脑卒中后抑郁风险预测模型的研究进展

李晓彤,史丽娜,杨丽君,李 琪,张 茹,孙 垚,马宏文*

1.天津中医药大学,天津301617;2.天津市人民医院

脑卒中后抑郁(post-stroke depression,PSD)是脑卒中最常见的并发症之一,病人表现为情绪低落、广泛性焦虑和兴趣缺失等神经精神症状,已成为脑卒中康复的主要负面因素[1]。有研究表明,约有1/3的脑卒中病人会发生PSD[2],在脑卒中后前2个月,36%的病人出现抑郁症状,14%的病人被诊断为重度抑郁症[3],1年内出现抑郁倾向的发生率为25%～50%,严重影响病人的认知及肢体功能的恢复,降低了病人及其家人的生活质量[4],甚至导致脑卒中复发[5]。风险预测评估是PSD预防的第1步,应用PSD风险预测模型评估和筛选高危人群,有效识别其危险因素和早期筛查高风险人群对改善病人预后具有重要意义,预测结果将直接影响预防措施的选择及预防效果。现对国内外PSD风险预测模型研究进展进行综述,以期为我国PSD的风险预测模型建立及早期预防提供参考。

1 疾病风险预测模型概述

风险预测模型是以病因研究为基础,按风险高低分层,结合多种预测因子评估某一事件在未来发生的风险[6]。风险预测模型能使流行病学研究获得的成果更好地与临床实践接轨,通过高危筛检、临床循证指南等途径促进疾病的三级预防,降低发病率[7]。良好的预测模型需具有较高的灵敏度、特异度和曲线下面积(AUC)[8]。AUC值越大,该模型预测疾病的敏感性和特异性就越高。AUC为0.5是没有意义的,而>0.7被认为是合理的,>0.8则是好的[9]。

2 国内PSD风险预测模型

2.1 脑梗死病人PSD风险预测列线图模型

脑梗死病人PSD风险预测列线图模型由柯绪芬等[10]采用便利抽样法,选取321例脑梗死首次发作且病程<4周的病人作为研究对象,从321例脑梗死病人中获得74例(31.0%)发生PSD病人的相关临床资料,采用Logistic多因素回归分析纳入7项预测因子,即职业类型、额叶病变、基底核区病变、脑干病变、丘脑病变、同型半胱氨酸水平及美国国立卫生研究院卒中量表(NIHSS)评分。该研究使用Hosmer-Lemeshow拟合优度检验和受试者工作特征(ROC)曲线检验模型的预测性能。结果显示,建模集和验证集的优度检验χ2值分别为5.541,4.473,P值分别为0.127,0.634,AUC分别为0.826,0.793,已进行内外部验证,多角度证明了其具有良好的预测效能。但该研究的局限性为:1)样本量有限,且存在选择偏倚;2)PSD的发病机制和不同危险因素对疾病的影响机制尚未完全明确。今后研究者需扩大样本量,对模型予以完善补充。

2.2 基于弥散张量成像(DTI)的PSD风险预测模型

乔嘉璐等[11]选取发病7 d内入院的101例脑卒中病人作为研究对象,30例病人(29.7%)发生PSD,通过R语言进行Lasso回归分析,最终纳入了5个预测因子,即日常生活活动能力(ADL)评分、入院当天NIHSS评分、左额叶分数各向异性(FA)值、左颞叶FA值及左前扣带回FA值。该模型采用Bootstrap法重复抽样进行内部验证,在辽宁省4所三级甲等医院的神经内科进行外部验证,得出AUC分别为0.853 5和0.897 2,表明该模型具有良好的预测能力。基于DTI改变构建的PSD风险预测模型具有临床预测价值,有助于指导PSD的早期治疗并预防疾病发生发展。局限性:样本量较少;PSD数据未纳入80岁以上病人。未来研究者可从扩大样本量及研究范围入手,利用多模态磁共振指标建立PSD风险预测模型,从便捷度、准确度等多方面对模型进行检验和完善。

2.3 PSD分类回归树预测模型(CART)

PSD分类回归树预测模型由钱淑霞等[12]构建,是我国第1个对PSD风险进行量化的评估工具,该研究选取年龄46～78岁的320例脑卒中病人为研究对象,采用CART确定脑卒中病人发生PSD的风险因子为既往脑卒中病史、体质指数(BMI)、社会支持评定量表(SSRS)、多伦多述情障碍量表(TAS-20)、汉密尔顿焦虑量表(HAMA)、NIHSS 6项风险因子。结果显示,CART回归树模型对PSD风险因子的预测较为准确。该风险预测模型的局限性为:研究样本量较少、研究较局限,有待今后开展多中心、大样本的研究;其次,未进行内外部检验,该模型的性能和一致性仍有待进一步考证。

