引用本文： 楊婕, 張耀, 閆娟娟, 裴中陽, 胡安霞, 張巖波. 基于潛在剖面分析的腦卒中患者報告臨床結局異質性研究. 中國循證醫學雜志, 2023, 23(4): 379-385. doi: 10.7507/1672-2531.202210150 復制
腦卒中又名中風，是全球第二大死亡原因[1]。隨著社會人口老齡化及城鎮化進程的加速，我國卒中患病率整體呈上升趨勢，約為1 114.8/10萬人，其中70%～80%患者因預后不良而喪失生活能力[2]，嚴重影響患者生命質量。研究顯示不同亞型的腦卒中患者對治療干預有不同的反應，運用簡易、全面的評估方法，及時對腦卒中患者進行分型，早期識別腦卒中患者的不良預后，對疾病進展的控制與預防具有重要意義。臨床常用分型方法為病因學分型，如類肝素藥物Org 10172在急性腦卒中的治療研究（trial of Org 10172 in acute stroke treatment，TOAST）分型、牛津郡社區腦卒中項目（Oxfordshire community stroke project，OCSP）分型和中國缺血性卒中亞型（Chinese ischemic stroke subclassification，CISS）分型等。但正確的病因學分型需借助腦血管造影、經食道心臟超聲等輔助檢查[3]，限制了病因學分型的臨床應用。
患者報告結局（patient reported outcome，PRO）量表可以從不同維度全面精確反映患者的自覺癥狀，有研究表明關注PRO有利于全方位了解患者的病情[4]，通過PRO實現早期干預逐漸成為疾病診療規范化的工作重點[5]。Fenton等[6]利用潛類別模型（latent class modeling，LCM）基于慢性盆腔疼痛患者PRO對患者進行分型，證明使用PRO進行患者分型評估不僅符合當前醫學趨勢，并且提供了一種以患者為中心的客觀評價方法。也有學者將該類方法應用于帕金森綜合征、癌癥和慢性心衰等疾病患者的分型研究中[7-10]。但腦卒中領域的相關研究卻較少，是否適合我國腦卒中患者也有待驗證。因此，本研究在前期研制的腦卒中臨床結局評價量表（Stroke-PROM）基礎上，利用特異性測量工具開展腦卒中患者的異質性研究，為實現患者的精準分型和相關后續研究提供新的理論依據。
1 資料與方法
1.1 資料來源
對山西省3所綜合三級甲等醫院、2所二級乙等醫院、4家社區衛生機構的腦卒中患者進行現場橫斷面調查，參與本次研究的患者均為自愿且在調查前簽署知情同意書。本研究經山西醫科大學醫學倫理委員會批準（審批號：2018LL128）。
納入標準：① 符合腦血管病診斷標準，影像數據證實為腦梗塞、腦出血或蛛網膜下腔出血，或通過臨床表現確定為腦卒中者；② 知情且配合度高。排除標準：① 并發精神疾病或存在意識障礙；② 不能理解問卷問題。
1.2 研究方法
1.2.1 一般資料調查表
課題組查詢相關研究文獻后確定。
1.2.2 Stroke-PROM量表
采用張巖波等[11]編制的Stroke-PROM臨床結局評價量表對患者進行評價。量表共46個條目，均采用Likert 5級評分（0～4分）。量表經驗證后具有較好信度、效度及臨床可行性，各領域的Cronbach's α系數分別為：0.888、0.908、0.879和0.861，總量表的Cronbach's α系數為0.905。
1.2.3 量表得分標準化
由于量表各維度條目數的不同，其總分也不相同。為保證數據指標之間的可比性，將量表各維度得分進行標準化。首先獲得各條目的實際得分
。
 |
為該條目的原始得分。再計算各維度的粗得分
，最后利用
將各維度粗得分標準化，
為該維度粗得分均值，
為該維度粗得分標準差。
1.2.4 質量控制
現場調查由具備神經內科專業醫學知識的調查員發放、解答和跟進量表的調查實施，采用一對一自填方式填寫量表。對因利手偏癱或其他原因無法自行填寫的患者，由調查員不含任何導向地閱讀題干和選項，協助患者完成作答。量表完成后當場收回，保證其完整性和質量。
