脑卒中是高发病率、高致残率、高病死率的慢性病，在全球成人死亡原因中排第3位，也是致残的首位原因[1],深静脉血栓(deep vein thrombosis, DVT)是其常见的严重并发症之一。研究显示，急性期脑卒中病人DVT发生率约为45%,合并严重偏瘫病人DVT发生率高达60%～75%[2-3]。DVT的形成可造成病人肢体损伤甚至瘫痪，严重时栓子脱落导致肺栓塞，危及病人生命[4]。临床预测模型是利用多因素模型估算病人患有某种疾病或将来发生某种结局的概率[5]。脑卒中病人DVT风险预测模型的建立能够协助临床医护人员早期识别高危病人，及时采取相应干预手段，降低DVT的发生率及严重程度，提高病人生活质量。近年来国内外多位学者开发了脑卒中病人发生DVT的风险预测模型，但文献质量不一，预测因子较为繁多，模型的预测性能也有待验证。因此，本研究系统检索了国内外脑卒中病人DVT风险预测模型的相关研究并进行分析、评价，为临床医护人员选择合适的预测模型提供依据，进而预防脑卒中病人DVT的发生，改善预后，提高病人生活质量。

1、资料与方法

1.1 文献纳入与排除标准

纳入标准：1)研究类型为队列研究、病例对照研究或横断面研究；2)研究对象为年龄18岁及以上的脑卒中病人，性别不限，符合全国第4届脑血管病会议中的脑卒中诊断标准或世界卫生组织(WHO)脑卒中诊断标准，并经电子计算机断层扫描(CT)或磁共振成像(MRI)确诊；3)研究内容为基于人群开展的脑卒中病人DVT风险预测模型构建或验证，对于重复发表文献，纳入最新或样本量较大的研究。排除标准：1)未描述模型构建过程或方法；2)不能获取原文或数据不完整；3)重复发表；4)非中英文文献。

1.2 文献检索策略

系统检索中国知网、万方数据知识服务平台、维普数据库、中国生物医学文献数据库(SinoMed)、PubMed、the Cochrane Library、Embase、CINAHL等数据库发表的脑卒中病人DVT风险预测模型的相关文献，采用主题词和自由词相结合的方式进行检索，同时手工检索已经发表和通过文献追溯得到的文献作为补充，检索时限为建库至2023年10月。中文检索词：(卒中OR脑卒中 OR脑出血OR脑缺血OR脑梗OR中风OR脑血管意外)AND(深静脉血栓OR静脉血栓)AND(预测OR预警OR预测模型OR风险预测模型OR风险评分OR危险因素)。英文检索词：(stroke OR cerebrovascular accident)AND('venous thrombosis' OR 'deep vein thrombosis')AND('predict' OR 'risk prediction' OR 'prediction model' OR 'prognostic model' OR 'risk score' OR 'risk assessment')。

1.3 文献筛选与提取方法

由2名研究者独立阅读文献题目和摘要，严格遵循纳入与排除标准筛选文献，意见不一致时咨询第3名研究者协助判断。确定纳入文献后，由2名研究者独立阅读全文，以CHARMS清单[6]为参考，制定标准化表格进行资料提取。上述过程中若遇分歧且无法达成共识时，寻求第三方意见。

1.4 文献偏倚风险和适用性评价

2名评价者运用预测模型偏倚风险评价工具(prediction model risk of bias assessment tool, PROBAST)[7]对纳入研究的偏倚风险及适用性进行独立评估，分歧由第三方判定。

1.4.1 偏倚风险评估

偏倚风险的评估涵盖了研究对象、预测因子、结果和分析4个领域，共20个问题，每个问题按照“是”“可能是”“否”“可能否”“无信息”来回答。在一个领域中，如果所有问题的回答均为“是”或“可能是”,则该领域偏倚风险低；如果有任意一个问题的回答为“否”或“可能否”,则该领域偏倚风险高；如果相关信息不足，则认为该领域偏倚风险不清楚。如果所有领域偏倚风险低，则该研究总体偏倚风险低；如果有任意一个领域偏倚风险高，则总体偏倚风险高；如果有任意一个领域偏倚风险不清楚而其他领域偏倚风险低，则认为该研究总体偏倚风险不清楚。

1.4.2 适用性评估

适用性评估涵盖研究对象、预测因子和结果3个领域，各个领域按照“适用性好”“适用性差”“适用性不清楚”来进行评估。如果每个领域适用性好，则该研究总体适用性好；如果有任意一个领域适用性差，则总体适用性差；如果有任意一个领域适用性不清楚而其他领域适用性好则该研究总体适用性不清楚。