2.4 中性粒细胞/淋巴细胞比值(NLR)联合血小板/淋巴细胞比值(PLR)与NLR联合血清超敏C反应蛋白(hs-CRP)预测缺血性PSD

由陈坤等[13]选取306例缺血性脑卒中病人作为研究对象,采用Logistic多因素回归分析PSD的危险因素,包括NIHSS评分、NLR及PLR为PSD的独立危险因素。ROC曲线分析发现:NLR和PLR两者联合指标的AUC值为0.863,敏感性为0.795,特异性为0.838,比单独指标预测性更好。该研究局限性:样本量较少;存在选择偏倚的因素(排除了交流困难的病人);无法进行病人抑郁严重程度的研究。未来研究可开展多中心、大规模及动态性监测,进一步分析该指标对PSD的预测作用。NLR联合hs-CRP预测缺血性PSD由李爽[14]设计,便利抽样首次住院抑郁筛查结果为阴性的诊断为急性脑梗死的病人97例(PSD的发生率为51.5%),进行二元多因素Logistic回归分析,结果显示,NLR、hs-CRP指标是PSD的独立危险因素(P分别为0.003,0.001)。将hs-CRP和NLR对PSD诊断价值进行ROC曲线计算,hs-CRP的AUC值为0.84,灵敏度为0.76,特异度为0.81。NLR的AUC值为0.89,灵敏度为0.76,特异度为0.92。hs-CRP联合NLR的AUC值为0.94,因此hs-CRP和NLR对于诊断PSD具有显著价值。与冯维奎等[15]的研究结果一致,说明NLR联合hs-CRP在预测PSD时具有显著作用。

3 国外PSD风险预测模型

3.1 PSD预测量表(Post-stroke Depression Prediction Scale,DePreS)

De Man-Van等[16]开发并内部验证了DePreS,用于早期识别病人PSD。其在前瞻性多中心队列研究中选取了在脑卒中发作后1周参与研究的1 033例脑卒中病人,其中有410病人出现了PSD(39.7%)。确定预测因子为:高血压病史、饮酒、心绞痛和抑郁症或其他精神障碍、生活能力评定量表(Barthel指数)、社会支持交互作用和感知缺乏支持交互作用。抑郁症或其他精神疾病病史是最重要的预测因素(优势比为7.22;95%置信区间为3.63～14.35)。预测尺度≥2时,灵敏度为0.73,特异度为0.75,准确率最高。通过对410例能够充分沟通的脑卒中病人收集预测因子,ROC曲线的AUC为0.78。该研究有一定的局限性:首先,目标人群为能充分沟通的病人,限制了对有认知和沟通障碍病人的应用;其次,大多数被排除(69.0%)的病人由于脑卒中严重程度、失语症或认知障碍而无法参加。今后可进行多中心、大样本的研究,进行外部验证,明确其预测性及一致性结果,减少偏倚,进一步完善该模型。

Hirt等[17]对93例在荷兰和德国住院的脑卒中病人进行研究,有17例(18.3%)出现重度抑郁症状。在这项前瞻性、多中心观察性研究中,预测病人脑卒中后第1周和第2个月的抑郁风险。当截断值为0时,该量表的预测准确率最高,抑郁症的敏感性为0.65,特异性为0.74,负预测值为0.90,正预测值为0.35。AUC为0.71。该预测量表有足够的预测精度和鉴别能力,具有较高的负预测值、特异性和AUC,可以早期、可靠地识别PSD。局限性为:样本量较少;研究结果的普遍性较差;未进行外部验证。因此,其预测性能和一致性还有待进一步临床验证。

3.2 脑卒中后1年和3年PSD的预测模型

Schepers等[9]从荷兰4家康复中心选取18岁以上首次脑卒中的224例病人进行病例对照研究,最终获得了131例病人的完整资料,该研究建立了2个预测模型,分别是脑卒中后1年的抑郁症预测模型和脑卒中后3年的抑郁症预测模型。在模型A中,只将脑卒中后6个月的抑郁症病人输入模型,而在模型B中同时添加了所有其他候选预测因素(个人和脑卒中相关变量以及脑卒中后损伤)。模型A的ROC曲线(仅包括PSD)的AUC为0.75。模型B的ROC曲线,包括PSD、性别、脑卒中类型、疲劳和半侧空间忽视症,AUC为0.83,模型B的AUC大于模型A。脑卒中后3年的PSD预测模型A的AUC为0.87,模型B的AUC为0.96。模型B的AUC大于模型A。得出重要的预测因子是早期PSD和性别。强调了早期PSD对慢性PSD预后的重要预测价值。局限性:1)样本量少且退出量较大;2)无法获得抗抑郁药物使用的有效信息;3)研究结果普遍性较差(研究对象仅为住院康复病人);4)采用回顾性研究可能导致选择偏倚;5)未进行拟合度检验。未来可使用观察方法评估失语症病人PSD[18],但其心理情况还有待进一步评估,并且需对模型进一步验证。

