彭艷英，楊旦紅，穆懷典，陳 偉，張偉東

中國衛(wèi)生統(tǒng)計年鑒顯示：2008年城市高血壓的發(fā)病率為13.2%[1]。作為影響人類健康的最主要的疾病之一，高血壓不僅會降低患者的生活質(zhì)量和幸福感，還會對患者和社會造成直接或間接的經(jīng)濟損失和衛(wèi)生資源的負(fù)擔(dān)。全人群預(yù)防高血壓、控制高血壓病情等對衛(wèi)生服務(wù)提出了嚴(yán)峻挑戰(zhàn)。近年來對高血壓預(yù)后影響因素的研究多采用經(jīng)典的統(tǒng)計學(xué)方法，如Logistic回歸、生存分析等。經(jīng)典統(tǒng)計學(xué)方法應(yīng)用于疾病研究時，只能分析兩個病情階段之間的情況，對于有復(fù)雜階段的疾病發(fā)展過程就無能為力了。而多狀態(tài)Markov模型[2]彌補了這一不足。它自20世紀(jì)80年代以來，被廣泛應(yīng)用于慢性病的研究。本研究擬采用Markov模型對朱涇社區(qū)衛(wèi)生服務(wù)中心高血壓患者進行回顧性研究，建立本社區(qū)高血壓的Markov預(yù)測模型，為后續(xù)開展行之有效的健康管理工作提供科學(xué)而具體的依據(jù)。

1 對象與方法

1.1 研究對象 選取2011年1月—2012年12月兩年間在朱涇社區(qū)衛(wèi)生服務(wù)中心建檔并進行健康管理的高血壓患者2 224名，獲取有效信息，主要涉及患者疾病基本信息、高血壓情況及疾病就診情況。

1.2 狀態(tài)劃分 高血壓患者按高血壓危險分級標(biāo)準(zhǔn)[3]，分為4級。(1)低危：包括年齡<55歲的男性和年齡<65歲的女性1級高血壓患者，無其他危險因素。在隨訪10年中發(fā)生主要心血管疾病事件的危險性低于15%。(2)中危：包括許多不同血壓水平和危險因素的患者。一些患者血壓水平不高，但有多種危險因素；而另一些患者血壓水平高，但沒有或有少量危險因素。在隨后10年中發(fā)生主要心血管疾病事件的危險性為15%～20%。而那些1級(輕度)高血壓只有另外1種危險因素的患者，危險性為15%。(3)高危：包括危險因素3個、有糖尿病或靶器官損害的1級或2級高血壓患者，以及不伴有其他危險因素的3級高血壓患者。在隨后10年中發(fā)生主要心血管疾病事件的危險性為20%～30%。(4)極高危：3級(重度)高血壓患者，有1種或1種以上危險因素，以及有臨床心血管疾病或腎臟疾病的所有患者。10年中心血管并發(fā)癥的危險性≥30%，因此需要迅速確定治療方案，給予最強力的治療。

1.3 統(tǒng)計學(xué)方法 統(tǒng)計描述和Markov模型分析使用R 3.0.2軟件完成[4]。檢驗水準(zhǔn)為α=0.05。

2 結(jié)果

2.1 基本資料 隨訪期間，所有患者均進行常規(guī)治療，開始時低?；颊?42人(15.4%)，中危患者1 502人(67.5%)，高危患者87人(3.9%)，極高?；颊?93人(13.2%)。

2.2 預(yù)后情況 隨訪滿2年后，各狀態(tài)高血壓患者所占比例發(fā)生了變化，低危患者311人(14.0%)，中危患者1 524人(68.5%)，高危患者85人(3.8%)，極高危患者304人(13.7%)。高血壓各狀態(tài)的轉(zhuǎn)移頻數(shù)矩陣見表1，各狀態(tài)的轉(zhuǎn)移概率矩陣見表2，轉(zhuǎn)移概率圖見圖1。表2中，概率都集中在對角線附近，即隨著時間的推移，病情有加重的趨勢。此外，在表的左下半?yún)^(qū)也有概率值，即高危、極高危的患者也有緩解的可能，高血壓的不同狀態(tài)是可逆的。但是從圖1中可以發(fā)現(xiàn)，低危狀態(tài)和極高危狀態(tài)在一個周期是不會發(fā)生轉(zhuǎn)換的。

表1 高血壓各狀態(tài)的轉(zhuǎn)移頻數(shù)矩陣

表2 高血壓各狀態(tài)的轉(zhuǎn)移概率矩陣

注：a、b、c、d分別代表低危、中危、高危、極高危

圖1 高血壓各狀態(tài)轉(zhuǎn)移概率圖

Figure1 The graph of hypertension each state transition probability

2.3 預(yù)期本組高血壓患者30年的預(yù)后 根據(jù)構(gòu)建的Markov模型，預(yù)測病例從2013年開始之后30年高血壓各狀態(tài)所占的比例變化(見表3)。從表中可以看出，隨著時間的推移，低危病例的比例逐漸降低，由0.140降為0.054(χ2=92.7,P<0.05)；而極高危病例的比例逐漸上升，由0.132升高為0.191(χ2=28.5,P<0.05)。各個狀態(tài)的平均時間(即各狀態(tài)在30年中所占的平均時間)，低危狀態(tài)為1.62年，中危狀態(tài)為22.08年，高危狀態(tài)為0.57年，極高危狀態(tài)為5.73年。圖2為高血壓Markov決策樹模型，該圖是狀態(tài)概率轉(zhuǎn)移矩陣的另一種表現(xiàn)形式，從圖中可以看出在一個周期內(nèi)，一種狀態(tài)向另一種狀態(tài)轉(zhuǎn)換的可能性大小，為臨床決策提供依據(jù)。