2、结果

2.1 文献检索流程及结果

初步检索共获得3 457篇文献，去除重复文献后剩余3 175篇。通过阅读文献题目和摘要，排除与研究主题不相关文献3 042篇，通过阅读全文排除115篇，最终纳入18篇文献[8-25]。

2.2 纳入文献的基本信息

纳入的18篇文献发表于2011—2022年，14篇为近5年发表，有14篇回顾性研究，4篇前瞻性研究。14篇为我国作者发表的文章，4篇为国外作者发表的文章。

2.3 纳入文献的方法学质量评价结果

纳入文献均为队列研究或病例对照研究，所有文献均交代了研究对象的纳入与排除标准，均通过单因素分析、多因素分析筛选预测因子，总体质量较高。但仅有1篇文献[10]说明了缺失数据量，其余文献均未提及缺失数据情况及处理方法。文献质量评价结果见表1。

表1纳入文献的偏倚风险和适用性评价

2.4 纳入模型的基本特征

本研究最终纳入18项脑卒中病人DVT预测模型，均采用Logistic回归建模。建模队列样本量为92～77 499例，验证队列样本量为35～71 313例。建模队列的受试者工作特征曲线下面积(area under the curve, AUC)为0.610～0.912,验证队列AUC为0.550～0.840。另外，8项研究[12-13,17,19-21,23-24]在建立模型的基础上绘制了列线图使得模型可视化。具体情况见表2。

2.5 纳入模型的预测因子

18项模型中包含了1～7个独立预测因子，包括人口学特征、实验室指标、生理情况、疾病类型、使用药物情况及肢体情况等方面。出现频次前5位的预测因子依次为高龄、D-二聚体、女性、恶性肿瘤、出血性脑卒中。见表2。

表2脑卒中病人DVT风险预测模型的基本特征

2.6 Meta分析结果

本研究对进入预测模型频次排名前5位的预测因子(高龄、D-二聚体、女性、恶性肿瘤、出血性脑卒中)应用于脑卒中DVT发生风险预测的效果进行了Meta分析，结果如下。

2.6.1 高龄

12篇文献[9,11-12,15-17,19-24]分析了年龄对脑卒中病人DVT发生的影响，各研究之间存在明显异质性(P<0.10,I2=72%),进行敏感性分析，排除3篇[9,11,22]异质性较大的文献，其余9篇尽管存在异质性(P=0.03,I2=52%),但异质性程度较前减小，选择随机效应模型进行Meta分析。结果显示，高龄病人发生DVT的风险是非高龄病人的1.05倍[95%CI(1.03,1.07),Z=4.86,P<0.000 01],见图1。

图1高龄对脑卒中病人DVT发生影响的Meta分析

2.6.2 D-二聚体

9篇文献[10,13-15,17-19,23-24]分析了D-二聚体对脑卒中病人DVT发生的影响，各研究之间存在明显异质性(P<0.10,I2=93%),进行敏感性分析，排除异质性较大的文献[14-15,18-19,24],其余4篇异质性可接受(P=0.15,I2=43%),因此选择固定效应模型进行Meta分析。结果显示，D-二聚体较高病人发生DVT的风险是D-二聚体正常病人的1.21倍[95%CI(1.15,1.27),Z=7.10,P<0.000 01],见图2。

图2 D-二聚体对脑卒中病人DVT发生影响的Meta分析

2.6.3 女性

5篇文献[9,11,19-20,23]分析了性别对脑卒中病人DVT发生的影响，各研究之间存在明显异质性(P<0.10,I2=80%),进行敏感性分析，排除1篇[23]异质性较大的文献，其余4篇不存在异质性(P=0.98,I2=0%),因此选择固定效应模型进行Meta分析。结果显示，女性病人发生DVT的风险是男性病人的1.77倍[95%CI(1.39,2.25),Z=4.65,P<0.000 01],见图3。

图3女性对脑卒中病人DVT发生影响的Meta分析

2.6.4 恶性肿瘤

4篇文献[9,11,19-20]分析了恶性肿瘤对脑卒中病人DVT发生的影响，各研究之间不存在异质性(P=0.53,I2=0%),因此选择固定效应模型进行Meta分析。结果显示，恶性肿瘤病人发生DVT的风险是未患恶性肿瘤病人的3.73倍[95%CI(2.38,5.84),Z=5.75,P<0.000 01],见图4。

图4恶性肿瘤对脑卒中病人DVT发生影响的Meta分析

2.6.5 出血性脑卒中

4篇文献[9,14,19,22]分析了脑卒中类型对脑卒中病人DVT发生的影响，各研究之间存在明显异质性(P<0.10,I2=79%),进行敏感性分析，排除1篇[19]异质性较大的文献，其余3篇不存在异质性(P=0.86,I2=0%),因此选择固定效应模型进行Meta分析。结果显示，出血性脑卒中病人发生DVT的风险是其他类型脑卒中病人的2.22倍[95%CI(1.47,3.35),Z=3.80,P=0.000 1],见图5。

