-
脑卒中严重影响人们的身心健康，据统计，2019年全球新发脑卒中约1 220万例，全球现存约1亿多例脑卒中病人，脑卒中成为全球第二大死因[1]。我国脑卒中病人疾病负担也较重，据统计我国脑卒中病人的过早死亡寿命损失年已从1990年的第3位升至2017年的第1位[2]。脑卒中后抑郁是一类严重影响病人康复、疗效、预后，且与病人的死亡显著相关的继发性抑郁，据统计，目前我国脑卒中后抑郁的患病率高达34.9%[3]。故对脑卒中后抑郁进行及早预测和干预，对于病人的治疗和康复意义重大。目前对于脑卒中后抑郁的研究主要集中在治疗、影响因素的研究，很少有研究对其进行风险预测模型的构建。柯绪芬等[4]对卒中后抑郁风险进行了预测模型的构建，结果显示该预测模型可有效评估和量化卒中后抑郁的发生风险。
但在临床护理实践中，我们发现有相当部分的脑卒中病人在入院时经抑郁筛查并无抑郁症状，而在住院过程中却发生了抑郁。这类病人更加容易被医护人员所忽视，如果在住院期间不能得到有效干预，对病人的治疗效果和预后康复都带来极大的不利。所以本研究从临床护理实际出发，根据病人入院时和入院1周的抑郁筛查情况，构建脑卒中病人入院后新发抑郁风险的预测模型，并利用列线图[5]对预测因素进行量化，并对预测模型进行评估，旨在为此类病人住院期间的新发抑郁进行预测和干预提供参考。现作报道。
-
选择2017年3月至2020年3月我院神经内科住院的脑卒中病人作为研究对象。纳入标准：(1)符合脑卒中诊断标准；(2)年龄>18周岁，神志清楚，认知基本正常，能进行有效沟通；(3)入院时经抑郁筛查无抑郁症状。排除标准：(1)患有影响沟通的精神性疾病等；(2)既往有抑郁疾病史等精神性疾病；(3)入院时经抑郁筛查存在抑郁症状；(4)患有癌症等重大基础性疾病。最终有效纳入916例病人作为建模对象(建模组)。
选择2020年4月至2021年4月我科住院的脑卒中病人作为验证对象，脑卒中诊断标准、抑郁筛查标准以及研究对象的纳入和排除标准均与建模组一致。最终有效纳入298例病人作为验证对象(验证组)。
-
采用汉密尔顿抑郁量表(HAMD)[6]进行抑郁症状筛查，采用24项HAMD版本，该版本的量表大部分项目采用0~4分五级评分法，其他部分项目采用0~2分三级评分法，HAMD分数 < 8分则无抑郁。分别于入院时和入院后1周进行评价，入院时HAMD分数 < 8分判定为入院时无抑郁，入院后1周HAMD分数>8分判定为入院新发抑郁。
-
通过查阅文献、咨询相关专家以及结合医院实际情况，收集了以下指标：(1)一般信息，包括年龄、性别、职业、文化程度、婚姻、经济收入、身高、体质量、睡眠情况、基础疾病史(包括高血压、糖尿病、血脂异常等)、吸烟饮酒史等。一般信息为病人入院时即由医护人员进行收集，其中经济收入指家庭人均年收入，分为 < 0.5万元、0.5万~1.0万元和>1.0万元。睡眠情况包括睡眠时间和睡眠质量，睡眠时间分为 < 6 h、6~8 h和>8 h(因>8 h的人数过少，故在分析时与6~8 h的调查对象进行合并)。睡眠质量分为好、一般和差。(2)临床疾病特征因素，包括卒中病人神经功能缺损评估和生活自理能力评估。卒中病人神经功能缺损采用美国国立卫生研究院卒中量表(NHISS)进行评估，采取预测卒中后抑郁的最佳界定值6分[7]作为本研究神经功能缺损的界值。生活自理能力采用Barthel指数进行评估[6]，分数越低说明活动能力越差，依赖程度越高。(3)入院后的家庭照护情况，包括家庭成员照护和雇陪护人员照护。
-
采用χ2检验、t检验、logistic回归分析、列线图(Nomogram)、ROC曲线分析和Hosmer-Lemeshow检验。
-
建模组916例病人中，年龄(63.94±10.04)岁，男513例(56.0%)，女403例(44.0%)，入院1周后共发生抑郁291例(31.8%)。验证组298例病人中，年龄为(65.12±9.86)岁，男175例(58.7%)，女123例(41.3%)，入院1周后共发生抑郁98例(32.9%)。2组一般资料具有可比性。
-
916例病人根据入院后1周的抑郁评价情况分为抑郁组291例和非抑郁组625例。单因素分析结果显示，抑郁组年龄、饮酒率、NIHSS评分≥6分的比例、睡眠时间 < 6 h的比例均高于非抑郁组(P < 0.05)，教育程度、年均收入、睡眠质量、Barthel指数得分均低于非抑郁组(P < 0.05)(见表 1)。
变量 抑郁
(n=291)非抑郁
(n=625)χ2 P 年龄/岁 65.46±12.36 63.24±8.67 3.24* < 0.05 BMI/(kg/m2) 24.87±3.30 24.45±3.66 1.59* < 0.05 性别 男