1.2.5 潛在剖面分析（latent profile analysis，LPA）方法
LPA方法是LCM方法的拓展，可通過潛在類別變量來解釋外顯連續指標間的關聯。本研究目的在于挖掘腦卒中患者中的潛在亞組，對存在質的差別的腦卒中患者實現有效分組。因此將4個領域10個維度的量表得分作為觀察到的連續型外顯變量，將患者分型作為潛在類別變量，構建LPA模型。LPA模型可表示為：
 |
為最終確定的潛在類別，
是每個潛在類的平均向量，
是其協方差矩陣，
是每個個體歸屬與潛在類別的概率。
1.2.6 模型評價
采用赤池信息準則（Akaike information criterion，AIC）和貝葉斯信息準則（Bayesian information criterion，BIC）評價模型的擬合度。AIC和BIC越低代表模型擬合越好。采用信息熵（Entropy）評價模型的準確度。Entropy值越高表示分類越準確，Entropy≥0.80表示該模型的準確率超過90%。采用基于Bootstrap的似然比檢驗指標（Bootstrapped likelihood ratio test，BLRT）在相鄰類別模型中進行比較，BLRT檢驗具有統計學意義時表明剖面數為K的模型優于剖面數為K?1的模型，最終確定最優模型。
1.2.7 軟件實現
采用SPSS 22.0軟件進行描述性統計及統計檢驗分析，利用Rstudio軟件進行LPA分析，檢驗水準為α=0.05。
2 結果
2.1 納入患者的基本特征及Stroke-PROM得分
共有715名患者符合納入標準，最終回收問卷711份，有效問卷705份，回收率99.44%，有效率98.60%。納入705例患者的基本特征見表1，Stroke-PROM量表得分情況見表2。
表1
納入患者的基本特征
表2
納入患者的Stroke-PROM量表得分情況
2.2 維度的相關分析結果
Stroke-PROM各維度相關分析如圖1所示。圖1a為Stroke-PROM量表維度相關性熱圖，上三角為Pearson相關系數具體取值，下三角圓圈的顏色與大小與上三角的相關系數取值相對應，相關性檢驗不具有統計學意義在下三角中用叉標示。相關分析表明，家庭支持（FAS）得分僅與自理能力（SHS）得分呈負相關，與其他維度得分之間不存在線性相關性。滿意度（SAT）得分僅與焦慮（ANX）得分之間不存在線性相關性，與其他維度得分之間均存在線性相關性，且與社會交往（SOC）存在較強的正相關。其他維度得分之間均呈正相關。圖1b為Stroke-PROM量表維度聚類熱圖，橫軸為維度的聚類結果，縱軸為患者樣本聚類結果。聚類結果表明抑郁（DEP）與回避（AVO）表達模式最為相近，與圖1a兩者相關系數最大（rp=0.69）相吻合。此外認知能力（COG）與言語交流（VEC）、焦慮（ANX）與抑郁（DEP）和回避（AVO）表達模式也非常相近。
圖1
Stroke-PROM各維度相關分析
a：Stroke-PROM量表維度熱圖；b：Stroke-PROM量表維度聚類熱圖。
2.3 LPA分析結果
從初始模型開始，依次建立1～6個潛在類別模型，結果見表3。隨著模型類別數的不斷增加，擬合指標AIC和BIC的數值不斷減少，模型擬合逐步變好。各模型Entropy指標均大于0.8，分類均可信。2～6類別模型的BLRT指標均小于0.05，表明K的模型優于剖面數為K?1的模型。但AIC和BIC在劃分3類時分別下降了1.27%和0.99%，在劃分4類時則分別下降了1.51%和1.22%，說明AIC和BIC在劃分4類時比3類下降趨勢明顯；同時至5類別模型時，AIC和BIC分別下降了0.88%和0.59%，指標下降速度變緩。因此綜合模型擬合指標和模型簡潔性考慮確定，最終確定4類潛在剖面模型為最佳模型。
表3
納入患者潛在剖面分析模型擬合指標
