方法文章

缺血性卒中患者用药依从性的纵向监测与预测建模

52 次观看

⸱

DOI：

10.3791/71636

⸱

2026年8月11日

 ,  ,  ,  ,  ,  , 
1Department of Neurology, West China Hospital, Sichuan University/West China School of Nursing, Sichuan University, 2Department of Respiratory Medicine, West China Hospital, Sichuan University

本文内容

摘要

本方案描述了在出院后30天、90天和180天通过结构化电话随访评估患者自述服药情况，并介绍了针对缺血性卒中幸存者早期随访预测模型的内部开发过程。该方案将患者自述的服药行为与基于药房的药物依从性（PDC）指标相区分，并采用预定义的人口学特征及出院第30天的心理社会预测因子。

摘要

药物依从性是缺血性卒中后二级预防的核心，但在随访期间，自我报告的依从性可能会发生变化。在此项单中心纵向研究框架中，共纳入210名参与者，其中191人完成了180天的评估。通过结构化电话访谈评估用药情况，时间点分别为第1–30天、第31–90天和第91–180天，并以暴露日加权复合依从性百分比不低于80%定义为依从性良好。中文版BMQ-Specific量表和家庭APGAR量表分别在第30天、第90天和第180天进行施测。采用包含居住地、性别、第30天BMQ-NCD评分和第30天家庭APGAR评分的四变量逻辑回归模型，并通过1,000次自助法重采样进行内部验证。在191例完整病例中，第30天依从性良好的比例为84.3%（95% CI，78.3%–89.1%），第90天为77.0%（95% CI，70.3%–82.7%），第180天为72.8%（95% CI，65.9%–79.0%）。城市居住、男性性别、第30天BMQ-NCD评分和第30天家庭APGAR评分与第180天的依从性相关。模型的表观AUC为0.879（95% CI，0.821–0.928），经乐观偏倚校正后的AUC为0.867。该方案提供了一个可重复的纵向评估自我报告依从性的框架，以及一个经过内部验证的基于第30天数据的预测模型。在临床应用前，仍需进行外部验证和客观依从性指标的测量。

引言

脑卒中仍是全球范围内导致长期残疾和死亡的主要原因，亟需一个更为精确的临床定义，以同时考虑病理学和影像学证据1。尽管急性期干预手段已取得进展，但全球脑卒中的疾病负担仍在持续上升，其中缺血性脑卒中占绝大多数病例2。这一趋势在中国尤为显著，血管风险因素的流行率已达到危急水平，给医疗系统带来巨大压力3。证据表明，首次发生脑卒中后的幸存者面临较高的复发性血管事件风险，基于社区的研究凸显了这一人群的持续脆弱性4。尽管急性期管理存在重大挑战5，但这些患者的长期生存率和预期寿命主要取决于二级预防策略的有效性6,7。

二级预防的核心在于严格的药物管理，包括降压治疗和抗血小板治疗8,9,10。来自美国心脏协会（AHA）、欧洲卒中组织（ESO）以及加拿大卒中最佳实践建议的国际指南均强调，坚持这些治疗方案对于预防卒中复发至关重要11,12,13,14。然而，这些干预措施的临床效果常常因患者服药依从性差而大打折扣15,16。药物依从性是一个多维度的概念，包含治疗的启动和持续两个方面15,17。近期的登记研究数据显示，对二级预防药物更高的依从性可显著改善生存率并降低复发风险17,18。例如，他汀类药物的依从性已被独立证实与较低的复发风险相关19。

尽管具有这些益处，纵向研究仍观察到患者在出院后第一年内依从性出现显著的“时间衰减”现象20。虽然性别差异和社会经济状况等人口学因素会影响依从性的持续程度21,22，但人们 increasingly 认识到心理社会因素和认知因素在塑造患者行为方面的重要作用23,24。《药物信念问卷》（Beliefs about Medicines Questionnaire, BMQ）已作为一种经过验证的工具出现，用于通过“必要性—担忧”框架评估患者对药物的认知表征25。系统综述表明，BMQ评分是中国人群中多种慢性疾病依从性的稳健预测指标26。同样，社会环境特别是家庭功能也发挥着关键作用。家庭APGAR指数可可靠地衡量患者所感知的支持水平，这对于应对卒中后复杂生活挑战的患者至关重要27,28。

尽管 NIHSS 和改良 Rankin 量表可用于描述神经功能缺损的严重程度和功能预后29,30，但它们无法直接测量患者对药物治疗的信念或对家庭功能的感知31。移动健康及基于微信的服务已被研究作为提高依从性的支持手段32,33。因此，本研究方案有两个目标：一是使用一致的术语界定第30天、第90天和第180天的服药行为评估；二是利用研究期间收集的预定义人口统计学和心理社会变量，构建一个可解释的第180天依从性模型。

方案

本研究方案已获得四川大学华西医院生物医学研究伦理委员会批准（批准号：2021 审查（1303）；批准日期：2021 年 11 月 8 日）。所有报告的操作均按照该委员会的要求及批准的方案进行。完整的分析数据集见补充文件 1。

