張杰 席崇程 孔云 鐘克龍 安雪梅

Risk prediction models for post?stroke cognitive impairment： a systematic review

ZHANG Jie， XI Chongcheng， KONG Yun， ZHONG Kelong， AN Xuemei

Chengdu University of Traditional Chinese Medicine， Sichuan 611137 China

Corresponding Author? AN Xuemei， E?mail： 1051158567@qq.com

Abstract? Objective：To systematically evaluate the risk prediction models for post?stroke cognitive impairment.Methods：Research related to risk prediction models for post?stroke cognitive impairment was retrieved from China National Knowledge Infrastructure，Wanfang Data，China Biology Medicine database，PubMed，EMbase，the Cochrane Library，Web of Science，and EBSCO.The retrieval period was from establishment of databases to January 30，2023. 2 researchers independently screened the literature，extracted data，and evaluated the risk of bias and applicability for inclusion in the study.Results：A total of 16 studies were included，including 19 risk prediction models for post?stroke cognitive impairment.Among them，16 models used Logistic regression analysis，2 models used random forest method，and 1 model used LASSO regression method.The area under the curve（AUC） of receiver operator characteristic during modeling were ranged from 0.773 to 0.940.4 models were subjected to the Hosmer?Lemeshow（H?L） test，with 2 models reportedP?values and theirP≥0.05.11 models underwent internal validation，5 models underwent external validation， and 4 models underwent both internal and external validation simultaneously.The 16 studies had good applicability， but there was a high bias，and the main problem was concentrated in the analysis field.Conclusions：The overall performance of the risk prediction models for post?stroke cognitive impairment is good，but the quality of the models need to be improved.In future research，it is necessary to optimize the? research? design，expand the? sample? size，select? appropriate predictive factors according to clinical needs，improve statistical analysis methods.It also should focus on external validation of the model to verify its generalization ability.

Keywords??? post?stroke cognitive impairment； risk prediction； model； quality evaluation； evidence?based nursing

摘要? 目的：系統(tǒng)評(píng)價(jià)腦卒中后認(rèn)知障礙的風(fēng)險(xiǎn)預(yù)測模型。方法：檢索中國知網(wǎng)、萬方數(shù)據(jù)庫、維普網(wǎng)、中國生物醫(yī)學(xué)文獻(xiàn)服務(wù)系統(tǒng)、PubMed、EMbase、the Cochrane Library、Web of Science和EBSCO數(shù)據(jù)庫中的腦卒中后認(rèn)知障礙風(fēng)險(xiǎn)預(yù)測模型相關(guān)研究，檢索時(shí)限為建庫至2023年1月30日。由2名研究者獨(dú)立篩選文獻(xiàn)、提取資料并評(píng)價(jià)納入研究的偏倚風(fēng)險(xiǎn)和適用性。結(jié)果：共納入16項(xiàng)研究，包括19個(gè)腦卒中后認(rèn)知障礙風(fēng)險(xiǎn)預(yù)測模型，其中，16個(gè)模型采用了Logistic回歸分析方法，2個(gè)模型采用了隨機(jī)森林的方法，1個(gè)模型采用了LASSO回歸的方法。建模時(shí)受試者工作特征曲線下面積（AUC）為0.773～0.940。4個(gè)模型進(jìn)行了Hosmer?Lemeshow（H?L）檢驗(yàn)，其中2個(gè)模型報(bào)告了P值且P≥0.05。11個(gè)模型進(jìn)行了內(nèi)部驗(yàn)證，5個(gè)模型進(jìn)行了外部驗(yàn)證，4個(gè)模型同時(shí)進(jìn)行了內(nèi)部驗(yàn)證和外部驗(yàn)證。16項(xiàng)研究適用性較好，但存在較高的偏倚風(fēng)險(xiǎn)，主要問題集中在分析領(lǐng)域。結(jié)論：腦卒中后認(rèn)知障礙風(fēng)險(xiǎn)預(yù)測模型整體性能良好，但模型質(zhì)量有待提高，在未來的研究中需優(yōu)化研究設(shè)計(jì)、擴(kuò)大樣本量、根據(jù)臨床需要選擇合適的預(yù)測因子、改進(jìn)統(tǒng)計(jì)分析方法，并注重模型的外部驗(yàn)證，以驗(yàn)證模型的泛化能力。

