三叉神经痛病人疼痛灾难化风险预测模型的构建与验证*

张潇昂 陶静怡 张达颖 刘韦辰 王志剑 朱梦叶 宁玉梅 魏建梅△

（1 南昌大学护理学院，南昌 330006；2 南昌大学第一附属医院疼痛科，南昌 330006；3 江西省卫生健康神经性疼痛重点实验室，南昌 330006）

三叉神经痛 (trigeminal neuralgia, TN) 是以面部三叉神经支配区域反复发生阵发性、电击样疼痛为主要特性的疼痛综合征，常在病人说话、进食时发作，严重影响病人的身心健康[1]。据统计，TN 的发病率为4～28.9/10 万，且近年来不断增高[2]。治疗TN 不仅需要药物手术的干预，还需要心理社会层面的支持，有研究表明，错误的疼痛心理认知是50%经药物手术治疗后的病人疼痛无法完全缓解的一个重要因素，故针对疼痛心理认知的研究一直是疼痛生理-心理-社会模型研究的热点[3,4]。

疼痛灾难化(pain catastrophizing)是疼痛心理认知领域与恐惧-回避理论密切相关的一个概念，它是个体对正在经历的疼痛或将要发生的疼痛的夸大且消极的思维模式[5]。疼痛灾难化影响广泛，它不仅会夸大病人疼痛体验、降低药物疗效、造成药物滥用[6]，而且研究表明它能预测病人术后疼痛情况[7]。而TN 等神经病理性疼痛病人疼痛灾难化的发生率达51%且常需要手术治疗[8]，故分析TN 疼痛灾难化发生情况并积极预防具有重要意义。但目前国内外关于TN 疼痛灾难化的研究较少，且未见有分析其危险因素并预测发生风险的研究。列线图 (nomogram)是一种计算简单、能直观呈现数据分析结果的数学模型，常适用于风险预测的研究。基于此，本研究拟以恐惧-回避理论为指导，构建Nomogram风险预测模型，为预防疼痛灾难化的发生提供参考。

方 法

1.一般资料

本研究已通过南昌大学第一附属医院医学伦理委员会审核（IIT [2023] 临伦审第161 号），所有研究对象均签署知情同意书。采用便利抽样的方法，选取2021 年1 月至2023 年3 月在南昌大学第一附属医院疼痛科住院的TN 病人为研究对象。

根据Harrell 准则[9]，构建风险预测模型时，如果结局事件是二分类变量，两种效应水平例数的最小值应大于预测变量数的5～10 倍。本研究预计纳入11 个变量，考虑10%～20%的样本失访率，故样本量至少为132 例。本研究原纳入211 例TN 病人，排除失访和数据缺失的6 例，最终选取205 例TN 病人作为研究对象。其中164 例于2021 年1 月至2022 年9 月纳入作为建模组，41 例于2022 年10 月至2023 年3 月纳入作为验证组。

纳入标准：①符合《国际头痛障碍分类》第3版 (ICHD-3) 中TN 的诊断标准[1]；②年龄≥18 岁；③可以进行正常沟通交流，能够理解研究内容并能够独立填写问卷。

排除标准：①伴有恶性肿瘤者；②心、肝、肾等重要器官功能严重不全者；③血液、免疫、神经系统严重疾病者；④妊娠期或哺乳期妇女。

2. 调查工具

（1）一般资料调查表：由研究者自制而成，内容包括性别、年龄、婚姻状况、文化程度、职业、经济情况、居住方式。

（2）疼痛程度评估：使用魏建梅等[10]研发的改良疼痛评估尺，通过视觉模拟评分法(visual analogue scale, VAS)评分进行评估。使用时病人面对无刻度的一面并根据自身疼痛情况滑动尺标，经统一培训的观察者根据背面刻度来判断得分。观察者为经统一培训的研究小组成员（医生或护士），观察者在评估疼痛程度等指标时不知晓分组情况。满分10 分，0 分为无痛，1～3 分为轻度疼痛，4～6 分为中度疼痛，7～10 分为重度疼痛。