女166
125347
2780.19 >0.05 职业 农民
其他212
79437
1880.83 >0.05 婚姻 已婚
离异/丧偶/未婚225
66503
1221.22 >0.05 教育程度 文盲 185 252 小学 61 168 47.15 < 0.05 初中及以上 45 205 家庭人均年收入/万元 < 0.5 185 206 0.5~1.0 85 307 77.65 < 0.05 >1.0 21 112 睡眠质量 好 60 230 一般 114 317 93.75 < 0.05 差 117 78 睡眠时间/h ≥6
< 6168
123473
15230.44 < 0.05 基础疾病 无
有170
121391
2341.43 >0.05 吸烟 否
是233
58509
1160.24 >0.05 饮酒 否
是49
242162
4639.24 < 0.05 照护情况 家人照护
护工照护202
89471
1543.60 < 0.05 Barthel指数/分 91.13±16.30 97.78±5.16 9.33* < 0.05 NIHSS/分 < 6
≥647
244161
46410.45 < 0.05 *示t值 表 1 脑卒中病人入院后新发抑郁风险的单因素分析
-
将单因素分析中P < 0.05的10个变量(年龄、BMI、教育程度、家庭人均年收入、睡眠质量、睡眠时间、饮酒、Barthel指数、照护情况和NIHSS评分情况)作为自变量，是否新发抑郁(1=否，2=是)进行多因素逐步回归(逐步向后LR)筛选最终的预测变量，各变量的赋值方式与表 1一致。结果显示除饮酒外，其他9个变量均为脑卒中病人入院后新发抑郁的独立影响因素(P < 0.05)(见表 2)。
变量 B SE Waldχ2 P OR(95%CI) 常数 -0.34 1.40 0.06 >0.05 0.72 年龄 0.02 0.01 5.11 < 0.05 1.02(1.00~1.04) BMI 0.08 0.02 9.80 < 0.05 1.08(1.03~1.13) Barthel指数 -0.05 0.01 20.84 < 0.05 0.95(0.93~0.97) 教育程度 -0.39 0.12 10.79 < 0.05 0.68(0.54~0.86) 家庭人均年收入 -0.78 0.14 30.40 < 0.05 0.46(0.35~0.61) 睡眠质量 0.74 0.12 36.79 < 0.05 2.09(1.65~2.66) 睡眠时间 0.51 0.18 8.19 < 0.05 1.66(1.17~2.35) 照护情况 0.68 0.20 11.78 < 0.05 1.97(1.34~2.91) NIHSS评分 1.55 0.31 25.84 < 0.05 4.73(2.60~8.60) 表 2 脑卒中病人入院后新发抑郁风险的logistic回归分析
-
根据logistic回归模型确定的9个变量，采用RMS程序包进行列线图绘制。根据列线图中变量的分类或者分值情况，可得到每项指标对应的得分，将各项得分相加可得到总分，总分对应的预测概率即脑卒中病人入院后新发抑郁的概率。列线图显示，入院后新发抑郁发生风险随年龄增大、BMI增大、Barthel指数降低而升高，年龄每增大15岁列线图增加6.5分的影响权重，BMI值每增加4 kg/m2列线图增加8分的影响权重，Barthel指数每降低10分列线图增加11分的影响权重，小学教育程度为8.5分，文盲为17.5分，0.5~1.0万元的家庭人均年收入为2分，< 0.5万元的家庭人均年收入为28.5分，睡眠质量一般为2.5分，睡眠质量差为36分，睡眠时间 < 6 h为11.5分，护工照护为15分，NIHSS≥6分为37.5分(见图 1)。
图 1 脑卒中病人人院后新发抑郁风险的列线图预测模型
-
在模型构建组中进行内部验证，采用ROC曲线对所构建的脑卒中病人入院后新发抑郁风险的预测模型进行区分度评估，结果显示ROC曲线下面积(AUC)为0.868(95%CI：0.844~0.891，P < 0.05)(见图 2)。灵敏度为0.885，特异度为0.898，Youden指数为0.783。Hosmer-Lemeshow检验结果显示χ2=4.42，P=0.817。
图 2 模型构建组中的预测模型ROC曲线
-
在模型验证组中进行外部验证，采用ROC曲线对预测模型进行区分度评估，结果显示AUC为0.813(95%CI：0.765~0.862，P < 0.01)(见图 3)。灵敏度为0.815，特异度为0.880，Youden指数为0.695。Hosmer-Lemeshow检验结果显示χ2=8.47，P=0.389。