图5出血性脑卒中对脑卒中病人DVT发生影响的Meta分析

3、讨论

3.1 纳入的预测模型具有较好性能，但文献有一定的偏倚风险

本次纳入的18项预测模型整体性能较好，文献整体适用性较好，但偏倚风险较高。1)18项预测模型在建模人群中的AUC值为0.610～0.912,其中13项AUC值>0.700。10项预测模型进行了外部验证，在验证队列中的AUC值为0.550～0.840,其中9项AUC值>0.700,表明预测模型能够较准确地识别脑卒中病人发生DVT的风险。2)所有文献均为队列研究或病例对照研究，均明确报告了研究对象的纳入与排除标准，18篇文献中仅有1篇[10]报告了缺失数据量及处理方法，其余文献均未提及缺失数据情况，导致文献总体偏倚风险较高。3)18篇文献均通过单因素、多因素分析进行变量的筛选，能够避免模型的过度拟合，但目前有学者认为仅将单因素分析有意义的变量纳入多因素研究中，会遗漏部分临床重要的影响因素，降低模型的预测效果。因此，未来研究者在进行数据的处理过程中，应注重缺失变量的统计及分析，在进行预测因子筛选时除规范应用单因素、多因素分析之外，还应密切结合临床实际，谨慎筛选变量。

3.2 预测因子情况

本研究纳入的18项模型中包含了1～7个独立预测因子，包括人口学特征、实验室指标、生理情况、疾病类型、使用药物情况等方面。对出现频次排名前5位的预测因子进行了Meta分析，得出以下结论。

3.2.1 高龄、女性、出血性脑卒中病人是发生DVT的高危人群

本研究Meta分析结果显示，高龄是脑卒中病人发生DVT的危险因素，这与既往研究[26]结果一致。老年病人血管功能减退、血管内皮细胞受损加重及抗凝血系统失衡，血液黏稠度增高，下肢静脉血液回流较慢[27-28],都会导致老年病人更易发生DVT。本研究结果显示，女性更易发生DVT,日本的一项研究[29]也证实此结果。究其原因：女性病人使用雌激素替代疗法、服用避孕药均会增加DVT的发生风险[30],但目前在脑卒中领域，性别与DVT的关系及具体病理生理机制还尚不明确，有待学者进行相关队列研究或基础实验进一步探索。

脑卒中分为缺血性和出血性脑卒中，本研究结果显示出血性脑卒中病人更易发生DVT,与既往研究[27]结果一致。出血性脑卒中会释放大量的组织凝血活酶，凝血系统被过度激活以对抗出血，形成更多的纤维蛋白，释放大量纤维蛋白原降解产物，包括D-二聚体，更易发生DVT[14]。同时，常用于预防DVT的抗凝药物并不适用于出血性脑卒中病人，一定程度地增加了发生DVT的风险。

3.2.2 D-二聚体、恶性肿瘤是脑卒中病人发生DVT的危险因素

本研究结果显示，D-二聚体较高的脑卒中病人发生DVT的风险是D-二聚体正常病人的1.21倍，这与既往研究[31]结果一致。在脑卒中后的24 h内测定D-二聚体，其预测病人发生DVT的灵敏度为79%,特异性为78%,阳性预测值为35%,阴性预测值为96%。但也有研究表示，D-二聚体虽能预测DVT的发生，但其特异度不高，临床仍需结合影像学资料共同做出诊断[13]。另外，本研究结果显示，患有恶性肿瘤也是脑卒中病人发生DVT的危险因素，这可能是恶性肿瘤可通过产生中性粒细胞细胞外陷阱、诱导单核细胞表达组织凝血因子，并导致血小板增多，从而增加了DVT的发生风险。同时，恶性肿瘤的相关治疗如放、化疗，可能会导致病人血浆纤溶酶原和抗凝血酶Ⅲ水平降低，促进DVT的发生发展[32]。

因此，提示临床医护人员针对发生DVT的高危人群应给予更多的关注，及时、定期进行评估，对病人实施预防DVT的相关治疗及护理，并指导病人或家属共同配合，以降低脑卒中病人DVT的发生风险，提高生活质量。

