《Frontiers in Neurology》：Risk prediction models for post-stroke cognitive impairment: a systematic review and meta-analysis
背景：卒中后认知障碍（post-stroke cognitive impairment, PSCI）的风险预测模型数量不断增加，但现有模型的预测性能和临床适用性仍需进一步验证。目的：系统评价已发表的急性卒中患者卒中后认知障碍风险预测模型。方法：检索PubMed、EMBASE、Web of Science和Cochrane Library数据库中截至2025年10月1日关于卒中后认知障碍风险预测模型的文献。从入选研究中提取数据，包括作者、发表年份、国家、纳入时间、是否为多中心研究、研究类型、卒中类型、认知障碍诊断标准、卒中后认知障碍病例数、模型开发方法、验证方法、缺失数据处理、模型呈现方式、模型预测性能、模型校准以及最终纳入模型的预测因子。使用预测模型偏倚风险评估工具（Prediction Model Risk of Bias Assessment Tool, PROBAST）评估偏倚风险和适用性。结果：共检索到4,715项研究，经筛选后纳入29项研究。这些研究发表于2016年至2023年。在29项研究中，开发集模型的曲线下面积（area under the curve, AUC）范围为0.69至0.97。使用随机效应荟萃分析，12个开发集模型的描述性汇总AUC为0.85（95%置信区间：0.80–0.90），存在显著异质性（I2 = 93.6%）。对于7个验证模型，描述性汇总AUC为0.82（95%置信区间：0.76–0.87，I2 = 71.2%）。鉴于各研究间存在显著的临床和方法学异质性，这些合并估计值应被解释为所报告AUC分布的描述性总结，而非对单一潜在预测性能的精确估计。结论：尽管描述性汇总AUC值（开发集0.85，验证集0.82）显示出看似可接受的判别能力，但根据PROBAST工具，所有29项纳入的预测模型研究均被判定为总体高偏倚风险（尤其在分析领域）。这可能导致所报告的模型性能被高估。因此，这些模型应被视为初步工具，在临床应用前需进行更严格的外部验证。未来研究应开发更大样本、多中心的风险预测模型，并进行内部和外部验证。系统综述注册：https://www.crd.york.ac.uk/prospero/search，标识符：CRD42024502063。
**引言**
卒中是一种严重疾病，是全球第三大死亡原因和长期残疾原因，并在全球范围内造成了巨大负担。卒中后认知障碍（post-stroke cognitive impairment, PSCI）是一种以卒中后发生的认知障碍为特征的临床综合征。约44%的个体在卒中后6个月内出现认知障碍。卒中后第一年内PSCI的发病率高达60%。PSCI不仅严重危害患者的身心健康，影响生活质量，还增加了患者家庭的经济负担。卒中后早期，认知障碍是可逆的。PSCI的早期识别和干预可以延缓认知障碍的进展，甚至逆转认知结果。早期识别认知障碍高危患者并对高危患者进行认知干预，对改善患者临床结局具有重要意义。
PSCI风险预测模型包括结合多个预测因子来估计卒中后认知障碍的概率或风险。近年来，一些学者构建了相关预测模型，但预测性能需要进一步验证。因此，本研究探讨并系统评价了PSCI风险预测模型的相关文献，以期为PSCI风险预测模型的应用和优化提供依据。
**方法**
**纳入和排除标准**
**纳入标准**：患者年龄≥18岁；研究内容为卒中后认知障碍的风险预测模型，并描述了模型建立、验证和评估的过程；研究类型包括队列研究、病例对照研究和横断面研究。
**排除标准**：仅为危险因素研究，无构建模型的过程或方法；单因素预测模型准确性研究；指南、专家意见、综述和动物研究；无法获取原文或数据不完整。
**文献检索策略**
系统检索了PubMed、EMBASE、Web of Science和Cochrane Library中关于卒中后认知障碍预测模型的研究，检索时间从数据库建立至2025年10月1日。采用受控词汇（MeSH）和自由文本关键词组合。检索词包括“stroke”、“brain infarct”、“cerebral hemorrhage”、“cognitive impairment”、“cognitive dysfunctions”、“prediction model”、“prediction tool”和“diagnostic model”。完整检索策略见补充材料1。