3.3 抗磷脂抗体预测急性缺血性PSD

Wang等[19]对我国7所医院的497例缺血性脑卒中病人进行前瞻性研究,探讨急性缺血性脑卒中病人3个月后抗磷脂综合征(APS)和抗心磷脂抗体(ACL)与PSD风险的相关性。采用多因素Logistic回归对潜在变量(年龄、性别、吸烟、饮酒、入院时收缩压、高脂血症、糖尿病、发病到住院时间、缺血性脑卒中亚型、降压干预和入院NIHSS评分等)进行分析找出PSD的独立危险因素。缺血性脑卒中病人发病后3个月存在较高水平的抗磷脂抗体和ACL,患PSD的风险增加。局限性:仅在基线时测试了抗磷脂抗体水平,无法检测到其水平变化和PSD之间的联系。

3.4 基于社会心理特征的PSD的风险预测模型

Liu等[20]对我国符合PSD诊断的226例病人进行研究,并建立了适用于早期发现高危PSD病人的风险预测模型。采用多元Logistic回归对PSD的危险因素进行分析,并运用决策树方法生成了PSD评价标准工具。研究结果显示,脑梗死史、人格特质(EPQ_N)、综合生活事件(LES)、述情障碍(SSRS)和社会支持(TAS)是PSD的危险因素,其中后4个因素属于社会心理因素。这表明社会心理因素在识别1个月内PSD的风险和对脑卒中幸存者的一级和二级干预是非常重要的。ROC曲线的AUC为0.85,预测精度、敏感性和特异性分别为0.76、0.90和0.63。决策树模型的ROC曲线显示出良好的性能,AUC为0.85,精度为0.86,该模型对PSD病人有良好的辨别能力。

4 PSD风险预测模型的比较

4.1 PSD风险预测模型的研究方法

在研究方法上,有7项前瞻性研究[10,13,16-17,19],1篇回顾性研究[9],前瞻性研究先进行研究设计再收集资料,可以获得完整的资料,保证数据完整和同质性,能反映研究者感兴趣的危险因素与PSD发生的关系,可获得较全面的临床资料,但研究耗时、耗力且存在病人失访、病例数量过少的风险,如乔嘉璐等[11]的研究样本量较少,Hirt等[17]研究的PSD发生例数较少。而回顾性研究只能从既往医疗记录中获取脑卒中病人的相关资料,方便快捷、耗时少,但相关资料可能不全,无法保证数据的完整性和同质性,质量不高,若处理不当,模型的预测性将会受到影响;从纳入危险因素分析,研究大多采用Logistic多因素回归分析,研究对象主要以脑卒中首次发作为主,将职业类型、额叶病变、基底核区病变、脑干病变、丘脑病变、同型半胱氨酸水平、NIHSS评分、ADL评分、左额叶FA值、左颞叶FA值、左前扣带回FA值、既往脑卒中病史、BMI、SSRS、TAS-20、HAMA、NLR及PLR、高血压病史、饮酒、心绞痛和抑郁症或其他精神障碍、Barthel指数和感知缺乏支持交互作用等纳入危险因素分析,不同研究类型纳入的危险因素不同,均会对病人发生PSD产生不同程度的影响。

4.2 PSD风险预测模型的验证

有多项研究进行了内部验证[10-11,16-17],内部验证可减少模型过度拟合,从而得到更可靠的预测准确性能评估值。未经过内部验证的模型无法确定其预测准确性。2项研究[10-11]进行了外部验证,通过临床应用来评价预测性能,利用外部验证新收集的资料和原有累积资料后动态更新模型,为模型优化和大范围使用提供基础[6]。若未进行外部验证及病情观察,可能会导致模型科学性、实用性不强。其中,2项研究[10-11]进行了内外部验证,预测性能均较好。

5 小结

由于研制模型所需的临床资料、研究方法及最终筛选的危险因素不同,今后应进一步探索不同危险因素对PSD的影响。部分已构建的模型中缺乏内外部验证,有待进一步确定模型的预测性能,今后在构建风险预测模型时,不仅要进行内部验证,在条件允许时,还应进行多中心、前瞻性的外部验证,提高模型的稳定性及外推性;纳入新的PSD危险因素,在临床实践中对模型持续校准,为国内研究者构建本土化的PSD风险预测模型提供一些思考。在应用模型预测PSD时,需要考虑模型的适用人群、预测性能及一致性,结合临床实际问题进行具体分析。