關(guān)鍵詞? 腦卒中后認(rèn)知障礙；風(fēng)險(xiǎn)預(yù)測；模型；質(zhì)量評(píng)價(jià)；循證護(hù)理

doi：10.12102/j.issn.1009-6493.2024.10.005

腦卒中后認(rèn)知障礙（PSCI）指腦卒中病人在記憶、思維、理解、判斷等方面出現(xiàn)的認(rèn)知受損^[1]，其發(fā)病率為16.76%～80.41%^[2?3]。患有PSCI的病人可能會(huì)出現(xiàn)抑郁和焦慮等心理問題，導(dǎo)致其社交能力下降、生活質(zhì)量降低、殘疾與死亡風(fēng)險(xiǎn)增加^[4?6]。此外，由于認(rèn)知能力下降，PSCI病人護(hù)理費(fèi)用比非PSCI病人增加3倍^[7]，給家庭帶來沉重的經(jīng)濟(jì)負(fù)擔(dān)。目前尚無針對PSCI的最佳治療方法^[8]。因此，開發(fā)PSCI風(fēng)險(xiǎn)預(yù)測模型顯得尤為重要，將有利于醫(yī)護(hù)人員早期識(shí)別和管理高危病人，為病人提供更優(yōu)質(zhì)的治療和護(hù)理方案。目前，國內(nèi)外已經(jīng)開發(fā)并驗(yàn)證了多種PSCI風(fēng)險(xiǎn)預(yù)測模型，但模型的質(zhì)量及預(yù)測性能不盡相同，臨床適應(yīng)性仍有待提高。同時(shí)，由于缺乏針對PSCI風(fēng)險(xiǎn)預(yù)測模型的系統(tǒng)評(píng)價(jià)，高質(zhì)量循證醫(yī)學(xué)證據(jù)的應(yīng)用受到限制。本研究通過檢索國內(nèi)外PSCI風(fēng)險(xiǎn)預(yù)測模型，對模型的風(fēng)險(xiǎn)偏倚和臨床適用性進(jìn)行系統(tǒng)評(píng)價(jià)，以期為PSCI風(fēng)險(xiǎn)預(yù)測模型的開發(fā)、應(yīng)用、優(yōu)化以及個(gè)性化防治提供科學(xué)依據(jù)。

1? 資料與方法

1.1 納入及排除標(biāo)準(zhǔn)

1.1.1 納入標(biāo)準(zhǔn)

1）研究對象：年齡≥18歲；符合PSCI診斷標(biāo)準(zhǔn)。2）研究類型：病例對照研究或隊(duì)列研究。3）研究內(nèi)容：PSCI風(fēng)險(xiǎn)預(yù)測模型。

1.1.2 排除標(biāo)準(zhǔn)

1）無法獲取全文或數(shù)據(jù)信息不完整；2）基于系統(tǒng)評(píng)價(jià)構(gòu)建的預(yù)測模型；3）會(huì)議摘要、學(xué)術(shù)論文等非正式發(fā)表的文獻(xiàn)；4）綜述、述評(píng)、新聞報(bào)道等研究資料；5）重復(fù)發(fā)表文獻(xiàn)；6）非中英文文獻(xiàn)。

1.2 檢索策略

檢索中國知網(wǎng)、萬方數(shù)據(jù)庫、維普網(wǎng)、中國生物醫(yī)學(xué)文獻(xiàn)服務(wù)系統(tǒng)、PubMed、EMbase、the Cochrane Library、Web of Science和EBSCO數(shù)據(jù)庫，檢索時(shí)限為建庫至2023年1月30日。采用主題詞、自由詞相結(jié)合的方式進(jìn)行中英文檢索，中文檢索詞為腦卒中、卒中、腦中風(fēng)、中風(fēng)、腦血管意外、腦血管事件、腦梗死、腦梗塞、腦梗、腦缺血、腦血栓、腦出血、認(rèn)知障礙、血管性認(rèn)知障礙、認(rèn)知功能損傷、神經(jīng)功能障礙、認(rèn)知功能障礙、預(yù)測、預(yù)警、預(yù)測因子、影響因素、影響因子、風(fēng)險(xiǎn)評(píng)估、風(fēng)險(xiǎn)預(yù)測、模型、工具、列線圖、諾模圖；英文檢索詞為stroke、strokes、cerebrovascular accident*、CVA、cerebrovascular apoplexy、brain vascular accident*、cerebrovascular stroke*、apoplexy、cerebral stroke*、acute stroke*、acute cerebrovascular accident*、cerebral infarction、cerebral hemorrhage、brain ischemia、cognitive dysfunction、cognitive impairment*、cognitive disorder*、mild cognitive impairment*、risk assessment、risk prediction、predict、predicts、prognosis、forecast、model、tool、score、nomogram model。此外，追溯納入文獻(xiàn)的參考文獻(xiàn)以補(bǔ)充相關(guān)文獻(xiàn)。