4個潛在類別在Stroke-PROM量表4個領域10個維度上的得分如圖2所示，其均值均有明顯差別，表現出不同的特征。表4列出了4個潛在類別得分的比較情況（領域得分為實際得分）。Class1的各領域得分均在均值以下，因此命名為“低PHD-低PSD-低SOR-低THA”，該類人群占比9%；Class2的各領域得分除社會領域得分接近均值以外，其他都在均值以上，因此命名為“高PHD-高PSD-中SOR-高THA”，該類人群占比40%；Class3的各領域得分都接近整體均值，因此命名為“中PHD-中PSD-中SOR-中THA”，該類人群占比26%；Class4的社會領域得分最高，其他都接近整體均值，因此命名為“中PHD-中PSD-高SOR-中THA”，該類人群占比25%。為了易于表示，將Class1表示為“低生理低社會”，Class2表示為“高生理中社會”，Class3表示為“中生理中社會”，Class4表示為“中生理高社會”。
圖2
腦卒中患者的4類型潛在剖面圖
a：不同維度潛在類別得分差異；b：不同領域潛在類別得分差異。
表4
納入患者4個潛在類別在4個領域得分的比較
2.4 不同領域潛在類別得分差異
以患者潛在類別為自變量，以各領域得分和總得分（實際得分）為因變量進行方差分析，并采用Bonferroni事后兩兩檢驗，見表4。研究結果發現生理領域、心理領域、社會領域、治療領域和總得分在4個潛在類別中的差異均具有統計學意義（P<0.05）。生理領域，Class3與Class4之間不存在統計學差異（P>0.05），而Class1顯著低于其他潛在類別（P<0.05），Class2明顯高于其他潛在類別（P<0.05）。心理領域，Class2與Class4型之間不存在統計學差異（P>0.05），但高于其他兩個潛在類別（P<0.05），而Class3較高于Class1（P<0.05）。社會領域，Class2與Class4之間不存在統計學差異（P>0.05），Class3與Class1之間也不存在統計學差異（P>0.05），但前2個潛在類別高于后2個潛在類別（P<0.05）。治療領域，Class1明顯低于其他潛在類別（P值均<0.05），而其他潛在類別之間無統計學差異（P值均>0.05）。總得分，4個潛在類別間的差異均具有統計學意義（P<0.05），并依次有Class2>Class4> Class3>Class1。
2.5 一般資料潛在類別差異
將4個潛在類別與一般資料做χ2檢驗分析其相關分析，其中只有年齡、費用支付形式、運動頻率的差異具有統計學意義（P<0.05）。相對于其他潛在類別，小于45歲在Class3占比最高（16.8%），調整后的殘差為2.3；45~60歲之間在Class2占比最多（56.2%），調整后的殘差為2.8；大于60歲在Class1中占比最高（60.0%），調整后的殘差為2.5。自費在Class1中占比最高（21.6%），調整后的殘差為4.0；非自費在Class2中占比最高（92.7%），調整后的殘差為2.2。不運動在Class1中占比最高（57.1%），調整后的殘差為2.4；經常運動在Class2中占比最高（34.9%），調整后的殘差為4.1；偶爾運動在Class4中占比最高（38.7%），調整后的殘差為2.4。一般資料與潛在類別的相關性見圖3。
圖3
納入患者一般資料與潛在類別的相關性
a：Class1與一般資料的相關性；b：Class2與一般資料的相關性；c：Class3與一般資料的相關性；d：Class4與一般資料的相關性。
3 討論
目前臨床評價腦卒中預后結局常采用PRO量表，但以往研究多依靠總分高低評價臨床結局，未考慮量表中不同條目的高度異質性。本研究通過LPA方法根據Stroke-PROM量表10個維度的得分對腦卒中患者異質性進行研究，結果表明腦卒中患者存在明顯的分組特征，擬合指標支持了4種潛在類別：“低生理低社會”組、“高生理中社會”組、“中生理中社會”組和“中生理高社會”組。研究[12]表明，潛在類別在各維度的得分具有統計學差異有助于在治療早期發現異常癥狀，從而有針對性地實施干預。
本研究結果表明，腦卒中患者的潛在分類的治療療效存在統計學差異，預后由良到差依次為“高生理中社會”>“中生理高社會”>“中生理中社會”>“低生理低社會”；同時，4個潛在分類與年齡、費用支付形式和運動頻率3個變量存在相關性。“低生理低社會”組中多數為60歲以上、自費治療和從不運動的患者；而“高生理中社會”組則多為45～60歲之間、非自費和經常運動。
