基于Logistic回归和决策树的老年脑卒中病人肌少症风险预测模型的构建

孔令慧 于杰 张会君 陈萍

Construction of risk prediction model of sarcopenia in senile patients with stroke based on Logistic regression and decision tree

KONG Linghui， YU Jie， ZHANG Huijun， CHEN Ping

Jinzhou Medical University， Liaoning 121001 China

Corresponding Author  ZHANG Huijun， E?mail： 13904069606@163.com

Abstract  Objective：To explore the factors affecting sarcopenia in senile patients with stroke，construct risk prediction models，and evaluate their accuracy of prediction.Methods：A total of 489 senile patients with stroke from neurology department of a tertiary grade A hospital in Liaoning province were selected as the research subjects from September 2022 to April 2023.The risk prediction models of sarcopenia were constructed according to the results of Logistic regression analysis.The Nomogram and decision tree were painted，and the prediction efficiency of models were evaluated according to area under the curve（AUC） of receiver operator characteristic and confusion matrix.Results：The incidence of sarcopenia in senile patients with stroke was 37.6%.The results of logistic regression analysis show that smoking，age，activity of daily living（ADL），fall risk，nutrition and exercise habits were effect factors for sarcopenia in senile patients with stroke（P<0.05）.The results of decision tree model showed that smoking，age，ADL， nutrition and exercise habits were decision-making factors for the sarcopenia in senile patients with stroke. The AUC of Logistic regression model was 0.959，and that of decision tree model training set and test set were 0.892 and 0.826，respectively.Conclusions：The Logistic regression model and decision tree model construct in this study have good predictive performance，which is helpful for clinical medical staff to screen the high-risk group of sarcopenia.

Keywords    senile； stroke； sarcopenia； Logistic regression； decision tree； rehabilitation； nursing

摘要  目的：探究影響老年脑卒中病人肌少症的因素，构建风险预测模型，并评估其预测准确性。方法：于2022年9月—2023年4月选取辽宁省某三级甲等医院神经内科的489例老年脑卒中病人为研究对象。依据Logistic回归分析结果构建肌少症风险预测模型，绘制列线图和决策树，并根据受试者工作特征曲线下面积（AUC）和混淆矩阵对模型的预测效能进行评价。结果：老年脑卒中病人肌少症发生率为37.6%。Logistic回归分析结果显示，年龄、吸烟、日常生活自理能力（ADL）、跌倒风险、营养状态和运动习惯是老年脑卒中病人肌少症发生的影响因素（P<0.05）；决策树模型结果显示，年龄、ADL、吸烟、运动习惯、营养状态是病人发生肌少症的决策因素。Logistic回归模型的AUC为0.959，决策树模型训练集和测试集的AUC分别为0.892和0.826。结论：本研究构建的Logistic回归模型和决策树模型预测效能均良好，有利于临床医护人员对肌少症高危人群进行筛查。

关键词  老年人；脑卒中；肌少症；Logistic回归；决策树；康复；护理

doi：10.12102/j.issn.1009-6493.2024.10.002

脑卒中（stroke）是指各種原因导致的脑血管病变或血流障碍引发的脑功能障碍^[1]。临床超过70%的脑卒中病人存在长期残疾，这种残疾常被归因于脑损伤本身，较少有研究者关注肌肉组织的结构、代谢和功能^[2]。脑卒中后残疾的主要效应器官是骨骼肌^[2?3]，已有研究显示，瘫痪和废用、痉挛、炎症、去神经支配、进食和肠道吸收受损引起肌肉萎缩，使病人发生肌少症（sarcopenia）^[4]。1989年，Irwin Rosenberg提出“肌少症”一词，国际工作组将其定义为与衰老相关的进行性、全身性肌肉体积减小和/或肌力下降或肌肉生理功能下降^[5]。肌少症在老年人中常见，患病率为3%～52%^[6]。伴有肌少症的脑卒中幸存者常恢复不良，肌少症改善有利于功能改善^[7]。目前我国对于脑卒中肌少症的研究较少，针对其影响因素及风险测评工具的研究更少。Logistic回归模型是常用的一种风险因素筛查方法；决策树是用于分类和预测的树状图，可使结果更加直观。本研究通过筛选老年脑卒中病人肌少症发生的危险因素，并基于Logistic回归和决策树构建预测模型，以期为制定促进老年脑卒中病人功能康复及延缓肌少症发生的干预策略提供参考。