1. 患者筛选与基线入组

  1. 从神经内科的住院病历中筛选潜在受试者，选择诊断为急性缺血性卒中的患者 通过 磁共振成像（MRI）或计算机断层扫描（CT）。记录最初筛选的个体总数，以建立参与者流程图的基线样本池。
  2. 根据预设的纳入标准筛选患者。纳入经影像学确诊的急性缺血性卒中成年患者，且患者本人或其法定授权代表能够完成访谈。
  3. 应用排除标准。排除有严重精神疾病史、认知功能障碍（根据临床记录确定）或预期寿命少于六个月的患者。在此阶段记录所有排除病例的具体原因及相应数量（例如，因预期寿命限制或拒绝提供知情同意）。
  4. 在入组前，使用经伦理委员会批准的知情同意书，从患者本人或当患者无法提供同意时从其合法授权代表处获得书面知情同意。在签署同意书前，应向其说明研究的纵向设计、电话评估方式以及为期180天的随访安排。记录同意者的身份与关系、同意日期，以及获取知情同意的研究人员姓名。
  5. 在入院后48小时内收集基线人口统计学和临床数据。使用标准化病例报告表记录年龄、性别、居住地、教育水平和月收入。
  6. 出院时，由经过培训的卒中临床医师使用经过验证的中文版 NIHSS，按照其标准的 11 个评分项目及总分范围 0–42 进行评估29记录总分、评估者角色及培训状态、评估日期和住院时长。
  7. 在出院前通过结构化面对面访谈，以及在第30天、第90天和第180天通过电话访谈，施用经授权的中文版BMQ-Specific25,34.
    注意：该量表包含五个必要性条目和五个担忧条目。每个条目按1（完全不同意）至5（完全同意）评分，分别将两个子量表中的五个条目得分相加，得到必要性总分和担忧总分，每个总分范围均为5至25。
  8. 将必要性减去担忧程度计算必要性-担忧差异（BMQ-NCD，范围为-20至20）。较高的必要性评分和较高的BMQ-NCD值表明感知到的需求相对于担忧更强，而较高的担忧评分则表明更大的顾虑。
    注意：每个子量表需全部五个条目均有应答，否则将该子量表及BMQ-NCD记为缺失。将第30天的BMQ-NCD作为连续模型的预测变量。同时，施测中文版家庭APGAR问卷27.
  9. 将适应、合作、成长、情感和决心五项各评为0（几乎从不）、1（有时）或2（几乎总是），然后将五项相加得到0-10的整数总分；较高分数表示感知的家庭功能较好。若家庭APGAR任一项目缺失，则总分记为缺失。在病例报告表上记录量表版本、授权信息、施测者、应答者、日期、各条目应答情况、分量表总分及总得分。

2. 出院准备与患者教育

  1. 在出院前进行标准化的用药指导。提供一份书面的二级预防药物处方清单，包括抗血小板药物、他汀类药物和降压药。
  2. 向患者及其主要照护者说明坚持服药的重要性。如果患者计划使用药盒或服药日记，应演示如何记录用药情况。
  3. 核实患者的首要联系电话号码。确定后续随访电话的首选时间段，以减少失访并确保较高的应答率。

3. 出院后纵向随访（第30天、第90天和第180天）

  1. 在出院后第30天进行首次结构化电话访谈（目标时间窗口为±3天）。对于第1至30天期间处方的每一类二级预防药物，记录药物类别名称、每日剂量频次、暴露天数以及患者自述的在第1至30天期间符合该类别用药的天数。
    1. 记录受访者（患者或主要负责管理药物的照护者）、联系日期、治疗方案变更情况、医生指导下的临时中断用药及其原因，以及未完成访谈的原因。在同一访谈中，实施BMQ-Specific量表和Family APGAR量表评估，并记录第30天的评分结果。
  2. 在第90天进行第二次访谈（目标时间窗口为±7天）。针对非重叠的第31至90天时间段，重复询问各类药物的具体用药问题，并实施BMQ和Family APGAR量表评估。无需要求参与者再次回顾第1至30天的情况；保留第30天的记录作为该时间段的数据来源。
  3. 在第180天进行最后一次访谈（目标时间窗口为±7天）。针对非重叠的第91至180天时间段，重复询问各类药物的具体用药问题，实施BMQ和Family APGAR量表评估，并在可获得时记录第180天的mRS评分。
  4. 在全部三次随访中使用相同的结构化访谈表和受访者规则。当患者因认知、语言或身体功能障碍无法作答时，应由负责管理药物方案的照护者代为回答，并记录此次替代情况。除非在原始记录中有明确文档支持，否则不得声称采用了药片计数、日记记录、药房数据或访谈者盲法验证。
  5. 仅将门诊就诊记录用于描述性随访分析。在计划用于第30天评估之后的预测模型中，不得纳入任何出院后的医疗资源使用变量。
  6. 将基线定义为住院期间/出院时的评估，并按实际日历时间标注依从性评估时间点（第30天、第90天和第180天），而非使用T1、T2和T3的标记方式。此举可避免以往T1同时指代基线和第30天所造成的混淆。

