Development and validation of a nomogram for predicting the risk of shoulder-hand syndrome after ischemic stroke: a retrospective study
缺血性脑卒中后肩手综合征风险预测列线图的开发与验证
《Frontiers in Aging Neuroscience》:Development and validation of a nomogram for predicting the risk of shoulder-hand syndrome after ischemic stroke: a retrospective study
编辑推荐:
目的: 本研究旨在评估相关危险因素,并构建一个列线图(nomogram)模型以辅助早期识别缺血性脑卒中后的肩手综合征(Shoulder-Hand Syndrome, SHS)。
方法: 选取2021年9月至2025年8月期间内江市第一人民医院收治的1539例缺
目的: 本研究旨在评估相关危险因素,并构建一个列线图(nomogram)模型以辅助早期识别缺血性脑卒中后的肩手综合征(Shoulder-Hand Syndrome, SHS)。
方法: 选取2021年9月至2025年8月期间内江市第一人民医院收治的1539例缺血性脑卒中患者作为研究对象。经排除后,最终纳入1211例患者,按7:3的比例分为训练组(N = 848)和测试组(N = 363)。利用Logistic回归中的预测因子系数建立列线图,并验证其区分度、校准度及临床实用性。
结果: 多因素Logistic回归分析显示,年龄、高血压、饮酒、患侧上肢肌力、美国国立卫生研究院卒中量表(National Institute of Health Stroke Scale, NIHSS)评分、白蛋白和总胆固醇是缺血性脑卒中后肩手综合征的独立危险因素。该列线图模型表现出可靠的预测效能,曲线下面积(Area Under Curve, AUC)为0.891(95% CI, 0.853–0.929)。决策曲线分析(Decision Curve Analysis, DCA)和临床影响曲线(Clinical Impact Curve, CIC)均证实该列线图模型具有较强的临床实用价值。
结论: 本研究开发了一种新型的缺血性脑卒中后肩手综合征预测模型,为临床环境中高危患者的早期识别提供了有价值的工具。
缺血性脑卒中后肩手综合征风险预测模型的开发与验证研究解读
肩手综合征(Shoulder-Hand Syndrome, SHS),临床上亦被称为复杂性区域疼痛综合征I型(Complex Regional Pain Syndrome type I, CRPS-I),是缺血性脑卒中后常见且致残的并发症,主要表现为感觉障碍、自主神经功能障碍及运动功能受损。其发病率报道差异较大(12%至74%),一旦发生将严重阻碍康复进程,导致疼痛加剧、关节活动度受限及日常生活能力依赖,显著增加医疗经济负担。尽管既往研究已探讨多种危险因素,但目前仍缺乏能够整合多项指标、在临床早期进行个体化精准预测的简易量化工具。为此,研究人员开展了一项回顾性研究,旨在通过系统分析构建并验证一个用于预测缺血性脑卒中后SHS发生风险的列线图模型,该研究成果已发表于《Frontiers in Aging Neuroscience》。
在研究技术方法方面,研究人员回顾性收集了2021年9月至2025年8月期间内江市第一人民医院神经内科及康复科收治的缺血性脑卒中患者数据。经过严格的纳入与排除标准筛选,最终1211例患者被随机分配至训练集(n = 848)和内部验证集(n = 363)。研究采用了最小绝对收缩与选择算子(Least Absolute Shrinkage and Selection Operator, LASSO)回归进行特征选择以筛选最优变量,随后应用多因素Logistic回归分析建立预测模型。模型性能通过受试者工作特征(Receiver Operating Characteristic, ROC)曲线计算曲线下面积(AUC)来评估区分度,利用校准曲线(Calibration Curve)检验预测概率与实际发生概率的一致性,并通过决策曲线分析(DCA)评估其临床净获益。
研究结果
3.1 研究流程图(Study flow diagram)
研究人员通过筛选排除了328例不符合条件的患者,最终纳入1211例参与者。在数据预处理阶段,虽然部分变量存在缺失值(如同型半胱氨酸缺失率为18.28%),但研究者采用链式方程多重插补法(MICE)进行了处理,确保了数据的完整性。
3.2 患者特征(Patient characteristics)
训练组和验证组在基线特征上无统计学显著差异,表明分组均衡。单因素分析显示,SHS组与非SHS组在年龄、高血压、吸烟、饮酒、闭塞部位、患侧上肢徒手肌力检查(Manual Muscle Testing, MMT)、日常生活活动能力(Activities of Daily Living, ADL)、Braden评分、NIHSS评分、血红蛋白、血小板、淋巴细胞计数、白蛋白、总胆固醇、高密度脂蛋白(High-density lipoprotein, HDL)、低密度脂蛋白(Low-density lipoprotein, LDL)、肌酐、尿酸及单核细胞与淋巴细胞比值(Monocyte-to-lymphocyte ratio, MLR)等方面存在显著差异。
3.3 缺血性脑卒中后SHS主要预测因子的选择(Selection of main predictive factors)
通过LASSO回归分析,从38个候选变量中筛选出14个具有临床意义的预测因子,包括年龄、高血压、饮酒、病灶位置、患侧上肢肌力、NIHSS、改良Rankin量表(Modified Rankin Scale, MRS)分级、血小板计数、淋巴细胞计数、白蛋白、总胆固醇、肌酐、尿酸和MLR。
3.4 缺血性脑卒中患者SHS预测模型的构建(Construction of a predictive model)
进一步的多因素Logistic回归分析排除了部分无统计学意义的变量(如病灶位置、血小板、淋巴细胞计数、肌酐、尿酸、MLR),最终确定了7个独立预测因子:年龄、高血压、饮酒、患侧上肢MMT、NIHSS、白蛋白和总胆固醇。基于此建立的列线图模型显示,各变量的受试者工作特征曲线下面积(AUC)均大于0.5,其中NIHSS的AUC最高(0.840),其次是MMT(0.766)。
3.5 列线图的验证(Validation of the nomogram)
该预测模型表现优异。训练组的AUC值为0.891(95% CI, 0.853–0.929),内部测试组的AUC值高达0.932(95% CI, 0.893–0.971),显示出极高的准确性。Hosmer-Lemeshow拟合优度检验及校准曲线均表明,该模型在训练集和验证集中的预测概率与实际观测结果具有良好的一致性。
3.6 列线图的临床应用评估(Clinical application evaluation)
决策曲线分析(DCA)结果显示,在训练队列和验证队列中,该列线图相较于“全部干预”或“全部不干预”策略,均显示出显著的净获益(Net Benefit),证实了其在临床决策中的重要实用价值。
讨论与结论总结
讨论部分指出,本研究首次构建并验证了包含7项独立预测因子(高龄、高血压、饮酒、患侧上肢肌力下降、高NIHSS评分、低白蛋白血症、高胆固醇血症)的列线图模型。该模型不仅具有良好的区分度(Discrimination)和校准度(Calibration),还通过DCA证实了临床转化潜力。与既往研究相比,该Logistic回归模型在区分效能上(AUC 0.891-0.932)具有竞争力甚至略有优势,且选用的指标更具临床易得性。
研究结论强调,研究人员成功开发并内部验证了这一整合了七项常规临床参数的列线图工具。该工具能够有效促进临床实践中的早期风险分层,使临床医生能够在脑卒中急性期或亚急性期优先对高危个体进行密切监测和早期靶向预防(如特殊体位摆放、肢体护理及疼痛管理),从而有望降低脑卒中幸存者SHS的发病率和严重程度,改善长期功能预后及生活质量。未来的前瞻性多中心研究将进一步验证该模型的普适性。