脑出血患者肺炎发生风险预测模型的系统评价

doi:10.3969/j.issn.1004-583X.2025.01.001

摘要/Abstract

摘要：

目的系统分析、评价脑出血(ICH)患者肺炎发生的风险预测模型。方法检索数据库包括Pubmed、Web of science、Embase、The Cochrane Library、Scopus、Ovid Medline、CNKI(中国知网)、WanFang Data(万方数据库)、VIP(维普数据库)、CBM(中国生物医学文献数据库)建库至2023年2月有关ICH患者肺炎发生风险预测模型的研究。安排2名研究者独立筛选文献、提取资料,根据个体预后或诊断多变量预测模型的透明报告(TRIPOD)和预测模型偏倚风险评估量表(PROBAST)对纳入文献进行质量评价和风险偏倚及适应性评估。结果共纳入12项相关研究,7项为注册登记研究,1项为巢式病例对照研究,3项为单中心病例对照研究,1项为回顾性队列研究;纳入研究多采用logistic回归和机器学习进行建模; 8项研究进行内部验证,2项研究仅为外部验证,2项研究分别采用内部和外部验证;模型的受试者工作特征曲线下面积为0.740~0.920;12项研究中预测因子的范围为4~11个,常见的预测因子为年龄、美国国立卫生研究院卒中量表评分、格拉斯哥昏迷评分量表评分、吞咽困难、吸烟、慢性阻塞性肺疾病、鼻胃管喂养;9项研究进行了模型校准,3项研究没有进行模型校准;模型呈现形式主要以风险评分、风险计算公式和列线图为主。纳入研究质量中等且存在较高的偏倚风险。结论当前ICH患者肺炎发生风险预测模型具有不错的预测能力,预测因子较易获得,但也存在显著的缺陷和高偏倚性。未来,研究者应遵循TRIPOD报告和PROBAST声明开展预测模型研究,总结现有模型优缺点,并进行外部验证,从而开发出预测性能优良,使用简便的ICH患者肺炎发生的风险预测模型。

关键词: 脑出血, 肺炎, 预测模型, 系统评价

Abstract:

Objective To systematically analyze and evaluate the risk prediction model for pneumonia in patients with intracerebral hemorrhage (ICH). Methods Articles reporting risk prediction model for pneumonia in ICH patients published prior to February 2023 were searched in the online databases of Pubmed, Web of Science, Embase, The Cochrane Library, Scopus, Ovid Medline, CNKI (China National Knowledge Infrastructure), WanFang Data, VIP and CBM (Chinese Biomedical Literature Database). Two researchers were independently responsible for screening literature and extracting data. The quality of the literature included in this study was rigorously evaluated, and both the risk of bias and adaptability were assessed in accordance with the Transparent Reporting of a Multivariable Prediction Model for Individal Prognosis or Diagnosis(TRIPOD), and the Prediction Model Risk of Bias Assessment Tool(PROBAST). Results A total of 12 relevant studies were included, involving 7 registered studies, 1 ovarian case-control study, 3 single-center case-control studies, and 1 retrospective cohort study. Logistic regression and machine learning were used for modeling. Eight studies were validated internally, 2 studies were only validated externally, and 2 studies were validated both. The area under the receiver operating characteristic curve of the model was 0.740-0.920. The range of predictors in the 12 studies ranged from 4 to 11, and the common predictors were the age, the National Institutes of Health Stroke Scale score, the Glasgow Coma Scale score, dysphagia, smoking, chronic obstructive pulmonary disease, and nasogastric tube feeding. Model calibration was performed in 9 studies and not in 3 studies. The model was mainly presented in the form of risk score, risk calculation formula and nomogram. The included studies exhibited moderate quality and a high risk of bias. Conclusion The current model for predicting the risk of pneumonia in ICH patients demonstrates good predictive ability, and the predictive factors are relatively easy to obtain. However, there are also significant defects and high bias. In future research, it is recommended that researchers adhere to the TRIPOD guideline and PROBAST statement when conducting prediction model studies. It is important to summarize the advantages and disadvantages of existing models and to conduct external verification, thus developing a risk prediction model for pneumonia in ICH patients with excellent predictive performance and ease of use.

Key words: intracerebral hemorrhage, pneumonia, prediction model, systematic review

中图分类号:

刘金腾, 刘星宇, 黄露梅, 潘海龙. 脑出血患者肺炎发生风险预测模型的系统评价[J]. 临床荟萃, 2025, 40(1): 5-13.