1  对象和方法

1.1 研究对象

于2022年9月—2023年4月选取辽宁省某三级甲等医院神经内科的老年脑卒中病人为研究对象。纳入标准：1）符合《中国各类主要脑血管病诊断要点2019》中的脑卒中诊断标准^[8]；2）年龄≥60岁；3）病情处于稳定期；4）意识清楚，能配合完成调查；5）病人知情同意。排除标准：1）昏迷；2）有严重心理疾病和/或精神疾病史等；3）合并心力衰竭、肾衰竭、恶性肿瘤或其他脏器功能衰竭等严重疾病。根据Logistic回归分析中常用的EPV法^[9]计算样本量，即纳入模型的每个因素至少需10例病人才能保证模型的稳健。本研究预计纳入5～8个因素，至少需要纳入50例伴有肌少症的老年脑卒中病人。已有文献表明，脑卒中病人肌少症发生率为14%～54%^[10]，取平均患病率34%，样本量最小为148例。考虑到20%的流失率，最终确定样本量至少为178例，本研究实际纳入样本489例。

1.2 调查工具

1）一般资料调查表：通过查阅相关文献制定一般资料调查表，其内容包括性别、年龄、婚姻状况、文化程度、居住情况、居住地、人均月收入、饮酒、吸烟、脑卒中类型、首次发病、多重用药、体质指数、运动习惯、睡眠障碍、合并慢性病种数。2）简易五项评分（SARC?F）量表：SARC?F量表由Malmstrom等^[11]于2013年编制，从肌力、辅助行走、座位站起、爬楼梯、跌倒5个方面对肌少症发生情况进行筛查。2018年，王晓英^[12]对其进行汉化。每个条目计0～2分，满分为10分，≥4分判定为肌少症。该量表在本研究中的Cronbach's α系数为0.842。3）Barthel指数：Barthel指数由Mahoney等^[13]编制，通过调查病人10个方面的能力评估老年脑卒中病人的日常生活自理能力（ADL），满分为100分，100分为病人生活自理，60～99分为轻度功能障碍，41～59分为中度功能障碍，≤40分为重度功能障碍^[14]。本研究中该量表的Cronbach's α系数为0.908。4） Tilburg衰弱量表：Tilburg衰弱量表由Gobbens等^[15]编制，从躯体、心理和社会3个方面对病人的衰弱状况进行评估。量表包括15个条目，每个条目计0～1分，满分15分，≥5分表示存在衰弱。本研究中该量表的Cronbach's α系数为0.788。5）微营养评估量表：微营养评估量表由Rubenstein等^[16]简化简易营养评价法形成，主要从6个方面对老年人营养状况进行评估。满分为14分，0～11分代表营养状态异常，12～14分代表营养状态正常。该量表在本研究中的Cronbach's α系数为0.764。6）老年抑郁量表（GDS?5）：GDS?5由Hoyl等^[17]编制，是专为老年人设计的抑郁症筛查工具。该量表共5个条目，每个条目0～1分，当得分≥2分时表示存在抑郁状况。该量表在本研究中的Cronbach's α系数为0.818。7）Morse跌倒评估量表（MFS）：MFS由Morse等^[18]编制，是用于评估跌倒风险的测量工具。该量表从6个方面进行评估，满分为125分，得分<25分为跌倒低风险，25～44分为跌倒中风险，≥45分为跌倒高风险。本研究中该量表的Cronbach's α系数为0.703。8）蒙特利尔认知评估量表（MoCA）：MoCA由Nasreddine等^[19]编制，用于评价轻度认知障碍。该量表从8个方面进行评估，包括11个条目，满分为30分，<26分为认知障碍，≥26分为认知正常。本研究中该量表的Cronbach's α系数为0.843。9）领悟社会支持评定量表（PSSS）：PSSS由Zimet等^[20]编制，从家庭、朋友和其他支持3个方面进行评估，每个维度包括4个条目，共12个条目，总分为12～84分。本研究中该量表的Cronbach's α系数为0.969。

