《Brain and Behavior》：Development and Validation of a Nomogram Model for Predicting the Severity of Post-Stroke Dysphagia Based on fNIRS-Derived Brain Functional Connectivity Features
编辑推荐：
目的：本研究旨在开发并验证一个基于静息态功能近红外光谱（functional near-infrared spectroscopy，fNIRS）数据的列线图模型，用于预测脑卒中后吞咽障碍（post-stroke dysphagia，PSD）的严重程度，为PSD
目的：本研究旨在开发并验证一个基于静息态功能近红外光谱（functional near-infrared spectroscopy，fNIRS）数据的列线图模型，用于预测脑卒中后吞咽障碍（post-stroke dysphagia，PSD）的严重程度，为PSD的个体化评估与干预提供依据。
方法：这项多中心回顾性研究于2023年3月至2026年4月期间，连续纳入来自两家医院的178例PSD患者。研究人员根据标准化吞咽评估（Standardized Swallowing Assessment，SSA）评分将患者分为轻度（SSA评分<26）与重度（SSA评分≥26）PSD两组。研究人员采集静息态fNIRS数据，计算18个吞咽相关脑区之间的功能连接强度，生成513个候选特征。在训练集中，研究人员首先采用带10折交叉验证的最小绝对收缩与选择算子（least absolute shrinkage and selection operator，LASSO）回归进行初步特征筛选，随后通过Bootstrap重采样（B=200）进行稳定性选择以确定最终预测因子。研究人员基于所选特征构建多变量logistic回归模型，并据此建立可视化列线图。模型性能得到全面评估：通过受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）评估判别能力，通过校准曲线评估校准度，通过决策曲线分析（decision curve analysis，DCA）评估临床效用。
结果：最终纳入模型的三个稳定功能连接特征为：LIPG_RIPG（下前额叶回半球间连接）、RDLPFC_RVAC（右侧背外侧前额叶皮层与右侧视觉联合皮层之间的连接）以及LFEF_LFEF（左侧额叶眼动区区域内部连接）。该模型表现出优异的判别性能，训练集AUC为0.928（95%置信区间[confidence interval，CI]：0.878–0.978），内部验证集AUC为0.857（95% CI：0.727–0.986），外部验证集AUC为0.881（95% CI：0.769–0.994）。校准曲线显示预测风险与实际观察之间具有高度一致性，DCA证实该模型在较宽的阈值概率范围（0.05–0.9）内可产生正向净临床获益。敏感性分析进一步验证了三个fNIRS特征的预测价值独立于常规临床变量，且不受PSD严重程度截断值选择的影响。
结论：基于fNIRS功能连接的列线图模型能够有效预测PSD严重程度，具有良好的判别能力、校准度及临床转化潜力。该模型为临床医生提供了一种无创、易用的定量工具，用于早期识别高危PSD患者，并支持基于证据制定个性化康复策略，推动PSD管理从主观量表评估向客观神经功能精准评估的转变。
一、研究背景与意义
