中华急诊医学杂志  2017, Vol. 26 Issue (10): 1183-1186
高血压脑出血预后模型的建立及验证
屠传建, 顾志伟, 柳建生, 宋大刚, 郑刚     
312030 浙江省绍兴, 绍兴市中心医院

自发性脑出血(intracerebral hemorrhage,ICH)约占全部高血压脑出血患者的10%~30%,但其病死率和致残率明显高于缺血性脑血管病[1],相比缺血性脑血管病和自发性蛛网膜下腔出血[2-3],ICH尚缺乏有效的治疗手段[4]。探讨影响ICH的预后因素并建立性能优良的预测模型,协助临床医生对患者预后行精准的评判并干预,具有重要的现实意义。本研究通过基于绍兴市中心医院2011至2012年临床数据,建立适合我院自身的脑出血预后预测模型,并以2014年本院脑出血患者数据为外部验证,验证模型的预测性能。

1 资料与方法 1.1 一般资料

以2011年1月至2012年12月绍兴市中心医院收治的高血压脑出血患者作为数据库建立模型。入选标准:(1)符合1995年全国第四届脑血管病会议确定的脑出血诊断标准,高血压诊断依据2005年《中国高血压防治指南》的诊断标准;(2)所有患者均为首次发病,经头颅CT确诊脑出血;(3)排除外伤、肿瘤卒中、动脉瘤、动静脉畸形及全身性疾病如血液病等导致的脑出血。共325例患者纳入研究作为预测模型建立数据。

收集2013年1月至2015年12月绍兴市中心医院161例高血压脑出血患者的临床资料,作为模型验证数据以供模型外部验证,纳入、排除标准同前。

采用Epidata 3.1软件设计表格,调查325例患者人口信息、发病情况、临床症状、入院24 h实验室和影像学检查等指标并进行回顾性分析。

以3个月GOS评分作为因变量,GOS 4~5分为预后良好组(239例),GOS 1~3分为预后不良组(86例)。

1.2 方法 1.2.1 模型建立及模型整体性能分析

单因素分析危险因素与预后关系;多因素Logistic回归分析影响预后独立危险因素。挑选独立的预测因素建立3个预测模型,分别为模型A(年龄、GCS和瞳孔对光反射)、模型B(模型A + CT特征)、模型C(模型B +实验室检查)。分别检验模型的判别能力(计算C统计值,即ROC曲线下面积)及校准能力(拟合优度检验,即H-L检验)。

1.2.2 预测模型的验证

包括内部验证和外部验证。内部验证:利用自举法(bootstrap)检验预测模型的内部真实性。外部验证: 161例高血压脑出血患者的临床数据作为外部验证数据,分别计算代表模型判别能力的C统计值和校准能力的H-L检验,对比预测概率与实际观察概率,观察模型的校准能力。

1.3 统计学方法

应用SPSS 17.0软件,计量资料采用独立样本的tt’检验,计数资料采用χ2检验。在分析连续变量与预后的关系中,由于极端值的存在可很大程度影响结果。为了避免此影响,根据临床经验确定不可能存在的值,统计检测离群值,并定义截断点。内部验证采取bootstrap方法,重抽样样本量为200。Logistic回归分析采用向前逐步筛选法,以P < 0.05为差异具有统计学意义。

2 结果 2.1 模型建立患者临床资料

预后不良组患者平均年龄、出血量、血糖、D-二聚体和纤维蛋白原大于预后良好组(P < 0.05),而GCS平均评分、血镁、总胆固醇和低密度脂蛋白小于预后良好组(P < 0.05)。预后不良组患者中体力劳动者、吸烟、低氧血症、脑干出血、出血破入脑室和中线移位≥5 mm的比例高于预后良好组(P < 0.05)。手术为预后不良的危险因素,见表 1

