溫 婷,劉漢嬌,易云霞
壓力性尿失禁(stress urinary incontinence,SUI)指腹壓突然增大而出現尿液不自主溢出的現象,為最常見的女性尿失禁類型[1]。國外數據顯示,全球近50%成年女性患SUI[2]。我國流行病學調查結果顯示,女性SUI患病率為18.9%,50~59歲是其發(fā)病高峰期,為28%[3]。SUI多發(fā)生于妊娠分娩及絕經后婦女,主要與妊娠、分娩引起尿道支撐結構創(chuàng)傷或雌激素分泌不足引起盆底肌、韌帶松弛及尿道收縮功能異常有關[4]。SUI雖不危及生命,但堪稱“社交癌”,影響病人日常生活、社交活動及性生活[5],并與焦慮、抑郁等負性情緒息息相關[6],同時給病人帶來沉重的經濟負擔。據相關數據統(tǒng)計,美國每年保守或外科治療SUI的費用高達150億美元[7]。SUI不是完全不可控的,盆底功能訓練作為SUI的一線治療手段[8],可以預防和治療SUI[9]。多項研究表明,孕期盆底肌鍛煉能降低妊娠期和產后1~3個月內SUI的發(fā)生率,初產婦進行產后規(guī)范的盆底功能訓練可減少6~12個月SUI的發(fā)生率[10-11],故識別高危人群并進行早期干預、預防SUI發(fā)生已成為近幾年的熱點話題。近年來國內外有關SUI風險預測的研究較多,風險預測可識別發(fā)生SUI的高危人群,通過對高危人群進行早期干預,對降低疾病發(fā)生率、減少醫(yī)療成本等均有重要的公共衛(wèi)生經濟學意義?,F綜述女性SUI風險預測的研究進展。
疾病風險預測主要包括疾病風險預測工具和風險預測模型[12],前者為單因素預測,后者為多因素預測。疾病風險預測工具指對疾病發(fā)生風險進行預測或評估的工具,主要用于篩查高危人群,對其進行早期干預,有助于降低疾病發(fā)生率,減輕病人痛苦,避免醫(yī)療資源浪費[12]。醫(yī)學領域中的風險預測模型指以多因素為基礎,通過數學方程進行分析,估算特定人群將來可能患有某病或發(fā)生某結局的概率,以便醫(yī)護人員在疾病發(fā)生前給予特定的干預,預防疾病的發(fā)生與發(fā)展[13]。目前,風險預測模型主要在臨床實踐、流行病學、臨床指南、循證醫(yī)學、個人或社會5個方向開展應用[14]。最早的疾病風險預測模型是弗明翰于1998年構建的心臟病預測模型[15]。模型的優(yōu)劣常用預測性能和一致性評估,常用靈敏度、特異度、受試者工作特征(receiver operating characteristic,ROC)曲線下面積(area under the receiver operating characteristic curve,AUC)評價預測性能,擬和度評價一致性[16]。靈敏度指模型預測真正患病病人的能力,特異度指模型剔除真正未病病人的能力,ROC曲線下面積是模型預測性能的綜合評價指標[16]。無論是疾病風險預測工具還是風險預測模型都是為了預測疾病可能發(fā)生的概率,使流行病學的研究成果更好地與臨床實踐接軌,以供臨床醫(yī)護人員實行一級預防。
2.1 女性SUI單因素預測 單因素風險預測是將單一危險因素與疾病發(fā)生率的相互關系來簡單預測疾病的發(fā)生風險,其具有簡單方便、計算量小等優(yōu)點[17]。SUI的單因素風險預測主要包括超聲評估結果、盆底肌力的評估等,具體評估項目如下。