高齡是腦卒中預后不良的影響因素，這與Zhang等[13-16]多位學者的研究結論一致。高齡患者腦組織營養供應不足、減少內皮細胞增殖、加重氧化應激、增加血液黏稠度，腦受損結構及功能較難恢復，預后較差。相關研究表明新發卒中患者前４年累計存活率隨著年齡的增長而下降，提示患者年齡越大，不良預后的風險越高。醫療花費與治療效果的關聯性在各研究中存在較大爭議，有研究[17]表明隨著醫療費用的增加，患者并不能一直獲得正向的邊際健康收益，而有研究[18]結果則提示年均醫療花費越高的患者其自評治療效果越好，這可能是與醫療花費越高代表越高質量的醫療服務有關。而本研究則表明，費用的支付形式與預后相關，自費是預后不良的影響因素。有研究顯示在疾病治療期間的開銷會引起患者的內疚感和負罪感[19]，還會影響患者的遵醫行為[20]，從而影響治療效果。腦卒中治療及后期康復是一個漫長的過程，需要家庭成員長期的經濟支持。自費治療的患者因經濟負擔重、生活壓力大，無暇顧及自身健康問題，不能正確地遵守醫囑，出院后不能堅持合理的飲食、按時服藥、血壓控制不合理等，從而預后更差。此外，本研究表明腦卒中患者鍛煉頻率與預后成正相關，可明顯改善患者生存質量。越來越多的研究表明[21-24]腦卒中患者進行有氧訓練對心血管功能、上肢和下肢肌肉力量、大腦健康和整體生活質量有長遠益處。抑郁癥和睡眠障礙是卒中后的常見疾病，其發病率約為30%[25]和20%[26]，均會增加腦卒中患者的殘疾率和死亡率，而有氧運動可有效改善腦卒中患者的抑郁癥狀和睡眠質量，改善其日間功能[27]，提高患者心理健康。
本研究的局限性：① 數據取樣范圍小、樣本代表性不足，影響研究結論的推廣；② 僅采用了患者問卷數據，未結合患者的實驗室指標和影像學檢查，無法分析其與不同亞組之間的關聯。
綜上所述，本研究采用Stroke-PROM量表10個維度的得分對腦卒中患者異質性進行研究，結果表明腦卒中患者存在明顯的分組特征。應重點關注處于高齡、自費狀態和缺乏運動的腦卒中患者，提供針對性護理措施改善其生命質量。
腦卒中又名中風，是全球第二大死亡原因[1]。隨著社會人口老齡化及城鎮化進程的加速，我國卒中患病率整體呈上升趨勢，約為1 114.8/10萬人，其中70%～80%患者因預后不良而喪失生活能力[2]，嚴重影響患者生命質量。研究顯示不同亞型的腦卒中患者對治療干預有不同的反應，運用簡易、全面的評估方法，及時對腦卒中患者進行分型，早期識別腦卒中患者的不良預后，對疾病進展的控制與預防具有重要意義。臨床常用分型方法為病因學分型，如類肝素藥物Org 10172在急性腦卒中的治療研究（trial of Org 10172 in acute stroke treatment，TOAST）分型、牛津郡社區腦卒中項目（Oxfordshire community stroke project，OCSP）分型和中國缺血性卒中亞型（Chinese ischemic stroke subclassification，CISS）分型等。但正確的病因學分型需借助腦血管造影、經食道心臟超聲等輔助檢查[3]，限制了病因學分型的臨床應用。
患者報告結局（patient reported outcome，PRO）量表可以從不同維度全面精確反映患者的自覺癥狀，有研究表明關注PRO有利于全方位了解患者的病情[4]，通過PRO實現早期干預逐漸成為疾病診療規范化的工作重點[5]。Fenton等[6]利用潛類別模型（latent class modeling，LCM）基于慢性盆腔疼痛患者PRO對患者進行分型，證明使用PRO進行患者分型評估不僅符合當前醫學趨勢，并且提供了一種以患者為中心的客觀評價方法。也有學者將該類方法應用于帕金森綜合征、癌癥和慢性心衰等疾病患者的分型研究中[7-10]。但腦卒中領域的相關研究卻較少，是否適合我國腦卒中患者也有待驗證。因此，本研究在前期研制的腦卒中臨床結局評價量表（Stroke-PROM）基礎上，利用特異性測量工具開展腦卒中患者的異質性研究，為實現患者的精準分型和相關后續研究提供新的理論依據。