1.3 文獻(xiàn)篩選與資料提取

采用Note Express軟件剔除重復(fù)文獻(xiàn)后，由2名研究者按照納入及排除標(biāo)準(zhǔn)獨(dú)立閱讀文題和摘要，排除明顯不相關(guān)文獻(xiàn)，閱讀全文后，最終確定納入文獻(xiàn)。如有分歧，討論解決或由第3名研究者決定。資料提取內(nèi)容包括第一作者、年份、國家、研究設(shè)計(jì)、研究對象、樣本量、認(rèn)知障礙診斷方法、建模數(shù)、結(jié)局指標(biāo)相關(guān)數(shù)據(jù)等。

1.4 納入研究的偏倚風(fēng)險(xiǎn)和適用性評(píng)價(jià)

2名研究者獨(dú)立采用預(yù)測模型研究的偏倚風(fēng)險(xiǎn)評(píng)估工具（PROBAST）^[9]對納入研究的偏倚風(fēng)險(xiǎn)和適用性進(jìn)行評(píng)價(jià)，并交叉核對，如有分歧，討論解決或由第3名研究者決定。

1.4.1 偏倚風(fēng)險(xiǎn)評(píng)估

偏倚風(fēng)險(xiǎn)評(píng)估涉及研究對象、預(yù)測因子、結(jié)果和分析4個(gè)領(lǐng)域，包含20個(gè)問題，回答選項(xiàng)為“是”“可能是”“否”“可能否”和“無信息”。若某領(lǐng)域內(nèi)所有問題回答均為“是”或“可能是”，則該領(lǐng)域偏倚風(fēng)險(xiǎn)低；存在任一問題回答為“否”或“可能否”，則該領(lǐng)域偏倚風(fēng)險(xiǎn)高；相關(guān)信息不足，則該領(lǐng)域偏倚風(fēng)險(xiǎn)不清楚。若所有領(lǐng)域偏倚風(fēng)險(xiǎn)均低，研究總體偏倚風(fēng)險(xiǎn)低；任一領(lǐng)域偏倚風(fēng)險(xiǎn)高，則研究總體偏倚風(fēng)險(xiǎn)高；任一領(lǐng)域偏倚風(fēng)險(xiǎn)不清楚且其他領(lǐng)域偏倚風(fēng)險(xiǎn)低，則研究總體偏倚風(fēng)險(xiǎn)不清楚。

1.4.2 適用性評(píng)估

適用性評(píng)估涉及研究對象、預(yù)測因子和結(jié)果3個(gè)領(lǐng)域，各領(lǐng)域按照“適用性好”“適用性差”和“適用性不清楚”評(píng)估。若每個(gè)領(lǐng)域的適用性均好，則研究總體適用性好；任一領(lǐng)域適用性差，則研究總體適用性差；任一領(lǐng)域適用性不清楚而其他領(lǐng)域適用性好，則研究總體適用性不清楚。

2? 結(jié)果

2.1 文獻(xiàn)檢索流程及結(jié)果

初步檢索得到1 839篇相關(guān)文獻(xiàn)，篩選后納入16篇文獻(xiàn)^[10?25]。文獻(xiàn)篩選流程及結(jié)果見圖1。

2.2 納入研究的基本特征

納入的16篇文獻(xiàn)^[10?25]中，中文文獻(xiàn)3篇^[10?12]，英文文獻(xiàn)13篇^[13?25]。其中6項(xiàng)研究^{[10?12，19?21]}為前瞻性研究，10項(xiàng)研究^{[13?18，22?25]}為回顧性研究。共構(gòu)建19個(gè)模型，其中Ding等^[20]在研究中構(gòu)建了4個(gè)模型，其余研究均構(gòu)建了1個(gè)模型。納入研究的基本特征見表1。

