综述:脑卒中患者误吸风险预测模型的系统评价

《Frontiers in Neurology》:Prediction models for aspiration risk in stroke patients: a systematic review

【字体: 大 中 小 】 时间:2026年04月16日 来源:Frontiers in Neurology 2.8

编辑推荐:

  本综述系统评价了脑卒中患者误吸(aspiration)风险预测模型。研究表明,现有模型(如Logistic回归、机器学习)虽显示出良好的区分度(AUC/C-index: 0.756-0.955),但因研究设计、样本量、变量选择及验证等方面的偏高风险,临床实用性受限。年龄、NIHSS评分、洼田饮水试验等是常见预测因子。未来需开展多中心、大样本外部验证以提升模型稳健性。

  
背景与目标
脑卒中是全球主要的致残和致死原因,而卒中后吞咽困难会显著增加误吸风险,进而引发误吸性肺炎等严重并发症。为了量化评估误吸风险,近年来涌现出多种预测模型,但其研究方法存在异质性,临床适用性尚不明确。本综述旨在系统评价现有脑卒中患者误吸风险预测模型的性能、方法学质量与临床应用价值,为未来模型优化和临床实践提供依据。
研究设计与方法
本系统评价严格遵循PICOTS框架构建研究问题。通过系统检索PubMed、Embase、Web of Science、Cochrane Library、CINAHL、CNKI、万方、维普、SinoMed等九个数据库(截至2025年1月20日),全面收集关于成人脑卒中患者误吸风险预测模型开发或验证的研究。文献筛选、数据提取(基于CHARMS清单)以及偏倚风险和适用性评估(使用PROBAST工具)均由两名研究者独立完成,并通过讨论或咨询第三方解决分歧。
结果概述
最终共纳入18项模型开发研究。
  • •
    研究特征:绝大多数为回顾性研究,样本量在60至2,556之间,但多数研究的“事件与变量比”(EPV)低于20。建模方法以Logistic回归为主,少数研究探索了机器学习(如随机森林、支持向量机)和深度学习。
  • •
    模型性能:大部分模型显示出良好的区分能力,受试者工作特征曲线下面积(AUC)或C统计量范围在0.756至0.955之间。有12项研究报告了校准度。但仅有9项和6项研究分别进行了内部验证和外部验证。
  • •
    关键预测因子:最常被纳入模型的预测因子包括年龄、美国国立卫生研究院卒中量表(NIHSS)评分、洼田饮水试验(KWST)、既往误吸史以及格拉斯哥昏迷量表(GCS)评分。
  • •
    偏倚与适用性:所有纳入研究均被评估为存在高偏倚风险,主要源于回顾性设计、小样本量、缺失数据处理不当、基于单因素分析的变量选择以及有限的外部验证。不过,其中16项研究的适用性被评为良好。
讨论与未来方向
当前脑卒中误吸风险预测模型显示出一定的应用潜力,但仍面临显著的方法学挑战。高偏倚风险主要与研究设计、样本量不足、建模技术单一(过度依赖传统Logistic回归)以及对缺失数据和变量交互作用处理不完善有关。此外,模型在结局定义(是预测“误吸”还是“误吸性肺炎”)、预测因子组合及研究设计上存在较大异质性,这限制了不同模型间的直接比较和结果的定量合并。未来的研究应致力于:1)遵循TRIPOD声明,规范研究报告;2)开展前瞻性、多中心、大样本研究,并采用更稳健的缺失数据处理方法(如多重插补);3)加强模型的外部验证,评估其在广泛人群和不同医疗环境中的泛化能力;4)在确保临床可解释性的前提下,探索更先进的建模策略,并整合生物标志物、影像学特征等多维度数据,以构建更精准、实用的个体化风险预测系统。
结论
现有脑卒中患者误吸风险预测模型展现出良好的预测性能潜力,但其方法学质量有待提高,临床转化应用仍受限于较高的偏倚风险和模型间的异质性。通过规范研究设计、强化验证流程,未来有望开发出更稳健的预测工具,为脑卒中患者误吸的早期识别和分层管理提供有力支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号