恶性肿瘤患者衰弱综合征风险评估模型的构建与评价

韦洁静 卢 婷 应燕萍 黄彪进 徐 谊

1.广西医科大学第一附属医院肿瘤科，广西南宁 530021；2.广西医科大学第一附属医院日间化疗中心，广西南宁 530021；3.广西医科大学第一附属医院护理部，广西南宁 530021；4.广西壮族自治区南溪山医院胸外科，广西桂林 541002

衰弱综合征指个体因生理功能储备减少或失衡而对外界压力源的抵抗力下降、易损性增加的一种状态[1-2]。研究表明，衰弱综合征与糖尿病、心血管疾病、恶性肿瘤等多种慢性病关系密切，多见于老年人[3]。尽管衰弱综合征与年龄息息相关，但即使不是老年人也会发生衰弱综合征，尤其是恶性肿瘤患者[4]。由于肿瘤本身及其治疗都是巨大的压力源，挑战患者的生理储备，所以肿瘤患者衰弱综合征的发生率较高[5]。超过半数的肿瘤患者体质衰弱或完全衰弱，使其发生化疗不耐受甚至死亡的风险增加[6-9]。但目前关于衰弱综合征的研究多局限于老年患者，恶性肿瘤患者的研究却少有报道，且目前衰弱综合征的测量较为复杂，依赖熟练的医护人员，在临床推广和实施存在困难。为此，本研究旨在通过临床上容易测量的指标来探讨恶性肿瘤患者衰弱综合征的相关因素，并构建风险评估模型和评价其效能，为医护人员早期且简便的识别恶性肿瘤患者衰弱综合征的高危人群、制订优化策略提供参考。

1 对象与方法

1.1 研究对象

采用便利抽样法选取2020 年5 月至8 月在广西某三甲医院肿瘤科住院的恶性肿瘤患者为研究对象。纳入标准：年龄＞18 岁；确诊为恶性肿瘤；TNM 分期为Ⅳ期；能完成调查和评估。排除标准：躯体功能因其他疾病或症状而受影响；正参与其他研究。本研究已得到医学伦理委员会的批准[NO.2022-KY-（001）]，研究对象均知情同意并愿意参与本研究。

1.2 研究方法

1.2.1 研究工具

1.2.1.1 患者一般资料 包括患者的性别、年龄、身高、体重、体重指数（body mass index，BMI）、文化程度、职业、诊断、高血压史等信息。

1.2.1.2 衰弱综合征表型量表 包括3 项自评问卷和2项数据测量，5 项身体状况指标。（1）体重下降，指近1 年内体重不明原因下降＞5%或4.5 kg。（2）步速下降，测试4.6 m 行走时间，判断标准：男性身高≤173 cm用时≥7 s，身高＞173 cm 用时≥6 s；女性身高≤159 cm用时≥7 s，身高＞159 cm 用时≥6 s。（3）握力下降，使用CAMRY EH101 型电子握力计测量优势握力，根据性别及BMI 进行判断。参考标准：男性BMI≤24 kg/m2、握 力≤29 kg，24 kg/m2＜BMI ≤28 kg/m2（＞24～28 kg/m2）、握力≤30kg，BMI＞28kg/m2、握力≤32 kg；女性BMI≤23 kg/m2、握力≤17 kg，23 kg/m2＜BMI≤26 kg/m2（＞23～26 kg/m2）、握力≤17.3 kg，26 kg/m2＜BMI≤29 kg/m2（＞26～29 kg/m2）、握力≤18 kg/m2，BMI＞29 kg/m2、握力≤21 kg。（4）体力活动减少。判断标准：男性＜393 kcal/周（散步2.5 h），女性＜270 kcal/周（散步2.0 h）。（5）疲乏。对“①我感觉做每一件事都很费力。②我无法继续我的日常工作。”这两个问题中的任意一个问题在过去1 周内出现的情况进行评定：＜1 d为0 分，1～2 d 为1 分、3～4 d 为2 分，＞4 d 为3分，得分2～3 分为疲乏。在以上5 项中每项为1 分，总分为5 分，≥3 分被确定为衰弱综合征期，1～2 分为衰弱综合征前期，0 分为无衰弱综合征。本研究将衰弱综合征前期和无衰弱综合征归为非衰弱综合征组。

1.2.2 实验室指标

患者入院次日早晨空腹采集5 ml 静脉血后送该院检验科统一检测血红蛋白、白蛋白、前白蛋白等指标。

1.3 统计学方法

采用SPSS 22.0 统计学软件进行数据分析。符合正态分布的计量资料以均数±标准差（±s）表示，采用t 检验。计数资料以例数或百分比表示，采用χ2检验。采用二元logistic 回归分析构建模型，受试者操作特征曲线进行模型的效能分析，并计算曲线下面积、灵敏度、特异度、Youden 指数。以P＜0.05 为差异有统计学意义。

2 结果

2.1 衰弱综合征发生现状

共调查327 例患者，发生衰弱综合征的患者93例（28.4%）；5 项衰弱综合征指标从高到低为体重下降158 例（48.3%），握力下降122 例（37.3%），疲乏107 例（32.7%），体能下降71 例（21.7%），步速下降71例（21.7%）。

2.2 不同因素恶性肿瘤患者衰弱综合征发生情况比较

两组性别、年龄、握力、臂围、小腿围、BMI、红细胞、血红蛋白、总蛋白、白蛋白及前白蛋白比较，差异有统计学意义（P＜0.05）。两组其他指标比较，差异无统计学意义（P＞0.05）。见表1～2。