4. 自报服药依从性的量化

  1. 除非依从性数据来源于配药或续药记录，否则不得使用PDC这一术语。仅当针对特定参与者开具处方时，才将抗血栓治疗（抗血小板药物或口服抗凝药，视情况而定）、降脂治疗、降压治疗和降糖治疗视为独立的二级预防药物类别。
    1. 对于每一类处方药物，将“依从日”定义为该类中所有计划剂量均被报告服用的日期；任何计划剂量的遗漏均使其成为该类别的“非依从日”。医生指导下的停药、替换或暂时中断，自记录的有效日期起，不再计入预期暴露日。
    2. 计算区间复合自报依从率百分比：以100乘以各处方类别依从日总数之和，再除以这些类别预期暴露日总数之和。该基于暴露日加权的计算方法可适应不同处方持续时间，仅当每类药物处方天数相同时，其结果才等同于各类别特异性比例的算术平均值。第1–30天用于计算第30天的数值，第31–90天用于计算第90天的数值，第91–180天用于计算第180天的数值。
  2. 在每次随访时，将自报依从日比例≥80%归类为良好依从性，<80%归类为依从性差。依从性评估缺失的情况应视为数据缺失，不得归入依从性差类别。

5. 数据整合、纵向分析与预测建模

  1. 在64位Windows操作系统上，使用Python编程语言（版本3.13.5）及用于数据处理、数值计算、统计分析和可视化的相关库进行可重复性分析。将随机种子设为71636，并将缺失值编码为NA。如果最终团队改用R语言，则需将本节替换为实际执行的R版本、包版本、函数和脚本；不得报告未实际执行的软件工作流程。
  2. 使用双侧95% Clopper-Pearson精确置信区间，汇总第30天、第90天和第180天的良好依从性比例。采用Cochran's Q检验检测二分类依从性的总体配对变化，随后进行带Bonferroni校正的精确配对McNemar检验。
  3. 在完整病例中，使用Friedman检验分析第30天、第90天和第180天的BMQ-NCD和Family APGAR评分变化。当整体检验具有显著性时，采用带Bonferroni校正的配对Wilcoxon符号秩检验进行比较。除报告均值和标准差外，还需报告中位数和四分位距。在分析前，应根据条目级响应计算各量表总分；不得分析插值或手动平滑后的问卷数值。
  4. 将第180天的结果定义为：良好依从性 = 1，较差依从性 = 0。使用四个预先指定的预测变量重新拟合第30天的多变量逻辑回归模型：居住地（城市 = 1；农村 = 0）、性别（男性 = 1；女性 = 0）、第30天BMQ-NCD（连续变量）和第30天Family APGAR评分（连续变量）。不使用门诊随访记录。除非实际执行并在代码中记录，否则避免描述单变量筛选或向后选择过程。
  5. 明确完整的拟合方程：logit[P(第180天良好依从性)] = -10.3811 + 1.2921(城市) - 1.5215(男性) + 0.5211(BMQ-NCD) + 0.6887(Family APGAR)。直接基于这些未四舍五入的系数生成列线图，并使用面向读者的标签、参考类别、评分范围和方向性说明。
  6. 使用ROC曲线下面积（AUC）评估区分度，并计算基于百分位自助法的95%置信区间。使用Brier评分评估总体预测误差，通过校准图和校准斜率评估校准度。分别报告表观性能与经乐观性校正后的性能。
  7. 执行1,000次成功的自助法重采样。在每次重采样中，重新拟合完整的四预测变量模型，并通过比较自助样本与原始样本中的模型性能来估计乐观性偏差。从表观性能中减去平均乐观性偏差。

6. 患者隐私与数据安全

  1. 在分析前确保移除所有可识别患者身份的信息。主链接文件应存储在仅限授权研究工作人员访问的、受密码保护且加密的机构系统中。
  2. 在入组时为每位参与者分配一个唯一的字母数字编号。此编号应用于所有后续随访表单和电子记录。

结果

标准化方案的实施与队列分层

参与流程记录显示，共评估了216名个体，其中6名被排除，210名被纳入研究。在第90天评估前有17名失访，在第180天前又有2名失访，最终留下191例完整病例用于纵向分析和建模分析（补充图1）。这19名未完成研究的参与者已在筛选和随访记录中登记，用于报告参与流程，但未纳入分析数据集，且未对任何结局指标进行缺失值填补。因此，分析文件包含预先设定的191名参与者的完整病例队列。

在第180天时，191名参与者中有139名被归类为依从性良好，52名被归类为依从性差（表1）。在单变量比较中，居住地（城市）和性别在依从性组间存在差异，而其他基线变量应报告其确切的效应估计值和P值，而不应笼统地描述为均衡。女性依从性差的组别中包含5名参与者，因此与性别相关的估计值需谨慎解读。

黏附衰减与转变的定量表征

在191例完整病例中，第1–30天的良好依从率为84.3%（161/191；精确95% CI，78.3%–89.1%），第31–90天为77.0%（147/191；70.3%–82.7%），第91–180天为72.8%（139/191；65.9%–79.0%）（图2）。总体配对差异具有显著性（Cochran Q = 31.0，df = 2， P < 0.001）。观察到的第30天/第90天/第180天模式分别为：好/好/好（n = 138）、好/好/差（n = 8）、好/差/差（n = 15）、差/好/好（n = 1）和差/差/差（n = 29）（图3）。我们描述性地称其为黏附状态转换，但并不意味着已确立一种新的经过验证的行为学概念。

