论文部分内容阅读
目的:筛选与急性缺血性脑卒中（acute ischemic stroke,AIS）患者静脉溶栓后出现院内不良神经功能状态相关的危险因素,调整和控制与此不良神经功能状态相关的混杂因素,开发并验证一种预测模型用于预测此不良神经功能状态的风险并推导出诺莫图（nomogram）。方法:1.本研究纳入2018年1月至2020年1月在中国两家三级甲等医院的高级卒中中心接受静脉溶栓治疗的急性缺血性脑卒中患者共878例。收集受试者的基线资料及治疗资料。采用美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale,NIHSS）评分来评价患者的神经功能状态。定义发病第7天NIHSS评分≥16分为患者存在不良神经功能状态。使用单变量分析和多变量分析来筛选与终点相关的因素。2.将连续型变量DNT转换为等级变量DNT1。在检验交互作用对结局的影响后,建立初始初模型和调整模型,在SPSS24.0中用二元logistics回归分别代入2到多个与变量DNT1及结局变量均相关的危险因素进行调整。同样方法对变量OTT进行调整和控制。3.采取最小绝对收缩选择算子（least absolute shrinkage and selection operator,LASSO）的方法筛选预测因子并建立风险预测模型。在训练集和验证集中验证模型的区分度、校准度和临床效能,最终推导出可视化的nomogram用于个体化预测。结果:1.经单变量分析和多变量分析,筛选出变量age[比值比（odds ratio,OR）:1.099,95%可信区间（confidence interval,CI）:1.052～1.149,P＜0.001],NIHSS2（溶栓后即刻NIHSS评分,OR:1.286,95%CI:1.201～1.377,P＜0.001）,CHOL（OR:1.614,95%CI:1.036～2.514,P＜0.05）,UREA（OR:1.205,95%CI:1.045～1.390,P＜0.05）,CT2（溶栓后24小时复查头颅CT,OR:6.153,95%CI:2.696～14.045,P＜0.001）和LDVT（下肢深静脉血栓形成,OR:4.398,95%CI:1.560～12.398,P＜0.05）为与静脉溶栓后院内不良神经功能状态相关的危险因素;变量Lipid regulation（OR:0.065,95%CI:0.02～0.215,P＜0.001）,和变量HDL-C（OR:0.038,95%CI:0.007～0.202,P＜0.001）为避免出现院内不良神经功能状态的保护性因素。2.建立了三个模型对变量DNT的混杂因素进行调整和控制。Model 1为初始初模型,仅带入变量DNT1,并以其第一个等级为参考设置哑变量。得出第二个等级的OR值为1.413,95%CI为（0.73～2.737）,第三个等级的OR值为2.003,95%CI为（1.08～3.716）,趋势性P值为0.026。Model 2,同时控制了变量“OTT”和“NIHSS1”,得出第二个等级的OR值是1.024,95%CI为（1.002～1.273）,第三个等级的OR值为1.063,95%CI为（1.009～1.458）,趋势性P值为0.004。Model 3,控制了所有混杂因素。变量DNT1第二个等级的OR值为1.054,95%CI为（1.007～1.436）,第三个等级的OR值为1.019,95%CI为（1.002～1.231）,趋势性P值为0.088。建立了三个模型对混杂因素进行调整和控制。Model 1为初始初模型,仅带入变量OTT1,并以其第一个等级为参考设置哑变量。得出第二个等级的OR值为1.368,95%CI为（1.186～1.730）,第三个等级的OR值为1.800,95%CI为（1.459～2.394）,趋势性P值为0.004。Model 2,同时控制了变量“DNT”和“NIHSS1”,得出第二个等级的OR值是1.538,95%CI为（1.227～2.276）,第三个等级的OR值为1.935,95%CI为（1.478～2.829）,趋势性P值为0.016。Model 3,控制了所有混杂因素。变量OTT1第二个等级的OR值为1.180,95%CI为（0.265～5.259）,第三个等级的OR值为1.265,95%CI为（0.400～4.002）,趋势性P值为0.039。3.经LASSO回归选取变量age;NIHSS1（溶栓前NIHSS评分）;NIHSS3（溶栓后24小时NIHSS评分）;HDL-C;antiplatelet（抗血小板治疗）;CT2（溶栓后24小时复查头颅CT）;lower extremity venous color doppler ultrasound（下肢静脉彩超,变量意义同LDVT）7个变量作为预测因子建立风险预测模型。经验证,此风险预测模型具有较好的区分度,训练集和验证集的受试者工作特征曲线（receiver operator characteristic curve,ROC）下面积分别为0.9626和0.9413,和较好的校准度（训练集的最大偏移量（Emax）=0.072,平均偏移量（Eavg）=0.01,P=0.528,验证集的最大偏移量（Emax）=0.123,平均偏移量（Eavg）=0.019,P=0.594）。训练集和验证集中的决策分析曲线（decision curve analysis,DCA）表现良好,提示该研究得到的预测模型具有良好的临床效能。结论:1.变量age,NIHSS2,CHOL,UREA,CT2,LDVT是急性缺血性脑卒中患者静脉溶栓后出现不良神经功能状态的危险因素。变量Lipid regulation和HDL-C是避免出现不良神经功能状态的保护性因素。2.经调整和控制混杂因素,发现变量DNT与急性缺血性脑卒中静脉溶栓后出现院内不良神经功能状态的结局不具有趋势相关性。变量OTT与急性缺血性脑卒中静脉溶栓后出现院内不良神经功能状态的结局具有趋势相关性。3.本研究得出的预测模型具有良好的区分度,校准度和临床效能,推导出的新型nomogram可为预测中国急性缺血性脑卒中患者静脉溶栓后出现院内不良神经功能状态的风险提供参考依据。