2.3 構(gòu)建模型的基本特征

構(gòu)建的19個(gè)模型，預(yù)測因子為2～10個(gè)，涵蓋多種類型，包括人口統(tǒng)計(jì)學(xué)因素（如年齡、性別、受教育水平等）、臨床特征[如美國國立衛(wèi)生研究院卒中量表（NIHSS）評(píng)分、格拉斯哥昏迷評(píng)分（GCS）、糖尿病等]、生物標(biāo)志物[如中性粒細(xì)胞與淋巴細(xì)胞比值（NLR）、血紅蛋白等]和影像學(xué)指標(biāo)（如Fazekas評(píng)分、非腔隙性梗死等）。見表2。在模型構(gòu)建方法方面，16個(gè)模型采用了Logistic回歸（LR）分析方法，2個(gè)模型采用了隨機(jī)森林的方法，1個(gè)模型采用了LASSO回歸的方法。在模型性能方面，19個(gè)模型的建模時(shí)受試者工作特征曲線下面積（AUC）為0.773～0.940，經(jīng)過模型驗(yàn)證，13個(gè)模型表現(xiàn)出良好的區(qū)分度（AUC≥0.8）。4個(gè)模型進(jìn)行了Hosmer?Lemeshow（H?L）檢驗(yàn)，其中2個(gè)模型報(bào)告了P值且P≥0.05，表示模型一致性良好。在模型驗(yàn)證方面，12個(gè)模型進(jìn)行了驗(yàn)證，其中11個(gè)模型進(jìn)行了內(nèi)部驗(yàn)證，5個(gè)模型進(jìn)行了外部驗(yàn)證，4個(gè)模型同時(shí)進(jìn)行了內(nèi)部驗(yàn)證和外部驗(yàn)證。在模型呈現(xiàn)方式方面，9個(gè)模型采用了列線圖方式呈現(xiàn)，6個(gè)模型以公式或方程方式呈現(xiàn)，2個(gè)模型以風(fēng)險(xiǎn)評(píng)分表的方式呈現(xiàn)，其他未明確說明。納入模型的基本特征見表3。

2.4 納入研究的偏倚風(fēng)險(xiǎn)和適用性評(píng)價(jià)

在偏倚風(fēng)險(xiǎn)強(qiáng)度中，納入的所有研究均評(píng)為高風(fēng)險(xiǎn)。針對研究對象領(lǐng)域，6項(xiàng)前瞻性研究被評(píng)為低風(fēng)險(xiǎn)，10項(xiàng)回顧性研究被評(píng)為高風(fēng)險(xiǎn)。主要原因是回顧性研究可能存在回憶偏倚，且數(shù)據(jù)收集的最初目的并非為了開發(fā)或驗(yàn)證預(yù)測模型，可能存在某些與認(rèn)知障礙相關(guān)的重要預(yù)測因子在病例中無法獲取，或者評(píng)估者沒有經(jīng)過統(tǒng)一培訓(xùn)，導(dǎo)致存在偏倚。針對預(yù)測因子領(lǐng)域，14項(xiàng)研究被評(píng)為低風(fēng)險(xiǎn)，2項(xiàng)研究被評(píng)為高風(fēng)險(xiǎn)。主要原因是這兩項(xiàng)研究的數(shù)據(jù)來源于多中心，其數(shù)據(jù)采集方式可能存在差異，從而產(chǎn)生偏倚。針對結(jié)果領(lǐng)域，13項(xiàng)研究被評(píng)為低風(fēng)險(xiǎn)，3項(xiàng)研究被評(píng)為高風(fēng)險(xiǎn)。主要原因是這3項(xiàng)研究的預(yù)測因子中包含認(rèn)知評(píng)分，其預(yù)測因子和結(jié)果之間的關(guān)聯(lián)可能被高估，導(dǎo)致模型的性能估計(jì)也被高估。此外，其中1項(xiàng)研究未明確說明距認(rèn)知障礙的間隔時(shí)間。針對分析領(lǐng)域，所有研究均被評(píng)為高風(fēng)險(xiǎn)。其主要原因是樣本量不足、采用單因素分析篩選預(yù)測因子、未評(píng)估模型區(qū)分度和校準(zhǔn)度（或僅使用H?L擬合優(yōu)度檢驗(yàn)）。在適用性中，所有研究的適用性均較高。納入研究的偏倚風(fēng)險(xiǎn)和適用性評(píng)價(jià)結(jié)果見表4。

3? 討論

3.1 預(yù)測模型性能良好，但需關(guān)注外部驗(yàn)證和多樣化建模方法

預(yù)測模型性能最常用的評(píng)估方法是AUC和H?L檢驗(yàn)。本研究中共納入了19個(gè)預(yù)測模型，這些模型的AUC均>0.7（其中13個(gè)模型≥0.8），顯示出良好的區(qū)分度。這意味著這些模型可以有效識(shí)別高風(fēng)險(xiǎn)的認(rèn)知障礙腦卒中病人。4個(gè)模型進(jìn)行了H?L檢驗(yàn)，其中2個(gè)模型P≥0.05，說明模型的預(yù)測結(jié)果與實(shí)際觀測結(jié)果一致性較好。雖然這些模型在驗(yàn)證中表現(xiàn)出良好的性能，但實(shí)際應(yīng)用這些預(yù)測模型時(shí)，還需考慮模型的穩(wěn)定性和適用性。

