• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      腦卒中后運動功能恢復預測模型的研究進展

      2023-02-25 15:43:24宋美璇趙春艷徐卓珺
      上海護理 2023年12期
      關鍵詞:上肢變量康復

      宋美璇,趙春艷,李 剛,徐卓珺

      (1. 同濟大學醫(yī)學院,上海 200092; 2. 同濟大學附屬東方醫(yī)院,上海 200120)

      腦卒中,俗稱中風,是一種常見的器質(zhì)性腦損傷導致的腦血管疾病[1],是世界第二大死因和第三大致殘原因。在我國,高達75%的腦卒中后幸存者存在不同程度的肢體功能障礙,顯著增加了卒中復發(fā)、死亡率上升等不良后果的風險,同時也降低了患者的生活質(zhì)量、增加了家庭和社會的經(jīng)濟負擔[2]。因此,最大限度地減少傷殘、促進肢體功能康復、改善患者活動能力和生活質(zhì)量成為腦卒中患者護理工作的重心。而準確地預測腦卒中后患者的運動功能恢復情況是關鍵,有助于發(fā)掘患者的具體運動需求和潛力,減少功能損害,優(yōu)化康復方案,最大程度地降低經(jīng)濟負擔。近年來,預測腦卒中功能恢復的各種方法受到了研究人員的廣泛關注[3]。本文主要對近年來腦卒中后運動功能恢復的預測模型進行綜述,以期為腦卒中患者的功能預后工作提供參考。

      1 傳統(tǒng)統(tǒng)計學預測模型

      1.1 局部運動功能恢復預測模型

      1.1.1 Prabhakaran 比例恢復模型由Prabhakaran等[4]于2008 年基于41 例腦卒中患者的臨床資料研發(fā),以Fugl-Meyer 上肢運動功能(Fugl-Meyer Assessment-Upper Extremity,F(xiàn)MA-UE)評分變化(即梗死后3 月、6月FMA-UE 減去梗死后24~72 h FMA-UE 的差值)作為結(jié)局指標,包括患病入院時FMA-UE 評分、大腦皮層下病變體積、年齡和重新評估時間4 項危險因素,用于預測腦卒中患者上肢運動恢復情況。其中初始FMAUE 評分是結(jié)果預測的主要指標,初始FMA-UE 評分≤45 時,R2為0.90,提示該模型有較高的預測準確性。Winters 等[5]在211 例腦卒中患者中對Prabhakaran 比例恢復模型進行外部驗證,結(jié)果顯示,該模型的靈敏度為80%、特異度為89%。該模型在兩隊列中都表現(xiàn)出了相似的良好性能,表明腦卒中患者上肢運動恢復情況與患病后運動功能初始損傷程度緊密相關,但其只在輕至中度腦卒中患者中適用,存在更嚴重腦卒中缺陷(如嚴重手臂損傷、手指不伸展、面癱、嚴重腿部損傷等)的患者的上肢運動功能恢復曲線和Prabhakaran 比例恢復模型不吻合,同時,由于Prabhakaran 等[4]研究的樣本量較小,模型的可行性有待進一步確認。

      1.1.2 Nijland 上肢運動預測模型由Nijland 等[6]于2010 年基于188 例缺血性腦卒中患者的臨床資料研發(fā),以上肢動作研究量表(Action Research Arm Test,ARAT)評分作為結(jié)果指標,包括FMA-UE 中手指伸展維度評分和肩外展運動力指數(shù)(Motricity Index,MI)2個變量,用于預測缺血性腦卒中患者患病6 個月時的上肢功能恢復情況。其中手指伸展維度評分的貢獻度較大(OR=58.67,95%CI為13.83~257.17),ARAT≥10分時,該模型的靈敏度為89%~95%、特異度為83%。該模型還指出在腦卒中發(fā)病后第2 天能進行肩部外展和手指伸展的上肢運動障礙患者在6 個月后上肢恢復一定靈活性的概率為98%,而在腦卒中發(fā)病后第2 天不能進行肩部外展和手指伸展的患者在6 個月后上肢恢復一定靈活性的概率為25%。Veerbeek 等[7]納入85 例腦卒中患者對Nijland 上肢運動預測模型進行外部驗證,結(jié)果顯示,ARAT≥32 分時,ROC 曲線下面積(area under the ROC curve,AUC)為0.86~0.90、靈敏度為100%、特異度為28%~52%。該模型只包含量表評估指標,易于執(zhí)行,但ARAT 評分為10~57 分時所代表的上肢各項運動功能恢復情況較多,導致預測模型的臨床用途尚不能清晰明確。

