《Frontiers in Neurology》：A nomogram model for predicting seizure control in status epilepticus: development and risk factor analysis
编辑推荐：
目的：探讨影响癫痫持续状态（SE）发作控制的风险因素，并构建一个有效的列线图以预测预后。方法：在这项回顾性研究中，研究人员分析了2017年1月至2022年12月期间在福建医科大学附属协和医院住院的SE患者。创建了两组独立的数据：一组用于模型开发，另一组用于模型
目的：探讨影响癫痫持续状态（SE）发作控制的风险因素，并构建一个有效的列线图以预测预后。方法：在这项回顾性研究中，研究人员分析了2017年1月至2022年12月期间在福建医科大学附属协和医院住院的SE患者。创建了两组独立的数据：一组用于模型开发，另一组用于模型验证。结果：共有272例SE患者纳入本研究，其中89例出院时发作控制不佳。通过LASSO回归识别出六个潜在的风险预测因子。经单变量逻辑回归（p?**论文解读：基于列线图模型预测癫痫持续状态发作控制——风险因素分析与模型构建**
**研究背景与问题**
癫痫持续状态（status epilepticus, SE）是一种严重的神经科急症，年发病率为9.9～41/10万，短期病死率和致残率极高，总体病死率接近20%，其中全面性惊厥性癫痫持续状态（generalized convulsive status epilepticus）约占所有SE病例的45%～74%。持续发作可导致神经元损伤、海马及丘脑等脆弱区域永久性破坏，甚至引发脑组织缺氧、颅内压升高和脑疝。此外，控制不佳的SE给家庭和社会带来沉重的经济和心理负担。因此，SE的首要治疗目标是控制发作，必须尽可能合理地终止发作，对难以控制的患者需实施长期干预策略，不能随意停用或减少抗癫痫药物（anti-epileptic drugs, AEDs）。早期预测个体患者的预后是制定有效治疗策略的关键步骤。既往研究已识别出发作类型、发作持续时间、年龄、器官功能损伤及癫痫病史等风险因素，但现有预测工具（如量表评分、脑电图（electroencephalogram, EEG）和影像学结果）受限于技术人员主观偏差或专用设备，难以在所有地区普遍推广。血清生物标志物（如神经元特异性烯醇化酶、S-100B蛋白、胶质纤维酸性蛋白）虽被认为与SE相关，但也面临检测方法的技术挑战。列线图（nomogram）作为一种近年流行的预测工具，可将多个变量评分，对个体结局事件的发生概率进行可视化预测，在临床应用中具有显著价值。因此，本研究旨在筛选常见血清生化指标及临床数据，识别影响SE发作控制的风险因素，并构建列线图模型以预测个体患者的预后。
**研究内容与结论**
研究人员开展了一项回顾性研究，纳入福建医科大学附属协和医院2017年1月至2022年12月期间住院的SE患者，共272例。通过LASSO回归、单变量及多变量逻辑回归分析，最终确认四个独立风险因素：SE的分类、发作类型、呼吸系统并发症和循环系统并发症。基于这些因素构建的列线图模型在开发集和验证集中均表现出可接受的区分能力和临床获益（开发集AUC=0.829，验证集AUC=0.710），决策曲线分析（decision curve analysis, DCA）显示模型在较广阈值概率范围内提供净获益。该研究论文发表在《Frontiers in Neurology》。
**主要关键技术方法**
本研究为单中心回顾性队列研究，样本来源于福建医科大学附属协和医院2017年至2022年的住院患者。数据收集包括人口学特征、治疗过程及实验室检查结果。关键方法包括：①采用LASSO回归（最小绝对收缩和选择算子，Least Absolute Shrinkage and Selection Operator）对36个自变量进行变量筛选；②通过单变量逻辑回归（p<0.01）和多变量逻辑回归（p<0.05）验证候选风险因素，以最小Akaike信息准则（Akaike information criterion, AIC）确定最终模型；③使用受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）评估区分度，绘制校准曲线并进行Hosmer-Lemeshow拟合优度检验评估校准度，采用决策曲线分析（DCA）评估临床效用。模型开发集为2017年1月至2020年12月数据（n=180），验证集为2021年1月至2022年12月数据（n=92）。