（3）负性情绪评估：使用由Zigmond 和Snaith[11]编制的医院焦虑抑郁量表(hospital anxiety depression scale, HADS)进行评估。HADS 包括两个分量表，即焦虑量表(HADS-A)和抑郁量表 (HADS-D)，用于评定焦虑和抑郁情况。每个分量表各有7 个条目，每个条目计0～3 分，各条目得分相加即为总分，总分范围为0～21 分，0～7 分表明无焦虑抑郁，8～10 分表明可疑存在焦虑抑郁，11～21 分表明肯定存在焦虑抑郁，得分越高表明焦虑抑郁越严重，该量表Cronbach's α 系数为0.879，焦虑和抑郁分量表的Cronbach's α 系数分别为0.83 和0.82。

（4）睡眠质量评估：使用由Buysse 等[12]研发的匹兹堡睡眠质量指数量表(Pittsburgh sleep quality index, PSQI)进行评估。PSQI 分为7 个维度共19 个自评条目和5 个他评条目，其中仅前18 个自评条目计入总分。各维度计为0～3 分，得分相加即为总分，满分21 分。得分≤7 分表示病人睡眠质量好，得分> 7 分表示病人睡眠质量差，得分越高表明睡眠质量越差。该量表Cronbach's α 系数为0.842。

（5）社会支持评估：采用社会支持评定量表(social support rating scale, SSRS)进行评估[13]。该量表包括3 个维度，共10 个条目，采用Likert 4 级评分法，各条目得分相加即为总分，得分越高表明社会支持水平越高。该量表Cronbach's α 系数为0.923。

（6）疼痛灾难化评估：使用由Sullivan 编制、Yap 等汉化的疼痛灾难化量表(pain catastrophizing scale, PCS)进行评估[14]。该量表分为“反复思虑、夸大、无助”3 个维度，共13 个条目，每个条目计0～4 分，得分相加即为总分，满分52 分，得分越高表明疼痛灾难化越严重，得分≥30 分表明已达到了灾难化水平。该量表Cronbach's α 系数为0.927，各维度Cronbach's α 系数分别为0.809、0.768、0.839。

3. 资料收集方法

对研究小组成员进行统一培训，对问卷发放和填写时的解释语和指导语等进行标准化，并对其进行考核，考核通过者才能参与问卷调查。研究者在TN 病人入院后3 天内发放问卷，并对病人填写过程中存在的疑问及时解答，必要时经同意后替其填写。问卷填写完且核对后及时收回。本研究一共发放211份问卷，共收回205 份问卷，有效回收率为97.2%。

4. 统计学分析

由2 人共同对数据进行录入并核对，以确保数据准确。使用SPSS 25.0 对数据进行统计分析，以α = 0.05 作为检验水准、P< 0.05 表示差异有统计学意义。采用均数±标准差(±SD)描述计量资料，用频数和百分比描述计数资料；组间计量资料的比较采用t检验或校正t检验、计数资料的比较采用X2检验。疼痛灾难化的多因素分析采用Logistic 回归分析；使用R 软件 (4.2.2) 构建Nomogram 风险预测模型，通过Bootstrap 法（重复抽样1000 次）来对模型进行内部验证，通过一致性指数 (C-Index)、受试工作者特征(receiver operating characteristic, ROC)曲线的曲线下面积(area under the curve, AUC)、校准曲线图(calibrate plot)、决策曲线分析 (decision curve analysis, DCA) 来对模型进行外部验证。

结 果

1. TN 病人疼痛灾难化发生情况

本研究建模组164 例TN 病人中，男性73 例(44.5%)，女性91 例 (55.5%)；年龄 (67.7±10.8) 岁；疼痛灾难化平均(26.4±6.9)分，反复思虑维度平均(8.5±2.3)分，夸大维度平均(7.3±2.5)分，无助维度平均(10.5±3.6) 分，其中105 例病人没有发生疼痛灾难化（PCS 得分< 30），59 例病人发生了疼痛灾难化（PCS 得分≥30 分），疼痛灾难化的发生率为36%。

2. TN 病人疼痛灾难化危险因素的单因素分析

根据是否发生疼痛灾难化，将建模组分为疼痛灾难化组和无疼痛灾难化组，并进行疼痛灾难化危险因素的单因素分析，结果显示两组年龄、文化程度、VAS 评分、HADS-A 评分、HADS-D 评分、PSQI 评分比较差异有统计学意义（P< 0.05，见表1）。

