卒中相关性肌少症预测模型的系统综述：研究现状、方法学质量与未来方向

《Frontiers in Neurology》：Prediction models for stroke-associated sarcopenia: a scoping review

　　

专业术语翻译的摘要部分 目的： 系统梳理卒中患者肌少症风险预测模型的研究设计、模型开发方法、预测性能及预测因子，识别该领域当前的研究现状、空白及未来方向。 方法： 本综述遵循Arksey和O'Malley五阶段框架。检索九个数据库（PubMed、Web of Science、Cochrane Library、Embase、CINAHL、中国知网、万方、维普和中国生物医学文献数据库），检索时间从建库至2025年10月。两名研究人员独立依据基于JBI手册制定的表格进行筛选和数据提取，方法学分类参照个体预后或诊断多变量预测模型透明报告声明（TRIPOD）。采用叙述性综合分析方法。 结果： 共纳入12项研究（2022–2025年），包含15个预测模型，样本量范围为80至1,226例，卒中相关性肌少症（SAS）患病率为15.8%–65.8%。九项研究在中国开展，最常见的研究设计为病例对照研究和横断面研究。多数研究采用参数方法，主要为逻辑回归，两项研究还采用了非参数机器学习方法，包括决策树、随机森林和XGBoost。仅有一项研究进行了真正的外部验证。七项多变量诊断预测模型研究报告了曲线下面积（AUC），范围为0.743至0.970；四项评估单个或少数生物标志物诊断准确性的研究报告AUC范围为0.681至0.830。各研究的校准指标报告不一致。预测因子涵盖六个维度：人口学与生活方式因素、肌肉形态与身体成分、病史与合并症、神经功能与认知心理因素、营养与喂养相关因素，以及实验室指标。 结论： 当前的SAS风险预测模型多为单中心、小样本研究，普遍缺乏外部验证和校准报告，限制了其临床转化价值。尽管既往系统综述已涉及SAS预测模型，但本综述亦总结了探索性单一生物标志物研究，包括评估炎症免疫标志物如C反应蛋白与白蛋白比值（CAR）、中性粒细胞与淋巴细胞比值（NLR）和高迁移率族蛋白B1（HMGB1）的研究。这些标志物可能为SAS风险预测提供新方向；然而，每个标志物仅由一项小型研究支持，应被视为有前景的预测因子而非已验证的预测因子。未来研究应采用标准化的肌少症诊断标准开展多中心前瞻性研究，遵循TRIPOD声明构建多维预测模型并进行外部验证，促进风险筛查向临床实践的转化。 系统综述注册： https://doi.org/10.17605/OSF.IO/BWKMR

论文主体内容总结

1 引言

根据全球疾病负担（GBD）报告，脑卒中已成为全球第二大死因和成人获得性长期残疾的第三大原因。卒中后残疾导致许多幸存者遗留持续性神经功能缺损，不仅严重影响生活质量，也给家庭和社会带来沉重的照护和经济负担。肌少症被广泛认为是一种进行性、全身性的骨骼肌疾病，其特征为肌肉力量、肌肉质量和身体功能的丧失。基于病因学，肌少症可分为原发性和继发性两类。原发性肌少症主要由年龄相关的退行性过程驱动，主要影响65岁及以上人群。相比之下，继发性肌少症通常在特定基础疾病或全身性疾病背景下发生，常与2型糖尿病和心血管疾病等相关。在卒中患者中，神经功能缺损及相关并发症（包括吞咽困难）可能直接或间接诱导骨骼肌的结构、代谢和功能改变。若这些改变未能得到解决，可能发展为进行性肌肉萎缩和组织重塑，从而增加发生继发性肌少症的风险。卒中相关性肌少症（SAS）通常被定义为卒中后脑损伤后出现的骨骼肌质量、力量和/或身体功能下降的临床综合征。多项研究报告了卒中患者中肌少症的高患病率，估计范围为32.1%至68.4%。合并肌少症的卒中患者常因活动受限和疾病相关的分解代谢而经历进行性肌肉消耗和营养不良，这种恶性循环增加了感染风险、延长住院时间，最终恶化整体预后。因此，早期识别卒中后发生肌少症的高危患者并及时实施预防和治疗干预至关重要。风险预测模型将传统的人群数据转化为个体化风险概率，为临床医生和患者提供量化决策依据。与传统的影响因素分析不同，风险预测模型整合多个独立危险因素来估计结局发生的概率，从而促进早期临床干预和个体化治疗。作为风险评估的定量工具，风险预测模型在SAS领域日益受到关注。多项研究探讨了卒中患者肌少症的影响因素，包括年龄、体重指数（BMI）、吸烟、鼻饲喂养、美国国立卫生研究院卒中量表（NIHSS）评分、肺炎病史、白蛋白水平、血红蛋白水平和营养状况。这些发现为开发SAS风险预测模型奠定了基础。然而，迄今为止，关于适用于肌少症风险卒中人群的预测模型、其所包含的预测变量及其整体性能仍存在不确定性。因此，研究人员开展了此项范围综述。