預(yù)測效果在不同人群、區(qū)域、腦卒中類型及康復(fù)階段可能存在差異。本研究中，僅有26.3%（5/19）的模型進(jìn)行了外部驗(yàn)證（其中4個(gè)模型采用了內(nèi)部和外部驗(yàn)證相結(jié)合的方式驗(yàn)證），且研究人群以亞洲人居多，可能會(huì)影響模型在其他人群中的預(yù)測效果，從而限制了模型的外推性和普適性。未來研究應(yīng)針對不同病人群體開展更多外部驗(yàn)證，關(guān)注特定腦卒中類型、病程和康復(fù)階段的預(yù)測模型。此外，84.2%（16/19）的模型采用了傳統(tǒng)的LR分析方法建模，存在處理變量間關(guān)聯(lián)和非線性關(guān)系的局限性，而機(jī)器學(xué)習(xí)方法如隨機(jī)森林等在多因子危險(xiǎn)因素篩選與分析中的應(yīng)用逐漸增多，有利于提高預(yù)測準(zhǔn)確性^[26?27]?？傊?，本研究納入的風(fēng)險(xiǎn)預(yù)測模型整體性能表現(xiàn)良好，但在未來研究中需加大樣本量，納入不同地區(qū)、不同腦卒中類型的資料，加強(qiáng)外部驗(yàn)證力度，嘗試采用多元化的建模方法，如機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)，以提高預(yù)測模型的準(zhǔn)確性和適應(yīng)性。

3.2 預(yù)測因子采集難度較高且缺乏可干預(yù)性

在臨床實(shí)際應(yīng)用中，醫(yī)護(hù)人員較為關(guān)注預(yù)測因子的獲得性及模型使用的便捷性。本研究中納入了19個(gè)模型，覆蓋了人口統(tǒng)計(jì)學(xué)因素、臨床特征、生物標(biāo)志物和影像學(xué)指標(biāo)等多種預(yù)測因子。表明PSCI受到多個(gè)因素影響。然而，預(yù)測因子的增多容易導(dǎo)致模型過度擬合，并在實(shí)際應(yīng)用中增加醫(yī)護(hù)人員的時(shí)間負(fù)擔(dān)。已有證據(jù)表明，經(jīng)過精簡的模型更易應(yīng)用于臨床實(shí)踐^[28]。目前，腦卒中后跌倒預(yù)測模型的預(yù)測因子呈逐漸減少趨勢^[29]，推測PSCI的預(yù)測模型也將趨向簡化。此外，本研究中納入的大多數(shù)模型的預(yù)測因子構(gòu)成為人口統(tǒng)計(jì)學(xué)因素、生物標(biāo)志物、影像學(xué)指標(biāo)，已有研究顯示，腦萎縮等影像學(xué)指標(biāo)是公認(rèn)的危險(xiǎn)因素^[30]，但獲取生物標(biāo)志物或影像學(xué)指標(biāo)需要專業(yè)設(shè)備和技術(shù)支持，并對護(hù)理人員的專業(yè)能力有更高要求，這增加了模型在臨床應(yīng)用中的復(fù)雜性。因此，在未來研究和實(shí)踐中，應(yīng)致力于簡化預(yù)測模型，確保其便捷性和適用性，以更好地支持PSCI的預(yù)測和管理。此外，本研究中預(yù)測模型的預(yù)測因子主要為不可逆的危險(xiǎn)因素，如年齡、性別、基線NIHSS評(píng)分、非腔隙性梗死等。這些因素在臨床護(hù)理中無法進(jìn)行干預(yù)，實(shí)際操作受到限制，不利于臨床護(hù)理工作的開展。多項(xiàng)研究表明，可干預(yù)的因素（如身體活動(dòng)、音樂治療、有氧訓(xùn)練和心理健康干預(yù)等）對于改善認(rèn)知具有積極的影響^[31?33]。因此，建議將此類可干預(yù)因素納入模型，以便醫(yī)護(hù)人員為病人提供更精確的預(yù)防措施，并針對個(gè)體制定適當(dāng)?shù)恼J(rèn)知訓(xùn)練方案，從而提高臨床護(hù)理效果。未來需進(jìn)一步開展深入研究和數(shù)據(jù)收集，以優(yōu)化預(yù)測模型，從而為臨床護(hù)理實(shí)踐提供精確且個(gè)性化的指導(dǎo)方針。

