脑卒中患者吞咽障碍风险预测模型的系统评价

毛怡君,范惠,张维,李尔清,鱼丽荣

(1.咸阳市中心医院 神经内科,陕西 咸阳 712000;2.咸阳市中心医院 护理部;3.咸阳市中心医院 介入导管室)

吞咽障碍是缺血性脑卒中最常见的并发症之一[1-2],脑卒中患者吞咽障碍发生率高达37%～45%[3],有13%～18%的患者在首发卒中后6个月仍存在持续性吞咽障碍[4]。卒中后吞咽障碍会导致患者发生吸入性肺炎、脱水、营养不良[5],从而延长住院时间,增加出院后再住院率及死亡风险,严重影响预后[6]。预测模型能预测具有卒中后吞咽障碍风险的个体未来发生吞咽障碍的概率或风险[7],有助于临床决策[8],为改善卒中患者预后提供科学参考。目前,国内外已有多位学者开发了卒中后吞咽障碍预后相关的预测模型,本研究通过对脑卒中患者吞咽障碍风险预测模型进行系统评价,以期为临床医护人员预测模型的选择提供参考依据。

1 资料与方法

1.1 检索策略 检索中国知网、万方、PubMed、Cochrane和Embase数据库发表的脑卒中患者吞咽障碍风险预测模型相关文献,采用主题词和关键词相结合的方式进行检索,同时手工检索已经发表和通过文献追溯得到的文献作为补充。检索时限为建库至2022年12月。

中文数据库以万方数据库为例,检索式如下。主题:(脑卒中OR中风OR脑血管意外)and主题:吞咽障碍and主题:(预测OR预警OR风险评分OR风险评估)and主题:(模型OR工具)。英文数据库以PubMed为例,检索式为:(stroke[MeSH])AND (swallowing disorders[All Fields]OR dysphagia[All Fields])AND (predict*[All Fields]OR“risk prediction”[All Fields]OR“risk score”[All Fields]OR“risk assessment”[All Fields])AND(model[All Fields]OR score[All Fields])。

1.2 文献纳入及排除标准 纳入标准:(1)研究对象年龄≥18岁,经CT或MRI确诊为脑卒中的患者;(2)研究内容为脑卒中患者吞咽障碍风险预测模型构建和(或)验证研究;(3)研究类型为队列研究或病例对照研究。(4)文章语种为中文或英文。

排除标准:(1)研究仅分析脑卒中吞咽障碍的危险因素或预测因素,未构建预测模型;(2)无法获得全文;(3)重复文献。

1.3 数据提取及质量评价 本研究由2名研究者严格参照纳入及排除标准对文献进行独立筛选,使用NoteExpress文献管理软件对获取文献进行去重,请第3名研究者对有争议的文献进行判定。病例对照及队列研究采用纽卡斯尔-渥太华量表(the Newcastle-Ottawa Scale,NOS)[7]对文献质量进行评价。

1.4 模型偏倚风险和适用性评价 使用PROBAST(prediction model risk of bias assessment tool)风险预测模型评估工具评估预后多因素预测模型研究的偏倚风险和适用性[9]。偏倚风险从研究对象、预测因素、结局、分析4个方面进行评价,适用性从研究对象、预测因素、结局3个方面进行评价。

2 结果

2.1 文献检索结果 共检索到相关文献336篇,剔除重复后得到文献326篇,包括中文65篇和英文261篇。阅读标题和摘要后排除文献315篇,最终纳入11篇[10-20]。

2.2 纳入研究的基本特征 11篇文献中,6篇[10-15]为亚洲国家开展的研究,5篇[16-20]为欧美国家开展的研究。最早的模型建立于2012年[20],近3年共发表8篇文章[10-17]。在研究设计方面6篇[13-17,20]为队列研究,5篇[10-12,18-19]为病例对照研究。8项[10-11,13-14,16,18-20]研究通过Logistic回归构建预测模型,2项研究[15,17]通过Cox回归构建预测模型,1项研究[12]通过Lasso回归构建预测模型,见表1。