**文献筛选与数据提取**
两名研究人员（XL和XC）独立进行文献筛选和数据提取，然后交叉核对结果。对于有争议的文献，邀请第三位资深研究人员（CH）做出判断。所有提取的数据项均根据预测建模研究系统评价的关键评估和数据提取清单（Checklist for Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modelling Studies, CHARMS）收集。收集的数据包括作者、发表年份、国家、是否为多中心研究、研究类型、卒中类型、PSCI诊断标准、PSCI病例数、模型开发方法、验证方法、缺失数据处理、模型呈现、模型预测性能、模型校准以及最终纳入模型的预测因子。
**偏倚风险评估**
偏倚风险评估由两名研究人员（XL和XC）独立进行，任何分歧由第三名研究人员（CH）解决。使用预测模型偏倚风险评估工具（Prediction model Risk Of Bias ASsessment Tool, PROBAST）评估偏倚风险。PROBAST是专为诊断或预后预测模型系统评价设计的检查表。偏倚风险评估包括参与者、预测因子、结局和分析。
**数据合成与统计分析**
对于AUC值的荟萃分析，要求研究报告AUC并提供标准误（standard error, SE）或95%置信区间（confidence interval, CI）。如果仅提供点估计值而无SE/CI，则将该研究排除在定量合成之外，但保留在叙述性综述中。在29项纳入研究中，有17个开发模型和22个验证模型因SE/CI报告不完整而被排除在荟萃分析之外。我们未联系原始研究作者以获取缺失的方差估计，因为本综述的主要目的是综合现有已发表数据并强调当前文献中的报告缺陷。使用Stata 14.0软件对模型中预测因子的预测AUC值进行荟萃分析。采用DerSimonian-Laird估计量进行随机效应荟萃分析。首先，使用Q检验对纳入的12个建模模型确定研究间是否存在异质性。如果p > 0.1或I2 < 50%，则认为研究间同质性良好，采用固定效应模型进行分析；如果p < 0.1或I2 > 50%，则认为研究间存在异质性，采用随机效应模型进行分析。
**结果**
**文献筛选**
初步检索共获得4,715篇相关文献（PubMed = 683，EMBASE = 2,863，Web of Science = 529，Cochrane Library = 640）。经筛选后最终纳入29篇文献。文献筛选过程及结果见图1。
**图1** 文献筛选流程图。
**文献基本特征**
本系统综述确定了29个PSCI预测模型，多数研究来自亚洲，并以逻辑回归作为主要建模方法。在纳入的研究中，有13项多中心研究，8项回顾性队列研究，15项前瞻性队列研究，5项回顾性病例对照研究，1项横断面研究（见表1）。
**表1** 纳入研究的基本特征。（表略，此处为文字描述）纳入研究包括Aamodt等（2021，挪威，多中心，前瞻性队列，随访3个月，卒中类型为卒中，诊断标准为DSM-5）；Betrouni等（2022，德国，多中心，前瞻性队列，随访6、12个月，卒中，MMSE评分<27或MoCA评分<25）；Chander等（2017，新加坡，多中心，回顾性队列，随访3-6个月，缺血性卒中，IQCODE≥3.6）；Ding等（2019，中国，非多中心，前瞻性队列，随访6-12个月，急性缺血性卒中，MoCA、MMSE、DSM-5）；Dong等（2021，中国，多中心，回顾性病例对照，随访6个月，急性缺血性卒中，MoCA < 22）；Gong等（2021，中国，非多中心，前瞻性队列，随访6、12个月，缺血性卒中，MoCA < 22）；Gu等（2022，中国，非多中心，前瞻性队列，随访6个月，脑出血，MoCA<26）；Hbid等（2021，英国，多中心，回顾性队列，随访3、12个月、5年，首次发生脑卒中，MMSE <24或AMT < 8）；Wencan