预测模型更加有效地量化了居家或非居家出院安置的概率，且模型内的各个预测因子易于评估，使用起来更加快捷、方便。故本研究旨在对国内外的脑卒中病人出院安置预测模型进行系统性分析、评价，为临床护理工作人员选择合适的预测模型提供参考，进而推动出院准备服务的实施，以有效分配、利用医疗资源。

1 资料与方法

1.1 纳入与排除标准

1.1.1 纳入标准 ①研究类型：队列研究、病例对照研究或横断面研究；②研究对象：年龄18岁及以上脑卒中住院病人，类型不限，符合全国第4届脑血管病会议的脑卒中诊断标准或世界卫生组织（WHO）脑卒中诊断标准，并经CT或MRI确诊；③研究内容：用于预测脑卒中病人出院安置的模型建立、验证研究。

1.1.2 排除标准 ①仅对最终预测因子做出报告，未构建完整模型或无法用于结局事件发生概率评估；②模型仅纳入1个预测因子；③模型建立采用横断面研究方法；④非中英文文献；⑤无法获取全文。

1.2 文献检索策略 计算机检索PubMed、EMbase(OVID)、CINAHL、The Cochrane Library、中国生物医学文献数据库（SinoMed）、中国知网（CNKI）和万方数据库（Wanfang Data）等7个数据库中有关脑卒中病人出院安置预测模型的研究，检索时限均为建库时间至2021年1月16日。英文采用stroke,discharge,disposi⁃tion,predict,model,C⁃statisti等有关的词语进行检索，采取通配符形式，并结合主题词检索。中文检索词采用“卒中/脑出血/脑缺血/脑梗/中风”“出院/院后”“安置/结局/目的地/处置/地点/场所/机构/转介/家/社区/养老院/护理/照护/康复”“预测/模型/影响因素/影响因子”等；人工检索纳入文献的参考文献作为补充。

1.3 文献筛选与资料提取 2名研究者按照既定的文献纳入与排除标准、检索策略，独立进行文献检索与筛选，通过阅读文献标题与摘要进行初筛，阅读全文进行复筛。以CHARMS（checklist for critical appraisal and data extraction for systematic reviews of prediction modeling studies）清单[6]为参考，制定标准化表格进行资料提取，由2名研究者独立操作并交叉核对，搜集资料主要包括：第一作者及发表年份、研究地区、研究设计类型、研究人群、脑卒中定义、样本纳入与排除标准、预测结局事件及其定义、样本总数量、结局事件数量、候选预测因子数量、预测因子收集时间、结局事件测量时间、内部验证方法、建模方法、连续性变量处理方式、缺失值处理方式、变量筛选方法、模型最终预测因子、模型性能指标、模型呈现方式。上述过程中若遇分歧且无法达成共识时，寻求第三方意见。

1.4 纳入研究的偏倚风险和适用性评估 2名评价者运用预测模型偏倚风险评价工具(Prediction Model Risk of Bias Assessment Tool，PROBAST)对 纳 入 研究的偏倚风险及适用性进行独立评估，分歧由第三方判定。PROBAST由荷兰学者Wolff及其团队[7⁃8]于2019年开发，其中偏倚风险评估涵盖了研究对象、预测因子、结局和统计分析4个领域内的共20个信号问题，每个信号问题采用“是/可能是”“否/可能否”“缺少信息”进行回答，各领域的偏倚评估结果采用高、低或不清楚进行判定；适用性评估只适用于研究对象、预测因子、结局3个领域，但每个领域无信号问题，进行总体评估即可，同样通过高、低或不清楚进行判定；根据每个领域的评估结果，可得出预测模型的整体偏倚风险和适用性情况，均采用高、低或不清楚进行判定[9]。

1.5 统计学分析 采用描述性分析方法，整理、总结纳入研究的基本特征、模型建立或验证情况以及模型性能等指标。

2 结果

2.1 文献筛选流程及结果 初检共获得文献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、万方138篇，经过逐层筛选后，最终纳入15篇文献[10⁃24]。文献筛选流程及结果见图1。

