《Frontiers in Neurology》：A clinically applicable nomogram predicting non-return to work in young and middle-aged patients with acute large vessel occlusion stroke: integrating neurological function and psychosocial factors for personalized rehabilitation
编辑推荐：
摘要
目的：本研究旨在识别年轻和中年急性大血管闭塞性卒中（AIS-LVO）患者接受血管内治疗（EVT）后未返回工作（non-RTW）的关键预测因子。基于这些预测因子，研究人员开发并验证了一个个体化的列线图，用于non-RTW风险分层，以促进早期识别高风险患
摘要
目的：本研究旨在识别年轻和中年急性大血管闭塞性卒中（AIS-LVO）患者接受血管内治疗（EVT）后未返回工作（non-RTW）的关键预测因子。基于这些预测因子，研究人员开发并验证了一个个体化的列线图，用于non-RTW风险分层，以促进早期识别高风险患者并指导个性化康复，从而改善功能恢复并减少职业损失。
方法：在这项回顾性队列研究中，纳入了350例连续在东莞市中医医院（2018年7月至2025年7月）接受EVT的AIS-LVO患者。采用最小绝对收缩和选择算子（LASSO）回归筛选潜在预测因子，并通过多变量Logistic回归识别独立预测因子。构建列线图，并使用受试者工作特征曲线下面积（AUC）评估区分度，使用校准曲线和Hosmer–Lemeshow检验评估校准度，使用决策曲线分析（DCA）评估临床效用。
结果：识别出6个non-RTW的独立预测因子：工具性日常生活活动能力（IADL）、入院NIHSS评分、营养风险筛查2002（NRS-2002）评分、平衡障碍（通过Berg平衡量表[BBS]测量）、卒中后康复（Rehab）和焦虑抑郁状态（ADS）。该列线图表现出稳健的区分性能（AUC = 0.858, 95% CI: 0.812–0.903）。校准曲线证实预测概率与观测概率之间具有良好的校准度。决策曲线和临床影响分析显示，在大多数阈值概率下具有临床意义的净获益。
结论：研究人员开发并验证了一个临床可操作的列线图，用于预测年轻和中年AIS-LVO患者接受EVT后的non-RTW。该工具能够实现早期风险分层和个性化康复规划，促进长期功能和职业恢复。
论文解读文章
**研究背景与问题**
急性大血管闭塞性卒中（AIS-LVO）是致残率极高的脑血管疾病，血管内治疗（EVT）已成为一线推荐疗法，能显著改善急性期神经功能结局。然而，对于年轻和中年患者（18–64岁）这一家庭经济支柱和核心劳动力群体，EVT后的中期功能恢复——尤其是重返工作（RTW）——是评估治疗整体价值的关键指标。既往研究显示，约40–60%的卒中幸存者未能重返工作，且未返回工作（non-RTW）患者抑郁和焦虑的发生率是RTW患者的1.88–2.75倍。目前临床对RTW的预测多依赖于医生主观判断，缺乏客观量化工具；已有研究主要关注神经功能、躯体残疾和人口学因素，未能将神经、认知和心理维度整合为综合预测框架，导致高风险患者不能及时分层并启动多学科干预。因此，这项研究旨在系统识别年轻和中年AIS-LVO患者EVT后non-RTW的预测因子，并开发可视化预后列图，以实现早期筛查和个性化康复指导。该论文发表于《Frontiers in Neurology》。
**研究方法与技术**
研究人员采用单中心回顾性队列设计，纳入2018年7月至2025年7月于东莞市中医医院接受EVT的350例AIS-LVO患者（年龄18–64岁，发病前有稳定职业）。主要终点为术后90天时是否返回工作（定义为恢复至与卒中前同等功能要求的职业，工作强度达到卒中前水平的≥70%且每周≥10小时）。数据来自医院电子病历系统，共收集27项潜在预测变量，涵盖人口学、血管危险因素、卒中病因、神经功能评分（NIHSS、GCS、mRS）、功能评估（IADL、BBS）、心理状态（ADS）、睡眠质量、营养风险（NRS-2002）、康复治疗等。关键技术方法包括：①使用最小绝对收缩和选择算子（LASSO）回归进行变量筛选，通过交叉验证确定最优正则化系数；②将筛选出的变量纳入多变量Logistic回归，计算比值比（OR）并构建预测模型；③以列线图形式可视化模型；④通过受试者工作特征曲线（ROC）评估区分度（AUC），校准曲线和Hosmer–Lemeshow检验评估校准度，决策曲线分析（DCA）评估临床净获益；⑤进行时间分层敏感性分析（按2018–2020、2021–2023、2024–2025三个时期）和倾向性评分匹配（1:1最近邻匹配，卡尺0.02）以评估时间混杂和指征混杂。样本队列来自单一医院，培训集与验证集按7:3随机划分。