Liu Jinteng, Liu Xingyu, Huang Lumei, Pan Hailong. The risk prediction models for pneumonia in patients with intracerebral hemorrhage: A systematic review[J]. Clinical Focus, 2025, 40(1): 5-13.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://huicui.hebmu.edu.cn/CN/10.3969/j.issn.1004-583X.2025.01.001

https://huicui.hebmu.edu.cn/CN/Y2025/V40/I1/5

图/表 4

图1 文献筛选流程图

Fig.1 A flow chart of included literatures

表1 纳入文献基本特征

Tab.1 Basic characteristics of included literatures

第一作者	发表年份	国家/ 地区	模型类型	研究类型	研究对象来源	样本量	建模方法	验模方法	结局指标	肺炎发生率
Zheng等^[14]	2022	中国	开发及验证	注册登记研究	2015年1月- 2020年7月急性ICH患者风险分层和微创手术(Risa-MIS-ICH)数据库( $n$ =468)	A:324; C:144	逻辑回归(LR),高斯朴素贝叶斯(GNB),集成软投票模型(ESVM)	内部验证+外部验证	SAP发生	-
Ji等^[15]	2014	中国	开发及验证	注册登记研究	2007年9月- 2008年8月中国国家卒中登记处(CNSR)( $n$ =4 998)	A:2 998; B:2 000	多因素logistic回归	内部验证	肺炎发生	A:16.40%; B:17.70%
Yan等^[16]	2022	中国	开发及验证	注册登记研究	2015-2018年中国卒中中心联盟(CSCA)( $n$ =70 542) 2019年中国国家卒中注册管理系统II (CNSR II)( $n$ =12 523)	A:56 432; B:14 108; C:12 523	XGboost树模型和logistic回归	内部验证+外部验证	肺炎发生	-
Smith等^[17]	2015	英国	开发及验证	注册登记研究	2013年1-9月中风国家审计计划多中心英国登记处(SSNAP)( $n$ =1 865)	A:916; B:949	多因素logistic回归	内部验证	SAP发生	A:- B:风险组Ⅰ:2.80%; 风险组Ⅱ:7.40%; 风险组Ⅲ:15.70%; 风险组Ⅳ:21.90%
宋甜田等^[18]	2021	中国	开发及验证	巢式病例对照研究	2016-2018年山东省某医院ICH手术患者( $n$ =603)	A:422; B:181	多因素logistic回归	内部验证	肺部感染发生	A:风险组Ⅰ:4.47%; 风险组Ⅱ:21.28%; 风险组Ⅲ:58.65%; B:风险组Ⅰ:4.55%; 风险组Ⅱ:21.28%; 风险组Ⅲ:65.22%
李景余等^[19]	2022	中国	开发及验证	回顾性队列研究	2019年1月-2020年12月潍坊市某三级甲等医院的ICH术后病人( $n$ =298)	A:209; B:89	多因素logistic回归	内部验证	肺部感染发生	A:17.22%; B:20.22%
吴珂等^[20]	2022	中国	开发及验证	病例对照研究	2014年6月-2019年6月于宜宾市第一人民医院行手术治疗的自发性ICH患者( $n$ =768)	A:768	多因素logistic回归	内部验证 (Bootstrap法)	肺部感染发生	A:25.78% ; B:-
廖峻等^[21]	2022	中国	开发及验证	病例对照研究	2019年11月-2021年11月成都大学附属医院因高血压ICH住院治疗的患者( $n$ =160)	A:160	多因素logistic回归	内部验证 (Bootstrap法 1 000次抽样)	呼吸机相关肺炎发生	A:26.86%; B:-
Papavasileiou等^[22]	2015	希腊	验证	注册登记研究	1992年6月-2011年12月雅典卒中登记处(ASR)( $n$ =472)	C:472	-	外部验证	SAP发生	C:风险组Ⅰ:-; 风险组Ⅱ:4.80%; 风险组Ⅲ:7.40%; 风险组Ⅳ:11.10%
吴倩等^[23]	2020	中国	开发及验证	病例对照研究	2017年12月-2019年12月因急性ICH入院的老年患者( $n$ =173)	A:173	多因素logistic回归	内部验证 (Bootstrap法)	SAP发生	A:25.43%; B:-
Zhang等^[24]	2017	中国	验证	注册登记研究	2012年5月-2013年1月中国国家卒中登记处(CNSR)( $n$ =4 933)	C:4 933	-	外部验证	SAP发生	C:风险组Ⅰ:8.40%; 风险组Ⅱ:19.60%; 风险组Ⅲ:30.10%; 风险组Ⅳ:42.50%
王孟等^[25]	2020	中国	开发及验证	注册登记研究	2012年5月-2013年1月中国国家卒中登记Ⅱ数据库(CNSRⅡ)( $n$ =2 303)	A:1 841; B:462	logistic回归、CatBoost、XGBoost和LightGBM算法	内部验证	肺炎发生	A:15.60%; B:15.80%