心理社会指标的敏感性及纵向响应性

在完整病例中，BMQ-NCD 的平均值在第30天为13.06（标准差2.60），第90天为12.06（3.03），第180天为10.88（3.84）；家庭功能APGAR评分的平均值分别为8.20（1.28）、7.79（1.45）和7.23（1.84）。Friedman 全局检验和经 Bonferroni 校正的配对 Wilcoxon 检验结果均显示 P < 0.001（表2；图4）。在最终分析锁定之前，应根据条目级别的病例报告表重新计算每份问卷的总分。

预测工具的参数加权与合成

第30天预测模型保留了四个预先指定的预测因子（表3）：城市居住（校正后OR值为3.64；95% CI为1.54–8.62；P = 0.0033）、男性性别（校正后OR值为0.22；95% CI为0.06–0.76；P = 0.0174）、第30天BMQ-NCD每增加1分（校正后OR值为1.68；95% CI为1.39–2.05；P < 0.001）以及第30天家庭APGAR评分每增加1分（校正后OR值为1.99；95% CI为1.39–2.86；P < 0.001）。拟合截距为-10.3811。图5展示了与表3中相同的编码方式和每1分的量表，图6将未取整的系数映射至列线图中。

方法学验证：准确性和校准

该模型的表观AUC为0.879（自助法95%置信区间，0.821–0.928），经1,000次成功自助重采样校正后的乐观校正AUC为0.867（图7）。校准曲线的表观Brier评分为0.118，经乐观性校正后的校准斜率为0.923。这些数值描述了在191例完整病例中的内部性能，尚不构成外部验证。

纵向监测、四预测因子建模工作流程图；依从性评估，逻辑回归模型
图1：卒中后依从性监测的标准化操作路线图。该流程图展示了本研究中实施的四个阶段方案：第1阶段（入组与基线评估）、第2阶段（急性期治疗出院）、第3阶段（系统性纵向监测）和第4阶段（风险评估与分析）。该路线图作为所提出方法的标准操作程序（SOP）。请点击此处查看此图的放大版本。

用药依从性图表；随访评估；百分比；置信区间；数据趋势分析。
图 2：纵向良好依从性比例。该图显示了在第30天评估时第1–30天的完整病例良好依从性比例（84.3%），在第90天评估时第31–90天的完整病例良好依从性比例（77.0%），以及在第180天评估时第91–180天的完整病例良好依从性比例（72.8%）。误差条为双侧95% Clopper-Pearson精确置信区间。当基于暴露日加权的复合自报依从性百分比不低于80%时，依从性被归类为良好。请点击此处查看此图的放大版本。

用药依从性状态转换示意图，显示180天内良好与较差状态的变化。
图3：个体依从性状态的转换。该河流图展示了每位完整病例参与者在第30天、第90天和第180天的依从性良好或较差的分类情况。带状宽度代表参与者数量。“依从性状态转换”一词为描述性术语，并非指代先前已验证的结构概念。请点击此处查看该图的放大版本。

纵向箱线图，家庭支持评分（A），药物信念评分（B），Friedman 检验结果。
图4家庭APGAR与BMQ-NCD在不同时间点的分布情况代表（的方框A) 家族 APGAR 和 (BBMQ-NCD 分布 方框表示四分位距，中位线表示中位数，须线表示1.5倍四分位距范围内的数值，须线以外的点表示个别观测值。总体比较采用Friedman检验；配对比较采用Wilcoxon符号秩检验，并进行Bonferroni校正。BMQ-NCD为必要性总分减去担忧总分。 请点击此处以查看此图的放大版本。

预测模型分析；依从性因素；森林图；校正比值比；统计结果。
图 5：第30天预测模型中的校正关联。图中各点为校正后的比值比（OR），水平线表示城市与农村居住地、男性与女性性别，以及基线第30天BMQ-NCD和家庭APGAR评分每增加1分的95%置信区间（CI）。横轴为对数尺度，垂直参考线对应OR = 1。请点击此处查看该图的放大版本。

预测第180天依从性的列线图；因素包括居住地、性别、BMQ-NCD评分。
图6：预测第180天良好依从性的列线图（基于内部估计概率）。该列线图采用以下变量：居住地、性别、第30天BMQ-NCD评分和第30天家庭APGAR评分。各预测因子取值对应相应得分，总得分对应估计的概率。BMQ-NCD评分越高，表示感知到的必要性超过担忧的程度越大；家庭APGAR评分越高，表示感知的家庭功能越好。该列线图在用于临床实践前需进行外部验证。请点击此处查看此图的放大版本。

区分度与校准分析；ROC曲线，AUC=0.879；带置信区间标记的校准图。
图7：第30天预测模型的内部验证。（A）ROC曲线显示其表观AUC为0.879（自举法95%置信区间，0.821–0.928），经乐观性校正后的AUC为0.867。（B）校准图比较了预测概率与实际观察概率。理想直线表示完全校准，表观曲线描述拟合样本的情况，偏差校正曲线反映了基于1,000次重抽样自举法的乐观性校正结果。若有显示，阴影区域或边界线代表95%置信区间；rug标记展示了预测概率的分布情况。请点击此处查看该图的放大版本。