1 資料與方法
1.1 資料來源
對山西省3所綜合三級甲等醫院、2所二級乙等醫院、4家社區衛生機構的腦卒中患者進行現場橫斷面調查，參與本次研究的患者均為自愿且在調查前簽署知情同意書。本研究經山西醫科大學醫學倫理委員會批準（審批號：2018LL128）。
納入標準：① 符合腦血管病診斷標準，影像數據證實為腦梗塞、腦出血或蛛網膜下腔出血，或通過臨床表現確定為腦卒中者；② 知情且配合度高。排除標準：① 并發精神疾病或存在意識障礙；② 不能理解問卷問題。
1.2 研究方法
1.2.1 一般資料調查表
課題組查詢相關研究文獻后確定。
1.2.2 Stroke-PROM量表
采用張巖波等[11]編制的Stroke-PROM臨床結局評價量表對患者進行評價。量表共46個條目，均采用Likert 5級評分（0～4分）。量表經驗證后具有較好信度、效度及臨床可行性，各領域的Cronbach's α系數分別為：0.888、0.908、0.879和0.861，總量表的Cronbach's α系數為0.905。
1.2.3 量表得分標準化
由于量表各維度條目數的不同，其總分也不相同。為保證數據指標之間的可比性，將量表各維度得分進行標準化。首先獲得各條目的實際得分。
|
為該條目的原始得分。再計算各維度的粗得分，最后利用將各維度粗得分標準化，為該維度粗得分均值，為該維度粗得分標準差。
1.2.4 質量控制
現場調查由具備神經內科專業醫學知識的調查員發放、解答和跟進量表的調查實施，采用一對一自填方式填寫量表。對因利手偏癱或其他原因無法自行填寫的患者，由調查員不含任何導向地閱讀題干和選項，協助患者完成作答。量表完成后當場收回，保證其完整性和質量。
1.2.5 潛在剖面分析（latent profile analysis，LPA）方法
LPA方法是LCM方法的拓展，可通過潛在類別變量來解釋外顯連續指標間的關聯。本研究目的在于挖掘腦卒中患者中的潛在亞組，對存在質的差別的腦卒中患者實現有效分組。因此將4個領域10個維度的量表得分作為觀察到的連續型外顯變量，將患者分型作為潛在類別變量，構建LPA模型。LPA模型可表示為：
|
為最終確定的潛在類別，是每個潛在類的平均向量，是其協方差矩陣，是每個個體歸屬與潛在類別的概率。
1.2.6 模型評價
采用赤池信息準則（Akaike information criterion，AIC）和貝葉斯信息準則（Bayesian information criterion，BIC）評價模型的擬合度。AIC和BIC越低代表模型擬合越好。采用信息熵（Entropy）評價模型的準確度。Entropy值越高表示分類越準確，Entropy≥0.80表示該模型的準確率超過90%。采用基于Bootstrap的似然比檢驗指標（Bootstrapped likelihood ratio test，BLRT）在相鄰類別模型中進行比較，BLRT檢驗具有統計學意義時表明剖面數為K的模型優于剖面數為K?1的模型，最終確定最優模型。
1.2.7 軟件實現
采用SPSS 22.0軟件進行描述性統計及統計檢驗分析，利用Rstudio軟件進行LPA分析，檢驗水準為α=0.05。
2 結果
2.1 納入患者的基本特征及Stroke-PROM得分
共有715名患者符合納入標準，最終回收問卷711份，有效問卷705份，回收率99.44%，有效率98.60%。納入705例患者的基本特征見表1，Stroke-PROM量表得分情況見表2。
表1
納入患者的基本特征
表2
納入患者的Stroke-PROM量表得分情況
2.2 維度的相關分析結果