Ji（2023，中国，非多中心，前瞻性队列，随访3、6个月，急性缺血性卒中，MoCA<23）；Kandiah等（2016，新加坡，非多中心，回顾性队列，随访3、6个月，轻度卒中，MMSE≤25或MoCA ≤22）；Lee等（2023，韩国，非多中心，回顾性队列，随访3-6个月，急性缺血性卒中，MMSE<24）；Lee等（2023，韩国，非多中心，回顾性病例对照，随访3个月，急性缺血性卒中，MoCA、MMSE）；Lee等（2022，韩国，非多中心，前瞻性队列，随访3、6个月，急性脑梗死或短暂性脑缺血发作，MMSE、CDR）；Ling等（2020，中国，非多中心，前瞻性队列，随访3个月，缺血性卒中，初中及以上教育水平：MoCA<26；小学教育：MoCA < 21；文盲患者：MoCA < 15）；Lopes等（2021，法国，多中心，回顾性队列，随访6、36个月，缺血性卒中，IQCODE 49 ± 2）；Ma等（2022，中国，非多中心，回顾性队列，急性缺血性卒中合并2型糖尿病患者，轻度认知障碍：MoCA<26，重度认知障碍：MoCA<20）；Munthe-Kaas等（2022，挪威，多中心，前瞻性队列，随访3个月，脑卒中，基于GDS的卒中前认知状态）；Lim等（2017，韩国，多中心，前瞻性队列，随访3个月，缺血性卒中，AHA/ASA科学声明血管性痴呆标准，要求至少两个认知领域存在缺陷）；R?hrig等（2022，德国，多中心，前瞻性队列，随访3个月，急性右半球卒中，钟摆取消测试（bells cancelation test））；Shang等（2022，中国，非多中心，前瞻性队列，随访3、6、12个月，轻度急性缺血性卒中，MoCA < 22）；Tao等（2022，中国，多中心，前瞻性横断面研究，脑血管疾病，MMSE）；Vlachos等（2023，挪威，多中心，回顾性队列，随访12个月，轻度急性卒中，Barthel ADL指数和mRS）；Weaver等（2023，荷兰，多中心，回顾性队列，随访15个月，脑卒中，MoCA）；Ye等（2022，中国，非多中心，回顾性病例对照，随访3个月，腔隙性梗死，MMSE <24）；Yuan等（2021，中国，非多中心，回顾性病例对照，随访0-12个月，卒中，MMSE <24, MoCA≤26）；Zha等（2021，中国，非多中心，回顾性病例对照，随访3个月，卒中，MMSE）；Zhu等（2020，中国，非多中心，前瞻性队列，随访3、6个月，缺血性卒中，MMSE、MoCA）；Zhu等（2022，中国，多中心，前瞻性队列，随访3个月，急性缺血性卒中，MMSE <25）；Zhu等（2019，中国，多中心，前瞻性队列，随访3个月，缺血性卒中，MMSE<27, MoCA<25）。
注：AIS，急性缺血性卒中；IS，缺血性卒中；“—，”未报告；DSM-5，精神障碍诊断与统计手册；MMSE，简易精神状态检查；MoCA，蒙特利尔认知评估；AMT，简易智力测试；mRS，改良Rankin量表；CDR，临床痴呆评定量表；GDS，总体衰退量表；IQCODE，老年认知功能衰退知情者问卷；AHA，美国心脏协会；ASA，美国卒中协会；ADL，日常生活活动能力。
**偏倚风险评估**
在参与者评估中，16项前瞻性研究被评为低风险，13项回顾性研究被评为高风险。回顾性研究高风险的主要原因是与认知障碍相关的关键预测因子可能未在医疗记录中常规收集，或在不同中心以非标准化方式测量，引入了潜在的选择和信息偏倚。在预测因子评估中，14项研究被评为低风险，15项为高风险。主要原因是这15项研究的数据来自多个中心，其数据获取和评估可能存在差异，导致偏倚。在结局评估中，2项研究被认为存在不清楚的风险，主要原因是未报告PSCI评估时间。17项研究在分析评估中被认为存在高偏倚风险。主要原因是使用单变量分析筛选预测因子，且未评估Brier评分、校准曲线和Hosmer-Lemeshow检验。仅2项研究描述了处理缺失数据的方法，其余研究未说明是否选择了适当的统计方法处理缺失数据。缺失数据可能导致影响因子与结果之间的关联偏倚。仅12个模型未使用单变量分析筛选预测因子。基于单因素分析结果筛选预测因子是大多数预测模型开发的常见做法，但可能因自变量之间的多重共线性等问题导致有效预测因子的丢失，这也是模型高偏倚的重要原因之一。纳入研究的偏倚风险评估结果见图2。