图1 文献筛选流程及结果

2.2 纳入研究的基本特征及预测结果 最终纳入15项研究，包含14个脑卒中病人出院安置预测模型，纳入研究的基本特征及使用的预测结局详见表1。最早的脑卒中出院安置预测模型研究发表于1997年，近5年共有5项研究[10⁃14]发表。研究设计方法均采用队列研究方法，其中8项[10,12⁃13,15⁃17,19⁃20]为回顾性队列研究，7项[11,14,18,21⁃24]为 前 瞻 性 队 列 研 究；13项[10,12⁃20,22⁃24]为 单中心研究，2项[11,21]为多中心研究。研究对象共包含两类，一类为急性期脑卒中病人，另一类为亚急性期接受康复治疗的脑卒中病人。出院安置预测结局主要分为居家与非居家两种情况，前者包含病人出院回到自身原本家中或亲人、朋友家中，后者包含病人住院期间死亡或病人出院到下级医院、康复机构、照护机构，仅1项研究[20]采用居住方式发生改变作为预测结局，即病人出院到照护机构、出院到他人家中或他人搬入自己家中实施照护。

表1 纳入研究的基本特征及预测结局

（续表）

2.3 脑卒中病人出院安置预测模型建立/验证情况 15项 研 究 中，有10项[10,12,14⁃16,18⁃20,22,24]进 行 了 模 型建立，3项[17,21,23]进行了模型外部验证，2项[11,13]研究同时进行了模型建立与外部验证，具体情况详见表2。在模型建立的12项研究中，仅5项研究进行了内部验证，4项[10,12,15,19]采用随机拆分验证，1项[14]采用自助重抽样法验证。模型建立研究的样本量为80～101 223例，结局事件数为23～1 498个，其中两项研究未报道结局事件数；模型外部验证研究的样本量为50～26 358例，结局事件数为26～458个，其中1项研究未报道结局事件数。

表2 脑卒中病人出院安置预测模型建立/验证情况

在 建 模 方 法 选 择 上，有9项[10⁃12,15⁃16,19⁃20,22,24]研 究 采用单因素分析筛选有统计学意义的候选预测因子，2项[14,18]研究选择全部候选预测因子作为最终自变量进行Logistic回归分析并建模，仅1项研究[14]纳入全部候选预测因子后采用主成分分析方法建模。模型建立研究中有9项[10⁃17,19]研究采用受试者工作特征（receiver operating characteristic，ROC）曲线下面积（area under the curve，AUC）报告区分度，为0.737～0.900；模型外部验证研究中有3项[11,13,17]研究报告了AUC值，为0.724～0.860；仅4项[10⁃12,19]模型建立研究与1项[17]模型验证研究报告了校准度指标。

各研究候选预测因子数为3～29个，最终纳入模型的预测因子数为3～10个，其中活动功能、年龄、认知功能、卒中类型、合并症、照护支持与卒中严重程度等预测因子较为常见，具体出现频率详见表3。在模型最终呈现形式方面，有8项研究将模型中的回归系数进行变换处理后对各个预测因子进行赋分，其中5项[10⁃12,16⁃17]研究绘制出ROC，确定了最佳阈值，另外3项[13,15,19]研究则根据不同分值计算相应结局事件发生概率，其余研究[14,18,20⁃24]直接通过模型方程计算结局事件发生概率或因变量值。