2.1.1 超聲 超聲在不改變尿道和周圍組織解剖位置的情況下觀察臟器全貌,通過評估尿流動力學,測量各種反映尿道和膀胱情況的指標,預測SUI。美國的一項病例對照研究結果顯示,會陰超聲可以通過觀察瓦氏動作(Valsalva maneuver)下β角角度預測SUI,當β角>127°,ROC曲線下面積為0.89時可以預測SUI,其特異性是79%,敏感性是89%[18]。超聲檢查也能通過檢查膀胱移動度、膀胱后角、尿道旋轉角度及尿道內口漏斗形成率預測SUI[19]。另外盆底超聲可以通過測量靜息狀態(tài)下β角及裂孔面積,瓦氏動作下膀胱頸位置及裂孔面積預測SUI[20]。超聲作為一種無創(chuàng)篩查方法被越來越多的學者關注,且病人接受度高,但由于臨床開展研究樣本量不足,納入人群相對局限,且標準尚未統(tǒng)一化,仍需在不同人群中進行驗證并對評價標準進行統(tǒng)一。
2.1.2 盆底肌力 經陰道分娩可導致不同程度的骨盆組織損傷,導致SUI發(fā)生率提高至32%[21]。指南指出,盆底肌力訓練可以對肛提肌進行收縮鍛煉,增強盆底支撐力和逼尿肌肌力,起到預防或治療SUI的作用[3]。巴西開展的一項橫斷面研究顯示,盆底肌力≤35 cmH2O(1 cmH2O=0.098 kPa)是經陰道分娩初產婦產后6個月內SUI最強預測指標[22]。另一項研究也指出判斷產后是否會出現SUI的可靠指標是盆底肌力的強度,并指出治療和緩解SUI的有效方法是進行盆底肌力訓練[23]。通過早期盆底肌力測量進行篩查,指導盆底肌力不足的產婦盡早開始盆底肌力鍛煉,可以降低產后SUI的發(fā)病率。目前開展的研究納入人群均為產后婦女,用于預測產后及產后1年內SUI風險,盆底肌力測量是否適用于其他女性SUI風險預測有待進一步臨床研究。
2.1.3 其他風險預測方法 法國學者對694例無盆腔臟器脫垂婦女進行單中心研究,使用相關分析和ROC曲線下面積評估尿流動力學相關指標對SUI的預測價值,結果顯示尿流動力學指數最大尿道閉合壓力≥30 cmH2O是預測女性SUI的可靠參數[24]。在挪威對妊娠期女性進行橫斷面回顧性研究,收集可能導致SUI發(fā)生的危險因素,通過邏輯回歸分析表明妊娠期維生素D<50 nmol/L是女性尿失禁的重要預測指數,對SUI的預測作用尤其明顯[25]。此外腹部漏點壓力(abdominal leak-point pressure,ALPP)≤60 cmH2O是非常重要的尿動力學指標,同時和括約肌缺陷有顯著聯系,可作為SUI風險預測,學者建議將其作為尿失禁嚴重程度評價相關指標[26]。這些指標均為單因素預測,具有簡單易行、可操作性強等優(yōu)點,并且具有較好預測性能,但臨床缺乏大樣本研究進行驗證。
2.2 女性SUI多因素風險預測 通過進行大樣本橫斷面研究或隊列研究收集女性SUI病人相關危險因素,可確定女性是發(fā)生SUI的危險因素,進而進行多因素風險預測分析。多因素風險預測主要分成兩大類型:①采用Logistic回歸方法構建相關疾病風險預測模型;②全面收集相關文獻,進行定量分析,Meta整合[14]。
2.2.1 風險預測模型應用 陳玲[27]收集2所醫(yī)院521例在產科門診進行盆底三維超聲檢查的孕早期或中期孕婦,收集所有產婦的基本信息、孕期相關資料及盆底超聲信息。對其中1所醫(yī)院收集到的數據進行建模分析,另一所醫(yī)院收集的數據進行驗證,運用多因素Logistic回歸分析結合ROC曲線建立SUI預測模型,采用R軟件建立列線圖,并對列線圖進行驗證。ROC曲線顯示孕早中期入組時體質指數(BMI)、孕期BMI增加值、靜息狀態(tài)和張力狀態(tài)下β角度、張力狀態(tài)下γ角、靜息狀態(tài)和張力狀態(tài)下裂孔面積、張力狀態(tài)和靜息狀態(tài)與張力狀態(tài)差值為相關危險因素。模型AUC值為0.813,經內部與外部驗證顯示有良好的一致性和區(qū)分度。在產后1個月對所有產婦進行隨訪,收集產婦分娩信息及進行盆底肌訓練情況,探討盆底肌對產后SUI的預防效果。