3.3 模型的準(zhǔn)確性和可靠性亟待提高

原始研究中存在潛在的偏倚，可能影響研究結(jié)果的準(zhǔn)確性和可靠性。本研究納入的16項(xiàng)研究均被評(píng)為高偏倚風(fēng)險(xiǎn)，主要的問題集中在分析領(lǐng)域，如樣本量不足、對缺失值處理不當(dāng)、采用先單因素分析后多因素分析的方式篩選變量、未規(guī)范化對模型進(jìn)行評(píng)價(jià)等。由于PSCI的潛在預(yù)測因子較多，本研究除Hbid等^[23]的研究外，其余研究預(yù)測變量的事件數(shù)量（EPV）均較少。此外，多數(shù)研究為回顧性研究，可能存在回憶偏倚。結(jié)局事件數(shù)不足和數(shù)據(jù)不精確的問題均可能導(dǎo)致最終模型結(jié)果不準(zhǔn)確^[34]。在處理缺失數(shù)據(jù)方面，PROBAST推薦使用多重填補(bǔ)的方法，但本研究發(fā)現(xiàn)，多項(xiàng)研究選擇直接排除缺失值。這種處理方式可能會(huì)使因素與結(jié)果之間的關(guān)聯(lián)存在偏差，即使沒有偏差，缺失的數(shù)據(jù)也會(huì)影響精度，導(dǎo)致置信區(qū)間變寬^[35]。在變量篩選方面，多項(xiàng)研究均在單變量分析的基礎(chǔ)上篩選變量，可能導(dǎo)致重要的風(fēng)險(xiǎn)因素被忽略，進(jìn)而導(dǎo)致模型過度擬合，喪失對新數(shù)據(jù)的預(yù)測能力^[36]。在模型評(píng)價(jià)方面，多項(xiàng)研究未評(píng)估模型區(qū)分度和校準(zhǔn)度（或僅使用H?L擬合優(yōu)度檢驗(yàn)）。說明模型在方法學(xué)方面存在很大的局限性，其結(jié)果可靠性有待提高。因此，在未來研究中應(yīng)擴(kuò)大樣本量，盡量采用前瞻性研究，以確保數(shù)據(jù)的真實(shí)性；出現(xiàn)缺失值時(shí)，運(yùn)用多重插補(bǔ)、單一插補(bǔ)法以降低數(shù)據(jù)缺失對統(tǒng)計(jì)分析、模型穩(wěn)定性造成的不利影響^[37]；篩選變量時(shí)，可采用LASSO回歸、逐步回歸等方法，以確保重要的風(fēng)險(xiǎn)因素不被忽略，提高模型預(yù)測能力；評(píng)價(jià)模型時(shí)，綜合考慮模型的區(qū)分度和校準(zhǔn)度，并使用多種評(píng)估指標(biāo)，以獲得更可靠、更全面的結(jié)果。 通過優(yōu)化研究方法和數(shù)據(jù)處理，模型將不斷完善，從而為臨床實(shí)踐提供更準(zhǔn)確、可靠的風(fēng)險(xiǎn)評(píng)估模型。

4? 小結(jié)

本研究納入16篇文獻(xiàn)，包括19個(gè)風(fēng)險(xiǎn)預(yù)測模型，但模型存在研究設(shè)計(jì)不合理、預(yù)測因子選擇不恰當(dāng)、模型評(píng)價(jià)不完善等問題。為提高預(yù)測模型質(zhì)量，建議參考PROBAST工具減少偏倚風(fēng)險(xiǎn)。通過優(yōu)化模型，可更早識(shí)別潛在的認(rèn)知障礙腦卒中病人，并為其提供高質(zhì)量的臨床決策，進(jìn)而改善病人生活質(zhì)量和預(yù)后。

參考文獻(xiàn)：

[1]? KERNAN W N，VIERA A J，BILLINGER S A，et al.Primary care of adult patients after stroke：a scientific statement from the American Heart Association/American Stroke Association[J].Stroke，2021，52（9）：e558-e571.

[2]? MAHADEVAN S，CHAN M F，MOGHADAS M，et al.Post-stroke psychiatric and cognitive symptoms in West Asia，South Asia and Africa：a systematic review and meta-analysis[J].J Clin Med，2021，10（16）：3655.

[3]? ZHANG C Y，SHE Y，LAN T，et al.Study on epidemiology of cognitive dysfunction after stroke in the population over the age of 45 in Inner Mongolia[J].Int J Neurosci，2018，128（7）：654-662.