**图2** 偏倚风险评估。
**纳入预测模型的信息**
在纳入的研究中，21项研究使用逻辑回归分析开发预测模型。还使用了机器学习方法，如支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）、高斯朴素贝叶斯（Gaussian Naive Bayes, GNB）、极端梯度提升（Extreme Gradient Boost, XGBoost）、K近邻（K Nearest Neighbor, KNN）、自适应提升（Adaptive Boosting, AdBoost）、多层感知器（Multilayer Perceptron, MLP）、轻量梯度提升机（Light Gradient Boosting Machine, LightGBM）、神经网络（Neural Network, ANN）以及分类与回归树（Classification And Regression Tree, CART）。14项研究进行了内部验证，8项研究进行了外部验证。所有模型中最常用的预测因子是年龄、受教育年限和糖尿病，分别出现在17、11和6个模型中。其他常用预测因子包括美国国立卫生研究院卒中量表（National Institutes of Health Stroke Scale, NIHSS）入院评分和性别，分别用于5个和4个模型。表2展示了纳入模型的信息。
**表2** 纳入预测模型的信息。（表略，此处为文字描述）各研究的具体模型信息包括：Aamodt等（开发模型，PSCI病例62/227，内部验证，分类器模型，完全案例分析，模型呈现为脚本，性能A：0.88，校准方法未报告，最终预测因子包括卒中病变体积、白质高信号体积、左枕叶和颞叶皮质厚度、右扣带皮质厚度、NIHSS、抗血小板药物摄入、教育程度）；Betrouni等（开发模型，77/327，内部验证，随机森林，缺失数据处理未报告，脚本，性能A：0.90 ± 0.03，B：0.77，未报告校准，预测因子为结构MR图像T1加权）；Chander等（开发模型，78/209，内部验证和外部验证，逻辑回归，缺失数据处理未报告，风险评分公式，性能A：0.82（0.76–0.88），B：内部验证0.78（0.71–0.85），外部验证0.75（0.71–0.79），校准方法Brier评分，预测因子包括慢性腔隙、白质区域高信号、年龄、非腔隙性皮质梗死、全局皮质萎缩、教育）；Ding等（开发模型，77/145，无验证，逻辑回归，缺失数据处理未报告，风险评分公式，性能A：0.88（0.83–0.94），校准未报告，预测因子包括年龄、脑室周围高信号分级、糖尿病、急性非腔隙性梗死数量）；Dong等（开发模型，131/383，内部和外部验证，逻辑回归，缺失数据处理未报告，未报告模型呈现，性能A：0.93，B：0.76（0.66–0.85），校准方法Hosmer-Lemeshow，预测因子包括糖尿病、NIHSS、教育、年龄、MoCA、LDL-C水平）；Gong等（开发模型，122/228，内部和外部验证，逻辑回归，缺失数据处理未报告，列线图模型，性能A：0.83，B：0.81，校准方法Hosmer-Lemeshow和校准曲线，预测因子包括年龄、女性、Fazekas评分、教育、颅内动脉粥样硬化性狭窄（ICAS）数量、HbA1c、皮质梗死）；Gu等（开发模型，69/123，外部验证，逻辑回归，缺失数据处理未报告，列线图模型，性能A：0.94（0.89–0.99），B：0.91，校准曲线，预测因子包括年龄、教育、血肿体积、优势半球出血、血红蛋白、平均红细胞体积、红细胞分布宽度）；Hbid等（开发模型，1000/2468，内部验证，逻辑回归，缺失数据处理为多次计算以减少偏倚，模型呈现未报告，性能A：3个月0.88（0.85–0.90），1年0.90（0.86–0.92），5年0.87（0.85–0.91），B：0.73，校准曲线和Brier评分，预测因子包括年龄、性别、种族、卒中发病时认知评分、基线Barthel指数评分、格拉斯哥昏迷量表、卒中亚型（LACI、PACI、POCI、TACI）、糖尿病、左半球卒中、构音障碍）；Wencan