表2 两组患者营养相关人体测量学指标及血液指标比较（±s）

表2 两组患者营养相关人体测量学指标及血液指标比较（±s）

注BMI：体重指数

2.3 恶性肿瘤患者衰弱综合征的影响因素分析

以是否存在衰弱综合征（0=无衰弱综合征，1=衰弱综合征）为因变量，将单因素分析中差异有统计学意义（P＜0.05）的因素作为自变量进行二元logistic 回归分析。自变量赋值：性别（1=男、2=女），年龄（青年=1、中年=2、老年=3）。结果显示，性别、握力、臂围、白蛋白是恶性肿瘤患者衰弱综合征的影响因素（OR＜1，P＜0.05）。见表3。

表3 恶性肿瘤患者衰弱综合征的影响因素分析

2.4 恶性肿瘤患者衰弱综合征风险预测模型的建立

根据logistic 回归分析的结果构建恶性肿瘤患者衰弱综合征风险预测模型。对logistic 回归分析结果中自变量的β 值以最小β 值0.087 为基数，其他变量β 值与其相除，得出各变量赋值分数。最终得出公式：Y=13-16X1-3X2-1X3-1X4。各变量的具体计算方式：男=1，女=2；握力、臂围、白蛋白均已实际结果进行计算，变量赋值分数见表4。采用H-L 拟合优度检验对构建的模型进行检验，该模型预测恶性肿瘤患者衰弱综合征的概率与实际发生概率比较，差异无统计学意义（χ2=9.689，P=0.288），提示模型拟合较好。

表4 变量赋值分数

2.5 ROC 曲线对预测模型的诊断效能

根据预测模型公式计算患者得分，以该得分为检验变量，绘制ROC 曲线（图1）。结果显示，ROC 曲线下面积为0.852（95%CI：0.807～0.897，P＜0.05）。灵敏度为0.849，特异度为0.722 时，Youden 指数最大（0.572），预测模型分数为149。因此，149 分是恶性肿瘤患者衰弱综合征风险评估模型的最佳临界值。

图1 预测恶性肿瘤患者发生衰弱综合征的ROC 曲线

3 讨论

本研究结果显示，恶性肿瘤患者衰弱综合征的发生率为28.4%，低于Handforth 等[10]在老年肿瘤患者中的研究。随着年龄的增长，机体各项生理功能逐渐衰退，老年患者对外界刺激的易损性增加，导致老年肿瘤患者衰弱综合征的整体发生率更高。衰弱综合征发生率较高的指标为体重下降和握力下降。因此，医护人员应对发生体重下降或握力下降的患者及时干预，防止衰弱综合征的发生。

本研究发现女性患者是衰弱综合征的危险因素，可能是女性患者肌肉力量较男性患者低[11]，有研究报道肌肉力量的降低与衰弱综合征密切相关[12]。因此，对女性患者进行握力测量检测肌肉力量，对肌肉力量较低的患者进行干预来预防衰弱综合征的发生。此外，臂围、握力、白蛋白是恶性肿瘤患者衰弱综合征的影响因素。一方面，臂围、握力、白蛋白指标与营养不良的发生相关[13-14]，营养不良导致患者的免疫状况、药物疗效下降及多系统功能等，身体应激能力下降，导致衰弱综合征发生[15]。既往研究显示，营养干预可改善患者的衰弱状况[15-17]，营养支持可以预防和延缓衰弱综合征的发生[18]。另外，其与肌少症的发生及肌肉质量减少、肌肉力量降低有关[19-20]。肌少症可致代谢活跃的细胞数量减少，肌肉无力引起的静息代谢率降低及体力活动减少，导致机体呈现衰弱综合征状态[21]。因此，臂围、握力、白蛋白可通过影响其机体的营养及肌少症症状，进而与衰弱综合征产生关联。

衰弱综合征是患者预后不良的一个重要标志，可导致跌倒、残疾和死亡等后果[22-23]，也会使患者生活质量下降[24-25]。本研究发现恶性肿瘤患者衰弱综合征的发生率较高，如不能有效识别和处理，将会影响患者的预后及生活质量。因此，通过构建风险评估模型，帮助医护人员有效识别衰弱综合征的高危人群，有目的地应对患者当前存在的风险因素。性别、握力、臂围、白蛋白易于测量，ROC 曲线下面积为0.852，经过检验模型拟合较好，可为患者进行衰弱综合征评估。当评估模型得分少于149 分时，提示患者存在衰弱综合征的风险，医务人员应提高警惕，对患者提供针对性的干预措施。如帮助患者摄入足够的营养，及时纠正患者的营养水平，或鼓励患者适当的运动以提高机体的肌力，密切监测白蛋白指标。同时在临床工作中，医护人员应根据患者的特征及自身专业判断对模型进行适当调整，在不断更新中更好地使模型适用于临床。

恶性肿瘤患者衰弱综合征发生率较高，性别、握力、臂围、白蛋白是恶性肿瘤患者衰弱综合征的影响因子，本研究构建的衰弱综合征风险评估模型具有较好的诊断效能。然而，本研究也存在一定的局限性：由于纳入的样本量较少，未能进行临床验证，均为晚期肿瘤患者，同时老年患者人数偏少，可能导致结果的偏倚，今后可纳入其他分期肿瘤患者进行大样本的多中心临床研究进一步对模型进行改进和优化。