表1 纳入文献基本特征

Tab.1 Basic characteristics of included literatures

第一作者	发表年份	国家/ 地区	模型类型	研究类型	研究对象来源	样本量	建模方法	验模方法	结局指标	肺炎发生率
Zheng等^[14]	2022	中国	开发及验证	注册登记研究	2015年1月- 2020年7月急性ICH患者风险分层和微创手术(Risa-MIS-ICH)数据库( $n$ =468)	A:324; C:144	逻辑回归(LR),高斯朴素贝叶斯(GNB),集成软投票模型(ESVM)	内部验证+外部验证	SAP发生	-
Ji等^[15]	2014	中国	开发及验证	注册登记研究	2007年9月- 2008年8月中国国家卒中登记处(CNSR)( $n$ =4 998)	A:2 998; B:2 000	多因素logistic回归	内部验证	肺炎发生	A:16.40%; B:17.70%
Yan等^[16]	2022	中国	开发及验证	注册登记研究	2015-2018年中国卒中中心联盟(CSCA)( $n$ =70 542) 2019年中国国家卒中注册管理系统II (CNSR II)( $n$ =12 523)	A:56 432; B:14 108; C:12 523	XGboost树模型和logistic回归	内部验证+外部验证	肺炎发生	-
Smith等^[17]	2015	英国	开发及验证	注册登记研究	2013年1-9月中风国家审计计划多中心英国登记处(SSNAP)( $n$ =1 865)	A:916; B:949	多因素logistic回归	内部验证	SAP发生	A:- B:风险组Ⅰ:2.80%; 风险组Ⅱ:7.40%; 风险组Ⅲ:15.70%; 风险组Ⅳ:21.90%
宋甜田等^[18]	2021	中国	开发及验证	巢式病例对照研究	2016-2018年山东省某医院ICH手术患者( $n$ =603)	A:422; B:181	多因素logistic回归	内部验证	肺部感染发生	A:风险组Ⅰ:4.47%; 风险组Ⅱ:21.28%; 风险组Ⅲ:58.65%; B:风险组Ⅰ:4.55%; 风险组Ⅱ:21.28%; 风险组Ⅲ:65.22%
李景余等^[19]	2022	中国	开发及验证	回顾性队列研究	2019年1月-2020年12月潍坊市某三级甲等医院的ICH术后病人( $n$ =298)	A:209; B:89	多因素logistic回归	内部验证	肺部感染发生	A:17.22%; B:20.22%
吴珂等^[20]	2022	中国	开发及验证	病例对照研究	2014年6月-2019年6月于宜宾市第一人民医院行手术治疗的自发性ICH患者( $n$ =768)	A:768	多因素logistic回归	内部验证 (Bootstrap法)	肺部感染发生	A:25.78% ; B:-
廖峻等^[21]	2022	中国	开发及验证	病例对照研究	2019年11月-2021年11月成都大学附属医院因高血压ICH住院治疗的患者( $n$ =160)	A:160	多因素logistic回归	内部验证 (Bootstrap法 1 000次抽样)	呼吸机相关肺炎发生	A:26.86%; B:-
Papavasileiou等^[22]	2015	希腊	验证	注册登记研究	1992年6月-2011年12月雅典卒中登记处(ASR)( $n$ =472)	C:472	-	外部验证	SAP发生	C:风险组Ⅰ:-; 风险组Ⅱ:4.80%; 风险组Ⅲ:7.40%; 风险组Ⅳ:11.10%
吴倩等^[23]	2020	中国	开发及验证	病例对照研究	2017年12月-2019年12月因急性ICH入院的老年患者( $n$ =173)	A:173	多因素logistic回归	内部验证 (Bootstrap法)	SAP发生	A:25.43%; B:-
Zhang等^[24]	2017	中国	验证	注册登记研究	2012年5月-2013年1月中国国家卒中登记处(CNSR)( $n$ =4 933)	C:4 933	-	外部验证	SAP发生	C:风险组Ⅰ:8.40%; 风险组Ⅱ:19.60%; 风险组Ⅲ:30.10%; 风险组Ⅳ:42.50%
王孟等^[25]	2020	中国	开发及验证	注册登记研究	2012年5月-2013年1月中国国家卒中登记Ⅱ数据库(CNSRⅡ)( $n$ =2 303)	A:1 841; B:462	logistic回归、CatBoost、XGBoost和LightGBM算法	内部验证	肺炎发生	A:15.60%; B:15.80%