表1 TN 病人疼痛灾难化的单因素分析Table 1 Univariate analysis of pain catastrophizing in TN patients

3. TN 病人疼痛灾难化影响因素的多因素分析

将PCS 得分作为因变量（PCS 得分< 30 = 0，PCS 得分≥30 = 1），将单因素分析中差异具有统计学意义的变量即年龄、文化程度（大专及以上= 1、高中及中专= 2、初中= 3、小学及以下= 4）、VAS、HADS-A（得分< 7 = 0，得分> 7 = 1）、HADS-D（得分< 7 = 0，得分> 7 = 1）、PSQI（得分< 7 = 0，得分> 7 = 1）作为自变量进行逐步多因素Logistic 回归分析（纳入α = 0.05，排除α = 0.1）。结果显示年龄、文化程度、VAS 得分、HADS-A 得分、HADS-D 得分、PSQI 得分是TN 病人疼痛灾难化发生的独立危险因素（P< 0.05，见表2）。

表2 TN 病人疼痛灾难化影响因素的多元逐步Logistic 回归Table 2 Multivariate stepwise Logistic regression of factors influencing pain catastrophizing in TN patients

4. TN 病人疼痛灾难化Nomogram 风险预测模型的构建及验证

（1）风险预测模型的构建：将Logistic 回归分析中差异有统计学意义 (P< 0.05) 的变量即年龄、文化程度、VAS 评分、HADS-A 得分、HADS-D 得分、PSQI 得分放入R 软件 (4.2.2) 中以构建Nomogram风险预测模型，各个危险因素的具体得分情况见图1。使用时医务人员先根据各个危险因素的发生情况和对应刻度算得分并相加计算出总分，然后将总分所处于的刻度与危险度刻度进行对应，其垂直对应的刻度即为该不良事件发生的危险度（见图1）。

图1 列线图风险预测模型Fig. 1 Risk prediction model of nomogram

（2）风险预测模型的验证：通过Bootstrap法 （重复抽样1000 次）对模型进行内部验证，结果显示受试工作者特征曲线 (ROC) 的曲线下面积 (AUC) 平均值为0.978 (95%CI:0.978-0.979), 一致性指数 (C-Index)平均值为0.978 (95%CI:0.978-0.979)，表明模型区分度良好。用验证组41 例病人数据对模型进行外部验证，本模型预测17 例病人发生疼痛灾难化，24 例病人无疼痛灾难化，实际24 例病人发生了疼痛灾难化，17 例未发生疼痛灾难化，模型总准确率为82.9%，验证组AUC 为0.882（见图2），模型的特异度为0.941、灵敏度为0.792，建模组ROC 曲线下面积分别为0.956（见图3），表明模型区分度良好；验证组和建模组校准曲线图(calibrate plot) 显示校准曲线与参考线重合度较高（见图4、5），表明模型预测结果和实际情况较吻合；验证组和建模组 DCA 结果显示，当阈值概率分别在0%～99%和16%～98%时，TN 病人能够从临床干预中获益（见图6、7），表明该模型具有较高的临床应用价值。