Stroke-PROM各維度相關分析如圖1所示。圖1a為Stroke-PROM量表維度相關性熱圖，上三角為Pearson相關系數具體取值，下三角圓圈的顏色與大小與上三角的相關系數取值相對應，相關性檢驗不具有統計學意義在下三角中用叉標示。相關分析表明，家庭支持（FAS）得分僅與自理能力（SHS）得分呈負相關，與其他維度得分之間不存在線性相關性。滿意度（SAT）得分僅與焦慮（ANX）得分之間不存在線性相關性，與其他維度得分之間均存在線性相關性，且與社會交往（SOC）存在較強的正相關。其他維度得分之間均呈正相關。圖1b為Stroke-PROM量表維度聚類熱圖，橫軸為維度的聚類結果，縱軸為患者樣本聚類結果。聚類結果表明抑郁（DEP）與回避（AVO）表達模式最為相近，與圖1a兩者相關系數最大（rp=0.69）相吻合。此外認知能力（COG）與言語交流（VEC）、焦慮（ANX）與抑郁（DEP）和回避（AVO）表達模式也非常相近。
圖1
Stroke-PROM各維度相關分析
a：Stroke-PROM量表維度熱圖；b：Stroke-PROM量表維度聚類熱圖。
2.3 LPA分析結果
從初始模型開始，依次建立1～6個潛在類別模型，結果見表3。隨著模型類別數的不斷增加，擬合指標AIC和BIC的數值不斷減少，模型擬合逐步變好。各模型Entropy指標均大于0.8，分類均可信。2～6類別模型的BLRT指標均小于0.05，表明K的模型優于剖面數為K?1的模型。但AIC和BIC在劃分3類時分別下降了1.27%和0.99%，在劃分4類時則分別下降了1.51%和1.22%，說明AIC和BIC在劃分4類時比3類下降趨勢明顯；同時至5類別模型時，AIC和BIC分別下降了0.88%和0.59%，指標下降速度變緩。因此綜合模型擬合指標和模型簡潔性考慮確定，最終確定4類潛在剖面模型為最佳模型。
表3
納入患者潛在剖面分析模型擬合指標
4個潛在類別在Stroke-PROM量表4個領域10個維度上的得分如圖2所示，其均值均有明顯差別，表現出不同的特征。表4列出了4個潛在類別得分的比較情況（領域得分為實際得分）。Class1的各領域得分均在均值以下，因此命名為“低PHD-低PSD-低SOR-低THA”，該類人群占比9%；Class2的各領域得分除社會領域得分接近均值以外，其他都在均值以上，因此命名為“高PHD-高PSD-中SOR-高THA”，該類人群占比40%；Class3的各領域得分都接近整體均值，因此命名為“中PHD-中PSD-中SOR-中THA”，該類人群占比26%；Class4的社會領域得分最高，其他都接近整體均值，因此命名為“中PHD-中PSD-高SOR-中THA”，該類人群占比25%。為了易于表示，將Class1表示為“低生理低社會”，Class2表示為“高生理中社會”，Class3表示為“中生理中社會”，Class4表示為“中生理高社會”。
圖2
腦卒中患者的4類型潛在剖面圖
a：不同維度潛在類別得分差異；b：不同領域潛在類別得分差異。
表4
納入患者4個潛在類別在4個領域得分的比較
2.4 不同領域潛在類別得分差異
以患者潛在類別為自變量，以各領域得分和總得分（實際得分）為因變量進行方差分析，并采用Bonferroni事后兩兩檢驗，見表4。研究結果發現生理領域、心理領域、社會領域、治療領域和總得分在4個潛在類別中的差異均具有統計學意義（P<0.05）。生理領域，Class3與Class4之間不存在統計學差異（P>0.05），而Class1顯著低于其他潛在類別（P<0.05），Class2明顯高于其他潛在類別（P<0.05）。心理領域，Class2與Class4型之間不存在統計學差異（P>0.05），但高于其他兩個潛在類別（P<0.05），而Class3較高于Class1（P<0.05）。社會領域，Class2與Class4之間不存在統計學差異（P>0.05），Class3與Class1之間也不存在統計學差異（P>0.05），但前2個潛在類別高于后2個潛在類別（P<0.05）。治療領域，Class1明顯低于其他潛在類別（P值均<0.05），而其他潛在類別之間無統計學差異（P值均>0.05）。總得分，4個潛在類別間的差異均具有統計學意義（P<0.05），并依次有Class2>Class4> Class3>Class1。
2.5 一般資料潛在類別差異