2 材料与方法

本综述遵循Arksey和O'Malley开发的五步框架，五个步骤为：（1）明确研究问题和界定范围；（2）检索相关文献；（3）筛选符合条件的研究；（4）提取和综合数据；（5）总结和报告发现。

2.1 确定研究问题和范围

本范围综述围绕三个研究问题进行：卒中患者肌少症预测模型的类型（诊断性与预后性）和研究人群是什么？卒中患者肌少症预测模型的开发方法和预测性能如何？卒中患者肌少症预测模型中包含哪些预测因素？纳入标准为：人群为根据任何可用诊断标准确诊的成年卒中患者（≥18岁）；概念为开发或验证用于预测卒中患者发生肌少症的预测模型或算法，或评估单个预测因子；背景方面对临床环境、地理位置或医疗保健系统无限制。排除动物研究、综述、研究方案和荟萃分析。

2.2 识别相关研究

系统检索了以下中英文数据库：中国知网（CNKI）、万方数据库、维普中文科技期刊数据库（VIP）、中国生物医学文献数据库（SinoMed）、PubMed、Web of Science、Embase、Cochrane Library和CINAHL。检索覆盖从建库至2025年10月30日的所有记录。以CNKI为例，中文数据库的检索策略为：（卒中 OR 中风 OR 脑血管意外 OR 脑梗死 OR 脑出血 OR 脑缺血 OR 脑栓塞 OR 脑血管疾病）AND （肌少症 OR 肌肉丢失 OR 肌肉消耗综合征 OR 肌萎缩 OR 骨骼肌丢失 OR 肌肉衰退 OR 肌肉质量 OR 肌力）AND （风险预测 OR 风险预测模型 OR 预测模型 OR 诊断模型 OR 风险评分 OR 风险评估 OR 临床预测模型 OR 危险因素 OR 列线图）。英文数据库以PubMed为代表展示检索策略，完整检索策略见补充材料。

2.3 研究筛选

检索到的记录导入EndNote 21去重。两名研究人员独立根据纳入和排除标准筛选文献，分歧通过与第三名研究人员讨论解决。

2.4 数据提取与综合

参考乔安娜布里格斯研究所（JBI）证据综合手册制定了数据提取表。基于所有纳入研究的全文，提取作者、年份、国家、研究设计、样本量和事件数，以及模型相关信息，包括统计方法、模型性能、开发策略、验证方法和最终预测因子。根据TRIPOD声明和临床预测模型方法学对纳入的预测模型研究进行分类。两名研究人员独立提取数据以确保全面准确地获取必要信息。此外，使用预测模型偏倚风险评估工具（PROBAST）评估纳入预测模型研究的偏倚风险和适用性。两名研究人员独立评估PROBAST的四个领域（参与者、预测因子、结局和分析）和三个适用性领域（参与者、预测因子和结局），分歧通过讨论或咨询第三名研究人员解决。

2.5 整理、总结和报告结果

由于数据的异质性，无法进行荟萃分析。因此，采用叙述性综合方法来总结提取的数据，并以图表补充说明。

3 结果

通过电子数据库检索共识别1,379条记录，去重后剩余1,041条。经标题和摘要筛选，排除943篇，剩余98篇进行全文审查。其中6篇报告不可获取。因人群不符合、不相关以及缺乏预测模型等原因进一步排除，最终纳入12项研究进行分析。

3.1 卒中患者肌少症预测模型的类型和研究人群

12项纳入研究发表于2022年至2025年间。大部分研究在中国开展，其次为土耳其和日本。研究设计包括五项病例对照研究、三项横断面研究、两项队列研究和两项前瞻性观察性研究。八项研究开发了多变量诊断预测模型，其余四项未开发多变量预测模型。本综述纳入12项研究共15个模型，样本量从80到1,226名参与者不等。使用不同诊断标准报告的SAS患病率范围为15.8%至65.8%。

3.2 卒中患者肌少症预测模型的开发方法和性能

大多数纳入研究仅采用参数模型，主要是逻辑回归。一项研究同时使用了逻辑回归和决策树，另一项研究比较了逻辑回归与随机森林和XGBoost。在模型开发和验证方面，七项研究仅进行模型开发，一项研究进行了模型开发和地理外部验证，四项研究未开发多变量预测模型。模型性能主要通过区分度和校准度进行评估。在12项纳入研究中，11项报告了AUC值。其中，七项多变量诊断预测模型研究报告的AUC范围为0.743至0.970，四项研究报告的AUC范围为0.681至0.830。其余一项研究报告的C指数为0.761。校准指标的报告中，三项研究仅报告了Hosmer-Lemeshow检验，三项研究仅报告了校准图，两项研究同时报告了Hosmer-Lemeshow检验和校准图，四项研究未报告任何校准指标。六项纳入研究进行了决策曲线分析（DCA）。此外，使用PROBAST评估了八项预测模型研究，其中仅一项研究被评为总体低偏倚风险，其余七项被评为总体高偏倚风险。所有八项研究均显示高整体适用性。