图 3 模型验证组中的预测模型ROC曲线
-
本研究发现2组脑卒中病人入院后的新发抑郁率分别为31.8%和32.9%，和其他研究报道的全国脑卒中抑郁患病率基本一致[3]。但本研究中的新发抑郁定义为住院时无抑郁而入院后1周发生抑郁，而一般随着疾病的病程发展，心理疾病可能会逐渐加重，所以脑卒中新发抑郁的发生率可能会随着住院的时间而更高，故对于此类抑郁要特别重视。
本研究显示, 年龄越大、BMI越高、睡眠质量越差、睡眠时间 < 6 h、入院后由护工照护以及存在神经功能缺损(NIHSS评分≥6分)为脑卒中病人入院后新发抑郁的危险因素；而教育程度越高、家庭人均年收入越高以及Barthel指数评分越高则为新发抑郁的保护因素。其中的一些因素已得到研究[8]证实，如老年脑卒中病人由于社会参与度的降低以及长期的孤独感而容易发生抑郁，生活自理能力差的脑卒中病人由于生理和心理的双重打击也更加易于发生抑郁，家庭经济较差、负担较重的脑卒中病人也更加产生心理负担而发生抑郁。而NIHSS评分越高的脑卒中病人，即代表神经功能缺损越严重，可能由于导致递质分泌紊乱而诱发抑郁[4, 9]。睡眠质量差意味着脑卒中病人的整体状态不好，可影响病人的神经调节、认知功能等多方面功能，是卒中后抑郁的一个危险因素[10]。尽管目前睡眠时长与卒中后抑郁发生的关系存在争议[10-12]，但本研究发现睡眠时间 < 6 h的病人更加容易发生抑郁。此外，还发现入院后由护工照护的脑卒中病人入院后更加容易发生抑郁，说明家庭支持和照护对于脑卒中病人身心健康的重要性。
本研究基于多因素logistic回归筛选的9个变量进行脑卒中病人入院后新发抑郁风险的预测模型构建，通过ROC曲线分析和Hosmer-Lemeshow检验对模型的区分度和校准度分别进行评估，内部和外部验证的AUC分别为0.87(95%CI：0.84~0.89)和0.81(95%CI：0.77~0.86)，说明本研究构建的预测模型区分度较好[13]；而内部和外部验证的Hosmer-Lemeshow检验的P值分别为0.817和0.389，说明预测模型的校准度较好[14]，故本研究所构建的模型能够有效地预测脑卒中病人入院后的新发抑郁发生情况。同时本研究通过绘制列线图，对预测因素进行了量化，实现了对脑卒中病人入院后新发抑郁的个体化预测，实用性较强[15-17]。在临床护理实践中，根据脑卒中病人的实际情况从各自变量的端点向上方的得分线作垂线，得相应的分值，再将各自变量的分值相加得到总分，然后在总分轴上找到对应的位置并向风险线作垂线，对应的小数值即为脑卒中病人入院后新发抑郁风险概率值[16]。
本研究以入院后1周进行抑郁评估时新发生抑郁症状作为脑卒中入院后新发抑郁的判定标准，但有可能存在病人发生抑郁的时间较迟，可能会遗漏部分病人，低估新发抑郁的发生率。其次，在模型的验证阶段，虽然我们选择了不同时间段的病人进行了外部验证，但所选的调查对象依然是局限于我院，故下一步拟准备在多中心收集病例进行更加严谨的外部验证，对构建的预测模型进行优化。
脑卒中病人入院后新发抑郁风险的预测模型构建及验证
Construction and validation of a prediction model for the risk of new-onset depression in stroke patients after admission
-
摘要:
目的构建脑卒中病人入院后新发抑郁风险的预测模型，并验证该预测模型的预测效果。 方法选择入院前无抑郁症的脑卒中病人916例，按照入院后1周是否发生抑郁分为新发抑郁组和非抑郁组，采用单因素和多因素logistic回归模型分析新发抑郁的影响因素，建立预测模型，并绘制列线图，同时采用ROC曲线和Hosmer-Lemeshow检验评估模型预测效果。选择2020年4月至2021年4月住院病人298例作为模型验证组。 结果模型构建组和验证组病人的新发抑郁率分别为31.8%和32.9%。年龄、体质量指数、教育程度、家庭人均年收入、睡眠质量、睡眠时间、入院后的照护情况、Barthel指数和NIHSS评分为脑卒中病人入院后新发抑郁的影响因素(P < 0.05)。预测模型验证结果显示区分度较好，模型构建组和验证组病人入院后新发抑郁风险的ROC曲线下面积分别为0.868和0.813(P < 0.01)；同时校准度也较高，2组Hosmer-Lemeshow检验的P值分别为0.817和0.389。 结论构建预测模型可以有效预测脑卒中病人入院后新发抑郁的发生，为临床护理工作中对脑卒中病人进行及时心理干预提供了参考。 