宋美璇，趙春艷，李 剛，徐卓珺

（1. 同濟大學(xué)醫(yī)學(xué)院，上海 200092； 2. 同濟大學(xué)附屬東方醫(yī)院，上海 200120）

腦卒中，俗稱中風(fēng)，是一種常見的器質(zhì)性腦損傷導(dǎo)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(fù)發(fā)、死亡率上升等不良后果的風(fēng)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(fù)、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(yù)測腦卒中后患者的運動功能恢復(fù)情況是關(guān)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(fù)方案，最大程度地降低經(jīng)濟負擔。近年來，預(yù)測腦卒中功能恢復(fù)的各種方法受到了研究人員的廣泛關(guān)注[3]。本文主要對近年來腦卒中后運動功能恢復(fù)的預(yù)測模型進行綜述，以期為腦卒中患者的功能預(yù)后工作提供參考。

1 傳統(tǒng)統(tǒng)計學(xué)預(yù)測模型

1.1 局部運動功能恢復(fù)預(yù)測模型

1.1.1 Prabhakaran 比例恢復(fù)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(yù)測腦卒中患者上肢運動恢復(fù)情況。其中初始FMAUE 評分是結(jié)果預(yù)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(yù)測準確性。Winters 等[5]在211 例腦卒中患者中對Prabhakaran 比例恢復(fù)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(fù)情況與患病后運動功能初始損傷程度緊密相關(guān)，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(fù)曲線和Prabhakaran 比例恢復(fù)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(yù)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(yù)測缺血性腦卒中患者患病6 個月時的上肢功能恢復(fù)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(fù)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(fù)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(yù)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(fù)情況較多，導(dǎo)致預(yù)測模型的臨床用途尚不能清晰明確。

1.1.3 Veerbeek 步行預(yù)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(yù)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(fù)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(yù)測腦卒中患者發(fā)病后6 個月時恢復(fù)獨立行走具有一定的作用。該模型包含的預(yù)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(yīng)用更為簡便及明確。此外，Veerbeek 步行預(yù)測模型以多元方程的形式呈現(xiàn)，可將其轉(zhuǎn)換為應(yīng)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(fù)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(yù)測腦卒中后患者在急性期后的康復(fù)階段能否實現(xiàn)獨立行走。其中坐位保持和恢復(fù)行走功能之間的關(guān)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(fù)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(fù)治療期間的行走功能進行評估，在預(yù)測康復(fù)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(yù)測模型由Bland 等[12]于2012 年基于腦卒中康復(fù)系統(tǒng)數(shù)據(jù)庫中110 例患者的相關(guān)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(yù)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(yù)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(yīng)評估及預(yù)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(fù)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(yù)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(fù)預(yù)測模型

1.2.1 Maugeri 模型由Scrutinio 等[13]于2017 年基于717例康復(fù)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(fù)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(fù)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(yù)測腦卒中患者康復(fù)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(yù)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(yù)測能力較好。此外，該模型的預(yù)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(shè)置的從腦卒中發(fā)病到介入康復(fù)的時間中位數(shù)為15～25 d、康復(fù)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(fù)的時間，從而限制了該模型的通用性。

1.2.2 Kwah 運動預(yù)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(yù)測腦卒中患者是否能夠在發(fā)病后6 個月恢復(fù)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(yù)測能力。Langerak等[16]于2021 年在914 例腦卒中患者中對Kwah 運動預(yù)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(yù)測準確性，但低于原本Kwah 等[15]的預(yù)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(yù)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(yù)測腦卒中患者日常生活活動功能恢復(fù)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(yù)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(fù)情況進行預(yù)測，其恢復(fù)曲線可以較為準確的預(yù)測腦卒中患者日常生活活動功能恢復(fù)的進展，但模型中的每個變量的恢復(fù)曲線反映的是患者恢復(fù)模式，并不能精確表達其概率，且其應(yīng)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(yù)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(yù)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(yù)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(yù)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(yù)后低風(fēng)險、19～23分為中風(fēng)險、≥24分為高風(fēng)險。