脑卒中后吞咽障碍（post-stroke dysphagia，PSD）是脑卒中后常见且严重的并发症，其患病率介于8.1%至80%之间，在急性期发病率可高达42%至75%。PSD不仅严重损害患者的营养摄入和生活质量，还与误吸及吸入性肺炎等严重并发症直接相关。研究表明，PSD可使脑卒中患者肺炎风险增加约四倍，并显著升高死亡率，同时可能导致脱水、电解质紊乱和营养不良，进一步加重患者疾病负担及家庭和社会的社会经济压力。因此，在脑卒中管理体系中，早期准确评估吞咽功能是识别高危患者、制定个体化康复计划及改善预后的关键环节。目前临床常用的筛查与评估工具包括标准化吞咽评估（Standardized Swallowing Assessment，SSA）和饮水试验（Water Swallowing Test，WST）等，这些工具虽具有操作简便、易于床旁实施等优点，但其评估结果在很大程度上依赖操作者的主观判断和临床经验，缺乏客观定量指标的支持。功能近红外光谱（functional near-infrared spectroscopy，fNIRS）是一种无创、便携的脑功能成像技术，基于神经血管耦合机制检测大脑皮层氧合血红蛋白（oxygenated hemoglobin，HbO）和脱氧血红蛋白（deoxygenated hemoglobin，HbR）的浓度变化，从而实时反映局部脑区激活状态和脑网络功能连接状况。吞咽作为复杂的神经行为活动，依赖前额叶皮层、初级运动皮层、感觉皮层和辅助运动区等多个脑区的协调调控。既往研究显示，PSD患者相应脑区的功能连接强度显著降低，并与SSA评分呈负相关，提示脑网络连接减弱可能是吞咽功能受损的神经基础。基于此，本研究旨在利用fNIRS衍生的功能连接特征开发并验证预测PSD严重程度的列线图模型，为当前临床评估提供客观、可量化的补充工具。
二、研究设计与主要技术方法
研究人员开展了一项多中心回顾性研究，连续纳入2023年3月至2026年4月期间来自川北医学院附属医院（140例）和四川宝石花医院（38例）的178例PSD患者。研究人员根据SSA评分将患者分为轻度（SSA评分<26）和重度（SSA评分≥26）两组，其中川北医学院附属医院的患者按7:3比例随机分为训练集（100例）和内部验证集（40例），四川宝石花医院的患者构成外部验证集（38例）。研究人员使用63通道fNIRS系统（NirSmart，慧创，中国丹阳）采集5分钟静息态数据，经NirSpark软件预处理后，基于修正的比尔-朗伯定律（modified Beer-Lambert law，MBLL）计算HbO、HbR和总血红蛋白（total hemoglobin，HbT）的信号变化。研究人员定义了18个吞咽相关感兴趣区（regions of interest，ROIs），涵盖左右初级运动皮层、初级躯体感觉皮层、前运动及辅助运动皮层、缘上回、背外侧前额叶皮层、额叶眼动区、额极区、下前额叶回和视觉联合皮层，并通过Pearson相关系数及Fisher z变换提取513个功能连接特征作为候选预测变量。在统计建模方面，研究人员采用LASSO回归结合10折交叉验证进行初步特征筛选，随后通过Bootstrap重采样（B=200）进行稳定性选择，最终构建多变量logistic回归模型并建立可视化列线图。模型性能通过受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）、校准曲线和决策曲线分析（decision curve analysis，DCA）进行综合评估，并采用重复五折交叉验证、合成少数类过采样技术（synthetic minority over-sampling technique，SMOTE）和随机过采样示例（random over-sampling examples，ROSE）算法进行敏感性分析。
三、研究结果
3.1 一般特征
研究共纳入178例受试者。基线人口统计学和临床特征分析显示，训练集、内部验证集和外部验证集三组在年龄、性别、卒中类型、病变半球及既往病史（高血压、心脏病、糖尿病、吸烟和饮酒）方面均均衡可比，所有p值均大于0.05，表明随机化有效且各组具有可比性。训练集中轻度PSD患者25例（25%），重度PSD患者75例（75%），轻重度比例约为1:3。
3.2 特征标准化与筛选
研究人员在训练集中采用LASSO逻辑回归结合10折交叉验证进行初步筛选，并通过Bootstrap重采样评估特征选择的稳定性。最终确定三个稳定预测因子：LIPG_RIPG（左下前额叶回与右下前额叶回之间的功能连接）、RDLPFC_RVAC（右侧背外侧前额叶皮层与右侧视觉联合皮层之间的功能连接）和LFEF_LFEF（左侧额叶眼动区内部功能连接）。这三个特征均为HbO条件下的功能连接强度指标，在单变量分析和交叉验证中均表现出稳健的判别能力。