Abstract:ObjectiveTo construct and validate a prediction model for the risk of new-onset depression in stroke patients after admission. MethodsA total of 916 stroke patients who without depression before admission were selected.These patients were divided into the new-onset depression group and the non-depression group according to the occurrence of depression in the first week after admission.Single-factor and multi-factor logistic regression models were used to analyze the influencing factors of new-onset depression and establish the prediction model.Then the nomogram was draw.Meanwhile, the area under the ROC curve and Hosmer-Lemeshow test were used to evaluate the prediction effect of the model.A total of 298 hospitalized patients from April 2020 to April 2021 were selected as the model validation group. ResultsThe incidence of new-onset depression in the model building group and validation group was 31.8% and 32.9%, respectively.Age, body mass index, education level, per capita annual household income, sleep quality, sleep duration, care after admission, Barthel index and NIHSS score were the influencing factors of new-onset depression in stroke patients after admission(P < 0.05).The validation results of the prediction model showed that the discrimination was good.The area under ROC curve of the risk of new-onset depression(P < 0.05) after admission was 0.868 in the model construction group and 0.813 in the validation group, respectively(P < 0.01).The calibration degree was also high, and the P values of Hosmer-Lemeshow test were 0.817 and 0.389, respectively. ConclusionsThe prediction model constructed can effectively predict the occurrence of new-onset depression in stroke patients after admission, providing a reference for timely psychological intervention in clinical nursing work for stroke patients. -
Key words:
- cerebrovascular accident /
- depression /
- prediction model /
- nomogram /
- nursing
-
表 1 脑卒中病人入院后新发抑郁风险的单因素分析
变量 抑郁
(n=291)非抑郁