1.3 调查方法

调查人员现场发放与收集问卷。在病人病情保持稳定且不打扰其治疗与休息的情况下向病人及其陪同人员说明此次调查的目的及意义，并告知其填写资料信息的保密性和要求，在征得病人同意后开始调查。对于不能独立完成调查的病人，可由研究者及其陪同人员辅助填写。本研究发放495份问卷，回收489份有效问卷，问卷有效回收率为98.8%。

1.4 統计学方法

采用SPSS 26.0和R Studio 4.2.2软件分析数据，构建预测模型。符合正态分布的定量资料以均数±标准差（x±s）表示，定性资料以频数及百分比（%）表示。比较肌少症病人和非肌少症病人在各变量水平上的差异，正态分布的定量资料组间比较采用t检验，定性资料组间比较采用χ²检验、秩和检验，以P<0.05为差异有统计学意义。应用Logistic回归分析筛选影响因素，检验水准α=0.05。将筛选出的变量作为预测因素，使用R Studio 软件绘制列线图和决策树模型。决策树模型构建方法为将数据集按7∶3随机分为训练集（构建模型）与测试集（验证模型）。使用R语言中的rpart包构建决策树模型，使用Gini系数进行分裂，并依据复杂度参数（CP）进行后剪枝控制树的大小。利用受试者工作特征（ROC）曲线下面积和混淆矩阵评价2种模型的预测效能。

2  结果

2.1 病人一般资料

本研究共纳入489例老年脑卒中病人，其中，男291例，女198例；60～<65岁113例，65～<70岁167例，70～<75岁110例，≥75岁99例；无肌少症305例，有肌少症184例，肌少症发生率为37.6%。不同特征老年脑卒中病人肌少症发生情况比较结果见表1。

2.2 老年脑卒中病人肌少症发生影响因素的Logistic回归分析

将不同特征老年脑卒中病人肌少症发生情况比较结果有统计学意义的变量作为自变量，是否发生肌少症为因变量进行Logistic回归分析，结果显示，年龄、吸烟、ADL、跌倒风险、营养状态和运动习惯是老年脑卒中病人肌少症发生的影响因素（P<0.05），见表2。

2.3 老年脑卒中病人肌少症风险预测模型的构建

2.3.1 老年脑卒中病人肌少症风险预测的Logistic模型

Logit（P）=-7.927+2.283×ADL（轻度功能障碍）+3.603×ADL（中度功能障碍）+3.788×ADL（重度功能障碍）+1.487×年龄（70～<75岁）+1.816×年龄（≥75岁）+1.513×吸烟+1.749×营养状态异常+2.047×跌倒风险（中风险）+2.595×跌倒风险（高风险）+0.922×运动习惯（偶尔）+2.209×运动习惯（从不）。根据Logistic回归分析筛选出的自变量制作列线图，见图1。对于1个特定病人，将各自变量值映射到得分轴上，将各得分累加即可得到总分， 随后根据总分在肌少症发生风险轴上做1条垂线，据此得到的点对应值即为该病人发生肌少症的风险概率值。

2.3.2 老年脑卒中病人肌少症风险预测决策树模型

根据Logistic回归分析筛选的预测因素构建决策树模型，并根据CP=0.01对决策树进行后剪枝，结果见图2。本研究构建的决策树模型根节点为年龄，共5个内部节点、7个结果节点和12条决策路径。各自变量的重要性由高到低分别为年龄、ADL、吸烟、运动习惯、营养状态。图中清晰地表达了在节点划分条件下发生肌少症和非肌少症的概率。