      1.1.3 Veerbeek 步行預測模型由Veerbeek 等[8]于2011年基于154例無法獨立行走的腦卒中患者的臨床資料研發(fā),以功能性步行能力量表(Functional Ambulation Category Scale,F(xiàn)AC)評分作為結(jié)局指標,包括軀干控制測試(Trunk Control Test,TCT)中的坐位維度評分和患側(cè)下肢MI 評分2 個變量,用于預測腦卒中患者發(fā)病后6 個月時實現(xiàn)獨立行走概率。其中坐位維度評分的貢獻度較大(OR=33.33,95%CI為10.57~105.11),當坐位維度評分和下肢MI 評分均≥25 分時,該模型的靈敏度為93%~94%、特異度為63%~83%,且指出患者在6 個月內(nèi)恢復獨立行走的概率約為98%。該模型由Veerbeek 等[9]于2022 年在兩獨立腦卒中患者隊列(樣本量分別為39 例、78 例)中進行外部驗證,結(jié)果顯示,AUC 分別為0.68~0.92 和0.80~0.85,提示該模型對預測腦卒中患者發(fā)病后6 個月時恢復獨立行走具有一定的作用。該模型包含的預測因子較少,且具有腦卒中發(fā)病后第2、5 和9 天3 個基線評估時間點和腦卒中發(fā)病后6 個月的主要終點評估時間點,使臨床應用更為簡便及明確。此外,Veerbeek 步行預測模型以多元方程的形式呈現(xiàn),可將其轉(zhuǎn)換為應用程序或易于記憶的決策樹來提高適用性。

      1.1.4 修訂版基本動作評定量表(Revised Version of the Ability for Basic Movement Scale,AMBSⅡ)由Kinoshita 等[10]于2017 年基于374 例康復期腦卒中患者臨床資料研發(fā),以出院時FAC 評分作為結(jié)果變量。AMBSⅡ評分包括翻身、坐起、坐位保持、站起和立位保持5 項指標,總分5~30 分,用于預測腦卒中后患者在急性期后的康復階段能否實現(xiàn)獨立行走。其中坐位保持和恢復行走功能之間的關聯(lián)最顯著(HR=9.48,95%CI為6.47~13.89),當AMBSⅡ評分≥16分,AUC為0.91、靈敏度為93%、特異度為71%。Yang 等[11]在176例康復期腦卒中患者中對ABMSⅡ進行外部驗證,結(jié)果顯示,ABMSⅡ評分≥18 分時,AUC 為0.86、靈敏度為87%、特異度為68%。盡管AMBSⅡ評分5 項內(nèi)容所需評估時間短,但其僅對腦卒中患者在接受康復治療期間的行走功能進行評估,在預測康復治療出院后行走方面的長期效果尚不清楚。

      1.1.5 Bland 步行預測模型由Bland 等[12]于2012 年基于腦卒中康復系統(tǒng)數(shù)據(jù)庫中110 例患者的相關資料研發(fā),以10 m 步行速度作為結(jié)果指標(以0.4m/s 速度為界),包括功能獨立性評定(Functional Independence Measures,F(xiàn)IM)中行走項目評分和伯格平衡量表(Berg Balance Scale,BBS)評分2 個變量,用于預測腦卒中患者在出院時能否實現(xiàn)家庭步行或社區(qū)步行。當患者入院時BBS 評分≤20 分且FIM 中行走項目評分為1~2 分時,模型的靈敏度為91%、特異度為65%。同時,Bland等[12]也將模型在159 例腦卒中患者的單獨隊列中進行了外部驗證,模型靈敏度為94%、特異度為60%。相較于ABMSⅡ,Bland步行預測模型(共16項條目)評估至少需要20 min,用時較長,但其能在患者出院時就對患者當時情況進行相應評估及預測。此外,該模型開發(fā)和驗證的兩個樣本都來自同一個康復數(shù)據(jù)庫,因此未來需開展多中心的前瞻性研究以驗證該模型在預測腦卒中患者在出院時能否實現(xiàn)家庭步行或社區(qū)步行的效果。