Ji（开发模型，102/331，外部验证，GNB、XGBoost、逻辑回归、随机森林、SVM、KNN、AdBoost、MLP、LightGBM，缺失数据处理未报告，脚本，性能A：0.94（0.91–0.97），B：0.92（0.85–0.99），校准曲线和Brier评分，预测因子包括年龄、教育、NIHSS、脑白质变性、同型半胱氨酸、C反应蛋白）；Kandiah等（开发模型，78/209，内部和外部验证，逻辑回归，缺失数据处理未报告，风险评分公式，性能A：0.83（0.77–0.88），B：0.78（0.70–0.85），校准曲线，预测因子包括年龄、教育、急性皮质梗死、白质高信号、慢性腔隙、全局皮质萎缩、颅内血管狭窄）；Lee等（2023，开发模型，290/951，无验证，逻辑回归、SVM、XGBoost、ANN，缺失数据处理未报告，脚本，性能A：XGBoost: 0.79（0.68–0.89），ANN: 0.74（0.62–0.84），SVM:0.72（0.59–0.83），LR:0.71（0.59–0.83），校准未报告，预测因子包括年龄、卒中严重程度、卒中体积、内侧颞叶萎缩、空腹血糖、皮质病变）；Lee等（2023，开发模型，NA/87，内部验证，Ridge、Lasso、ElasticNet、SVM、AdaBoost回归，缺失数据处理未报告，模型呈现未报告，性能R2分别为0.76和0.65（左右卒中组），校准未报告，预测因子包括MoCA、基于脑电图的网络属性（更高的全局效率、聚类系数和更低特征路径长度））；Lee等（2022，开发模型，19/110，内部验证，逻辑回归，缺失数据处理未报告，脚本，性能A：0.94（0.89–0.98），B：0.75（0.64–0.85），校准未报告，预测因子包括年龄、正电子发射断层扫描（PET）图像、中性粒细胞-淋巴细胞比率、血小板-淋巴细胞比率、体重指数）；Ling等（开发模型，53/93，无验证，多变量逻辑回归，缺失数据处理未报告，风险评分公式，性能A：0.86（0.77–0.94），校准未报告，预测因子包括NIHSS、脑萎缩、卒中复发、脑白质疏松、同型半胱氨酸、肠杆菌科丰度）；Lopes等（开发模型，25/72，内部和外部验证，Ridge回归，缺失数据处理未报告，脚本，预测卒中后36个月记忆、注意力、视空间功能和语言功能（r2：0.67、0.73、0.55），校准未报告，预测因子为使用MRI测量的功能网络）；Ma等（开发模型，94/161，无验证，逻辑回归，缺失数据处理未报告，风险评分公式，性能A：0.97，校准未报告，预测因子包括性别、年龄、教育、复发性脑梗死、糖尿病病程和血清白蛋白）；Munthe-Kaas等（开发模型，91/598，无验证，逻辑回归，缺失数据处理未报告，模型呈现未报告，性能A：0.76，校准未报告，预测因子包括衰弱、mRS）；Lim等（开发模型，50/308，无验证，逻辑回归，缺失数据处理未报告，风险评分公式，性能A：0.74，校准未报告，预测因子包括年龄、女性、更严重卒中、既往认知衰退史）；R?hrig等（开发模型，27/103，无验证，SVM，缺失数据处理未报告，脚本，性能未报告，校准未报告，预测因子为白质高信号）；Shang等（开发模型，253/454，无验证，逻辑回归，缺失数据处理未报告，风险评分公式，性能A：0.72，校准未报告，预测因子包括年龄、卒中史、糖尿病、梗死最大横截面直径、前循环脑梗死、NLR）；Tao等（开发模型，204/302，无验证，有序逻辑回归，缺失数据处理未报告，模型呈现未报告，性能A：mVCI: 0.69，sVCI:0.70，校准未报告，预测因子为红细胞减少）；Vlachos等（开发模型，21/117，无验证，逻辑回归，缺失数据处理未报告，风险评分公式，性能未报告，校准未报告，预测因子包括年龄、卒中前未工作、CT或MRI发现多个卒中病灶）；Weaver等（开发模型，1286/2950，内部验证，逻辑回归，缺失数据处理未报告，风险评分公式，性能A：0.88，校准图，预测因子包括左额颞叶梗死、左丘脑、右顶叶）；Ye等（开发模型，38/219，内部验证，逻辑回归，缺失数据处理未报告，列线图模型，性能A：0.86（0.79–0.93），B：0.81（0.69–0.94），校准方法Hosmer-Lemeshow