(n=625)χ2 P 年龄/岁 65.46±12.36 63.24±8.67 3.24* < 0.05 BMI/(kg/m2) 24.87±3.30 24.45±3.66 1.59* < 0.05 性别 男
女166
125347
2780.19 >0.05 职业 农民
其他212
79437
1880.83 >0.05 婚姻 已婚
离异/丧偶/未婚225
66503
1221.22 >0.05 教育程度 文盲 185 252 小学 61 168 47.15 < 0.05 初中及以上 45 205 家庭人均年收入/万元 < 0.5 185 206 0.5~1.0 85 307 77.65 < 0.05 >1.0 21 112 睡眠质量 好 60 230 一般 114 317 93.75 < 0.05 差 117 78 睡眠时间/h ≥6
< 6168
123473
15230.44 < 0.05 基础疾病 无
有170
121391
2341.43 >0.05 吸烟 否
是233
58509
1160.24 >0.05 饮酒 否
是49
242162
4639.24 < 0.05 照护情况 家人照护
护工照护202
89471
1543.60 < 0.05 Barthel指数/分 91.13±16.30 97.78±5.16 9.33* < 0.05 NIHSS/分 < 6
≥647
244161
46410.45 < 0.05 *示t值 
下载: 导出CSV
表 2 脑卒中病人入院后新发抑郁风险的logistic回归分析
变量 B SE Waldχ2 P OR(95%CI) 常数 -0.34 1.40 0.06 >0.05 0.72 年龄 0.02 0.01 5.11 < 0.05 1.02(1.00~1.04) BMI 0.08 0.02 9.80 < 0.05 1.08(1.03~1.13) Barthel指数 -0.05 0.01 20.84 < 0.05 0.95(0.93~0.97) 教育程度 -0.39 0.12 10.79 < 0.05 0.68(0.54~0.86) 家庭人均年收入 -0.78 0.14 30.40 < 0.05 0.46(0.35~0.61) 睡眠质量 0.74 0.12 36.79 < 0.05 2.09(1.65~2.66) 睡眠时间 0.51 0.18 8.19 < 0.05 1.66(1.17~2.35) 照护情况 0.68 0.20 11.78 < 0.05 1.97(1.34~2.91) NIHSS评分 1.55 0.31 25.84 < 0.05 4.73(2.60~8.60)
下载: 导出CSV
-
[1] Global Burden of Disease Study 2013 Collaborators. Global, regional, and national incidence, prevalence, and years lived with disability for 301 acute and chronic diseases and injuries in 188 countries, 1990-2013: a systematic analysis for the Global Burden of Disease Study 2013[J]. Lancet, 2015, 386(9995): 743. doi: 10.1016/S0140-6736(15)60692-4 [2] 王增武, 胡盛寿. 《中国心血管健康与疾病报告2019》要点解读[J]. 中国心血管杂志, 2020, 25(5): 401. doi: 10.3969/j.issn.1007-5410.2020.05.001 [3] 李世明, 冯为, 崔凤伟, 等. 中国脑卒中后抑郁患病率meta分析[J]. 实用医学杂志, 2021, 37(16): 2058. doi: 10.3969/j.issn.1006-5725.2021.16.005 [4] 柯绪芬, 张晗. 脑梗死患者卒中后抑郁风险预测列线图模型的建立与验证[J]. 实用心脑肺血管病杂志, 2021, 29(8): 34. [5] SONG B, CHEN X, TANG D, et al. External validation of START nomogram to predict 3-month unfavorable outcome in Chinese acute stroke patients[J]. J Stroke Cerebrovasc Dis, 2019, 28(6): 1618. doi: 10.1016/j.jstrokecerebrovasdis.2019.02.032 [6] 张明园. 