2.4 老年脑卒中病人肌少症风险预测模型的验证

对两种模型绘制ROC曲线，并根据ROC曲线下面积（AUC）和混淆矩阵评价模型效能。Logistic回归模型的AUC为0.959[95%CI（0.943，0.975）]，H?L检验χ²=1.328，P=0.995（>0.05），表明模型有较好的拟合优度；准确率为89.9%，灵敏度为88.0%，特异度为91.1%，阳性预测值为87.2%，阴性预测值为91.2%。决策树模型训练集和测试集的AUC分别为0.892[95%CI（0.853，0.928）]和0.826[95%CI（0.754，0.898）]，准确率分别为87.2%和78.8%，灵敏度分别为75.9%和69.1%，特异度分别为93.9%和84.6%，阳性预测值分别为88.3%和73.1%，阴性预测值分别为86.6%和81.9%。根据Logistic回归模型与决策树模型测试集绘制ROC曲线，见图3，表明两模型的预测效能均较好。

3  讨论

3.1 老年脑卒中病人肌少症发生现状

肌少症是脑卒中常见继发性疾病，可能与脑卒中后肌肉退化有关。Lee等^[21?23]研究表明，急性脑卒中病人肌少症患病率为8.5%～33.8%。陈长等^[24]使用SARC?F量表筛查首次发病的脑卒中病人，结果显示肌少症发生率为14.69%。本研究中，老年脑卒中病人肌少症发生率为37.6%，略高于Lee等^[21?24]研究结果，可能与本研究选取的病人为老年人且病人未被限制脑卒中发病次数有关。Mas等^[10]研究显示，脑卒中病人肌少症患病率为14%～54%，与本研究结果相似。脑卒中相关的肌少症会加速肌肉萎缩，与残疾、生活质量差、住院风险和死亡风险增高以及其他负面结局发生有紧密联系^[25]。因此，定期运用精准、可靠的工具对老年脑卒中病人肌少症发生风险进行筛查非常重要。医护人员在治疗脑卒中时也应采取相应干预措施预防或降低肌少症发生，促进功能恢复，提高病人生活质量。

3.2 肌少症发生的影响因素

3.2.1 年龄

本研究表明，年龄增大是老年脑卒中病人发生肌少症的危险因素。随着年龄增长，肌肉组织逐渐减少、质量和力量下降。Lee等^[21]一项关于脑卒中病人肌少症的研究显示，<50岁的病人肌少症发生率为2.9%，>70岁的病人肌少症发生率为12.0%，提示肌少症发病率与年龄呈正相关，与本研究结果相似。本研究决策树表明，年龄是老年脑卒中病人肌少症决策树模型的根节点，是影响老年脑卒中病人肌少症发生的关键性因素，当年龄<75岁时，老年脑卒中病人肌少症发生率为15%；当年龄≥75岁时，老年脑卒中病人肌少症发生率为72%，表明年龄越大的老年脑卒中病人肌少症发生率越高。这可能是由于肌肉力量下降与年龄增长直接相关，且随着年龄增长，性激素和生长激素下降，骨骼肌生长也会受到影响^[26]。医护人员应根据实际情况，帮助不同年龄段老年脑卒中病人制定有针对性的干预措施，最大限度地延缓年龄增长导致的肌少症。

3.2.2 ADL

本研究表明，功能障碍加重、ADL降低是老年脑卒中病人肌少症发生的独立危险因素，与蒋自牧等^[27]研究结果一致。主要原因可能是肢体运动功能障碍严重的老年脑卒中病人ADL受影响较大，肌肉力量逐渐下降，导致肌少症发生风险增加^[27?28]。决策树表明，ADL是仅次于年龄的重要决策因素，当年龄<75岁，ADL为生活自理或轻度功能障碍时，老年脑卒中病人肌少症发生率为9%；当年龄<75岁，ADL为中度功能障碍或重度功能障碍时，老年脑卒中病人肌少症发生率升高至52%；当年龄≥75岁，ADL为生活自理时，老年脑卒中病人肌少症发生率为24%；当年龄≥75岁，ADL为轻度功能障碍或中度功能障碍或重度功能障碍时，老年脑卒中病人肌少症发生率增加为82%。提示随着日常生活自理能力降低，肌少症发生率逐渐升高。因此，护理人员既要适时评估病人的日常生活自理能力，还应鼓励病人在病情允许的情况下参与一定的日常活动，积极参加康复运动，增加接触社会的机会，从而有效减少肌少症发生风险。