3 討論

上海社區(qū)高血壓慢性病綜合防治工作已開展十年余。目前對高血壓患者群體的管理現(xiàn)狀尚缺乏深入研究：由于對社區(qū)人群整體疾病進展與分布狀態(tài)、影響因素以及疾病管理效果缺乏科學(xué)有效的觀察與評價指標(biāo)，當(dāng)前的慢性病管理工作效果僅能用橫斷面的患病率、管理率、知曉率、好轉(zhuǎn)率來靜態(tài)描述疾病分布與管理效果；這些靜態(tài)參數(shù)無法提示疾病的進展?fàn)顩r與影響因素，無法衡量疾病干預(yù)與管理工作的經(jīng)濟學(xué)效益，因此，也無法提示今后如何發(fā)展更為有效的疾病干預(yù)與管理模式。

表3 高血壓患者30年后的狀態(tài)分布預(yù)測

圖2 Markov決策樹模型

研究表明，許多慢性病呈現(xiàn)多狀態(tài)、多階段進程的特點，一些影響因素隨著時間和疾病狀態(tài)的改變而改變,具有時依(time-dependent)特點[5-6]；針對慢性病發(fā)生和發(fā)展過程具有時間連續(xù)性和狀態(tài)可數(shù)的特點，多狀態(tài)Markov模型可作為處理慢性病多狀態(tài)資料的有效工具。Markov模型是俄國著名數(shù)學(xué)家馬爾可夫于1906—1912 年提出的一種用數(shù)學(xué)分析方法研究自然過程的一般圖示——馬爾可夫鏈(Markov chain)，其最早應(yīng)用于醫(yī)學(xué)領(lǐng)域是在20世紀(jì)70年代，自20世紀(jì)80年代，多狀態(tài)Markov模型被應(yīng)用于慢性病的相關(guān)研究[7-8]，包括用于疾病發(fā)展?fàn)顟B(tài)的研究，可提供有關(guān)各種疾病狀態(tài)之間相互轉(zhuǎn)換的概率；可用于分析慢性病不同發(fā)展階段的影響因素；還可進一步用于臨床決策(如選擇何種干預(yù)方案，是否開展某項新指標(biāo)的篩查)的經(jīng)濟學(xué)評價[9]。

本研究通過對本社區(qū)高血壓患者進行回顧性研究，將高血壓分為低危、中危、高危和極高危四個狀態(tài)，得出了狀態(tài)轉(zhuǎn)移概率矩陣，構(gòu)建了Markov模型。通過Markov模型的模擬，預(yù)測了研究對象在未來30年的四種狀態(tài)的比例變化，對于高血壓的預(yù)防和治療具有指導(dǎo)意義。需要指出的是，本研究構(gòu)建的是四狀態(tài)齊性的Markov模型，這是對實際問題進行了簡化，認(rèn)為在高血壓的發(fā)展過程中，各狀態(tài)在不同階段的轉(zhuǎn)移概率不變。由于疾病的發(fā)展過程是受多因素調(diào)控的，很難保證在狀態(tài)轉(zhuǎn)化中的穩(wěn)定性，這可能與實際情況有些偏差。在未來的研究中，在有更大樣本量的條件下，可以嘗試非齊次的Markov模型，以更加接近現(xiàn)實，實現(xiàn)更準(zhǔn)確的模擬。

1 華思敏，鄭軼玲，戴俊明.高血壓、糖尿病患者的社區(qū)管理現(xiàn)狀研究[J].中國全科醫(yī)學(xué)，2012，15(3)：737.

2 萬崇華，方積乾，周文清，等.縱向生命質(zhì)量資料分析的Markov過程法及其應(yīng)用[J].中華流行病學(xué)雜志,1999,20(3):162-165.

3 劉力生,中國高血壓防治指南修訂委員會.中國高血壓防治指南2010[J].中華高血壓雜志,2011,19(8):701-743.

4 Spedicato GA (2013).Markovchain:An R package to easily handle discrete markov chain[P].R package version 0.0.1.

5 巴劍波，方旭東，徐雄利.馬爾可夫鏈在海軍瘧疾疫情預(yù)測中的應(yīng)用[J].解放軍預(yù)防醫(yī)學(xué)雜志,2001,19(2):114-116.

6 劉迅，凌莉，王成陳，等.多狀態(tài)Markov模型在慢性腎臟病分級預(yù)后研究中的應(yīng)用[J].第二軍醫(yī)大學(xué)學(xué)報,2009,30(7):804-807.

7 熊林平，曹秀堂，孟岳良，等.臨床隨訪資料的Markov模型構(gòu)建與應(yīng)用研究[J].第二軍醫(yī)大學(xué)學(xué)報,1999,20(6):359-361.

8 潘海燕，孔丹莉，胡利人，等.多狀態(tài)統(tǒng)計模型在慢性病流行病學(xué)研究中的應(yīng)用進展[J].中國衛(wèi)生統(tǒng)計,2007,24(4):440-443.

9 李利杰，姚婭川，王林.一種基于離散馬爾可夫過程的診斷風(fēng)險模型[J].四川理工學(xué)院學(xué)報：自然科學(xué)版,2011,24(3):358-360.