表3 模型最终预测因子纳入情况

（续表）

（续表）

（续表）

2.4 偏倚风险和适用性评价 在模型偏倚风险评估方面，所有研究在研究对象与预测因子两个领域均被评价为低偏倚。结局领域中仅有3项研究被判定为高偏倚。

在分析领域，所有研究均被评价为高偏倚。7项[11,14,20⁃24]研究的建模或验模样本量不足，对于模型建立研究，每个变量的事件数（events per variable，EPV）应大于20，从而避免模型过度拟合；对于模型验证研究，应至少包含100例有结局事件的研究对象[8]。在变量处理上，有3项[11,16,22]研究将连续性变量简单划分为二分类变量，这将损失大量信息，甚至降低模型预测能力。对于缺失值的处理，4项[11⁃12,14⁃15]研究无缺失值，剩余研究[10,13,16⁃24]则采用完整资料分析，有缺失值的研究对象被直接删除，而未采取多重插补法来减小偏 倚。在 模 型 建 立 研 究 中，有9项[10⁃12,15⁃16,19⁃20,22,24]研 究采用单因素分析方法筛选预测因子，该方法被认为是一种不合理的建模方法，可能导致模型最终纳入不恰当的预测因子[8]。在模型性能方面，只有5项[10⁃12,17,19]研究同时报告了区分度与校准度，均采用Hosmer⁃Lemeshow拟合优度检验描述校准度，仅1项研究[17]同时采用了校准图，更为准确地描述了模型的预测能力。然而，模型性能指标常因过度拟合或选用较好的阈值而出现乐观偏差，因此，需通过自助重抽样法或交叉验证法进行内部验证。纳入研究中，仅有5项研究进行了内部检验，其中4项[10,12,15,19]采用的都是随机拆分验证方法，这是一种低效能的检验方法，将对开发数据造成极大浪费[25]，剩余1项[14]则采用了自助重抽样法，但未说明具体验证过程。

在模型适用性方面，仅3项研究[11⁃12,22]适用性较差，其余研究各领域的适用性与总体适用性均较好。所有模型的偏倚风险与适用性评价结果详见表4。

表4 纳入模型的偏倚风险评价结果（PROBAST评价结果）

3 讨论

3.1 脑卒中出院安置预测模型总体情况 总体来看，脑卒中出院安置预测模型的研究仍处于发展阶段，在研究时间上跨越度较大，研究数量也远少于单个预测因子或影响因素的研究，已有研究仍集中于欧、美、日、韩等国家，我国研究较少。同时，多数研究仅建立了模型而缺少外部验证，即便开展外部验证也只在某一人群中进行，缺乏多中心验证，因而模型在应用上具有一定局限性，也导致绝大多数模型在建立后并未真正运用于临床。本系统评价纳入的15项研究整体适用性较好，且已报道的AUC值均在0.7以上，但在模型偏倚风险上，所有模型均为高风险，尤其是分析领域，这可能与本研究选用的评估工具有关。PROBAST是专门针对预测模型偏倚风险评估所开发的工具，但其正式发表时间在2019年，随后才逐渐应用，而本研究中的模型多开发于2019年前，因此缺少参考，导致模型普遍偏倚风险高。

3.2 模型预测结局事件 在纳入研究中，几乎所有模型都以居家或非居家安置作为相对应的结局事件，但不同模型对结局事件的定义与选择存在差异。由于非居家安置种类较多，有些研究仅选择其中1种，如仅长期照护机构或仅康复机构，而有些选择纳入所有非居家安置的种类，甚至认为死亡结局也应被当作非居家安置，因为在对病人进行早期评估时，并无法预判该病人是否会在住院期间死亡，且这类病人更有可能需要实施出院准备服务[19]。由于欧美等国家急性后期医疗服务（post⁃acute care）发展体系完善，出院病人能尽早转介至中长期照护机构或康复机构，而我国医疗保险制度与分级诊疗制度仍在优化与推进中，庞大的人口数量下，医疗资源也十分紧张，缺乏院后照护与康复机构，大量病人病情稳定后只能进行居家护理、康复，但这类病人极有可能因为缺乏专业照护支持而再入院，因此，也需要实施出院准备服务以确保其在家中能得到妥善照护。综合来看，在开发适用于我国国情的出院安置模型时，对于预测结局的界定不能完全参照国外，应做适当调整，如可考虑将居家照护模式作为单独一类出院安置。

3.3 模型预测因子分析 14种预测模型包含众多预测因子，涵盖人口社会经济学特征与临床特征，但均可通过简单、快速的询问或评估获取，其中活动功能、年龄、认知功能、卒中类型、合并症、照护支持与卒中严重程度较为常见，这也与众多脑卒中出院安置预测因素探究研究的结果[26⁃28]相符。