3.2.3 营养状态

本研究表明，营养状态异常的老年脑卒中病人更易发生肌少症，与Yoshimura等^[29]研究结果相似。脑卒中病人往往伴有肢体功能障碍，有时需要依靠他人才能摄入食物；同时有24.3%～52.6%的脑卒中病人还会伴有吞咽障碍，与未发生过脑卒中的老年人相比，营养不良风险增大^[30]。决策树结果显示，营养状态是肌少症发生的重要影响因素，当年龄<75岁，ADL为中度功能障碍或重度功能障碍，营养状态正常时，肌少症发生率为18%；当年龄<75岁，ADL为中度功能障碍或重度功能障碍，营养状态异常时，老年脑卒中病人肌少症发生率增加至79%。相关文献报道，蛋白质代谢是肌肉代谢的基础，当身体不能摄取足够的蛋白质而导致营养不良时，会开始消耗肌肉，从而导致肌少症发生^[31]。因此，家属及医护人员应关注老年脑卒中病人的饮食习惯及营养状况，及时补充营养，预防肌少症发生。

3.2.4 運动习惯

本研究显示，偶尔或从不运动是老年脑卒中病人肌少症发生的独立危险因素，与Mas等^[10]的研究一致。一项针对健康老年人的研究报告显示，卧床休息10 d就会导致腿部肌肉质量减少6%，肌肉力量减少16%^[32]；而脑卒中病人常因肢体功能障碍或病情影响需卧床休息，加大了肌少症发生风险。决策树结果显示，经常或偶尔运动的老年脑卒中病人肌少症发生率较低，而从不运动的老年脑卒中病人肌少症发生率较高，说明运动习惯是老年脑卒中病人肌少症发生的重要影响因素。已有研究发现，对脑卒中病人实施抗阻训练或联合运动方案时，其肌肉力量和肌肉质量可能得到提高，从而减少肌少症的发生^[33]。可见，身体运动是获得和保持肌肉力量直接、有效的手段，应鼓励脑卒中病人在病情允许的情况下尽可能参加活动，增进肌肉质量和力量，从而有效治疗和缓解肌少症的发生和发展。

3.2.5 吸烟

本研究显示，吸烟是老年脑卒中病人肌少症发生的影响因素，与Prokopidis等^[34]研究结果一致。已有研究显示，吸烟可增强氧化应激反应、激活慢性炎症状态，从而导致肌少症发生^[34]。决策树结果显示，吸烟会导致老年脑卒中病人肌少症的发生率增高。Lee等^[35]研究结果显示，目前吸烟与较低的肌肉质量相关，吸烟可能是亚洲老年人肌少症发生的危险因素之一。医护人员应注重老年脑卒中病人的吸烟状况，鼓励其戒烟，降低肌少症发生。

3.2.6 跌倒风险

本研究显示，跌倒风险增高为老年脑卒中病人肌少症发生的独立危险因素，与Aibar?Almazán等^[36]的研究结果（存在跌倒风险的老年人肌少症发生率较高）一致。跌倒风险增高提示病人有跌倒倾向，对此病人存在害怕跌倒的心理，进而会减少活动，增加了肌少症发生风险。但跌倒风险在本研究的决策树模型中未被纳入，原因可能为与其他变量相比，其重要性较低。陈雨翔等^[37]研究表明，肌少症病人比例会随着跌倒风险的增加而增加。因此，医护人员应定期评估老年脑卒中病人的跌倒风险。