**研究结果**
**1. 患者特征与风险因素筛选**
研究共纳入272例SE患者，其中89例（32.7%）出院时发作控制不佳。在开发集（n=180）中，控制不佳组59例，控制良好组121例。通过LASSO回归从36个自变量中筛选出6个潜在风险预测因子：发病年龄、发作持续时间、发作类型、SE分类、心血管并发症和呼吸系统并发症。单变量逻辑回归显示所有六个因子均p<0.01。
**2. 多变量逻辑回归与独立风险因素确认**
将六个潜在因子纳入初始多变量逻辑回归，经逐步剔除后，最终模型保留四个独立风险因素：发作类型、SE分类、心血管并发症和呼吸系统并发症（均p<0.05）。具体而言，SE分类中，难治性癫痫持续状态（refractory status epilepticus, RSE）和超难治性癫痫持续状态（super-refractory status epilepticus, SRSE）相对于普通SE（status epilepticus, SE）表现出更高的控制不佳风险（SE vs. SRSE的OR=0.108，RSE vs. SRSE的OR=0.135）；发作类型中，非惊厥性癫痫持续状态（non-convulsive status epilepticus, NCSE）和混合性发作（Mix）相对于惊厥性癫痫持续状态（convulsive status epilepticus, CSE）更难控制；心血管并发症和呼吸系统并发症的存在显著增加控制不佳风险（OR分别为0.366和0.419）。
**3. 列线图构建与模型性能**
基于四个独立风险因素构建了列线图模型。其中，SE分类被赋予最高分值（10分），其次为心血管并发症（9分）、呼吸系统并发症（8分），发作类型按不同亚型赋分。模型在开发集中的AUC为0.829（95% CI: 0.760–0.898），验证集中AUC为0.710（95% CI: 0.596–0.824）。校准曲线显示开发集预测概率与观察概率一致性良好（Hosmer-Lemeshow检验p=0.458），验证集在高风险阈值处略有偏差（p<0.001），可能因验证集样本量较小（n=92）所致。DCA提示模型在较广阈值概率范围内提供净获益，具有可接受的临床适用性。
**讨论与结论**
**讨论总结**
本研究回顾了272例SE患者的临床资料，发现发作类型、SE分类、呼吸系统并发症和心血管并发症是影响SE发作控制的关键风险因素。既往研究多关注长期预后，而本研究聚焦于单次病程中的发作控制，更有利于早期指导治疗。SE分类中，RSE和SRSE因持续发作导致更严重的脑损伤，预后更差；发作类型中，NCSE因缺乏运动症状，诊断常依赖EEG，易延误治疗，导致控制效果较差。年龄和发作持续时间在单变量分析中虽为显著风险因素，但在多变量分析中未能进入最终模型，研究人员认为年龄与短期发作控制的相关性弱于发作类型和分类，而发作持续时间受限于无法准确记录起止时间（尤其无EEG监测时），存在统计偏倚。血清生化指标（如肝肾功能）在LASSO回归中被排除，因其与发作控制的相关性较弱，仅间接反映药物选择受限（如肝肾功能不全者可用AEDs种类减少）。心血管和呼吸系统并发症在病理生理上相互促进，形成恶性循环，加重脑缺氧和癫痫发作，临床需同时关注发作控制与诱因处理。模型在验证集校准度欠佳，但AUC为0.710仍属可接受，DCA证实临床获益，未来需在更大独立队列中进行外部验证。
**研究结论翻译**
本研究发现了SE患者中发作类型、SE分类、心血管并发症和呼吸系统并发症是发作控制不佳的关键风险因素。研究人员开发了一个有效的临床列线图来预测SE的预后。所提出的列线图在预测发作控制方面具有潜在的临床实用性。该模型的使用有助于临床医生在疾病早期识别预后不良的患者，并为他们启动早期个体化治疗。鉴于验证集中的校准问题，需要在更大队列中进行进一步的外部验证。