表 1 模型建立HICH患者临床特征
临床特征 预后良好组(n=239) 预后不良组(n=86) t2 P
年龄(岁) 61.39±13.91 65.81±15.72 -2.300 0.023
男性/(例,%) 146(61.1) 52(60.5) 0.018 0.919
体力劳动者/(例,%) 223(93.3) 73(84.9) 5.519 0.019
吸烟/(例,%) 65(27.2) 35(40.7) 5.412 0.020
饮酒/(例,%) 78(32.6) 30(34.9) 0.144 0.704
GCS/min 12.90±2.96 8.03±4.09 -10.122 0.000
运动评分/(例,%) 108.114 0.000
    无反应 3(1.3) 13(15.1)
    过伸 2(0.9) 10(11.6)
    病理屈曲 9(3.8) 14(16.3)
    屈曲 25(10.5) 25(29.1)
    定位 41(17.2) 13(15.1)
    按令动作 159(66.5) 11(12.8)
瞳孔对光反射/(例,%) 29.013 0.000
    双侧阳性 2(0.8) 11(12.8)
    一侧阳性 11(4.6) 12(14.0)
    双侧阴性 226(94.6) 63(73.3)
低氧血症/(例,%) 40(17.0) 25(29.1) 5.660 0.017
出血量(ml) 17.44±23.13 50.74±42.79 6.865 0.000
脑干出血/(例,%) 19(8.2) 20(23.3) 13.349 0.000
出血破入脑室/(例,%) 25(10.5) 22(25.6) 11.690 0.001
中线移位≥5mm 59(25.1) 46(53.5) 23.042 0.000
血糖(mmol/L) 6.64±2.53 9.17±4.41 5.047 0.000
血镁(mmol/L) 0.98±0.14 0.92±0.16 -3.253 0.001
总胆固醇(mmol/L) 4.76±0.92 4.50±1.02 -2.030 0.043
低密度脂蛋白(mg/L) 2.45±0.89 2.16±1.04 -2.260 0.025
D-二聚体(mg/L) 0.88±1.98 2.53±4.03 3.206 0.002
纤维蛋白原(mg/L) 3.37±1.21 3.78±1.54 2.152 0.032
手术/(例,%) 30(12.6) 29(33.7) 19.074 0.000
2.2 多因素Logistic回归分析

以3个月后GOS评分为因变量作多因素Logistic回归分析,年龄、GCS评分、瞳孔对光反射、低氧血症、出血量、出血破入脑室、血糖和D-二聚体共8项因素进入回归方程,是影响HICH患者预后的独立因素,参数见表 2

表 2 模型建立HICH预后多因素Logistic回归分析
相关因素 β S.E. Wald P OR
年龄 0.081 0.096 5.338 0.018 1.091
GCS评分 -0.715 0.309 5.357 0.021 0.489
瞳孔对光反射 1.722 0.227 10.131 0.001 3.842
出血量 0.053 0.013 16.643 0.000 1.055
出血破入脑室 0.702 0.11 4.135 0.042 1.105
低氧血症 1.346 0.404 11.077 0.001 2.059
血糖 0.223 0.261 12.947 0.000 1.302
D-二聚体 0.412 0.075 13.009 0.000 1.059
常数项 4.019 1.907 4.443
注:β为回归系数,S.E.为回归系数标准误,Wald为检验值,P为概率值,OR优势比
2.3 模型验证患者临床资料

模型验证患者临床资料见表 3

表 3 各模型组合对患者预后判别能力参数
模型 AUC(95%CI) 临界值 敏感度 特异度
A 0.816(0.760~0.872) 0.771 0.782 0.756
A+B 0.884(0.842~0.925) 0.752 0.820 0.814
A+B+C 0.913(0.881~0.946) 0.725 0.862 0.826