      1.2 整體運動功能恢復預測模型

      1.2.1 Maugeri 模型由Scrutinio 等[13]于2017 年基于717例康復期腦卒中患者臨床資料研發(fā),以出院時FIM中運動維度評分作為主要結(jié)局變量,分為模型1(包括年齡、從腦卒中發(fā)生到入院康復治療的時間、入院時FIM 中運動和認知維度評分、是否單側(cè)忽略5 個變量)和模型2(包括年齡、性別、從腦卒中發(fā)生到入院康復治療的時間、入院時FIM 中運動和認知維度評分5 個變量),分別用于預測腦卒中患者康復后運動功能改善的可能性和獨立生活的可能性。其中入院時FIM 中運動維度評分的貢獻度較大(模型1、模型2的OR值分別為1.15、1.16),模型1、模型2 的AUC 分別為0.88、0.91。該研究者[13]也在875 例腦卒中患者中對該模型進行外部驗證,結(jié)果發(fā)現(xiàn)模型1、模型2 的AUC 分別為0.87、0.85,提示Maugeri 模型的兩個子模型均具有良好的預測能力。García-Rudolph 等[14]在710 例腦卒中患者中對該模型進行外部驗證,結(jié)果顯示Maugeri模型中的兩個子模型AUC 分別為0.87 和0.80,再次表明該模型預測能力較好。此外,該模型的預測因素被組合成一個易于使用且準確的算法,與網(wǎng)頁計算器結(jié)合,便于醫(yī)師在臨床中使用,但其設置的從腦卒中發(fā)病到介入康復的時間中位數(shù)為15~25 d、康復時間平均為52~55 d,均長于其他醫(yī)療保健機構(gòu)腦卒中患者發(fā)病到介入康復的時間,從而限制了該模型的通用性。

      1.2.2 Kwah 運動預測模型由Kwah 等[15]于2013 年基于114 例腦卒中患者的臨床資料研發(fā),以運動功能評估量表(Motor Assessment Scale,MAS)中步行、手部運動和手部精細活動3 個維度評分作為結(jié)局指標,分為模型1、模型2[均包括年齡和國立衛(wèi)生研究院卒中量表(National Institutes of Health Stroke Scale,NIHSS)2個變量]和模型3(包括NIHSS 評分1 個變量),分別用于預測腦卒中患者是否能夠在發(fā)病后6 個月恢復獨立行走、上肢功能(移動杯子、自己進食)。其中NIHSS評分的貢獻度最大(OR分別為0.78、0.88 和0.80),AUC分別為0.84、0.73 和0.82,表明該模型具有較高的區(qū)分力以及對獨立行走和上肢功能的預測能力。Langerak等[16]于2021 年在914 例腦卒中患者中對Kwah 運動預測模型中的模型1 進行外部驗證,結(jié)果顯示AUC 為0.77,提示模型有良好的預測準確性,但低于原本Kwah 等[15]的預測結(jié)果,因而對模型進行更新,增加了斯堪的納維亞卒中量表(Scandinavian Stroke Scale,SSS)總分和下肢肌力維度評分2 項變量,結(jié)果顯示更新后模型的AUC 為0.82、靈敏度為0.85、特異度為0.68。