H检验，预测因子包括年龄、糖尿病、白细胞计数、胱抑素C、血清淀粉样蛋白A）；Yuan等（开发模型，118/376，内部和外部验证，LASSO回归，缺失数据处理未报告，列线图模型，性能B：内部验证0.89（0.82–0.91），外部验证0.85（0.83–0.91），校准图，预测因子包括教育、糖尿病、左额叶NAA/Cr、左丘脑NAA/Cr、左海马NAA/Cr）；Zha等（开发模型，87/367，内部验证，逻辑回归，缺失数据处理未报告，列线图模型，性能A：0.81，B：0.82，校准图，预测因子包括性别、年龄、NIHSS、NLR）；Zhu等（2020，开发模型，66/104，无验证，逻辑回归、CART，缺失数据处理未报告，模型呈现为风险评分公式，然后通过CART方法排序并验证模型，性能A：0.82，校准未报告，预测因子包括教育、BMI、MoCA、MMSE）；Zhu等（2022，开发模型，228/599，无验证，逻辑回归，缺失数据处理未报告，风险评分公式，性能A：0.69（0.65–0.73），校准方法Hosmer-Lemeshow，预测因子包括年龄、性别、教育、BMI、当前吸烟、饮酒、从发病到随机化时间、舒张压、NIHSS、缺血性卒中亚型、随机治疗、病史（高血压、糖尿病、高脂血症、冠心病和卒中史）、使用降压药、hsCRP和同型半胱氨酸、TREM2）；Zhu等（2019，开发模型，298/638，无验证，逻辑回归，缺失数据处理未报告，风险评分公式，性能A：0.73（0.69–0.77），校准未报告，预测因子包括类风湿因子、基质金属蛋白酶-9、总同型半胱氨酸。
注：A，开发集；B，验证队列；ICAS，颅内动脉粥样硬化性狭窄；MRS，改良Rankin量表；NISS，美国国立卫生研究院卒中量表；MMSE，简易精神状态检查量表；MoCA，蒙特利尔认知评估；hsCRP，高敏C反应蛋白；BMI，体重指数；NLR，中性粒细胞-淋巴细胞比率；DMTS，最大横截面直径。
**模型性能与结果**
预测模型开发集的AUC值报告范围为0.69至0.97。报告预测模型验证集的AUC值范围为0.73至0.92。在29项纳入研究中，仅12个开发集模型和7个验证模型报告了AUC且提供SE或95% CI，因此符合定量合成标准。其余研究因方差估计报告不完整而被排除在荟萃分析之外。其中，Ji等和Lee等（2023）的研究涉及基于同一队列的多种模型开发方法，因此每个研究仅将性能最优的模型纳入荟萃分析。在模型开发集中，I2值为93.6%（p < 0.001），表明研究间存在高度异质性。使用随机效应模型计算合并建模模型的AUC，结果为0.85（95% CI：0.80–0.90）（图3）。在模型验证集中，I2值为71.2%（p = 0.002），表明研究间存在高度异质性。使用随机效应模型计算合并验证模型的AUC，结果为0.82（95% CI：0.76–0.87）（图4）。由于报告完整数据的亚组分析研究数量有限，我们未进行元回归或正式的亚组分析。这是当前综述的一个局限性。
**图3** 12个开发集模型的随机效应荟萃分析合并AUC估计的森林图。
**图4** 7个验证集模型的随机效应荟萃分析合并AUC估计的森林图。
**敏感性分析**
进行了留一法敏感性分析以评估荟萃分析结果的稳健性。对于12个开发集模型（补充材料3），依次省略每个研究后的合并AUC估计值范围为0.83至0.90，均包含原始估计值0.85。对于7个验证集模型（补充材料3），估计值范围为0.76至0.87，均与原始估计值0.82一致。没有单一研究对汇总估计产生不成比例的影响，支持了尽管存在显著异质性，描述性结果仍具稳健性。
**讨论**
卒中仍然是全球重要的心血管疾病之一。一旦发生PSCI，很难逆转，且PSCI的诊断需要卒中后3-6个月。因此，早期识别和预防至关重要。PSCI风险预测模型具有支持早期检测和预防的潜力。然而，由于本综述中识别出的高偏倚风险，其当前预测性能可能被高估，其临床实施的准备程度仍然有限。近年来，其预后模型开发的研究逐渐增多，但研究质量需要评估。
