余溯源 劉延錦 郭麗娜 趙杰 李礪鋒

鄭州大學(xué)第一附屬醫(yī)院（鄭州450052）

腦卒中（stroke）具有極高的致殘率和病死率［1］，目前已成為世界第二大［2］、我國第一大死亡原因［3］，調(diào)查顯示［4］，農(nóng)村地區(qū)更是腦卒中的重災(zāi)區(qū)。而腦卒中可能是由與遺傳、環(huán)境以及遺傳與環(huán)境引起［5］的一類復(fù)雜疾病。研究指出腦卒中的發(fā)生與危險(xiǎn)因素暴露水平密切相關(guān)［6］。因此，本研究選取鄭州市部分農(nóng)村地區(qū)腦卒中家族史陽性的人群為研究對(duì)象，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型（artificial neural network，ANN）和Logistic 回歸模型，分析該類人群與腦卒中發(fā)病的關(guān)系。

1 對(duì)象與方法

1.1 研究對(duì)象本研究為調(diào)查性研究，采用隨機(jī)整群抽樣抽取河南省鄭州市郊縣的5 個(gè)村莊符合納入排除標(biāo)準(zhǔn)的386 人。納入標(biāo)準(zhǔn)：（1）40 歲以上鄭州市農(nóng)村地區(qū)的常住人口，無遷入或者遷出史。（2）腦卒中家族史陽性。排除標(biāo)準(zhǔn)：因身體、精神或其他原因不能完成篩查者。其中男205 例，女181 例，平均年齡（60.42 ± 11.86）歲，平均身高（166.63 ± 7.30）cm，體質(zhì)量（66.20 ± 9.71）kg，體質(zhì)指數(shù)（BMI）平均為（23.77 ± 2.64）kg/m2，空腹血糖平均（6.04±1.89）mmol/L。

1.2 調(diào)查方法（1）問卷調(diào)查：受過訓(xùn)練的調(diào)查人員使用自制問卷調(diào)查人口統(tǒng)計(jì)數(shù)據(jù)、生活方式、個(gè)人疾病史、卒中家族史等；（2）體格檢查及實(shí)驗(yàn)室檢查：測(cè)量身高、體質(zhì)量、血壓、空腹血糖等。

1.3 相關(guān)定義（1）腦卒中家族史：本研究中僅指一級(jí)親屬，即調(diào)查對(duì)象的父母、子女或兄弟姐妹中任何一人患有腦卒中；（2）吸煙［7］：每天吸煙1 支以上，連續(xù)6 個(gè)月以上；被動(dòng)吸煙：調(diào)查對(duì)象不吸煙但會(huì)每天吸進(jìn)煙霧累積15 min 以上；（3）飲酒［7］：成年男性每天喝酒所含酒精量≥25 g，成年女性≥15 g；（4）運(yùn)動(dòng)缺乏或輕體力勞動(dòng)者：體育活動(dòng)較少（體育活動(dòng)指每周運(yùn)動(dòng)≥3 次，一次時(shí)間＞30 min，能夠連續(xù)活動(dòng)1年以上；農(nóng)業(yè)勞動(dòng)者視為有體育活動(dòng)）；（5）肥胖［8］：根據(jù)《中國成人超重和肥胖癥預(yù)防控制指南》，以BMI 表示，BMI = 體質(zhì)量（kg）/身高（m）2，BMI≥24 kg/m2為超重。

1.4 統(tǒng)計(jì)學(xué)方法使用SPSS Modeler 14.1 軟件構(gòu)建ANN 模型。使用IBM SPSS STATISTICS 21.0 進(jìn)行分析，計(jì)量資料以表示，符合正態(tài)分布的定量資料使用兩樣本t檢驗(yàn)進(jìn)行比較；計(jì)數(shù)資料使用χ2檢驗(yàn)進(jìn)行比較；腦卒中的危險(xiǎn)因素分析使用Logistic 回歸分析。以P ＜0.05 為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 腦卒中組與非腦卒中組的臨床特點(diǎn)比較將調(diào)查人群按有無腦卒中病史分為腦卒中組和非腦卒中組，其中腦卒中組172 例，非腦卒中組214 例。將2 組對(duì)象的臨床數(shù)據(jù)進(jìn)行檢驗(yàn)，高血壓、血脂異常、心房纖顫或心律不齊、吸煙、飲酒比例比較差異均有統(tǒng)計(jì)學(xué)意義（P＜0.01）。見表1。

2.2 腦卒中影響因素分析以是否為腦卒中為因變量（否= 0，是= 1），年齡、性別（男= 0，女= 1）、受教育程度（小學(xué)及以下= 1，初中= 2，高中或中專= 3，本科或大專= 4，碩士及以上= 5）、家族史（父母= 1，子女= 2，兄弟姐妹= 3）、高血壓（否=0，是= 1）、血脂異常（否= 0，是= 1，不詳= 3）、糖尿?。ǚ? 0，是= 1）、心房纖顫或心律不齊（否=0，是= 1）、吸煙（否= 0，是= 1）、飲酒（否= 0，是= 1）、運(yùn)動(dòng)缺乏或輕體力勞動(dòng)者（否= 0，是=1）、明顯超重或肥胖（否= 0，是= 1）為自變量，進(jìn)行二元Logistic 回歸分析，結(jié)果顯示，高血壓、血脂異常是腦卒中的危險(xiǎn)因素。見表2。