1.2.5 急性缺血性腦卒中動態(tài)功能預(yù)后（Dynamic Functional Status after Acute Ischemic Stroke，DFSAIS）預(yù)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(guān)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(yīng)用、入院NIHSS評分和入院血糖9個變量，用于預(yù)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(yù)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(yù)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(yù)測準確性和穩(wěn)定性。DFS-AIS 預(yù)測模型采用Web 的計算器進行概率計算，有助于其在臨床應(yīng)用，且其在預(yù)測急性腦卒中后3 個月的功能恢復(fù)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(guān)資料，以ARAT 評分作為結(jié)局指標，采用預(yù)測恢復(fù)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(yù)測腦卒中后3 個月上肢功能恢復(fù)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(fù)的預(yù)測準確率達75%，表明該模型在腦卒中后上肢功能的預(yù)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(yù)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(yīng)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(guān)節(jié)伸展力量評分2 個變量組成的決策樹，用于預(yù)測腦卒中患者何時恢復(fù)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(fù)獨立行走的預(yù)測準確率達95%。不同于傳統(tǒng)統(tǒng)計學(xué)預(yù)測模型，TWIST 算法是基于腦卒中后獨立行走所需時間進行預(yù)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(yīng)用。

2.2 人工神經(jīng)網(wǎng)絡(luò)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(luò)（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(yù)測模型，用于預(yù)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(yù)測效果較好。Kim 等[25]基于接受腦卒中康復(fù)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(yù)測腦卒中患者患病后6 個月時上下肢運動功能的恢復(fù)情況。結(jié)果顯示，這2 個模型對于上肢和下肢運動功能預(yù)測的AUC 分別為0.91、0.87 和0.82、0.77，均具有較好的預(yù)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(yù)測準確性更高，上肢運動功能恢復(fù)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(yù)測。

3 腦卒中后運動功能恢復(fù)預(yù)測模型的比較分析

3.1 腦卒中后運動功能恢復(fù)預(yù)測模型的研究方法比較從研究設(shè)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(yù)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(fù)之間的關(guān)系。從研究對象上看，多數(shù)模型都是針對進行康復(fù)治療的腦卒中患者，不能代表所有患者，可能會導(dǎo)致預(yù)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(xué)習(xí)的預(yù)測模型使用較少，上述研究均證實后者的預(yù)測準確性明顯優(yōu)于前者，且能更好地挖掘復(fù)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(yīng)用于臨床，但目前機器學(xué)習(xí)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(yīng)用上來看，預(yù)測模型主要應(yīng)用于早期運動功能恢復(fù)預(yù)測，目前尚不清楚中風(fēng)后早期改善效果能否長期保持，缺乏對遠期功能恢復(fù)的探討。

3.2 腦卒中后運動功能恢復(fù)預(yù)測模型影響因素的比較關(guān)于卒中后運動功能恢復(fù)預(yù)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(yù)測卒中康復(fù)，但其預(yù)測的效度有限。有學(xué)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(xué)標志物能夠提高預(yù)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(fù)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(xué)標志物與運動恢復(fù)之間存在相關(guān)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(yù)后生物標志物可以預(yù)測腦卒中患者短期和長期運動功能恢復(fù)[28]。此外，預(yù)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(fù)最重要的預(yù)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(fù)最佳的預(yù)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(fù)因素之間的不同，表明中風(fēng)后上肢和下肢的恢復(fù)機制不同，上肢運動功能恢復(fù)與年齡、NIHSS、皮質(zhì)脊髓束損傷和病變體積等有關(guān)，而下肢運動功能恢復(fù)與初始簡易智力狀態(tài)檢查量表評分等有關(guān)。

4 小結(jié)

腦卒中后運動恢復(fù)的預(yù)測對于患者康復(fù)治療具有重要的意義。預(yù)測模型的構(gòu)建需要綜合考慮臨床因素、影響學(xué)因素和生物標志物等方面的內(nèi)容，目前的預(yù)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(yīng)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(xué)習(xí)為代表的預(yù)測模型表現(xiàn)出良好的準確性，未來應(yīng)不斷加強臨床大數(shù)據(jù)庫的建設(shè)，借助機器學(xué)習(xí)、計算機編程等技術(shù)開發(fā)高質(zhì)量的預(yù)測模型，加強預(yù)測模型的多中心外部驗證，同時結(jié)合考慮上下肢的恢復(fù)模式，建立有針對性的預(yù)測模型，從而有助于醫(yī)護人員制定個性化康復(fù)計劃，提升患者肢體功能康復(fù)效果，減輕患者痛苦和醫(yī)療投入，改善患者預(yù)后。