經檢驗,超聲參數中只有瓦氏動作下裂孔面積有預測價值,AUC值為0.592,最終確定孕前及孕期BMI,此次陰道分娩與流產史為風險因素,基于此模型開發(fā)的產后SUI列線圖具有良好的區(qū)分度和一致性。孕期SUI是產后發(fā)生SUI的高危因素,孕期SUI女性是孕期沒有SUI發(fā)生產后SUI的5.55倍,孕期BMI≥19.95 kg/m2和流產史也是產后SUI的獨立危險因素。此研究,孕期婦女進行張力狀態(tài)下相關參數測量時,由于未生產過的婦女不會用力,會導致所得參數較實際值小,影響預測結果。而產后SUI預測,由于隨訪時間的限制,只收集產后1個月的數據且沒有進行外部驗證,結果外推還需驗證。陳曉敏等[28]收集755例孕晚期孕婦的相關數據,運用多因素Logistic回歸分析確定年齡、孕周、入組時BMI、既往陰道分娩史4個預測因子,并用R軟件構建列線圖。結果顯示,模型敏感性是80.26%,特異性是53.88%,最佳危險閾值是0.342 8,平均錯判率為36.3%,ROC曲線下面積為0.701 3,預測效能良好。其中既往有陰道分娩史是發(fā)生SUI的最大預測因子,其發(fā)生SUI的概率是無陰道分娩史產婦的2.08倍,且隨著孕周的增大,SUI的發(fā)病率也隨之增加。該模型[28]進行了內部驗證,在孕期產婦中的預測效能較好,是可靠的篩查工具,可執(zhí)行性強,但模型未進行外部驗證,還需完善預測模型,以期成為SUI的預防和治療的評價工具,盡早在臨床推廣使用。
翟巾幗等[29]采用回顧性調查對707例從進入產房至產后3 d內的初產婦進行調查,收集危險因素、社會人口、尿失禁相關量表數據,采用決策樹分析法進行統(tǒng)計學分析。將SUI家族史、便秘、每周水果食用量、孕前BMI值、日飲水情況、妊娠紋出現與否、流產史、孕前參加鍛煉情況、孕前盆底肌訓練情況、孕期盆底肌訓練情況、孕吐現象、文化程度納入風險分析。模型靈敏度是84.8%,準確度是76.7%,ROC曲線下面積為0.767,交叉驗證的風險值為29.8%,結果表明該模型在本地人群中具有良好的一致性和預測性能,能較好地預測初產婦產后SUI的發(fā)生風險。其中孕前BMI>23.96 kg/m2是妊娠期發(fā)生SUI的關鍵節(jié)點,便秘也是SUI的高危因素,此外當孕產婦有SUI家族史時,發(fā)生SUI占決策樹節(jié)點的67.9%。翟巾幗[30]也總結了9個數據庫所有預防妊娠期SUI的措施,確定了集束化預防方案,主要包括進行規(guī)律的盆底肌訓練、膀胱鍛煉、體外微波療法、電刺激、針灸、艾灸等中醫(yī)療法、行為療法、運動鍛煉、早期健康宣教,可根據不同的人群給予特定的預防措施。該模型不僅經過了內部驗證,也進行了外部驗證,具有較好的預測效能,但研究中的一些風險預測因子是基于主觀回憶的數據,可能產生偏移,且模型是在國外相關模型的基礎上設計研發(fā)的,可導致模型的AUC值與實際值存在差異,在臨床中應用仍有待進一步驗證。
荷蘭一項研究[31]對2個原始研究進行二次分析,納入356名女性,采用Logistic回歸分析確定參考模型,并發(fā)布了在線計算器,模型包含年齡<55歲、陰道分娩次數≤3次、盆腔臟器脫垂量化系統(tǒng)術前Ba點<-1、術前SUI、牽引手術中植入中尿道吊帶 5個預測因子。通過術前壓力測試擴展模型,使模型ROC曲線下面積從0.74校正為0.76。壓力測試對陰道脫垂術后SUI風險為10%~20%的女性尤其有價值,但對風險超過50%的女性沒有預測價值。該模型進行了內部驗證,適合所有進行陰道脫垂手術后的婦女,可識別低中高脫垂術后SUI風險,而壓力測試僅在部分女性中有效,可以幫助中風險女性進行脫垂手術或聯合手術選擇。