[4]? LIAO X L，ZUO L J，DONG Y H，et al.Persisting cognitive impairment predicts functional dependence at 1 year after stroke and transient ischemic attack：a longitudinal，cohort study[J].BMC Geriatrics，2022，22：1009.

[5]? IRFANI FITRI F，F(xiàn)ITHRIE A，S RAMBE A.Association between working memory impairment and activities of daily living in post-stroke patients[J].Med Glas（Zenica），2020，17（2）：433-438.

[6]? DOUIRI A，RUDD A G，WOLFE C D A.Prevalence of poststroke cognitive impairment：South London stroke register 1995-2010[J].Stroke，2013，44（1）：138-145.

[7]? CLAESSON L，LIND?N T，SKOOG I，et al.Cognitive impairment after stroke-impact on activities of daily living and costs of care for elderly people[J].Cerebrovasc Dis，2005，19（2）：102-109.

[8] ?QUINN T J，RICHARD E，TEUSCHL Y，et al.European Stroke Organisation and European Academy of Neurology joint guidelines on post-stroke cognitive impairment[J].Eur Stroke J，2021，6（3）：I-XXXVⅢ.

[9]? MOONS K G M，WOLFF R F，RILEY R D，et al.PROBAST：a tool to assess risk of bias and applicability of prediction model studies：explanation and elaboration[J].Ann Intern Med，2019，170（1）：W1-W33.

[10]? 陳尚超，胡明艷，徐向勇.急性腦卒中后血清因子變化對患者認(rèn)知障礙預(yù)測模型的構(gòu)建分析[J].心腦血管病防治，2022，22（3）：9-12;30.

CHEN S C，HU M Y，XU X Y.Construction and analysis of the prediction model of cognitive impairment of patients with the changes of serum factors after acute stroke[J].Cardio-Cerebrovascular Disease Prevention and Treatment，2022，22（3）：9-12;30.

[11]? 高明明，崔潘，王瑜，等.基底節(jié)區(qū)腦出血繼發(fā)認(rèn)知功能障礙的列線圖預(yù)測模型研究[J].中西醫(yī)結(jié)合心腦血管病雜志，2022，20（17）：3250-3253.

GAO M M，CUI P，WANG Y，et al.Study on nomogram prediction model of cognitive dysfunction secondary to cerebral hemorrhage in basal ganglia[J].Chinese Journal of Integrative Medicine on Cardio-Cerebrovascular Disease，2022，20（17）：3250-3253.

[12]? 莫振華，覃蓮，黃進(jìn)瑜，等.急性部分前循環(huán)腦梗死后血管性認(rèn)知功能障礙的危險(xiǎn)因素研究[J].現(xiàn)代醫(yī)院，2021，21（1）：132-135;146.

MO Z H，QIN L，HUANG J Y，et al.Study on risk factors of vascular cognitive impairment after acute partial anterior circulation cerebral infarction[J].Modern Hospitals，2021，21（1）：132-135;146.

[13]? YE S，PAN H Q，LI W J，et al.High serum amyloid A predicts risk of cognitive impairment after lacunar infarction：development and validation of a nomogram[J].Front Neurol，2022，13：972771.

[14]? ZHA F，ZHAO J J，CHEN C，et al.A high neutrophil-to-lymphocyte ratio predicts higher risk of poststroke cognitive impairment：development and validation of a clinical prediction model[J].Front Neurol，2022，12：755011.

[15]? GU Y Z，WANG F，GONG L，et al.A nomogram incorporating red blood cell indices to predict post-stroke cognitive impairment in the intracerebral hemorrhage population[J].Front Aging Neurosci，2022，14：985386.

[16]? TANG A Q，LIU S J，WANG Z，et al.A new nomogram model for individualized prediction of cognitive impairment in patients with acute ischemic stroke[J].J Stroke Cerebrovasc Dis，2022，31（7）：106515.

[17]? CHANDER R J，LAM B Y K，LIN X L，et al.Development and validation of a risk score（CHANGE） for cognitive impairment after ischemic stroke[J].Sci Rep，2017，7：12441.

[18]? GONG K，ZHAO L Z，GUO J F，et al.A nomogram to predict cognitive impairment after supratentorial spontaneous intracranial hematoma in adult patients[J].Medicine，2019，98（42）：e17626.

[19]? GONG L，WANG H C，ZHU X F，et al.Nomogram to predict cognitive dysfunction after a minor ischemic stroke in hospitalized-population[J].Front Aging Neurosci，2021，13：637363.

[20]? DING M Y，XU Y，WANG Y Z，et al.Predictors of cognitive impairment after stroke：a prospective stroke cohort study[J].J Alzheimers Dis，2019，71（4）：1139-1151.