3.3 老年脑卒中病人肌少症风险预测模型的预测效能较好

本研究基于Logistic回归和决策树两种方法构建了列线图和决策树模型。两种模型的AUC均较高，表明模型区分度较好；其特异度和灵敏度较高，表明模型在预测老年脑卒中病人肌少症时误诊和漏诊可能性较小，提示两种模型的预测能力较好。预测模型可以将老年脑卒中病人肌少症发生风险进行可视化，有利于临床护理人员对老年脑卒中病人的肌少症发生情况进行动态评估，并根据各风险因素对病人实施有针对性的干预措施，降低其肌少症发生率，从而提高其生活质量。

4  小结

本研究显示，老年脑卒中病人肌少症发生率较高。构建的Logistic回归模型表明，年龄、吸烟、ADL、跌倒风险、营养状态和运动习惯是老年脑卒中病人肌少症发生的影响因素（P<0.05）；而在决策树模型中未能体现跌倒风险对肌少症的影响，可能与其重要性较低有关。两种模型预测能力较好，能够根据其纳入的危险因素筛选高危人群。医护人员应早期对病人进行评估，并根据危险因素采取相应的干预策略预防或降低肌少症的发生，促进病人功能恢复，提高病人生活质量。本研究具有一定的局限性：1）样本仅来源于辽宁省某三级甲等医院神经内科，且纳入的影响因素不全面；2）由于肌少症有多种筛查与诊断方法，不同方法的患病率评价结果可能存在一定差异。建议今后纳入更多影响因素并联合多中心进行研究，扩大样本量，采用多种筛查与诊断方法，进一步完善模型预测效能，对老年脑卒中病人肌少症的降低提供参考。

参考文献：

[1]  田洋，余茜.成都主城区社区脑卒中病人残疾率及其相关因素分析[J].中国康复医学杂志，2019，34（11）：1361-1364.

TIAN Y， YU X.Analysis of disability rate and related factors of community stroke patients in Chengdu city[J].Chinese Journal of Rehabilitation Medicine，2019，34（11）：1361-1364.

[2]  LI W，YUE T，LIU Y M.New understanding of the pathogenesis and treatment of stroke-related sarcopenia[J].Biomed Pharmacother，2020，131：110721.

[3]  FERRANDI P J，KHAN M M，PAEZ H G，et al.Transcriptome analysis of skeletal muscle reveals altered proteolytic and neuromuscular junction associated gene expressions in a mouse model of cerebral ischemic stroke[J].Genes（Basel），2020，11（7）：726.

[4]  SCHERBAKOV N，VON HAEHLING S，ANKER S D，et al.Stroke induced sarcopenia：muscle wasting and disability after stroke[J].Int J Cardiol，2013，170（2）：89-94.

[5]  FIELDING R A，VELLAS B，EVANS W J，et al.Sarcopenia：an undiagnosed condition in older adults.current consensus definition：prevalence，etiology，and consequences.international working group on sarcopenia[J].J Am Med Dir Assoc，2011，12（4）：249-256.

[6]  ROSENBERG I H.Sarcopenia：origins and clinical relevance[J].J Nutr，1997，127（5 Suppl）：990S-991S.

[7]  MATSUSHITA T，NISHIOKA S，TAGUCHI S，et al.Effect of improvement in sarcopenia on functional and discharge outcomes in stroke rehabilitation patients[J].Nutrients，2021，13（7）：2192.

[8]  中华医学会神经病学分会，中华医学会神经病学分会脑血管病学组.中国各类主要脑血管病诊断要点2019[J].中华神经科杂志，2019，52（9）：710-715.

Chinese Medical Association Neurology Branch， Cerebrovascular Disease Group of Chinese Medical Association Neurology Branch.Diagnostic criteria of cerebrovascular diseases in China（version 2019）[J].Chinese Journal of Neurology，2019，52（9）：710-715.

[9]  高永祥，张晋昕.Logistic回归分析的样本量确定[J].循证医学，2018，18（2）：122-124.

GAO Y X，ZHANG J X.Determination of sample size in logistic regression analysis[J].The Journal of Evidence-Based Medicine，2018，18（2）：122-124.

[10]  MAS M F，GONZ?LEZ J，FRONTERA W R.Stroke and sarcopenia[J].Curr Phys Med Rehabil Rep，2020，8（4）：452-460.