3.3 模型构建
研究人员基于筛选出的三个特征构建了多变量逻辑回归预测模型。三个变量均具有独立预测价值，其中LIPG_RIPG的比值比（odds ratio，OR）为8.21（95% CI：2.12–31.77），RDLPFC_RVAC的OR为9.91（95% CI：2.30–42.75），LFEF_LFEF的OR为8.17（95% CI：2.26–29.50）。研究人员据此建立了可视化列线图，将复杂脑网络数据转化为直观的评分工具，临床医生可通过累加各变量对应分数获得总分，进而映射至线性预测值并最终读取个体发生重度PSD的预测概率。
3.4 预测模型性能与验证
模型在训练集中AUC为0.928（95% CI：0.878–0.978），内部验证集AUC为0.857（95% CI：0.727–0.986），外部验证集AUC为0.881（95% CI：0.769–0.994），均高于单个变量的AUC。重复五折交叉验证（25次迭代）的平均AUC稳定在0.906（标准差=0.070），模型敏感性为0.917（标准差=0.065），特异性为0.632（标准差=0.214），平衡准确率为0.775（标准差=0.110），重度类别的F1分数为0.899（标准差=0.046）。校准曲线显示预测概率与实际事件发生率之间具有良好一致性。DCA证实模型在阈值概率约0.05–0.9范围内可产生正向净临床获益。
3.5 敏感性分析
研究人员将三个fNIRS特征与所有可用临床变量（年龄、性别、高血压、糖尿病、卒中原因、病变部位、吸烟、饮酒和心脏病）共同纳入多变量逻辑回归模型，结果显示三个fNIRS特征在标准化后仍为重度PSD的显著独立预测因子，而所有临床变量均未达到统计学显著性。以原始连续SSA评分（范围18–46）为结局的线性回归分析同样证实三个fNIRS特征与更高SSA评分显著相关，且不受二分法截断值选择的影响。采用SMOTE和ROSE算法进行数据平衡后，交叉验证AUC均保持在0.90以上，但敏感性有所下降，因此原始不平衡模型更符合临床筛查优先识别重度患者的核心目标。
四、讨论与结论
讨论部分指出，三个预测变量均为HbO相关特征，与fNIRS的神经血管耦合原理高度一致。LIPG_RIPG代表吞咽网络的重要组成部分，其连接减弱可能与半球间协调受损有关；RDLPFC_RVAC涉及高级认知和感觉整合在吞咽中的作用；LFEF_LFEF作为局部脑区同步性指标，其功能异常可能与吞咽相关感觉刺激的注意下降有关。与现有临床评估工具相比，该模型在预测性能、方法严谨性和临床适用性方面具有显著优势。方法上采用LASSO回归结合Bootstrap稳定性重采样的双阶段特征选择策略，有效减轻了过拟合和多重共线性问题。技术上，fNIRS虽在检测深度和覆盖范围上存在固有局限，但其便携性、运动耐受性和低成本使其特别适合急性脑卒中护理中的床旁动态评估。临床上，列线图的直观设计降低了计算门槛，使临床医生无需专业软件即可快速进行个体化PSD风险评估。研究局限性包括内部验证集样本量较小、fNIRS检测深度有限、仅采集静息态数据、横断面设计无法推断因果关系等。
研究结论为：本研究成功开发并外部验证了基于静息态fNIRS脑功能连接的列线图模型，用于预测PSD严重程度。最终模型纳入三个稳健预测因子——LIPG_RIPG、RDLPFC_RVAC和LFEF_LFEF，代表了吞咽相关网络中的关键连接，展现出优异的判别能力、校准度和临床净获益，并在外部验证集中确认了稳定性能。这些发现凸显了fNIRS作为客观、无创且临床可行的神经影像学手段在阐明PSD神经机制和实现精准个体化风险评估方面的价值。所建立的列线图将复杂脑网络数据转化为直观、可量化的工具，使临床医生能够快速识别高危患者，并为神经科学指导的个性化康复策略提供依据。除风险分层外，该模型还揭示了未来神经调控干预的候选神经靶点，将其影响从急性临床决策延伸至长期功能恢复和患者预后优化。