3.3 预测模型中包含的预测因子

本综述纳入12项研究共15个预测模型。预测因子频率分布如下：患者人口学和生活方式因素方面，五项研究纳入年龄，四项纳入BMI，三项纳入吸烟史，一项纳入运动习惯。肌肉形态和身体成分方面，咬肌横截面积（CSA-M）、颞肌厚度（TMT）、腰围（WC）和右小腿围（CC）各在一项研究中被纳入。患者病史和合并症方面，三项研究纳入糖尿病史，高脂血症、既往卒中次数和肺炎各在一项研究中被纳入。神经功能和认知心理因素方面，四项研究纳入NIHSS评分，两项纳入肢体功能障碍，两项纳入认知障碍，吞咽困难、睡眠障碍、日常生活活动能力和焦虑各在一项研究中被纳入。营养状况和喂养相关因素方面，三项研究纳入管饲状态，三项研究纳入营养状况。实验室指标方面，两项研究纳入C反应蛋白（CRP），两项纳入白蛋白（Alb），血红蛋白（HGB）、C反应蛋白与白蛋白比值（CAR）、高迁移率族蛋白B1（HMGB1）、肌酸激酶（CK）和中性粒细胞与淋巴细胞比值（NLR）各在一项研究中被纳入。值得注意的是，CAR、NLR和HMGB1被描述为有前景但需进一步验证的预测因子。

4 讨论

本范围综述描绘了卒中患者肌少症风险预测模型的当前研究格局，涵盖了研究设计类型、模型开发方法、模型性能和预测因子。尽管对风险预测模型的研究兴趣浓厚，但针对卒中患者肌少症风险预测的研究仍然有限，仅纳入12项研究。值得注意的是，所有研究均在最近五年内发表，表明SAS风险预测模型正受到越来越多的关注和认可。由于纳入研究之间存在显著异质性，难以得出统一结论。因此，本范围综述确定了几个关键主题。全球范围内SAS患病率差异较大，东亚国家和地区是SAS研究的主要贡献者。纳入研究的SAS患病率范围为15.8%至65.8%，这种异质性可能归因于肌少症评估方法的差异、研究所在国家和地区的差异以及研究人群年龄范围的差异。SAS风险预测模型主要采用传统的逻辑回归，少数研究也探索了机器学习方法。参数模型假设预定义的预测因子与结局之间的关系，更易解释；非参数机器学习方法可捕捉复杂的非线性关系和交互作用，但在小样本中更易过拟合。在模型性能方面，八项开发了多变量诊断预测模型的研究显示出良好的预测能力（AUC>0.7）。然而，根据PROBAST评估，仅一项研究总体偏倚风险较低，其余七项研究偏倚风险较高。结局和分析领域是偏倚问题的主要来源。因此，尽管这些模型总体上对卒中患者中存在的肌少症表现出良好的诊断区分度，但在常规临床应用前应谨慎解读并需要进一步的外部验证。本综述识别了几个共同局限性：多数模型来自单中心回顾性或横断面研究，仅一项研究进行了外部验证；样本量普遍较小，多项研究的事件每变量数（EPV）小于20，引发过拟合担忧；校准指标报告不一致，DCA报告也不足；纳入研究在肌少症诊断标准方面存在异质性。与现有系统综述相比，本综述纳入了更多研究，涵盖了更广泛的预测因子，并总结了评估CAR、HMGB1和NLR等生物标志物的探索性单一生物标志物研究。CAR是一个近期出现的复合生物标志物，整合了全身炎症和营养状况。NLR反映了全身炎症状态和免疫功能，研究表明其是肌少症的独立预测因子。HMGB1作为一种晚期损伤相关分子模式（DAMP），在卒中后神经炎症期间大量释放，与RAGE和TLR4结合，激活下游炎症级联反应，损害骨骼肌卫星细胞功能并触发肌肉萎缩信号通路。此外，一些研究还纳入了CSA-M、TMT和CC等形态学指标。本综述也存在若干局限性：作为范围综述，未进行质量评价或效应量合并；纳入研究使用了不一致的肌少症诊断标准；部分研究被重新归类为评估单个或少数有前景生物标志物的研究，这可能模糊了验证模型性能与初步生物标志物证据之间的界限；多数研究在亚洲开展，结果推广需谨慎；可能存在发表偏倚。

5 结论

本范围综述系统地描绘了SAS的现有危险因素。与以往综述不同，本综述将新兴的炎症免疫标志物如CAR、NLR和HMGB1纳入系统分析，拓宽了SAS风险预测的维度。然而，目前这些标志物的证据尚不充分，且大多数现有预测模型来自单中心、小样本研究，普遍缺乏外部验证。未来研究应采用标准化诊断标准开展多中心前瞻性研究；整合炎症免疫、肌肉骨骼代谢和简易形态学指标构建多维联合预测模型并进行外部验证；并探索炎症免疫标志物与SAS的纵向关联以阐明动态变化规律，最终推动SAS风险筛查向常规临床实践的转化。