表2 纳入预测模型基本特征

Tab.2 Basic characteristics of prediction models of included literatures

第一作者	预测因子	变量选择方法	模型呈现形式	AUC(95% $C I$ )/灵敏度/特异度	校准方法
Zheng等^[14]	鼻胃管喂养、气道支持、起病无意识、心室外引流手术、更大的自发性ICH体积、ICU住院时间	单因素分析,LASSO回归	-	LR:A- B:AUC值0.838(0.765~0.911),Sc:0.615,Sp:0.903; C:AUC值0.867(0.812~0.923),Sc:0.447,Sp:0.943; GNB:A- B:AUC值0.861(0.793~0.930),Sc:0.615,Sp:0.889; C:AUC值0.856(0.798~0.913),Sc:0.553,Sp:0.934; ESVM:A- B:AUC值0.830(0.756~0.904),Sc:0.615,Sp:0.917; C:AUC值0.843(0.658~0.803),Sc:0.447,Sp:0.943;	-
Ji等^[15]	模型1:年龄、当前吸烟、饮酒COPD、mRS≥3、GCS评分、NIHSS评分、吞咽困难、ICH部位、脑室扩大模型2:年龄、当前吸烟、饮酒COPD、mRS≥3、GCS评分、NIHSS评分、吞咽困难、幕下占位、脑室扩大、血肿体积	单因素和多因logistic回归,逐步向后法	根据标准化β值对每个风险因素进行评分,计算个体发病总分	模型1:A:AUC值0.750(0.720~0.770),Sc:-,Sp:-; B:AUC值0.760(0.710~0.790),Sc:-,Sp:-; 模型2:A:AUC值0.740(0.710~0.760),Sc:-,Sp:-; B:AUC值0.730(0.700~0.760),Sc:-,Sp:-;	H-L拟合优度检验
Yan等^[16]	吞咽困难、GCS评分、年龄、空腹血糖值、COPD、NIHSS评分、mRS、当前吸烟和C反应蛋白	-	基于逻辑回归,风险评分使用权重系数,得到对应的特征得分和数值区间	A:AUC值0.749(0.739~0.759),Sc:-,Sp:-; B:- C:AUC值0.784(0.774~0.794),Sc:-,Sp:-;	-
Smith等^[17]	性别、年龄、中风前独立性、NIHSS评分	多因素logistic回归	根据各因子的回归系数对其进行赋分,计算个体的发病风险总分,低风险(0~5分)、中等风险(6~10分)、高风险(11~14分)和最高风险(15≥分)	B:AUC值0.710(0.660~0.770),Sc:-,Sp:-	校准曲线
宋甜田等^[18]	气管插管,留置胃管,静脉血栓,ASA分级	单因素和多因素logistic回归,用Back-Wald法筛选变量	依据β×4构建风险预测评分模型;0~ 6分为低风险组,7~12分为中风险组,13~21分为高风险组	A:AUC值0.864(0.825~0.904),Sc:-,Sp:- B:AUC值0.861(0.800~0.921),Sc:-,Sp:-	H-L拟合优度检验
李景余等^[19]	术前GCS评分,ASA分级,留置胃管,白细胞计数,机械通气时间	单因素和多因logistic回归	Logit(P)=-3.591+0.873×术前GCS评分+0.674×ASA分级+0.842×留置胃管+0.536×白细胞计数+1.469×机械通气时间	A:AUC值0.748(0.664~0.833),Sc:0.861,Sp:0.601 B:AUC值0.718(0.626~0.810),Sc:0.852,Sp:0.690	H-L拟合优度检验
吴柯等^[20]	年龄≥60岁、吸烟、糖尿病、呼吸机使用时间≥3 d、GCS评分≤8分、低蛋白血症	向前法进行多因素logistic回归	列线图预测模型,读取各因子的值对应的得分,将所有因子的得分相加	A:AUC值0.920(0.900~0.941),Sc:-,Sp:-	H-L拟合优度检验
廖峻等^[21]	COPD、低蛋白血症、ICU住院时间、机械通气时间	单因素和多因素logistic回归	基于最小二乘法Logit(P)=-5.298+1.070×合并慢性阻塞性肺疾病+0.925×低蛋白血症+1.141×ICU住院时间+1.355×机械通气时间	A:AUC值0.888(0.829~0.933),Sc:74.42%,Sp:88.89%	H-L拟合优度检验
Papavasileiou等^[22]	性别、年龄、中风前独立性、NIHSS评分	-	低风险(0~5分)、中等风险(6~10分)、高风险(11~14分)和最高风险(15≥分)	C:AUC值0.690(0.630~0.740),Sc:-,Sp:-	H-L拟合优度检验,皮尔逊相关系数
吴倩等^[23]	年龄、肺部基础疾病、吞咽困难、NIHSS评分、侵入性气道操作、鼻饲治疗、预防性使用抑酸剂	单因素和多因logistic回归	列线图预测模型,读取各因子的值对应的得分,将所有因子的得分相加	A:AUC值0.843(0.811~0.875),Sc:-,Sp:-	校准曲线
Zhang等^[24]	性别、年龄、中风前独立性、NIHSS评分	-	低风险(0~5分)、中等风险(6~10分)、高风险(11~14分)和最高风险(15≥分)	C:AUC值0.700(0.680~0.720),Sc:-,Sp:-	H-L拟合优度检验,皮尔逊相关系数
王孟等^[25]	年龄、吞咽困难、NIHSS评分、白细胞计数	单因素和多因logistic回归,逐步向后法筛选变量	-	logistic回归:A:AUC值0.778(-),Sc:64.58%,Sp:79.14%; B:AUC值0.776(-),Sc:75.34%,Sp:69.15%; CaBoost:A:AUC值0.758(-),Sc:57.29%,Sp:85.06%; B:AUC值0.692(-),Sc:50.68%,Sp:86.12%; XGBoost:A:AUC值0.844(-),Sc:73.61%,Sp:80.81%; B:AUC值0.736(-),Sc:80.82%,Sp:52.96%; LightGBM:A:AUC值0.822(-),Sc:70.14%,Sp:80.68%; B:AUC值0.767(-),Sc:80.82%,Sp:57.33%	-