表1 纳入研究的文献的基本特征(n=11)

2.3 脑卒中患者吞咽障碍风险预测模型的建立情况 纳入11个的预测模型中,7项[12-13,15-16,18-20]为模型的开发研究,4项[10-11,14,17]为模型的开发和验证研究。各模型样本总量为46～407例,结果事件数为24～186件。5项研究[13-17]均将缺失数据直接排除,未使用多重插补方法处理缺失数据。8项研究[10-11,13-16,18,20]基于单因素分析法筛选预测因子,据其统计学意义(P<0.05)选择,未与其他自变量结合分析。模型建立情况见表2。

表2 脑卒中患者吞咽障碍风险预测模型的建立情况(n=11)

2.4 模型性能及预测因子 本研究纳入的11项研究中均报告了模型的受试者工作特征曲线下面积(the area under curve,AUC),其中4个模型[10,13-14,17]报告了AUC的可信区间。5个模型[10,13-14,17,19]进行了拟合优度检验,均P≥0.05,表示一致性良好。研究纳入的模型包含了2～17个潜在预测变量,7项研究[12-16,19-20]将连续变量转化成≥2个类别的变量。出现最多的预测变量分别为NIHSS评分、年龄、BMI,见表3。

表3 脑卒中患者吞咽障碍风险预测模型性能及预测因子(n=11)

2.5 偏倚风险评价结果

2.5.1 研究对象领域 预后预测模型研究推荐前瞻性队列研究,6项研究[13-17,20]评价结果为高偏倚风险,主要由于研究类型为病例对照研究,研究数据来源于现有数据或病例对照研究会增加偏倚风险。

2.5.2 预测因子领域 11项研究评价结果均为低偏倚风险,研究者对研究对象采用预测因子的定义和评估方法均相同,均采用盲法以降低结果信息影响预测因子评估过程的风险,所纳入的预测因子均有统计学意义。

2.5.3 结局领域 5项研究[13-15,17,20]评价结果为高偏倚风险,主要由于结果确定的时间间隔不合理,时间间隔的确定需要依据临床专业知识来明确,否则可能导致预后结果改善或恶化。5项研究[13-15,17,20]均在出院时评估预测结果,根据《中国卒中吞咽障碍与营养管理手册》首次吞咽障碍的筛查应在患者进食第一口水或食物前(入院24 h内),吞咽功能的再评估应为住院期间每周一次,在出院之后也应在卒中后4周进行再评估。

2.5.4 分析领域 11项研究评价结果均为高偏倚风险,主要原因如下:(1)样本量不合理,预测模型开发研究EPV(event per variable,指研究对象中较少组的数量除以自变量的个数)应该≥20或模型验证研究样本量应≥100;(2)4项研究[10-11,17-18]连续变量转化成≥2类别的变量;(3)直接剔除缺失数据,未采用多重插补法处理缺失数据,会导致一定的偏倚风险;(4)8项研究[10-11,13-16,18,20]基于单因素分析法筛选预测因子,未与其他自变量结合进行分析,而其中一些变量需调整其他变量才具有意义,因此将会因自变量的遗漏而产生偏倚;(5)4项研究[10,13-14,17]正确评估模型的校准度和区分度;(6)6项研究[10-14,17]正确使用内部验证法且对模型性能的后续调整进行评估。

2.6 适用性评价结果 基于PROBAST评价标准,11项研究在研究对象、预测因素、结局方面均有较好的适用性,总体适用性评价较高。

3 讨论

3.1 脑卒中患者吞咽障碍风险预测模型总体偏倚风险较高 预测模型有助于临床决策[8]。目前已开发了较多的预测模型,尤其是在心血管、癌症、糖尿病等领域[21-24],已有的预测模型存在报告质量差、预测结果不准确、证据相互矛盾和临床应用局限等缺点[25-28],导致预测模型存在开发多但应用少的特点[29-30]。因此,对于预测模型的研究进行评估和规范有助于提高研究质量,从而为临床决策提供科学依据[31]。