      1.2.3 Douiri 日常生活活動預測模型由Douiri 等[17]于2017 年基于495 例腦卒中患者的臨床資料研發(fā),以腦卒中患者發(fā)病后1 年內(nèi)8 個時間點的Barthel 指數(shù)量表評分作為結(jié)局指標,包括年齡、格拉斯哥昏迷量表評分、NIHSS 評分和腦卒中亞型4 個變量,用于預測腦卒中患者日常生活活動功能恢復情況。該模型經(jīng)內(nèi)部交叉驗證顯示R2為0.77,提示模型預測準確性較好。此外,Douiri 等[17]在1 049 例腦卒中患者中對該模型進行了外部驗證,結(jié)果顯示,R2為0.83,當腦卒中患者發(fā)病后3個月的Barthel指數(shù)<8分時,AUC為0.94、靈敏度為71%、特異度為96%。該模型不局限于在單個時間點對患者日常生活活動功能恢復情況進行預測,其恢復曲線可以較為準確的預測腦卒中患者日常生活活動功能恢復的進展,但模型中的每個變量的恢復曲線反映的是患者恢復模式,并不能精確表達其概率,且其應用過程中操作不簡便,影響臨床人員的使用率。因此,可以將模型轉(zhuǎn)換為預測計算器等形式,提升其臨床使用性能。

      1.2.4 洛桑卒中量表(Acute Stroke Registry and Analysis of Lausanne, ASTRAL)由Ntaios 等[18]于2012 年基于1 645 例急性缺血性腦卒中(acute ischemic stroke,AIS)患者臨床資料研發(fā),以改良Rankin 量表(Modified Rankin Scale,mRS)評分作為結(jié)局指標,ASTRAL 評分包括年齡、NIHSS 評分、腦卒中發(fā)病到就診時間、視野范圍缺損、入院時血糖和意識水平6 個變量,用于有效預測急性缺血性卒中患者患病后3 個月時的功能結(jié)局。其中發(fā)病到就診時間和意識水平所占結(jié)局預測結(jié)果的比重最大(OR分別為1.65 和2.20),模型的AUC 為0.85,提示其預測效果較好。該研究者[18]也將該模型在雅典和維也納兩個AIS 患者獨立隊列中(樣本量分別為1 659 例和653 例)進行了外部驗證,結(jié)果顯示AUC 分別為0.94 和0.71,兩個隊列合并后AUC為0.90,表明模型具有很好的鑒別能力。Zhang等[19]在中國26 家醫(yī)院納入3 870 例AIS 患者對ASTRAL 進行驗證,結(jié)果顯示,C 統(tǒng)計量為0.78,ASTRAL 評分≥20 分時,靈敏度為74%、特異度為69%。陳云霞等[20]則進一步將ASTRAL 評分分為3 個等級,即<19 分為預后低風險、19~23分為中風險、≥24分為高風險。

      1.2.5 急性缺血性腦卒中動態(tài)功能預后(Dynamic Functional Status after Acute Ischemic Stroke,DFSAIS)預測模型由Ji 等[21]于2014 年基于中國國家卒中登記處7 215例AIS患者相關資料研發(fā),以mRS評分作為結(jié)局指標,包括年齡、性別、當前吸煙、糖尿病史、房顫病史、卒中前生活自理、他汀類藥物應用、入院NIHSS評分和入院血糖9個變量,用于預測AIS患者出院時、3個月、6個月和1年的功能結(jié)局。其中腦卒中前生活自理對預測結(jié)果的貢獻度較大(OR分別為1.73、1.80、1.96 和1.89),模型的AUC 為0.84~0.85,對AIS后不同時間點的良好功能預后均顯示出較好的判斷能力。同時,該研究者[21]在4 811 例AIS 患者中對該模型進行外部驗證,結(jié)果顯示AUC 為0.83~0.84,表明模型具有良好的預測準確性和穩(wěn)定性。DFS-AIS 預測模型采用Web 的計算器進行概率計算,有助于其在臨床應用,且其在預測急性腦卒中后3 個月的功能恢復方面比ASTRAL表現(xiàn)出更好的區(qū)分力[21]。