[11]  MALMSTROM T K，MORLEY J E.SARC-F：a simple questionnaire to rapidly diagnose sarcopenia[J].J Am Med Dir Assoc，2013，14（8）：531-532.

[12]  王曉英.老年肌少症问卷的汉化及运动疗法对肌少症治疗效果的meta分析[D].石家庄：河北医科大学，2018.

WANG X Y.A meta-analysis of the Sinicization of the senile sarcopenia questionnaire and the effect of exercise therapy on the treatment of sarcopenia[D].Shijiazhuang：Hebei Medical University，2018.

[13]  MAHONEY F I，BARTHEL D W.Functional evaluation：the barthel index[J].Md State Med J，1965，14：61-65.

[14]  巫嘉陵，安中平，王世民，等.脑卒中患者日常生活活动能力量表的信度与效度研究[J].中国现代神经疾病杂志，2009，9（5）：464-468.

WU J L，AN Z P，WANG S M，et al.Study on reliability and validity of ADL Scale in patients with stroke[J].Chinese Journal of Contemporary Neurology and Neurosurgery，2009，9（5）：464-468.

[15]  GOBBENS R J，VAN ASSEN M A，LUIJKX K G，et al.Testing an integral conceptual model of frailty[J].J Adv Nurs，2012，68（9）：2047-2060.

[16]  RUBENSTEIN L Z，HARKER J O，SALV? A，et al.Screening for undernutrition in geriatric practice：developing the Short-Form Mini-Nutritional Assessment（MNA-SF）[J].J Gerontol A Biol Sci Med Sci，2001，56（6）：M366-M372.

[17]  HOYL M T，ALESSI C A，HARKER J O，et al.Development and testing of a five-item version of the Geriatric Depression Scale[J].J Am Geriatr Soc，1999，47（7）：873-878.

[18]  MORSE J M，BLACK C，OBERLE K，et al.A prospective study to identify the fall-prone patient[J].Soc Sci Med，1989，28（1）：81-86.

[19]  NASREDDINE Z S，PHILLIPS N A，B?DIRIAN V，et al.The Montreal Cognitive Assessment，MoCA：a brief screening tool for mild cognitive impairment[J].J Am Geriatr Soc，2005，53（4）：695-699.

[20]  ZIMET G D，POWELL S S，FARLEY G K，et al.Psychometric characteristics of the Multidimensional Scale of Perceived Social Support[J].J Pers Assess，1990，55（3/4）：610-617.

[21]  LEE H，LEE I H，HEO J，et al.Impact of sarcopenia on functional outcomes among patients with mild acute ischemic stroke and transient ischemic attack：a retrospective study[J].Front Neurol，2022，13：841945.

[22]  ABE T，YOSHIMUA Y，IMAI R，et al.A combined assessment method of phase angle and skeletal muscle index to better predict functional recovery after acute stroke[J].J Nutr Health Aging，2022，26（5）：445-451.

[23]  NOZOE M，KUBO H，KANAI M，et al.Reliability and validity of measuring temporal muscle thickness as the evaluation of sarcopenia risk and the relationship with functional outcome in older patients with acute stroke[J].Clin Neurol Neurosurg，2021，201：106444.

[24]  陳长，刘辉，蔺阳刚，等.首次发病的老年轻型急性缺血性脑中病人肌少症与脑卒中后认知障碍相关性研究[J].中华老年医学杂志，2021，40（4）：444-449.

CHEN C，LIU H，LIN Y G，et al.Correlation between sarcopenia and cognitive impairment after stroke in elderly patients with mild acute ischemic brain disease for the first time[J].Chinese Journal of Gerontology，2021，40（4）：444-449.

[25]  SCHERBAKOV N，DOEHNER W.Sarcopenia in stroke--facts and numbers on muscle loss accounting for disability after stroke[J].J Cachexia Sarcopenia Muscle，2011，2（1）：5-8.