表 3 模型验证患者临床特征
临床特征 预后良好组(n=115) 预后不良组(n=46) t2 P
年龄(岁) 59.49±11.34 63.21±14.12 -2.340 0.021
GCS(min) 12.33±2.71 7.89±3.77 -11.135 0.000
瞳孔对光反射/(例,%)
    双侧阳性 2(1.7) 6(13.1) 33.112 0.000
    一侧阳性 6(5.2) 7(15.2)
    双侧阴性 107 (93.1) 33(71.7)
低氧血症/(例,%) 21(18.3) 13(28.3) 5.660 0.027
出血量(ml) 18.56±21.11 53.14±44.11 6.765 0.000
出血破入脑室/(例,%) 13(11.3) 12(26.1) 11.690 0.001
血糖(mmol/L) 6.14±1.89 9.35±4.57 6.017 0.000
D-二聚体(mg/L) 0.79±1.69 2.73±3.81 3. 001 0.003
2.4 ROC曲线评价各因素对患者预后判别能力

将年龄、GCS评分和瞳孔对光反射定义为模型A,出血量和出血破入脑室定义为模型B,低氧血症、血糖和D-二聚体定义为模型C。采用ROC曲线分析各模型的判别能力。随着纳入危险因素的增多,模型的判别能力随之增强(见表 4图 1),曲线下面积由0.816到0.913。

表 4 预测模型的性能
模型 模型A 模型B 模型C
内部验证b 外部验证c 内部验证 外部验证 内部验证 外部验证
C统计值(95%CI) 0.801(0.763~0.852) 0.823(0.792~0.854) 0.875(0.813~0.982) 0.881(0.844~0.958) 0.921(0.878~0.967) 0.947(0.911~0.985)
Pa 0.451 0.325 0.138
注:aH-L检验,b重抽样样本量为200,c患者人数为161

图 1 各模型组合判别患者预后时的ROC曲线
2.5 预测模型验证及其性能

根据多因素分析结果建立不同的模型,表 3显示,内部验证发现模型内部真实性强,不存在过度乐观。外部验证模型发现,模型A、模型B和模型C外部适用性强,随着外部数据的引入,模型的判别能力并未出现下降,模型的判别能力强。检验模型校准能力的H-L检验,P>0. 05,模型性能良好,外部适用性强,可以用于建立预测模型。

3 讨论

预测模型是结合了多种危险因素、能准确预测预后的统计模型[5-7]。2001年,Hemphill等[8]提出包括GCS评分、ICH出血量、脑室出血、出血部位和年龄总分为6分的评分系统,30 d病死率从13%(1分)上升到97%(5分)。而其他学者[9-13]通过引入NIHSS评分、脑室出血评分、血压、蛛网膜下腔扩张和血糖等预测参数来提高新模型的预测性能。本研究系统分析患者入院时相关因素,多因素回归分析选出高危因素,建立不同的预测模型,并检测了模型的内外部检验性能。

多因素分析发现年龄、GCS评分、瞳孔对光反射、低氧血症、出血量、出血破入脑室、血糖和D-二聚体是影响患者预后的独立危险因素,这和一些学者的结论相似[14]。GCS评分与预后呈线性关系,随着GCS评分的下降,病死率增加;瞳孔对光消失患者预后差,双侧瞳孔对光消失患者病死率高。CT检查常常作为高血压脑出血患者诊断的重要辅助检查[15]。入院CT表现中,蛛网膜下腔出血、环池受压、中线移位是脑外伤患者预后不良的重要危险因素。实验室检查是临床工作中早期容易得到的临床资料,临床医师可以纠正实验室检查的异常值,从而改善患者预后。

预后预测模型的建立可以辅助临床准确地预测预后,辅助科学地制定下一步治疗。但由于临床个体差异及目前临床医疗风险,在预测模型的使用过程中,临床医师应根据病患具体情况,综合判断。本研究基于入院时的危险因素建立预测模型,能早期快速、准确地预测预后。临床医师可利用此预测工具预测高血压脑出血患者预后,辅助决定最佳的临床策略,提高有限医疗资源的利用率。