22个模型使用逻辑回归分析。Ji等通过综合分析比较了八种机器学习算法（GNB、XGBoost、LR、RF、SVM、KNN、AdBoost、MLP、LightGBM），认为GNB模型为最优模型。Lee等（2023）使用四种机器学习算法（LR、SVM、XGBoost和ANN）进行比较，XGBoost具有最高的平均AUC值，其次是SVM、ANN和逻辑回归分析。Lee等（2023）比较了五种机器学习算法（Ridge、Lasso、ElasticNet、SVM和AdaBoost回归），其中Ridge的预测能力最强，左右卒中组的预测能力（R2）分别为0.76和0.65。Zhu等（2020）应用了逻辑回归和CART两种建模方法，结果显示两种方法均表现良好。CART模型在预测值上有所改进，并提供了与PSCI相关的风险因素排序。一些纳入研究报告了在相同推导队列中，机器学习方法相比传统逻辑回归具有更好的判别能力。然而，临床预测研究中的证据表明，机器学习与基于回归的方法的相对性能高度依赖情境，受样本量、预测因子数量、数据质量以及内部和外部验证程度等因素的影响。这些发现应谨慎解读，因为单一推导队列中的优越性能并不能保证泛化性。
临床预测模型的性能主要包括判别和校准。大多数研究使用AUC来评估模型的判别能力。在纳入的29项研究中，大多数预测模型报告AUC > 0.7，显示出看似良好的判别能力。然而，鉴于所有纳入研究均被判定为高偏倚风险，这种表面性能可能被高估。AUC应与校准措施和外部验证结果结合解读。在校准方面，5项研究使用校准曲线，4项研究使用Hosmer-Lemeshow检验，3项研究使用校准图评估模型校准。一些研究表明，Hosmer-Lemeshow检验获得的p值不能用于测量校准准确性。建议使用Brier评分，因为Brier评分越低，校准准确性越好。由于报告不完整，超过一半的研究被排除在荟萃分析之外，这可能引入选择偏倚。报告更完整的研究可能与排除的研究存在系统性差异，可能导致合并AUC的高估。仅凭AUC不足以判断模型的临床实用性。校准——预测风险与观察风险之间的一致性——报告不佳；超过一半的研究未报告任何校准措施。此外，没有研究进行决策曲线分析以评估净获益。未来的预测模型研究应遵循TRIPOD声明，报告判别和校准，并最好包括决策曲线分析。
PROBAST评估显示，所有29项研究均具有高总体偏倚风险，尤其是在分析领域。常见的方法学缺陷包括：（1）基于单变量分析的预测因子选择，可能遗漏重要变量；（2）缺乏对缺失数据的适当处理（仅2项研究报告了方法）；（3）校准评估不足或缺失（如Brier评分、校准图）。已知这些问题会因过拟合和乐观主义而夸大表面模型性能。因此，所报告的AUC值在应用于新人群时可能高估真实判别能力。读者应谨慎解读模型性能，临床采用不应仅基于这些结果。
根据PROBAST检查表，所有29项纳入的预测模型研究均被判定为高总体偏倚风险，这限制了这些预测模型的实际效用。不同模型之间的异质性相对较高，这可能与不同模型之间人群、预测因子和研究方法的差异有关。研究问题主要集中在方法学和统计分析上，15项研究来自单一中心，14项研究选择使用回顾性数据。
最常纳入的预测因子——年龄、受教育年限和糖尿病——与PSCI具有明确的病理生理学联系。年龄与脑储备减少以及卒中后血管和神经退行性变化的易感性增加相关。较低的教育水平可能反映较低的认知储备，这降低了补偿卒中诱导脑损伤的能力。糖尿病通过多种机制促进PSCI，包括慢性高血糖、微血管损伤和增强的神经炎症。近年来，生物标志物已成为预测PSCI的研究热点，预测PSCI风险的重要预测因子包括肠道微生物群、血清淀粉样蛋白A（SAA）、血尿酸水平、类风湿因子、基质金属蛋白酶-9和总同型半胱氨酸。然而，单一生物标志物可能不够，有必要结合多种生物标志物进行诊断，以提高PSCI诊断的准确性，从而促进PSCI的早期靶向治疗。
**局限性**
本综述有几个潜在局限性。首先，来自中国和其他亚洲国家的研究过多，引发了对西方人群外部有效性的担忧。大多数纳入研究未按TOAST分类报告卒中亚型，出血性卒中常未具体说明类型。这限制了我们检查预测模型性能是否因卒中病因不同而存在差异的能力。此外，不同地区的医疗保健系统和卒中后管理方案差异很大，这可能影响PSCI的发生率和检测。因此，现有模型应在不同种族和地理队列中进行外部验证后才能推广使用。未来研究还应考虑为特定人群开发或重新校准模型。
**结论**
总之，本系统综述发现，尽管现有PSCI预测模型显示出看似良好的判别能力（开发集和验证集的合并AUC分别为0.85和0.82），但所有纳入研究均具有高偏倚风险。因此，所报告的预测性能可能被高估，当前模型尚未准备好用于常规临床。未来研究应遵循严格的方法学标准，包括大型多中心前瞻性队列、适当的缺失数据处理、内部和外部验证，并仔细评估校准和临床实用性。