[26]  GULIGOWSKA A，CHRZASTEK Z，PAWLIKOWSKI M，et al.Gonadotropins at advanced age-perhaps they are not so bad？correlations between gonadotropins and sarcopenia indicators in older adults[J].Front Endocrinol（Lausanne），2021，12：797243.

[27]  蒋自牧，梁嘉辉，黎建乐，等.脑卒中后瘫痪肢体肌肉萎缩和失神经支配研究进展[J].中华神经科杂志，2020，53（12）：1063-1067.

JIANG Z M，LIANG J H，LI J L，et al.Advances of muscular atrophy and denervation after stroke[J].Chinese Journal of Neurology，2020，53（12）：1063-1067.

[28]  洪静，饶素玉，周海桃，等.肌少症训练综合干预在脑卒中康复中应用价值及对肌少症的预防作用[J].中华全科医学，2021，19（6）：1022-1025.

HONG J，RAO S Y，ZHOU H T，et al.Application value of comprehensive myopenia training intervention in stroke rehabilitation training and its preventive effect on myopenia[J].Chinese Journal of General Practice，2021，19（6）：1022-1025.

[29]  YOSHIMURA Y，BISE T，SHIMAZU S，et al.Effects of a leucine-enriched amino acid supplement on muscle mass，muscle strength，and physical function in post-stroke patients with sarcopenia：a randomized controlled trial[J].Nutrition，2019，58：1-6.

[30]  薄莹莹，莫永珍，欧阳晓俊，等.老年肌少症住院病人合并吞咽功能障碍的影響因素分析[J].实用老年医学，2022，36（6）：632-635.

BO Y Y，MO Y Z，OUYANG X J，et al.Analysis of influencing factors of dysphagia in hospitalized elderly patients with sarcopenia[J].Practical Geriatrics，2022，36（6）：632-635.

[31]  TIELAND M，DIRKS M L，VAN DER ZWALUW N，et al.Protein supplementation increases muscle mass gain during prolonged resistance-type exercise training in frail elderly people：a randomized，double-blind，placebo-controlled trial[J].J Am Med Dir Assoc，2012，13（8）：713-719.

[32]  KORTEBEIN P，FERRANDO A，LOMBEIDA J，et al.Effect of 10 days of bed rest on skeletal muscle in healthy older adults[J].JAMA，2007，297（16）：1772-1774.

[33]  杨文杰，李艳丽，周彦君，等.渐进性有氧-抗阻训练在预防脑卒中后肌少症发生中的应用及对肌力水平、运动耐力的影响[J].实用医院临床杂志，2023，20（1）：44-47.

YANG W J，LI Y L，ZHOU Y J，et al.Application of progressive aerobic-resistance training in the prevention of post-stroke sarcopenia and its influence on muscle strength and exercise tolerance[J].Practical Journal of Clinical Medicine，2023，20（1）：44-47.

[34]  PROKOPIDIS K，WITARD O C.Understanding the role of smoking and chronic excess alcohol consumption on reduced caloric intake and the development of sarcopenia[J].Nutr Res Rev，2022，35（2）：197-206.

[35]  LEE J S W，AUYEUNG T W，KWOK T，et al.Associated factors and health impact of sarcopenia in older Chinese men and women：a cross-sectional study[J].Gerontology，2007，53（6）：404-410.

[36]  AIBAR-ALMAZ?N A，MART?NEZ-AMAT A，CRUZ-D?AZ D，et al.Sarcopenia and sarcopenic obesity in Spanish community-dwelling middle-aged and older women：association with balance confidence，fear of falling and fall risk[J].Maturitas，2018，107：26-32.

[37]  陈雨翔，刘阳，吴爱萍，等.探讨社区老年女性不同阶段肌少症与跌倒风险的相关性研究[J].浙江医学，2019，41（6）：550-554.

CHEN Y X，LIU Y，WU A P，et al.Severity of sarcopenia is associated with postural balance and risk of falls in community-dwelling eldely women[J].Zhejiang Medical Journal，2019，41（6）：550-554.

（收稿日期：2023-05-22；修回日期：2024-02-27）

（本文編辑 陈琼）