表1 2 組人群一般臨床資料比較Tab.1 General clinical information of patients in two groups例（%）

表2 Logistic 回歸分析結(jié)果Tab.2 Logistic regression analysis of the association between stroke and other risk factors

2.3 ANN 模型以χ2/t檢驗(yàn)結(jié)果中P＜0.05 的相關(guān)因素作為輸入神經(jīng)元，構(gòu)建ANN 預(yù)測(cè)模型。輸入變量：高血壓、血脂異常、心房纖顫或心律不齊、吸煙、飲酒；輸出變量：是否患有腦卒中。其結(jié)構(gòu)為：輸入層含5 個(gè)神經(jīng)元，隱含層9 個(gè)神經(jīng)元，輸出層1 個(gè)神經(jīng)元，對(duì)應(yīng)預(yù)測(cè)變量（是否患腦卒中）。得出針對(duì)影響因素的重要性排序?yàn)椋焊哐獕骸⒀惓?、吸煙、飲酒、心房纖顫或心律不齊。模型測(cè)試集的準(zhǔn)確率為82.0%，模型效果理想。見表3。

3 討論

中國腦卒中的發(fā)病率以每年8.7%的速度遞增［9］。調(diào)查發(fā)現(xiàn)［4］，無論是腦卒中患病率、發(fā)病率還是病死率，農(nóng)村地區(qū)均顯著高于城市，且河南等北方地區(qū)高于南方。而ANN 是目前具有智能模式辨別能力的工具之一，已有運(yùn)用于傳染病、腫瘤、高血壓和相關(guān)疾病的分類和診斷的報(bào)道［10］，然而，其中大多數(shù)是基于臨床數(shù)據(jù)來預(yù)測(cè)個(gè)體疾病的風(fēng)險(xiǎn)，進(jìn)行實(shí)地調(diào)查的數(shù)據(jù)非常有限。故本研究調(diào)查分析鄭州市農(nóng)村地區(qū)腦卒中家族史陽性人群的身體狀況，初步構(gòu)建該人群的卒中危險(xiǎn)因素風(fēng)險(xiǎn)評(píng)估模型。

本次調(diào)查結(jié)果顯示在鄭州市農(nóng)村地區(qū)腦卒中家族史陽性人群中有44.56%患有腦卒中，高于董文濤等［11］在天津薊縣農(nóng)村地區(qū)所調(diào)查的患病率，這可能由于地域、生活環(huán)境與方式不同，且目前我國腦卒中發(fā)病率隨時(shí)間不斷遞增造成的。腦卒中的常見危險(xiǎn)因素包括年齡、性別、高血壓、糖尿病、冠心病、血脂異常、吸煙、飲酒等［12-13］，而高血壓、吸煙、血脂異常是與我國腦卒中的發(fā)生聯(lián)系最為緊密的危險(xiǎn)因素［14］。Logistic 回歸分析結(jié)果顯示高血壓、血脂異常與腦卒中家族史人群患腦卒中呈正相關(guān)關(guān)系，是腦卒中重要的危險(xiǎn)因素，與相關(guān)研究一致［15-17］。ANN 預(yù)測(cè)影響患腦卒中的因素依次為：高血壓、血脂異常、吸煙、飲酒、心房纖顫或心律不齊。這兩種模型之間差異的原因可能是由于Logistic 回歸適用于分析定性及半定量的指標(biāo)，而神經(jīng)網(wǎng)絡(luò)模型中的輸入變量既有分類變量又有數(shù)值變量，對(duì)患者有更好的預(yù)測(cè)能力。

王薇等［18］研究發(fā)現(xiàn)，49%的急性腦卒中的發(fā)生是由于患者患有高血壓。在本研究中腦卒中家族史陽性的農(nóng)村居民中高血壓患者發(fā)生腦卒中的風(fēng)險(xiǎn)是未患高血壓的35.705 倍，這說明不論是否存在性別、種族、年齡或者其他的影響因素，高血壓均與腦卒中的發(fā)生呈現(xiàn)正相關(guān)關(guān)系。研究［19］也表明腦卒中是我國高血壓的主要轉(zhuǎn)歸疾病。在本次調(diào)查中，很多的調(diào)查對(duì)象并不知道自己患有高血壓，或者沒有得到正規(guī)系統(tǒng)的降壓治療。因此，應(yīng)加強(qiáng)農(nóng)村地區(qū)高血壓人群的血壓控制，特別是有腦卒中家族史的居民，以減少腦卒中的發(fā)生。