在这些常见预测因子中，大部分研究采取的评估方法或等级划分区别不大，只有在活动功能评估上显示出较大差异。活动功能受损是病人脑卒中后的常见后遗症，其对病人日常生活所产生的影响体现在多个方面，所以不同研究在进行活动功能评估时侧重点各不相同，所选用工具也有所差异，例如：在Kubo等[10]与Itaya等[12]的预测模型中，病人的自理能力为评估重点，故多采用Barthel指数量表、改良Rankin量表或FIM活动功能量表进行评测；而Kim等[11]与Agarwal等[20]侧重于评估病人的下肢运动功能，因而分别选用了功能性步行量表与Chedoke⁃McMaster卒中测评量表进行评 估；Lin等[22]与Löfgren等[23⁃24]则 均 采 用Fugl⁃Meyer平衡量表来评估病人的姿势稳定性。为了使模型拟合效果更佳，绝大多数研究在初始阶段都选择将多个评估工具所测得的活动功能结果作为候选预测因子纳入，但进入最终模型的预测因子却差异较大，这可能是由于各研究所纳入病人的卒中类型、严重程度、治疗阶段以及评估时间不同而导致。

认知功能受损也是影响脑卒中病人出院后生活质量的重要影响因素之一，但并不适用于预测急性期脑卒中病人的出院安置，因为，此阶段的病人，尤其是出血性脑卒中病人，常易发生意识不清或昏迷，无法正常沟通或进行认知功能评估。故在本研究中，纳入认知功能的模型其适用对象也多为康复期脑卒中病人。

脑卒中严重程度与类型是决定病人预后情况的重要影响因素。NIHSS是目前最常见的脑卒中病人神经功能检查量表之一，也是评估卒中严重程度的重要工具，在临床上被广泛应用[29]。NIHSS评分在反映严重程度的同时，也能为临床治疗、康复与护理提供指导，在一定程度上能预测躯体功能恢复的可能性，因而在病人出院安置预测上有重要意义，甚至在Schlegel等[30]的一项出院安置预测因子研究中，早期NIHSS评分是多因素分析中唯一有关变量。同时，卒中类型也能反映卒中严重程度。相较于缺血性脑卒中，出血性脑卒中的死亡风险更高，预后较差，更易致残[31]。然而，在纳入卒中类型的模型中，适用对象大部分为急性期脑卒中病人，对于预测康复期脑卒中病人出院安置的模型，其预测能力并不突出，这可能是因为处于康复期的病人已接受过一段时间治疗，情况相对稳定，因而此时卒中类型并不能预测出二者预后的差别。此外，部分模型也纳入了合并症作为预测因子，主要为糖尿病、心脏病、高血压、肾病等疾病，在一项长达18年的脑卒中预后队列研究中也发现，无论短期或长期内，合并症负担都是不良预后的重要预测因素[32]。

年龄与照护支持也是重要的预测因子。随着年龄的增长，脑卒中发病率及死亡率均明显升高[33]，且高龄病人常合并衰弱，生理储备和功能下降，病人病死、并发症、住院时间延长及预后不良的风险也随之增加[34]，转介到专业照护机构或康复机构的可能性也更高。同时，对于出院时有可能返回家中的病人而言，家庭照护支持成为关键点。在Dutrieux等[35]的一项多中心研究中也发现，相较于年龄在70岁以下的脑卒中病人，除ADL功能与卒中严重程度外，配偶的照护是70岁以上病人能否返回家中的独立影响因素。这也说明，如果缺少照护者，那些原本能返回家中的病人可能会选择继续住院或出院到照护机构。

4 小结

本研究共纳入14个脑卒中出院安置预测模型，涵盖不同阶段、不同类型的病人，总体适用性较好，多数模型区分度高，但由于所有模型偏倚风险高，尚不适宜直接应用于临床，临床工作者应根据实际工作需求选取最合适的预测模型后进行多中心外部验证，不断优化与改进。基于我国国情，更建议临床工作者开发本土化的预测模型，同时参考PROBAST评价，减少开发过程中的各类偏倚，确保模型的高质量与使用简便性。此外，由于脑卒中疾病的复杂性，模型中常采用多种工具、量表来进行测评，临床工作者也要加强其相应学习与实际应用。随着我国按病种付费方式的推进与分级诊疗设施的建设，床位利用率将大大提升，未来将有更多病人能提前转介至下级医院、康复机构或社区中，早期预测出有非居家出院安置的病人能尽早为其开展出院准备服务，及时根据病人及其家人的需求优化调整治疗、康复方案，确保医疗服务的延续性。