特征总体 (N = 191)依从性差 (N = 52)依从性好 (N = 139)P 值
年龄，年59.2 +/- 13.159.6 +/- 14.259.1 +/- 12.70.797
年龄组，n (%)0.822
<65 岁120 (62.8%)32 (61.5%)88 (63.3%)
>=65 岁71 (37.2%)20 (38.5%)51 (36.7%)
性别，n (%)0.015
女性41 (21.5%)5 (9.6%)36 (25.9%)
男性150 (78.5%)47 (90.4%)103 (74.1%)
居住地，n (%)<0.001
农村92 (48.2%)36 (69.2%)56 (40.3%)
城市99 (51.8%)16 (30.8%)83 (59.7%)
教育程度，n (%)0.224
小学或以下59 (30.9%)21 (40.4%)38 (27.3%)
中学50 (26.2%)13 (25.0%)37 (26.6%)
高中/技校36 (18.8%)10 (19.2%)26 (18.7%)
大学及以上46 (24.1%)8 (15.4%)38 (27.3%)
婚姻状况，n (%)0.905
已婚175 (91.6%)47 (90.4%)128 (92.1%)
未婚9 (4.7%)3 (5.8%)6 (4.3%)
离异/丧偶7 (3.7%)2 (3.8%)5 (3.6%)
职业，n (%)0.138
在职/专业人员36 (18.8%)9 (17.3%)27 (19.4%)
工人25 (13.1%)7 (13.5%)18 (12.9%)
农民39 (20.4%)16 (30.8%)23 (16.5%)
退休45 (23.6%)7 (13.5%)38 (27.3%)
个体经营/其他46 (24.1%)13 (25.0%)33 (23.7%)
月收入，人民币，n (%)0.208
<300039 (20.4%)14 (26.9%)25 (18.0%)
3000-499956 (29.3%)17 (32.7%)39 (28.1%)
>=500096 (50.3%)21 (40.4%)75 (54.0%)
出院时 NIHSS 评分2.0 [0.0-4.5]2.0 [0.8-5.0]2.0 [0.0-4.0]0.603
住院时长，天8.0 [6.0-10.0]7.0 [5.0-9.0]8.0 [7.0-10.0]0.021

表1：方法学验证研究人群的特征（N = 191）。 本表总结了研究参与者的社会人口学和临床特征，按其180天自我报告的药物依从性状态（良好 vs. 差）进行分层。分类变量以频数（n）和百分比（%）表示。P值用于组间描述性比较，未用于预测因子的筛选。请点击此处下载该表格。

测量指标第30天，均值 ± 标准差第90天，均值 ± 标准差第180天，均值 ± 标准差变化值（第180天 - 第30天），均值 ± 标准差Friedman 卡方值（df = 2）总体 P 值
BMQ-NCD 总分13.06 ± 2.6012.06 ± 3.0310.88 ± 3.84-2.18 ± 1.90382.0<0.001
家庭 APGAR 评分8.20 ± 1.287.79 ± 1.457.23 ± 1.84-0.97 ± 0.91357.5<0.001

表2：BMQ-NCD和家庭APGAR评分的纵向数据。本表报告了第30天、第90天和第180天各量表的均值（标准差）和中位数（四分位距）。总体P值来自Friedman检验；成对事后P值来自Wilcoxon符号秩检验，并采用Bonferroni校正。BMQ-NCD为BMQ特异性必要性总分减去担忧总分（范围：-20至20）。

预测因子β 系数标准误Wald zP 值校正后 OR（95% CI）编码 / 单位
截距-10.38112.0697-5.016<0.001—模型截距
城市居住1.29210.43962.940.00333.64 (1.54–8.62)城市 vs 农村（参照）
男性性别-1.52150.6395-2.3790.01740.22 (0.06–0.76)男性 vs 女性（参照）
基线 BMQ-NCD0.52110.09955.238<0.0011.68 (1.39–2.05)每增加 1 分
基线家庭 APGAR0.68870.18473.728<0.0011.99 (1.39–2.86)每增加 1 分

表3：第180天良好依从性的完整多变量逻辑回归模型设定（N = 191）。该表列出了最终多变量逻辑回归模型的截距、回归系数、标准误、Wald统计量、P值、校正后的比值比（OR）及95%置信区间。良好依从性编码为1，较差依从性编码为0。居住地分类为城市=1，农村=0；性别分类为男性=1，女性=0；第30天BMQ-NCD和第30天家庭APGAR评分按每增加1分建模。

补充图1：纵向药物依从性研究的参与者流程与队列选择。请点击此处下载该文件。

补充文件 1：完整的分析数据集。请点击此处下载该文件。

讨论

本研究描述了一种标准化的纵向电话随访方案，并内部建立了一个在缺血性卒中后预测第180天自我报告用药依从性的第30天预测模型。研究有三个核心发现。首先，在第30天、第90天和第180天，被归类为依从性良好的患者比例分别从84.3%下降至77.0%和72.8%。其次，BMQ-NCD评分和家庭APGAR评分在各预定随访时间点也呈下降趋势。第三，在预先设定的第30天预测模型中，城市居住、性别、第30天BMQ-NCD评分和第30天家庭APGAR评分与第180天的用药依从性相关。这些发现支持在出院后进行重复评估，但其性质仍为描述性和内部预测性，而非因果推断。