將4個潛在類別與一般資料做χ2檢驗分析其相關分析，其中只有年齡、費用支付形式、運動頻率的差異具有統計學意義（P<0.05）。相對于其他潛在類別，小于45歲在Class3占比最高（16.8%），調整后的殘差為2.3；45~60歲之間在Class2占比最多（56.2%），調整后的殘差為2.8；大于60歲在Class1中占比最高（60.0%），調整后的殘差為2.5。自費在Class1中占比最高（21.6%），調整后的殘差為4.0；非自費在Class2中占比最高（92.7%），調整后的殘差為2.2。不運動在Class1中占比最高（57.1%），調整后的殘差為2.4；經常運動在Class2中占比最高（34.9%），調整后的殘差為4.1；偶爾運動在Class4中占比最高（38.7%），調整后的殘差為2.4。一般資料與潛在類別的相關性見圖3。
圖3
納入患者一般資料與潛在類別的相關性
a：Class1與一般資料的相關性；b：Class2與一般資料的相關性；c：Class3與一般資料的相關性；d：Class4與一般資料的相關性。
3 討論
目前臨床評價腦卒中預后結局常采用PRO量表，但以往研究多依靠總分高低評價臨床結局，未考慮量表中不同條目的高度異質性。本研究通過LPA方法根據Stroke-PROM量表10個維度的得分對腦卒中患者異質性進行研究，結果表明腦卒中患者存在明顯的分組特征，擬合指標支持了4種潛在類別：“低生理低社會”組、“高生理中社會”組、“中生理中社會”組和“中生理高社會”組。研究[12]表明，潛在類別在各維度的得分具有統計學差異有助于在治療早期發現異常癥狀，從而有針對性地實施干預。
本研究結果表明，腦卒中患者的潛在分類的治療療效存在統計學差異，預后由良到差依次為“高生理中社會”>“中生理高社會”>“中生理中社會”>“低生理低社會”；同時，4個潛在分類與年齡、費用支付形式和運動頻率3個變量存在相關性。“低生理低社會”組中多數為60歲以上、自費治療和從不運動的患者；而“高生理中社會”組則多為45～60歲之間、非自費和經常運動。
高齡是腦卒中預后不良的影響因素，這與Zhang等[13-16]多位學者的研究結論一致。高齡患者腦組織營養供應不足、減少內皮細胞增殖、加重氧化應激、增加血液黏稠度，腦受損結構及功能較難恢復，預后較差。相關研究表明新發卒中患者前４年累計存活率隨著年齡的增長而下降，提示患者年齡越大，不良預后的風險越高。醫療花費與治療效果的關聯性在各研究中存在較大爭議，有研究[17]表明隨著醫療費用的增加，患者并不能一直獲得正向的邊際健康收益，而有研究[18]結果則提示年均醫療花費越高的患者其自評治療效果越好，這可能是與醫療花費越高代表越高質量的醫療服務有關。而本研究則表明，費用的支付形式與預后相關，自費是預后不良的影響因素。有研究顯示在疾病治療期間的開銷會引起患者的內疚感和負罪感[19]，還會影響患者的遵醫行為[20]，從而影響治療效果。腦卒中治療及后期康復是一個漫長的過程，需要家庭成員長期的經濟支持。自費治療的患者因經濟負擔重、生活壓力大，無暇顧及自身健康問題，不能正確地遵守醫囑，出院后不能堅持合理的飲食、按時服藥、血壓控制不合理等，從而預后更差。此外，本研究表明腦卒中患者鍛煉頻率與預后成正相關，可明顯改善患者生存質量。越來越多的研究表明[21-24]腦卒中患者進行有氧訓練對心血管功能、上肢和下肢肌肉力量、大腦健康和整體生活質量有長遠益處。抑郁癥和睡眠障礙是卒中后的常見疾病，其發病率約為30%[25]和20%[26]，均會增加腦卒中患者的殘疾率和死亡率，而有氧運動可有效改善腦卒中患者的抑郁癥狀和睡眠質量，改善其日間功能[27]，提高患者心理健康。
本研究的局限性：① 數據取樣范圍小、樣本代表性不足，影響研究結論的推廣；② 僅采用了患者問卷數據，未結合患者的實驗室指標和影像學檢查，無法分析其與不同亞組之間的關聯。
綜上所述，本研究采用Stroke-PROM量表10個維度的得分對腦卒中患者異質性進行研究，結果表明腦卒中患者存在明顯的分組特征。應重點關注處于高齡、自費狀態和缺乏運動的腦卒中患者，提供針對性護理措施改善其生命質量。