另一項研究[32]構建的盆腔臟器脫垂術后SUI預測模型,共納入12個預測因子,并與術前尿流壓力測試和醫(yī)學專家的預測進行比較。使用最佳變量擬合Logistic回歸分析模型后,用1 000個樣本進行模型內部驗證,另外對316例病人進行外部驗證,確定簡約模型,簡約模型一致性高于完整模型,簡約模型最終確定年齡、陰道分娩次數、BMI、術前壓力測試、尿失禁史、糖尿病史、漏尿相關的緊迫感7個風險預測因子。經內部與外部驗證,表明該模型預測性能良好,其預測效果優(yōu)于術前壓力測試和醫(yī)學專家預測,模型簡便易行,還可用于醫(yī)生為病人選擇合適的脫垂手術類型,但該模型只適用于僅進行了陰道脫垂手術治療的盆腔臟器脫垂病人,并不清楚應用其他手段治療的盆腔臟器脫垂病人是否準確,后續(xù)研究可在這個研究基礎上,進一步驗證聯合使用其他治療手段的病人是否同樣適用此模型。
2.2.2 Meta分析結果應用 韓雪琪等[33]對中老年SUI危險因素進行Meta分析,共納入14項研究,其中隊列研究6篇,橫斷面研究5篇,病例對照研究3篇。研究發(fā)現:文化程度低、BMI增高、缺乏體育鍛煉、盆腔手術史、便秘、尿路感染、產次≥3次、陰道分娩史、絕經、應用雌激素是老年女性發(fā)生SUI的高危因素。但由于此Meta分析納入文獻類型、研究對象不盡相同,可產生選擇偏倚,此外各項原始研究納入的危險因素不盡相同,部分危險因素未能予以合并,導致危險因素分析不夠全面。一項關于分娩方式對SUI的長期影響的系統(tǒng)評價[34],整合了15項橫斷面研究的結果表明不管是自發(fā)還是輔助陰道分娩,SUI的發(fā)病率較剖宮產翻了一番,但納入的SUI病人是自我報告的結果,而不是用尿流動力學進行診斷的結果,癥狀型診斷與尿流動力學診斷之間存在一定差距,因此此系統(tǒng)評價的結果不適合推廣到經尿流動力學診斷或逼尿肌過度活動診斷的SUI病人中。
SUI雖不危及生命,但其嚴重影響病人生活質量和身心健康,給病人帶來痛苦,且治療康復過程長,治療費用高昂[35]。目前,SUI的治療手段包括手術和保守治療,手術治療創(chuàng)傷大且并發(fā)癥多,可出現15%~20%的失敗率[36],保守治療有物理和藥物治療。有研究表明,SUI可以通過控制體重、飲食習慣、盆底肌鍛煉等進行預防,所以早期識別SUI高危人群很重要,通過進行風險預測,篩選SUI高危人群,早期針對性給予預防指導措施,可降低患病率,減少醫(yī)療浪費[37]。通過上述國內外文獻回顧發(fā)現,不管是單因素風險預測還是多維度風險預測,都有各自的優(yōu)勢。國外更多關注單因素風險預測,簡單方便,但對女性SUI預測模型關注較少,集中在盆腔臟器脫垂術后SUI風險預測模型的構建,而國內研究更多關注整個孕期及產后SUI的風險預測模型。目前對于哪種風險預測最適用于女性SUI的預測尚未達成共識,阻礙其臨床推廣的原因有以下兩點:①各研究納入人群并未統(tǒng)一,開展區(qū)域局限,診斷與評價指標也未標準化,導致各風險預測工具間存在差異;②多數研究都是回顧性研究,結果可能存在回憶偏倚,且多數模型只進行內部驗證尚未進行外部驗證,使得各風險預測工具在臨床推廣使用受限。今后風險預測工具應開展多中心的前瞻性研究加以驗證,并進行規(guī)范驗證和評價,如預測模型可以用預測模型偏倚風險評估工具(prediction model risk of bias assessment tool,PROBAST)[38]進行方法學評價,以提高模型的科學性和規(guī)范性,同時應在多人群中進行大樣本驗證,使風險預測工具具備更好的外推性。