服药依从性良好的患病率下降与既往卒中研究结果一致，表明二级预防药物的持续使用可能在出院后减少17,18,19,20。大多数参与者仍处于服药依从性良好类别，而变化最大的群体是从良好依从性转变为差依从性。该模式提示，早期访谈结果满意不应被视为持续服药行为的证据。在临床实践中，第90天的再次评估可识别出在急性恢复期后行为发生改变的患者，而第180天的访谈则提供了更晚一次的机会，以重新评估治疗方案的复杂性、不良反应、获取药物的障碍以及照护者参与情况。

一个重要的方法学贡献是将三个无重叠的回忆时间段分开：出院后第1–30天、第31–90天和第91–180天。这种方法避免了反复要求参与者重构整个出院后的时期，并将每个估计值与一个明确的时间区间相对应。按暴露日加权的复合指标还能够适应不同处方持续时间的药物类别。然而，该指标仍然是基于自我报告的依从性用药天数比例，而非药房记录得出的PDC（药物持有率）。因此，回忆误差和社会期望偏倚可能导致对实际服药情况的高估。所观察到的百分比应被解读为结构化访谈的估计值，而非对药物是否被配发或服用的客观证实。

纵向的 BMQ-NCD 研究结果为依从性模式提供了可能的心理社会背景。BMQ-NCD 是必要性评分减去担忧评分，因此反映的是感知需求与顾虑之间的相对平衡，而非 BMQ 总体评分25,26,34。较低的数值可能反映较弱的必要性信念、较强的担忧，或两者兼有。重复施测有助于临床医生识别是哪个组成部分发生了变化，并相应地调整咨询策略，但目前的分析无法确定信念的变化是否先于依从性的变化。问卷回答也可能受到健康状况和治疗经历的影响。在得出机制性结论之前，应核实条目水平的数据以及所使用的中文版量表的具体内容。

家庭APGAR量表同样用于评估个体感知的家庭功能，而非客观观察到的照护行为的多少27,28。在卒中康复过程中，残疾程度、日常生活活动能力、心理困扰、照护者负担、家庭角色以及受文化影响的期望等因素的变化，可能改变个体对支持的实际感受35,36,37,38,39,40。因此，本队列中家庭APGAR评分的下降应被描述为一种关联性现象，而非证明家庭支持必然恶化或导致治疗依从性下降的证据。然而，该结果仍支持在随访中让照护者参与，并对实际支持情况及治疗中的角色进行重复评估。

修订后的预测模型旨在第30天随访后使用，因为两个心理社会预测因子是在该次评估时收集的。为减少时间上的模糊性，排除了第30天之后的出院后门诊就诊记录。第30天较高的BMQ-NCD和Family APGAR评分与第180天良好依从性的更高几率相关，支持早期心理社会再评估的潜在价值。出院后的门诊就诊被排除，因为它们与结局观察窗口期同时发生，可能引入时间上的模糊性。城市居住可能代表医疗可及性、药物可获得性或持续照护，但这些机制未被测量，因此不应将居住地解释为因果因素。基线时较高的BMQ-NCD和Family APGAR评分与良好依从性更高的几率相关，支持在出院时进行心理社会评估的潜在价值。男性性别与较低的依从性几率相关，但该系数在统计学上较为脆弱，因为依从性差的组中仅有五名女性。残余混杂、稀疏数据效应以及各中心特有的照护模式仍可能存在。

在191例完整病例中，校正前AUC为0.879，经乐观校正后的AUC为0.867，表明模型具有良好的区分能力。校正前Brier评分为0.118，乐观校正后的校准斜率为0.923，提供了关于预测误差和校准情况的补充信息。Bootstrap校正可在开发样本上评估模型性能时减少乐观偏倚，但不能证明模型的可迁移性。这些估计结果并未证明该模型优于其他模型，亦未表明其已具备用于资源配置的条件，或已确定经验证可用于临床决策的概率阈值。列线图是对拟合方程的可视化表达。在将其用于指导患者诊疗之前，必须进行独立的时间验证或多中心验证，并在必要时进行重新校准。

近期的计算研究增加了原始综述中未包含的方法：高维癌症数据中的不平衡感知特征选择41、面向痴呆症患者及其照护者的移动健康支持42、大型医疗数据库的特征选择策略43、基于ADASYN支持的深度学习用于中风发生预测44，以及更广泛的机器学习健康监测框架45。这些方法可作为有用的比较对象，但其诊断性、高维数据或传感器导向的目标，与我们基于191名参与者的四预测因子依从性模型有所不同。未来在外部数据集上的研究应比较预设的逻辑回归与惩罚方法及机器学习方法，同时报告模型的校准性能和临床实用性。

研究结果的适用范围存在若干局限性。单中心便利抽样限制了结果的普适性，且完整病例分析排除了210名入组参与者中未完成随访的19人；尽管已记录其流失情况，仍可能存在失访偏倚，且未对任何结局值进行填补。三次评估时间点无法捕捉更短期的波动情况，而180天的观察期也无法描述更长期的持续性或复发性血管事件结局。自我报告未通过药品发放记录、药片计数或电子监测进行交叉验证。样本量也限制了详细的亚组分析，可能导致稀疏类别中的系数不稳定。本研究的优势包括非重叠的时间区间、明确的多种药物使用规则、采用预定义的人口学特征及第30天心理社会预测因子，以及通过自助法进行内部验证。未来的研究应将访谈数据与续药记录或电子监测指标相结合，记录应答者类型，将随访期延长至12个月，并在独立队列中验证该模型。