一項(xiàng)印度的研究發(fā)現(xiàn)，與正常個(gè)體相比，在卒中患者中，TC、LDC-C及TG水平顯著升高，而HDLC 水平下降［20］。國外也有研究（SPARCL）表明當(dāng)?shù)兔芏戎鞍啄懝檀枷陆?0%，腦卒中的患病風(fēng)險(xiǎn)將降低［21］，在本次研究中，Logistic 回歸表明血脂異常是腦卒中的獨(dú)立影響因素（OR= 2.669，95%CI：1.077～6.614），ANN預(yù)測(cè)模型中也排在影響因素的第二位。因此，必須及早重視對(duì)血脂異常的防治，重點(diǎn)應(yīng)放在控制飲食和體育鍛煉，如多吃新鮮蔬菜與瓜果類，增加食物纖維，減少脂肪攝入量，多做一些有氧運(yùn)動(dòng)同時(shí)輔以藥物治療。

將腦卒中組與非腦卒中組進(jìn)行比較，發(fā)現(xiàn)心房纖顫、吸煙、飲酒等因素差異有統(tǒng)計(jì)學(xué)意義，說明其對(duì)腦卒中發(fā)生有影響作用，這與相關(guān)研究的結(jié)果相似［22］。房顫患者是發(fā)生腦卒中的高危人群，在本調(diào)查中顯示心房纖顫或心律不齊者發(fā)生腦卒中的風(fēng)險(xiǎn)是非心房纖顫或心律不齊患者的1.799 倍。研究［23］報(bào)道無論性別、主動(dòng)還是被動(dòng)吸煙，都可能會(huì)導(dǎo)致腦卒中的發(fā)生。ZHANG 等［24］針對(duì)飲酒的劑量相關(guān)的Meta 分析結(jié)果發(fā)現(xiàn)，小劑量飲酒可以減少腦卒中的發(fā)病率和病死率，而大量飲酒卻可以增加腦卒中的風(fēng)險(xiǎn)。本次研究中有52.85%的研究對(duì)象飲酒，河南地處中國北方，因而飲酒量及飲酒次數(shù)均較大，可能是本地區(qū)腦卒中發(fā)生的相關(guān)因素。因此，鼓勵(lì)自身及身邊人群戒煙限酒對(duì)腦卒中的預(yù)防意義重大。

表3 ANN 篩選變量的重要性Tab.3 The independent variables of the importance of Artificial Neural Network

年齡是腦卒中的危險(xiǎn)因素之一。但本研究并未顯示不同年齡之間腦卒中的發(fā)生率存在差異，可能是由于本次調(diào)查主要針對(duì)的是農(nóng)村人口，而由于近年來中國城市建設(shè)化加強(qiáng)，鄉(xiāng)村城鎮(zhèn)化、工業(yè)化導(dǎo)致耕地流失，城鄉(xiāng)收入差距拉大，迫使部分農(nóng)村居民遷入城市務(wù)工，所以目前留守農(nóng)村的一般為老年人，調(diào)查對(duì)象缺少足夠的青年人群。雖然有研究顯示超重與肥胖能明顯增加腦卒中的發(fā)病風(fēng)險(xiǎn)［25］，但在本研究中，超重或肥胖并不是腦卒中發(fā)生的影響因素，可能由于本次調(diào)查主要集中于農(nóng)村地區(qū)，存在地域限制，且主要針對(duì)腦卒中家族史陽性居民，因此會(huì)出現(xiàn)不同結(jié)果。糖尿病是卒中的重要影響因素，但本次調(diào)查結(jié)果尚未顯示糖尿病與腦卒中的發(fā)生存在相關(guān)性。也許因?yàn)楸狙芯渴且豁?xiàng)橫斷面調(diào)查，不能明確暴露因素與結(jié)局之間的時(shí)間關(guān)聯(lián)順序，且調(diào)查范圍僅限于鄭州地區(qū)，樣本量有限，導(dǎo)致本研究結(jié)果可能并不能代表研究的影響因素對(duì)該類人群的真正危害，日后需要進(jìn)一步擴(kuò)大調(diào)查范圍，增加樣本量，并通過實(shí)施隊(duì)列研究來加以驗(yàn)證。

綜上，盡管近些年來農(nóng)村生活水平得到提高，但其并未養(yǎng)成良好的生活習(xí)慣，特別是地市縣級(jí)醫(yī)院、社區(qū)衛(wèi)生中心和鄉(xiāng)鎮(zhèn)衛(wèi)生院，科普宣教與健康教育跟不上，使得農(nóng)村居民對(duì)腦卒中的早期防治缺乏足夠的認(rèn)識(shí)，加之我國目前推出“健康中國2030”規(guī)劃綱要，指出從廣泛的健康影響因素入手，堅(jiān)持預(yù)防為主，減少疾病的發(fā)生。因此，了解和掌握農(nóng)村地區(qū)腦卒中家族史陽性人群腦卒中影響因素水平，對(duì)預(yù)防腦卒中具有重要的參考價(jià)值。