纳入的11项研究均存在高偏倚风险,主要在分析领域。具体为样本量不合理、直接剔除缺失数据、基于单因素分析法筛选预测因子,缺乏模型性能评估等。研究过程中简单的处理缺失数据将导致一定的偏倚风险,多重插补在偏差和精度方面均优于其他方法。忌单纯依赖单变量分析,要根据已有的临床知识、预测因素测量的可靠性、一致性、适用性、可及性和测量成本。评价者首先需要考虑的是模型的区分度,如果模型的区分度较差,不能正确的将不同风险的人群区分开来,也就无临床的应用价值,再继续评价校准度也无太大意义。

3.2 卒中后吞咽障碍的危险因素 11项研究中潜在的预测因子为2～17个,最后包含的预测因子为2～6个,可分为7类。(1)人口统计学资料:年龄、人种。高龄、亚裔及非裔更易发生卒中后吞咽障碍[18,32]。(2)脑卒中病理生理:NIHSS评分、卒中部位、mRS等。卒中部位影响吞咽困难的严重程度及恢复时间,脑干梗死患者吞咽障碍的发生率远高于其他部位梗死患者[33]。NIHSS评分越高、mRS评分越高的卒中患者其吞咽障碍往往更为严重,吞咽恢复的时间也会更长[16]。(3)营养状况:BMI。合并营养不良的卒中患者对疾病的耐受下降,同时可能伴随全身肌肉含量减少,从而进一步影响吞咽肌肉的功能,阻碍吞咽功能的恢复[34]。(4)初始吞咽功能评估:吞咽功能筛查(洼田饮水试验、3盎司饮水试验、急性卒中吞咽障碍筛查等);临床吞咽评估(V-VST);仪器评估(VFSS、FEES)。入院后24 h内进行吞咽功能筛查有助于识别早期吞咽障碍,改善功能预后[35]。(5)合并症:构音障碍常作为缺血性脑卒中后的伴随症状出现[36]。⑥吞咽康复:训练方案中是否有电刺激、吞咽康复训练频率、吞咽治疗频率影响吞咽功能的预后[37]。(6)既往史:高血压、糖尿病等。高血压引起的小动脉血栓会限制缺血半暗带的血流灌注,极大的增加了吞咽障碍的发生危险[38]。糖尿病会增加卒中患者死亡和感染风险,导致预后不良[39]。

3.3 脑卒中患者吞咽障碍风险预测模型的未来发展建议 从本系统评价得到以下启示:(1)在建立模型方法的选择上,运用机器学习算法如支持向量机、朴素贝叶斯、决策树、人工神经网络等建立疾病预后模型[40],已成为计算机和医学领域的研究热点。与Logistic回归法相比,机器学习算法建立的模型预测性能更佳[41-42],因此应用机器学习算法,改善模型性能是未来研究的重要方向。(2)在模型呈现方式上,可以将模型转化为概率计算方程、简化评分系统表格、列线图或在线计算器等易于临床应用的展示形式,同时与电子系统病历相结合,以满足医务人员对模型的使用需求,在得到复杂算法支撑的同时,减少人工计算的工作量,便于临床实际操作使用。(3)由于纳入文献的模型中基于中国人群建立的模型尚未进行大样本的外部验证,对其的外推能力有一定的阻碍。因此,未来可以重点在我国采用大样本、多中心的研究,对模型进行外部验证,探索构建最适合中国人群的预测模型。

4 小结

本研究纳入的11项脑卒中患者吞咽障碍风险预测模型,对模型的特征进行了系统概括。研究结果显示,相关模型研究尚处于发展阶段,脑卒中患者吞咽障碍的影响因素主要有NIHSS评分、年龄、营养状况,临床应对这些因素重点关注。纳入的模型区分度、校准能力及适应性较好,但整体偏倚风险较高,部分模型缺乏内部、外部验证,模型的稳定性及推广性有一定限制。未来的研究中,可结合机器学习算法,遵循PROBAST报告规范步骤,开发本土化、预测性能良好、使用简便的预测模型,以尽早识别可能发生吞咽障碍患者,提供高质量的临床决策依据。