结论

综上所述，本方案定义了三种出院后的自我报告用药情况评估方法，并建立了一个仅包含四个预定义临床和心理社会预测因子的、可解释的第180天模型。该模型在完整病例队列中表现出良好的内部性能，但在临床应用前仍需进行独立的外部验证。

披露

所有作者均已声明无利益冲突。

材料

本文使用的材料清单
姓名公司目录编号评论
分析脚本研究作者JoVE_Analysis_Script.py（作为补充材料上传）
中文版药物信念问卷特异性量表（BMQ-Specific）原始版本：Robert Horne 教授。
中文验证版本：Jiang S. 等人 / Nie B. 等人（文中已引用）		经授权的中文版本。通过结构化访谈方式进行施测。已从原始开发者/版权持有者处获得使用许可。
中文版家庭功能APGAR量表原始版本：Gabriel Smilkstein 博士。
中文应用：Smilkstein G. 等人（文中已引用）		经过验证的中文翻译版本。版本：5项量表。临床研究可自由使用/公共领域。
中国国家卫生研究院卒中量表（NIHSS）中文版原始版本：美国国家卫生研究院（NIH）。
中文验证版本：Lyden P.D. 等人（文中已引用）		经过验证的中文版本。11项临床量表（0–42分）。开放获取。
MatplotlibMatplotlib 开发团队版本 3.10.6。开源（https://matplotlib.org/）
NumPyNumPy 社区版本 2.3.3。开源（https://numpy.org/）
PythonPython 软件基金会版本 3.13.5（64位 Windows 环境）。开源（https://www.python.org/）
pandaspandas 开发团队（NumFOCUS）版本 2.3.3。开源（https://pandas.pydata.org/）
SciPySciPy 社区版本 1.16.2。开源（https://scipy.org/）