[21]? BETROUNI N，JIANG J，DUERING M，et al.Texture features of magnetic resonance images predict poststroke cognitive impairment：validation in a multicenter study[J].Stroke，2022，53（11）：3446-3454.

[22]? DONG Y，DING M Y，CUI M，et al.Development and validation of a clinical model（DREAM-LDL） for post-stroke cognitive impairment at 6 months[J].Aging，2021，13（17）：21628-21641.

[23]? HBID Y，F(xiàn)AHEY M，WOLFE C D A，et al.Risk prediction of cognitive decline after stroke[J].J Stroke Cerebrovasc Dis，2021，30（8）：105849.

[24]? YUAN X L，ZHANG L，SUI R B，et al.A risk prediction model of post-stroke cognitive impairment based on magnetic resonance spectroscopy imaging[J].Neurol Res，2021，43（8）：642-652.

[25]? KANDIAH N，CHANDER R J，LIN X L，et al.Cognitive impairment after mild stroke：development and validation of the SIGNAL2 risk score[J].J Alzheimers Dis，2016，49（4）：1169-1177.

[26]? CHURPEK M M，YUEN T C，WINSLOW C，et al.Multicenter comparison of machine learning methods and conventional regression for predicting clinical deterioration on the wards[J].Crit Care Med，2016，44（2）：368-374.

[27]? PIRRACCHIO R，PETERSEN M L，CARONE M，et al.Mortality prediction in intensive care units with the super ICU learner algorithm（SICULA）：a population-based study[J].Lancet Respir Med，2015，3（1）：42-52.

[28]? WONG J，TALJAARD M，F(xiàn)ORSTER A J，et al.Addition of time-dependent covariates to a survival model significantly improved predictions for daily risk of hospital death[J].J Eval Clin Pract，2013，19（2）：351-357.

[29]? 吳堯，謝碧姣，王丹心，等.康復(fù)期腦卒中患者跌倒風(fēng)險(xiǎn)預(yù)測模型的系統(tǒng)評(píng)價(jià)[J].中華護(hù)理雜志，2022，57（12）：1440-1446.

WU Y，XIE B J，WANG D X，et al.Systematic evaluation of a fall risk prediction model in convalescent stroke patients[J].Chinese Journal of Nursing，2022，57（12）：1440-1446.

[30]? CASOLLA B，CAPARROS F，CORDONNIER C，et al.Biological and imaging predictors of cognitive impairment after stroke：a systematic review[J].J Neurol，2019，266（11）：2593-2604.

[31]? DONG Q，YANG Y，TANG Q，et al.Effects of early cognitive rehabilitation training on cognitive function and quality of life in critically ill patients with cognitive impairment：a randomised controlled trial[J].Aust Crit Care，2023，36（5）：708-715.

[32]? VIKTORISSON A，ANDERSSON E M，LUNDSTR?M E，et al.Levels of physical activity before and after stroke in relation to early cognitive function[J].Sci Rep，2021，11（1）：9078.

[33]? SIHVONEN A J，LEO V，RIPOLL?S P，et al.Vocal music enhances memory and language recovery after stroke：pooled results from two RCTs[J].Ann Clin Transl Neurol，2020，7（11）：2272-2287.

[34]? TAN J，QI Y N，LIU C R，et al.The use of rigorous methods was strongly warranted among prognostic prediction models for obstetric care[J].J Clin Epidemiol，2019，115：98-105.

[35]? 郭志冉，黃素芳，李咪琪.急性A型主動(dòng)脈夾層死亡風(fēng)險(xiǎn)預(yù)測模型的系統(tǒng)評(píng)價(jià)[J].中國循證醫(yī)學(xué)雜志，2021，21（11）：1299-1307.

GUO Z R，HUANG S F，LI M Q.Mortaligy risk prediction models for acute type A aortic dissection：a systematic review[J].Chinese Journal of Evidence-Based Medicine，2021，21（11）：1299-1307.

[36]? 許汝福.Logistic回歸變量篩選及回歸方法選擇實(shí)例分析[J].中國循證醫(yī)學(xué)雜志，2016，16（11）：1360-1364.

XU R F.Selection for independent variables and regression method in logistic regression：an example analysis[J].Chinese Journal of Evidence-Based Medicine，2016，16（11）：1360-1364.

[37]? ZHANG Q，WANG L.Moderation analysis with missing data in the predictors[J].Psychol Methods，2017，22（4）：649-666.

（收稿日期：2023-05-19；修回日期：2024-04-25）

（本文編輯 陳瓊）