3.3 脑卒中DVT预测模型的开发及应用建议

目前，已有多位学者构建了脑卒中病人DVT的发生风险预测模型，本研究对此类模型进行了系统评价，结果显示大部分模型预测性能较好，模型的构建过程比较规范，但接近半数的预测模型未进行外部验证，无法保证模型的外推能力及普适性。因此，本研究对脑卒中病人DVT发生风险预测模型的开发与应用提出一些建议。1)开发方面：今后的研究者在建立及验证相关预测模型时，可尝试运用不同的建模方法，例如LASSO回归、岭回归、Cox及BP神经网络、支持向量机等方法，多方面评价模型的预测能力。同时，严格按照预测模型规范实施，对模型的校准度及特异性进行内、外部验证，以增加模型的可信性。在建立及验证模型的基础上，开发相应的预测量表或工具，将复杂的模型公式可视化，增加临床实用性。2)应用方面：目前脑卒中病人DVT发生风险预测模型较多，临床医护人员在选择预测模型时应持有审慎的态度，结合病人的实际情况及模型的预测能力进行选择及应用。同时，在应用的过程中，可将病人数据代入模型，进一步对模型的预测能力进行验证。

4、小结

本研究共纳入18项脑卒中病人DVT发生风险预测模型，模型整体预测性能较好，高龄、D-二聚体、女性、恶性肿瘤及出血性脑卒中等是脑卒中病人发生DVT的预测因子。但部分模型未进行外部验证或校准度的检验，降低了模型的外推力及普适性。同时，纳入文献的偏倚风险较大，可能对研究结果产生一定影响。未来的研究者在构建预测模型的过程中应严格参照PROBAST评价工具进行模型的开发、验证及自我评价，优化脑卒中病人DVT发生风险预测模型，为临床提供预测性能较高的模型。同时，临床医护人员应审慎地选择适合的预测模型，以尽早识别脑卒中病人发生DVT的风险，采取相应干预措施，降低脑卒中病人DVT的发生发展，提高病人生活质量。

参考文献:

[2]杨国强.急性脑卒中后深静脉血栓形成危险因素分析[D].乌鲁木齐:新疆医科大学,2015.

[5]张蕊,郑黎强,潘国伟.疾病发病风险预测模型的应用与建立[J].中国卫生统计,2015,32(4):724-726.

[12]叶晓峰,董锦疆,雷兵.个体化预测脑出血患者形成下肢深静脉血栓列线图模型的建立[J].现代实用医学,2020,32(6):717-719.

[13]胡喜莲.急性缺血性脑卒中病人下肢深静脉血栓形成预测模型的建立与分析[J].中西医结合心脑血管病杂志,2020,18(16):2585-2589.

[15]陈慧娇,孙晓红,张喆,等.出血性卒中患者下肢深静脉血栓形成风险预测模型的构建与验证[J].中华神经外科杂志,2021,37(3):255-259.

[16]侯丽敏,刘芳艳,孟雪,等.急性缺血性脑卒中和颅内静脉窦及脑静脉血栓形成患者血管内治疗术后发生下肢深静脉血栓形成的影响因素及其预测指标研究[J].实用心脑肺血管病杂志,2021,29(10):42-46;52.

[17]黄洁.急性缺血性脑卒中患者下肢深静脉血栓预测模型的建立及验证[D].唐山:华北理工大学,2021.

[18]苗云,常红,赵洁,等.首发急性缺血性卒中患者深静脉血栓预测模型的构建[J].中国急救复苏与灾害医学杂志,2021,16(4):380-384.

[21]陆秋芳,应燕萍,覃艳勤,等.急性期脑卒中患者下肢深静脉血栓风险预测模型的构建及应用[J].中华护理杂志,2022,57(16):1948-1955.

[22]郭静,李怡,张海伦,等.结合凝血指数建立康复期脑卒中患者深静脉血栓形成的预测模型[J].实用医院临床杂志,2022,19(4):106-109.

[23]颜飞帆,李云,麻朋艳,等.老年脑出血患者下肢深静脉血栓风险预测模型的构建及验证[J].温州医科大学学报,2022,52(4):277-282.

[26]唐文娟,石贞仙,张彩云,等.脑卒中患者发生深静脉血栓危险因素的Meta分析[J].中华护理杂志,2019,54(7):989-994.

[27]吴立萍,谢长清.脑卒中急性期并发深静脉血栓危险因素的Meta分析[J].护士进修杂志,2021,36(23):2177-2182.

[28]彭南海,马嫦娥,陈月英.老年腹部创伤患者术后深静脉血栓高危风险的筛查及护理[J].中华护理杂志,2013,48(6):494-496.

基金资助:宁夏医科大学校级科研项目,编号:XM2022058; 宁夏自然科学基金项目,编号:2023AAC03613;

文章来源:王艳芸,马彩虹,王艳,等.脑卒中病人深静脉血栓风险预测模型的系统评价[J].全科护理,2024,22(16):2985-2992.