**研究结果**
**3.1 研究流程图**：从637例初筛患者中排除287例（严重合并症79例、无稳定工作63例、数据不全82例、失访63例），最终纳入350例。
**3.2 患者基线特征**：总队列随机分为培训组（n=244）和验证组（n=106），两组基线变量均衡（均p>0.05）。non-RTW组占47.71%（167/350）。
**3.3 培训队列比较分析**：在培训组中，non-RTW组（n=130）与RTW组（n=114）在入院GCS、入院NIHSS、入院mRS、IADL、构音障碍、焦虑抑郁状态、康复治疗、BBS、NRS-2002方面差异显著（均p<0.05）。
**3.4 预测因子筛选**：LASSO回归在最优λ=0.070下保留6个非零系数变量：IADL、入院NIHSS评分、NRS-2002、BBS、康复治疗、ADS。多变量Logistic回归显示：ADS（OR=3.993, p=0.011）、NRS-2002≥3（OR=2.713, p=0.047）、入院NIHSS 5–15分（OR=6.311, p<0.001）和>16分（OR=26.377, p<0.001）是non-RTW的独立危险因素；康复治疗（OR=0.375, p=0.009）是独立保护因素；中度平衡障碍（BBS 21–44, OR=2.452, p=0.016）显著增加non-RTW风险；中度至重度IADL依赖（中度OR=5.268, p=0.009；重度OR=5.295, p=0.005）也显著增加风险。所有变量方差膨胀因子（VIF）均<1.15，无多重共线性。
**3.5 列线图构建**：基于上述6个独立预测因子构建列图，每个预测因子按类别赋予加权分值，总分映射至non-RTW预测概率。
**3.6 ROC验证**：培训集AUC=0.858（95% CI: 0.812–0.903），验证集AUC=0.862（95% CI: 0.792–0.933）。培训集灵敏度0.816、特异度0.708；验证集灵敏度0.774、特异度0.849。
**3.7 模型性能与临床价值验证**：校准曲线显示预测概率与实际发生率良好一致（Hosmer–Lemeshow检验p>0.05）；DCA表明在多数阈值概率区间模型净获益优于“全部治疗”或“不治疗”策略；临床影响曲线（CIC）显示在高风险阈值下识别真实事件精度较高。
**3.8 时间混杂效应分析**：按时期分层（2018–2020、2021–2023、2024–2025），模型AUC分别为0.833、0.875、0.891；所有6个核心预测因子方向一致；以入院年份作为连续协变量纳入主模型后，年份与non-RTW无显著关联（OR=0.96, p=0.439），核心预测因子效应未变。
**3.9 敏感性分析**：倾向性评分匹配后（1:1匹配，12个协变量平衡），康复治疗仍与non-RTW风险降低显著相关（ATT=?0.1209, SE=0.0440, p=0.002），绝对风险降低约12.1%。
**讨论与结论**
讨论部分指出，该列图超越了传统仅关注神经损伤的局限，整合了躯体功能（IADL、BBS）、营养状态（NRS-2002）、心理因素（ADS）和康复干预，与“全程多维预后评估”国际趋势一致。高入院NIHSS评分导致严重神经功能缺损（如偏瘫、失语），构成重返工作的刚性生理障碍；IADL依赖反映执行功能下降，与神经损伤协同降低工作效率；平衡障碍（BBS中低分）增加跌倒风险，限制需要移动或协调的职业活动；营养风险通过代谢紊乱、神经可塑性受损和肌肉分解代谢加速阻碍恢复；焦虑抑郁通过“情感-认知-功能”通路损害执行功能和治疗依从性，并与营养不良形成恶性循环。康复治疗可能通过上调脑源性神经营养因子（BDNF）促进神经可塑性，但观察性研究无法推断因果。时间分层分析证实模型在7年研究期间稳定。研究结论如下：研究人员开发并验证了一个由6个独立预测因子（入院NIHSS、IADL、Berg平衡量表、康复治疗、营养风险、焦虑抑郁状态）构成的预后列图（AUC=0.858），用于预测年轻和中年AIS-LVO患者EVT后non-RTW风险。该工具的关键优势在于关注功能恢复而非常规实验室指标，有助于早期识别高风险患者并指导多学科干预（如营养支持、强化康复、心理治疗），促进长期职业和社会功能恢复。局限性包括单中心回顾性设计、样本量有限、缺乏外部验证、未能纳入职业需求和社会支持等潜在重要变量，且90天随访期可能无法完全反映长期职业结局，未来需多中心前瞻性研究进一步验证。