参考文献
[1] Dennis MS. Outcome after brain haemorrhage[J]. Cerebrovas Dis, 2003, 16(Suppl 1): 9-13.
[2] Meurer WJ, Walsh B, Vilke GM, et al. Clinical Guidelines for the Emergency Department Evaluation of Subarachnoid Hemorrhage[J]. J Emerg Med, 2016, 50(4): 696-701. DOI:10.1016/j.jemermed.2015.07.048
[3] Ojaghihaghighi S, Vahdati SS, Mikaeilpour A, et al. Comparison of neurological clinical manifestation in patients with hemorrhagic and ischemic stroke[J]. World J Emerg Med, 2017, 8(1): 34-38. DOI:10.5847/wjem.j.1920-8642.2017.01.006
[4] Morgenstern LB, Hemphill JC, Anderson C, et al. Guidelines for the management of spontaneous intracerebral hemorrhage:a guideline for healthcare professionals from the American Heart Association/American Stroke Association[J]. Stroke, 2010, 41(9): 2108-2129. DOI:10.1161/STR.0b013e3181ec611b
[5] 何磊磊, 丁礼, 陆士奇, 等. 轻度创伤性脑损伤评估及管理的研究进展[J]. 中华急诊医学杂志, 2016, 25(7): 959-964. DOI:10.3760/cma.j.issn.1671-0282.2016.07.025
[6] 顾言, 陈建荣, 陈佳漪. 短暂性脑缺血发作预测脑梗死风险模型ABCD2评分的改进[J]. 中华急诊医学杂志, 2016, 25(12): 1248-1252. DOI:10.3760/cma.j.issn.1671-0282.2016.12.007
[7] Jamal A, Sankhyan N, Jayashree M, et al. Full outline of unresponsiveness score and the glasgow coma scale in prediction of pediatric coma[J]. World J Emerg Med, 2017, 8(1): 55-60. DOI:10.5847/wjem.j.1920-8642.2017.01.010
[8] Hemphill JC, Bonovich DC, Besmertis L, et al. The ICH score:a simple, reliable grading scale for intracerebral hemorrhage[J]. Stroke, 2001, 32(4): 891-897. DOI:10.1161/01.STR.32.4.891
[9] Weimar C, Benemann J, Diener HC, et al. Development and validation of the Essen Intracerebral Haemorrhage Score[J]. J Neur Neurosurg Psych, 2006, 77(5): 601-605. DOI:10.1136/jnnp.2005.081117
[10] Ruiz-Sandoval JL, Chiquete E, Romero-Vargas S, et al. Grading scale for prediction of outcome in primary intracerebral hemorrhages[J]. Stroke, 2007, 38(5): 1641-1644. DOI:10.1161/STROKEAHA.106.478222
[11] Godoy DA, Pinero G, Di Napoli M. Predicting mortality in spontaneous intracerebral hemorrhage:can modification to original score improve the prediction?[J]. Stroke, 2006, 37(4): 1038-1044. DOI:10.1161/01.STR.0000206441.79646.49
[12] Chuang YC, Chen YM, Peng SK, et al. Risk stratification for predicting 30-day mortality of intracerebral hemorrhage[J]. Intern J Qual Health Care, 2009, 21(6): 441-447. DOI:10.1093/intqhc/mzp041
[13] Cheung RT, Zou LY. Use of the original, modified, or new intracerebral hemorrhage score to predict mortality and morbidity after intracerebral hemorrhage[J]. Stroke, 2003, 34(7): 1717-1722. DOI:10.1161/01.STR.0000078657.22835.B9
[14] Zhang J, Wang Y, Wang GN, et al. Clinical factors in patients with ischemic versus hemorrhagic stroke in East China[J]. World J Emerg Med, 2011, 2(1): 18-23. DOI:10.5847/wjem.j.1920-8642.2011.01.003
[15] Lourenco AP, Mayo-Smith WW, Tubbs RJ. Does 16-detector computed tomography improve detection of non-traumatic subarachnoid hemorrhage in the Emergency Department[J]. J Emerg Med, 2009, 36(2): 171-175. DOI:10.1016/j.jemermed.2007.10.066