图2 验证组ROC 曲线Fig. 2 ROC curve of the verification group

图3 建模组ROC 曲线Fig. 3 ROC curve of the model group

图4 验证组校准曲线Fig. 4 Calibration curve of verification group

图5 建模组校准曲线Fig. 5 Calibration curve of model group

图6 验证组DCA 曲线Fig. 6 DCA curve of the verification group

图7 建模组DCA 曲线Fig. 7 DCA curve of model group

讨 论

1. TN 病人疼痛灾难化现状

疼痛灾难化作为与疼痛体验最为相关的心理因素，具有可预测性，是疼痛认知领域研究的重点[15]。疼痛灾难化可能与脊髓上感知疼痛的部分脑区、中枢敏化、弥散性伤害抑制控制 (diffuse noxious inhibitory controls, DNIC) 的抑制、白介素-6 (interleukin-6,IL-6) 的上调有关，并通过社会应对模型 (communal coping model of catastrophizing, CCM)、恐惧-回避模型、行为激活/抑制系统 (behavioral activation system/behavioral inhibition system, BAS/BIS)发挥作用[7]。本研究显示，TN病人疼痛灾难化总分为 (25.9±8.2)、发生率为36%，高于冠心病病人 (16.7%)[16]，低于剖宫产术后病人 (57.1%)[17]，表明病人容易出现疼痛灾难化且灾难化水平较高，这可能与TN 较为剧烈，对病人心理社会影响较大有关。TN 病人疼痛灾难化得分最高维度为无助，与冠心病痛病人[16]一致，表明TN 病人可能对疾病的治愈缺乏信心，甚至出现了焦虑、抑郁等消极情绪。因此，医护人员有必要重视TN 病人疼痛灾难化问题，明确其危险因素，做到有效的预防和针对性处理。

2. TN 病人疼痛灾难化的影响因素

（1）年龄：研究结果显示，随着病人年龄的增加，PCS 得分越高，疼痛灾难化发生的概率越高，这与之前的研究结果一致[18]，可能是因为高龄病人疼痛阈值较低，对疼痛较为敏感，而且机体抵抗力较差，容易并发多种疾病。因此要注重对高龄TN病人疼痛灾难化的观察，加强预防。

（2）文化程度：研究结果显示，病人文化程度越高，其PCS 得分越低，这与之前研究结果一致[18]，表明高文化程度是疼痛灾难化的保护因素。这可能是因为文化程度高的病人能积极分析自身疼痛应对中存在的问题并及时调整应对策略。且研究表明[19]，病人的文化程度决定了其疼痛概念化的能力，进而会影响病人对躯体症状的认知和评估。因此，医护人员要向低文化程度的病人讲解疾病和疼痛的相关知识，用通俗易懂的话语及时解答病人的疑问。

（3）疼痛程度：本研究表明，病人疼痛程度与疼痛灾难化水平密切相关，TN 病人疼痛程度越高，疼痛灾难化水平越高，这和王银燕等[8]研究结果一致。因此，医护人员要积极分析病人疼痛产生的原因，加强疼痛管理，探寻最佳镇痛方法，避免疼痛灾难化的发生。

（4）负性情绪：本研究提示，随着病人不良情绪程度的加重，病人疼痛灾难化水平也在不断提高。可能是因为负性情绪较重的病人更倾向于消极地看待疼痛问题，更会认为疼痛具有威胁性。疼痛灾难化作为一种有别于负性情绪的消极认知，常与负性情绪相互影响并形成恶性循环[20]。故医护人员应认识到心理治疗和护理的重要性，做好针对性心理疏导。

（5）睡眠质量：结果表明，病人睡眠质量越差，疼痛灾难化水平越高。睡眠质量差的病人精神状态常不佳，其更易出现负性情绪。而且Wilt 等[21]研究发现，慢性疼痛病人的总入睡时长能通过影响疼痛程度间接导致疼痛灾难化的发生，故医护人员要重视病人的睡眠监测和管理，促进睡眠质量的提升。

3. TN 病人疼痛灾难化Nomogram 风险预测模型的应用

本研究通过单因素分析初步筛选危险因素，并通过多因素Logistic 回归进一步分析，危险因素的识别和纳入较为可靠。且本研究通过Bootstrap 法（重复抽样1000 次）对模型进行内部验证，通过AUC、C-Index、Calibrate 曲线图、DCA 对模型进行外部验证，结果均表明该模型区分度、校准度、临床获益水平较高。因此，医护人员可以通过该模型分析TN 病人疼痛灾难化的危险因素，计算出疼痛灾难化发生的风险值，为预防疼痛灾难化的发生提供参考。

综上所述，年龄、文化程度、疼痛程度、焦虑、抑郁、睡眠质量是TN 病人疼痛灾难化的危险因素，基于此构建的Nomogram 风险预测模型具有良好的预测效能。由于本研究是单中心的横断面调查研究，故样本可能存在选择性偏倚，且对因果关系的解释需要进一步探究。因此今后需开展大样本多中心临床队列研究以验证本研究结果，为预防TN 病人疼痛灾难化提供更可靠的证据。

利益冲突声明：作者声明本文无利益冲突。