      2 人工智能建立模型

      2.1 決策樹算法Stinear 等[22]基于207 例腦卒中患者相關資料,以ARAT 評分作為結(jié)局指標,采用預測恢復潛力2 (Predicting Recovery Potential 2,PREP2)算法建立了由年齡、NIHSS 評分、運動誘發(fā)電位(Motor Evoked Potentials,MEPs)、肩外展和手指伸展肌力等級(Shoulder Abduction Finger Extension,SAFE)4 個變量組成的決策樹,用于預測腦卒中后3 個月上肢功能恢復情況。結(jié)果顯示,該模型對腦卒中患者3 個月后上肢功能恢復的預測準確率達75%,表明該模型在腦卒中后上肢功能的預后評估具有一定的潛在價值。PREP2算法解決了傳統(tǒng)模型將預測結(jié)果二等分造成的結(jié)果不精確問題,且將臨床評估與神經(jīng)電生理檢查相結(jié)合,有利于其在臨床實踐中的應用。Smith 等[23]基于41 例腦卒中患者的臨床評估資料、經(jīng)顱磁刺激和磁共振成像檢查報告,以FAC 評分作為結(jié)局指標,采用腦卒中后獨立行走時間(time to walking independently after STroke,TWIST)算法建立了由TCT 評分和髖關節(jié)伸展力量評分2 個變量組成的決策樹,用于預測腦卒中患者何時恢復獨立行走。結(jié)果顯示,該模型靈敏度為80%~100%、特異度為90%~100%,對腦卒中患者恢復獨立行走的預測準確率達95%。不同于傳統(tǒng)統(tǒng)計學預測模型,TWIST 算法是基于腦卒中后獨立行走所需時間進行預測且以決策樹形式呈現(xiàn),但由于研究樣本量較少,因此仍需經(jīng)大樣本、多中心研究驗證后推廣應用。

      2.2 人工神經(jīng)網(wǎng)絡模型Li 等[24]基于中國國家晚期腦卒中中心1 735 例患者的臨床數(shù)據(jù),以mRS 評分作為結(jié)局指標,采用深度神經(jīng)網(wǎng)絡(deep neural network,DNN)構(gòu)建由年齡、入院時NIHSS 評分、發(fā)病前mRS 評分、空腹血糖和肌酸酐5 個變量組成的預測模型,用于預測中國腦卒中患者患病后6 個月時的運動功能。結(jié)果顯示,AUC 為0.87、靈敏度為56%、特異度為89%,提示該模型的預測效果較好。Kim 等[25]基于接受腦卒中康復治療的1 056 例腦卒中患者臨床資料,運用DNN和傳統(tǒng)logistic 回歸方法分別構(gòu)建均由年齡、性別、腦卒中類型(梗死或出血)和MEPs等14個變量組成的模型,用于預測腦卒中患者患病后6 個月時上下肢運動功能的恢復情況。結(jié)果顯示,這2 個模型對于上肢和下肢運動功能預測的AUC 分別為0.91、0.87 和0.82、0.77,均具有較好的預測能力。但與采用logistic 回歸構(gòu)建的模型相比,采用DNN 構(gòu)建的模型預測準確性更高,上肢運動功能恢復情況準確性高于下肢,且采用DNN 構(gòu)建的模型對數(shù)據(jù)類型要求不高、對資料利用度高,能夠較好地擬合數(shù)據(jù),更適合于腦卒中患者運動功能的預測。

      3 腦卒中后運動功能恢復預測模型的比較分析

      3.1 腦卒中后運動功能恢復預測模型的研究方法比較從研究設計方面來看,上述研究中有5 項研究為前瞻性研究[4,6,8,15,17],9項為回顧性研究[10,12-13,18,21-25]?;仡櫺匝芯揩@取資料便利,但可能存在重要信息缺失的情況,最終會影響模型的預測準確性;前瞻性研究獲取資料更為全面,能更準確地探討危險因素與運動功能恢復之間的關系。從研究對象上看,多數(shù)模型都是針對進行康復治療的腦卒中患者,不能代表所有患者,可能會導致預測模型出現(xiàn)偏差。在數(shù)據(jù)分析方法上,傳統(tǒng)的logistic 回歸最常用,基于機器學習的預測模型使用較少,上述研究均證實后者的預測準確性明顯優(yōu)于前者,且能更好地挖掘復雜多變的臨床數(shù)據(jù)中的潛在規(guī)律信息,從而將規(guī)律應用于臨床,但目前機器學習模型只進行了內(nèi)部驗證,且其需要在大數(shù)據(jù)的支持下進行精準的計算,對運行環(huán)境要求高。從研究應用上來看,預測模型主要應用于早期運動功能恢復預測,目前尚不清楚中風后早期改善效果能否長期保持,缺乏對遠期功能恢復的探討。

