脑出血术后运动恐惧症风险预测新模型：精准识别高危患者，优化康复干预策略

为解决脑出血患者术后运动恐惧症（kinesophobia）高发（47.25%）且阻碍康复的问题，安徽理工大学的研究人员构建并验证了一项基于多变量回归的风险预测模型。该研究通过LASSO回归筛选特征变量（如年龄、NIHSS评分、VAS疼痛评分），建立nomogram列线图模型，结果显示模型预测性能优异（AUC=0.836），临床适用性强，为早期识别高危患者和制定个性化干预（如心理支持及电子健康素养提升）提供科学依据，助力改善患者功能恢复。

　　

脑出血是一种突发且致命的神经系统疾病，常由高血压或脑血管畸形引发，手术虽能救命，但术后并发症频发，其中运动恐惧症（kinesophobia）——患者因害怕疼痛或再损伤而逃避活动的心理障碍——成为康复的“隐形杀手”。研究显示，近半数脑出血术后患者受此困扰，恐惧活动不仅延迟神经功能恢复，还增加关节挛缩等风险，然而现有评估工具（如TSK量表）依赖主观问卷，缺乏整合生理、心理和社会因素的综合预测模型。临床亟需一种精准工具，在康复黄金期识别高危人群，避免“恐惧链”扼杀康复希望。

安徽理工大学第一附属医院的研究团队在《BMC Neurology》发表突破性研究，他们通过严谨的队列分析和机器学习技术，成功构建并验证了首个脑出血术后运动恐惧症风险预测模型。该模型基于多中心数据，筛选关键风险因子，最终形成直观的nomogram工具，为临床早期干预提供“导航图”。研究不仅证实年龄、神经损伤严重度（NIHSS）和疼痛感知是核心风险驱动因素，还首次揭示电子健康素养的保护作用，为“心理-生理”整合干预开辟新路径。

研究人员采用三大关键技术：

1. 前瞻性队列设计：纳入218例脑出血术后患者（来自安徽理工大学第一附属医院神经外科），通过标准问卷（如TSK-11量表）分组（恐惧组103例 vs 非恐惧组115例），确保数据代表性。

2. 变量筛选与建模：先用LASSO回归从20个候选指标（如年龄、NIHSS评分、VAS疼痛评分）压缩至12个特征变量；再通过多因素Logistic回归锁定独立风险因素（OR值验证），最后构建nomogram预测模型。

3. 模型验证与解释：采用Bootstrap自采样（500次）进行内部验证，结合ROC曲线、DCA决策曲线和校准曲线评估性能；并引入SHAP分析（SHapley Additive exPlanations）解释个体预测贡献，提升模型透明度。

研究结果：从数据到临床洞察

1. 临床数据比较：恐惧症的“高危画像”

通过t检验和卡方分析，恐惧症患者年龄更大（63.28±9.36岁 vs 57.03±10.77岁，P<0.001）、电子健康素养更低（22.54±6.15 vs 26.07±5.16）、抑郁评分更高（7.62±2.93 vs 5.41±1.77），且NIHSS评分（10 vs 8）、VAS疼痛评分（5 vs 3）和术中失血量（30ml vs 20ml）均显著升高（P<0.05），勾勒出高龄、低心理韧性、高疼痛敏感人群的典型特征。

2. 特征变量筛选：机器学习的“去芜存菁”

LASSO回归以Lambda=0.023为最优参数，从20个指标中筛选出12个关键变量，包括性别、年龄、手术类型、冠心病、呼吸系统疾病、糖尿病、术中失血量、电子健康素养评分、焦虑评分、NIHSS评分、VAS疼痛评分和抑郁评分，为后续回归分析奠定基础。

3. 独立风险因素锁定：Logistic回归的“精准定位”

多因素Logistic回归显示：

• 风险因素：年龄（OR=1.04, 95%CI:1.01~1.09）、抑郁评分（OR=1.49, 95%CI:1.13~1.98）、NIHSS评分（OR=1.06, 95%CI:1.02~1.10）、VAS疼痛评分（OR=1.19, 95%CI:1.05~1.35）显著提升恐惧症风险（P<0.05）。

• 保护因素：电子健康素养评分（OR=0.89, 95%CI:0.82~0.96）可降低风险，而手术类型中减压颅骨切除术（OR=4.18）虽未达显著水平（P=0.086），但提示创伤程度的影响。

4. Nomogram模型构建：临床医生的“决策罗盘”

基于上述5个核心变量（年龄、电子健康素养、抑郁评分、NIHSS、VAS疼痛），团队构建nomogram列线图（图1）。例如，70岁患者（17分）+电子健康素养20分（18分）+抑郁评分8分（40分）+NIHSS评分15分（9分）+VAS疼痛7分（