精神科评定量表手册[M]. 长沙: 湖南科学技术出版社. 1998. [7] 谈颂, 常思远, 宋波, 等. 早期改良美国国立卫生研究院卒中量表评分对缺血性卒中预后的预测作用[J]. 中华神经科杂志, 2012, 45(3): 154. doi: 10.3760/cma.j.issn.1006-7876.2012.03.003 [8] 马瑾, 杨晓桐, 张文睿, 等. 卒中后抑郁的危险因素研究进展[J]. 中华医学杂志, 2019, 99(3): 232. doi: 10.3760/cma.j.issn.0376-2491.2019.03.018 [9] WANG Z, ZHU M, SU Z, et al. Post-stroke depression: different characteristics based on follow-up stage and gender-a cohort perspective study from Mainland China[J]. Neurol Res, 2017, 39(11): 996. doi: 10.1080/01616412.2017.1364514 [10] 王雪, 余苹, 陈天勇. 睡眠时长和睡眠质量与卒中后抑郁状态的关系研究[J]. 中国卒中杂志, 2021, 16(8): 799. doi: 10.3969/j.issn.1673-5765.2021.08.008 [11] REIS C, DIAS S, RODRIGUES AM, et al. Sleep duration, lifestyles and chronic diseases: a cross-sectional population-based study[J]. Sleep Sci, 2018, 11(4): 217. doi: 10.5935/1984-0063.20180036 [12] PLANTE DT, FINN LA, HAGEN EW, et al. Longitudinal associations of hypersomnolence and depression in the Wisconsin Sleep Cohort Study[J]. J Affect Disord, 2017, 207: 197. doi: 10.1016/j.jad.2016.08.039 [13] HOSHINO N, HIDA K, SAKAI Y, et al. Nomogram for predicting anastomotic leakage after low anterior resection for rectal cancer[J]. Int J Colorectal Dis, 2018, 33(4): 411. doi: 10.1007/s00384-018-2970-5 [14] HE Y, ZHU Z, CHEN Y, et al. Development and validation of a novel diagnostic nomogram to differentiate between intestinal tuberculosis and crohn's disease: a 6-year prospective multicenter study[J]. Am J Gastroenterol, 2019, 114(3): 490. doi: 10.14309/ajg.0000000000000064 [15] 赵东芳, 陈晨, 苏春燕, 等. 呼吸科住院患者抗生素药物相关腹泻风险预测模型的构建及验证[J]. 中华护理杂志, 2021, 56(1): 28. doi: 10.3761/j.issn.0254-1769.2021.01.004 [16] 陈旭娟, 朱晓萍, 田梅梅, 等. 老年髋部骨折术后患者肺部感染预测模型的构建及验证[J]. 中华护理杂志, 2021, 56(5): 659. doi: 10.3761/j.issn.0254-1769.2021.05.003 [17] 问芳芳, 杜海维, 郭晓岚, 等. 急性冠脉综合征患者PCI术后新发抑郁风险列线图预测模型构建[J]. 护理学报, 2021, 28(6): 56. -
点击查看大图
图(3)表(2)
计量
- 文章访问数: 1758
- HTML全文浏览量: 729
- PDF下载量: 10
- 被引次数: 0