参考文献

  1. Sacco RL, Kasner SE, Broderick JP, et al. An updated definition of stroke for the 21st century: a statement for healthcare professionals from the American Heart Association/American Stroke Association. Stroke. 2013;44(7):2064-2089.
  2. GBD 2019 Stroke Collaborators. Global, regional, and national burden of stroke and its risk factors, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet Neurol. 2021;20(10):795-820.
  3. Zhao Y, et al. Increasing burden of stroke in China: a systematic review and meta-analysis of prevalence, incidence, mortality, and case fatality. Int J Stroke. 2022;17(10):1083-1092.
  4. Chen Y, et al. Mortality and recurrent vascular events after first incident stroke: a 9-year community-based study of 0.5 million Chinese adults. Lancet Glob Health. 2020;8(4):e580-e590.
  5. Robba C, van Dijk EJ, van der Jagt M. Acute ischaemic stroke and its challenges for the intensivist. Eur Heart J Acute Cardiovasc Care. 2022;11(3):258-268.
  6. Peng Y, et al. Long-term survival, stroke recurrence, and life expectancy after an acute stroke in Australia and New Zealand from 2008-2017: a population-wide cohort study. Stroke. 2022;53(8):2538-2548.
  7. Flach C, et al. Risk and secondary prevention of stroke recurrence: a population-based cohort study. Stroke. 2020;51(8):2435-2444.
  8. Law MR, Morris JK, Wald NJ. Use of blood pressure lowering drugs in the prevention of cardiovascular disease: meta-analysis of 147 randomised trials. BMJ. 2009;338:b1665.
  9. Chen W, et al. Recurrent stroke in minor ischemic stroke or transient ischemic attack with metabolic syndrome and/or diabetes mellitus. J Am Heart Assoc. 2017;6(6):e005446.
  10. Li Q, et al. Prevalence of stroke and vascular risk factors in China: a nationwide community-based study. Sci Rep. 2017;7(1):6402.
  11. Kernan WN, et al. Guidelines for the prevention of stroke in patients with stroke and transient ischemic attack: a guideline for healthcare professionals from the American Heart Association/American Stroke Association. Stroke. 2014;45(7):2160-2236.
  12. Dawson J, et al. European Stroke Organisation (ESO) guideline on pharmacological interventions for long-term secondary prevention after ischaemic stroke or TIA. Eur Stroke J. 2022;7(3):I-II.
  13. Gladstone DJ, et al. Canadian Stroke Best Practice Recommendations: secondary prevention of stroke update 2020. Can J Neurol Sci. 2022;49(3):315-337.
  14. Xie W, et al. Long-term antiplatelet mono- and dual therapies after ischemic stroke or transient ischemic attack: network meta-analysis. J Am Heart Assoc. 2015;4(8):e002259.
  15. Cramer JA, et al. Medication adherence and persistence: terminology and definitions. Value Health. 2008;11(1):44-47.
  16. Hill MN, Miller NH, De Geest S, et al. ASH position paper: adherence and persistence with taking medication to control high blood pressure. J Clin Hypertens (Greenwich). 2010;12(10):757-764.
  17. Dalli LL, et al. Greater adherence to secondary prevention medications improves survival after stroke or transient ischemic attack: a linked registry study. Stroke. 2021;52(11):3569-3577.
  18. Yeo SH, et al. Impact of medication nonadherence on stroke recurrence and mortality in patients after first-ever ischemic stroke: insights from registry data in Singapore. Pharmacoepidemiol Drug Saf. 2020;29(5):538-549.
  19. Flint AC, et al. Statin adherence is associated with reduced recurrent stroke risk in patients with or without atrial fibrillation. Stroke. 2017;48(7):1788-1794.
  20. Bushnell CD, et al. Secondary preventive medication persistence and adherence 1 year after stroke. Neurology. 2011;77(12):1182-1190.
  21. Mansoor H, et al. Sex differences in prescription patterns and medication adherence to guideline-directed medical therapy among patients with ischemic stroke. Stroke. 2025;56(2):318-325.
  22. Ullberg T, et al. Associations between ischemic stroke follow-up, socioeconomic status, and adherence to secondary preventive drugs in southern Sweden. Neuroepidemiology. 2017;48(1-2):32-38.
  23. Hodson T, Gustafsson L, Cornwell P. Unveiling the complexities of mild stroke: an interpretative phenomenological analysis of the mild stroke experience. Aust Occup Ther J. 2019;66(5):656-664.
  24. Horne R, Weinman J. Predicting treatment adherence: an overview of theoretical models. In: The Handbook of Health Behavior Change. 5th ed. 2020. DOI:10.1201/9781003072348-4.
  25. Horne R, Weinman J, Hankins M. The Beliefs about Medicines Questionnaire: the development and evaluation of a new method for assessing the cognitive representation of medication. Psychol Health. 1999;14(1):1-24.
  26. Nie B, et al. Utilization of the Beliefs about Medicines Questionnaire and prediction of medication adherence in China: a systematic review and meta-analysis. J Psychosom Res. 2019;122:54-68.
  27. Smilkstein G, Ashworth C, Montano D. Validity and reliability of the Family APGAR as a test of family function. J Fam Pract. 1982;15(2):303-311.
  28. Zhang Y. Family functioning in the context of an adult family member with illness: a concept analysis. J Clin Nurs. 2018;27(15-16):3205-3224.
  29. Lyden PD, et al. A modified National Institutes of Health Stroke Scale for use in stroke clinical trials: preliminary reliability and validity. Stroke. 2001;32(6):1310-1317.
  30. Banks JL, Marotta CA. Outcomes validity and reliability of the modified Rankin Scale: implications for stroke clinical trials: a literature review and synthesis. Stroke. 2007;38(3):1091-1096.
  31. Mayberry LS, Osborn CY. Family support, medication adherence, and glycemic control among adults with type 2 diabetes. Diabetes Care. 2012;35(6):1239-1245.
  32. Al-Arkee S, et al. Mobile apps to improve medication adherence in cardiovascular disease: systematic review and meta-analysis. J Med Internet Res. 2021;23(5):e24190.
  33. Zhang Y, et al. Treatment adherence and secondary prevention of ischemic stroke among discharged patients using mobile phone- and WeChat-based improvement services: cohort study. JMIR Mhealth Uhealth. 2020;8(6):e16496.
  34. Jiang S, et al. Relationship between medication literacy and beliefs among persons with type 2 diabetes mellitus in Guangdong, China. Patient Prefer Adherence. 2023;17:2039-2050.
  35. Liu KF, et al. Time-varying risk factors associated with the progress of functional recovery and psychological distress in first-ever stroke patients. J Neurosci Nurs. 2022;54(2):80-85.
  36. Ytterberg C, et al. Perceived impact of stroke six years after onset, and changes in impact between one and six years. J Rehabil Med. 2017;49(8):637-643.
  37. Pai HC, et al. Change in activities of daily living in the year following a stroke: a latent growth curve analysis. Nurs Res. 2018;67(4):286-293.
  38. Cao JX, Chen XP. Research progress of the living conditions for family caregivers of stroke survivors. J Nurs. 2010;17:9-11.
  39. Pan Y, Jones PS, Winslow BW. The relationship between mutuality, filial piety and depression in family caregivers in China. J Transcult Nurs. 2017;28(5):455-463.
  40. Chung ML, et al. Depressive symptom trajectories in family caregivers of stroke survivors during first year of caregiving. J Cardiovasc Nurs. 2021;36(3):254-262.
  41. Aliyu BS, et al. Enhanced feature selection for imbalanced microarray cancer gene classification using chaotic salp swarm algorithm. Int J Theor Appl Comput Intell. 2025;2025:258-283.
  42. Yousaf K, et al. Mobile-health applications for the efficient delivery of health care facility to people with dementia (PwD) and support to their carers: a survey. Biomed Res Int. 2019;2019:7151475.
  43. Karimi M, et al. Feature selection methods in big medical databases: a comprehensive survey. Int J Theor Appl Comput Intell. 2025;2025:181-209.
  44. Rehman A. Brain stroke prediction through deep learning techniques with ADASYN strategy. In: 2023 16th International Conference on Developments in eSystems Engineering (DeSE); 2023. p. 679-684.
  45. Kurdi SZ. Machine learning-based classification framework for human health care monitoring. Int J Theor Appl Comput Intell. 2026;2026:1-15.

重印与许可

标签

APGAR BMQ
联系我们
向图书馆推荐

隐私

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。