      3.2 腦卒中后運動功能恢復預測模型影響因素的比較關于卒中后運動功能恢復預測的研究,多從患者的臨床基本資料入手,如年齡、NIHSS、血糖水平和入院時運動功能等。單純依據(jù)臨床因素雖能在一定范圍內(nèi)能預測卒中康復,但其預測的效度有限。有學者發(fā)現(xiàn)結(jié)合MEPs 和腦卒中病變大小等神經(jīng)電生理檢查和影像學標志物能夠提高預測的準確性[26]。研究發(fā)現(xiàn),在腦卒中后7 d 內(nèi)可以誘發(fā)MEPs 的患者的上肢恢復優(yōu)于在此期間沒有MEPs 的患者[27]。隨著近年研究的開展,研究者們也發(fā)現(xiàn)生物學標志物與運動恢復之間存在相關性。一項薈萃研究表明,白細胞、估計腎小球濾過率和半乳糖凝集素-1 等61 種獨立的預后生物標志物可以預測腦卒中患者短期和長期運動功能恢復[28]。此外,預測模型中上肢、下肢運動功能的影響因素也存在差異,腦卒中后上肢恢復最重要的預測因素似乎是運動損傷或功能的初始嚴重程度[3],而下肢運動恢復最佳的預測因素似乎是坐位平衡和軀干控制等平衡功能評估[29]。Lee 等[30]的研究也曾發(fā)現(xiàn)上肢和下肢運動功能恢復因素之間的不同,表明中風后上肢和下肢的恢復機制不同,上肢運動功能恢復與年齡、NIHSS、皮質(zhì)脊髓束損傷和病變體積等有關,而下肢運動功能恢復與初始簡易智力狀態(tài)檢查量表評分等有關。

      4 小結(jié)

      腦卒中后運動恢復的預測對于患者康復治療具有重要的意義。預測模型的構(gòu)建需要綜合考慮臨床因素、影響學因素和生物標志物等方面的內(nèi)容,目前的預測模型構(gòu)建多基于傳統(tǒng)logistic 方法,樣本量小,難以在臨床中推廣應用。隨著大數(shù)據(jù)時代的來臨和人工智能的發(fā)展,以機器學習為代表的預測模型表現(xiàn)出良好的準確性,未來應不斷加強臨床大數(shù)據(jù)庫的建設,借助機器學習、計算機編程等技術開發(fā)高質(zhì)量的預測模型,加強預測模型的多中心外部驗證,同時結(jié)合考慮上下肢的恢復模式,建立有針對性的預測模型,從而有助于醫(yī)護人員制定個性化康復計劃,提升患者肢體功能康復效果,減輕患者痛苦和醫(yī)療投入,改善患者預后。

      猜你喜歡
      上肢變量康復
      抓住不變量解題
      也談分離變量
      基于慣性傳感器的上肢位置跟蹤
      測控技術(2018年6期)2018-11-25 09:50:08
      腦卒中患者康復之路
      特別健康(2018年2期)2018-06-29 06:13:44
      錯誤姿勢引發(fā)的上肢問題
      中國自行車(2018年4期)2018-05-26 09:01:53
      侗醫(yī)用木頭接骨保住傷者上肢66年1例報道
      SL(3,3n)和SU(3,3n)的第一Cartan不變量
      機器絞軋致上肢毀損傷成功保肢1例
      殘疾預防康復法制建設滯后
      分離變量法:常見的通性通法
      汝南县| 嘉禾县| 琼中| 镇沅| 泸定县| 会同县| 西昌市| 石城县| 岳池县| 靖宇县| 麟游县| 云和县| 牙克石市| 肃宁县| 康保县| 汾西县| 仁寿县| 家居| 赣州市| 博爱县| 宁德市| 建阳市| 普安县| 丹凤县| 定襄县| 凌海市| 荣昌县| 昭觉县| 湖州市| 石城县| 深水埗区| 中西区| 子洲县| 荔波县| 荔浦县| 翁源县| 资阳市| 通河县| 青龙| 长寿区| 东辽县|