表2 纳入预测模型基本特征

Tab.2 Basic characteristics of prediction models of included literatures

第一作者	预测因子	变量选择方法	模型呈现形式	AUC(95% $C I$ )/灵敏度/特异度	校准方法
Zheng等^[14]	鼻胃管喂养、气道支持、起病无意识、心室外引流手术、更大的自发性ICH体积、ICU住院时间	单因素分析,LASSO回归	-	LR:A- B:AUC值0.838(0.765~0.911),Sc:0.615,Sp:0.903; C:AUC值0.867(0.812~0.923),Sc:0.447,Sp:0.943; GNB:A- B:AUC值0.861(0.793~0.930),Sc:0.615,Sp:0.889; C:AUC值0.856(0.798~0.913),Sc:0.553,Sp:0.934; ESVM:A- B:AUC值0.830(0.756~0.904),Sc:0.615,Sp:0.917; C:AUC值0.843(0.658~0.803),Sc:0.447,Sp:0.943;	-
Ji等^[15]	模型1:年龄、当前吸烟、饮酒COPD、mRS≥3、GCS评分、NIHSS评分、吞咽困难、ICH部位、脑室扩大模型2:年龄、当前吸烟、饮酒COPD、mRS≥3、GCS评分、NIHSS评分、吞咽困难、幕下占位、脑室扩大、血肿体积	单因素和多因logistic回归,逐步向后法	根据标准化β值对每个风险因素进行评分,计算个体发病总分	模型1:A:AUC值0.750(0.720~0.770),Sc:-,Sp:-; B:AUC值0.760(0.710~0.790),Sc:-,Sp:-; 模型2:A:AUC值0.740(0.710~0.760),Sc:-,Sp:-; B:AUC值0.730(0.700~0.760),Sc:-,Sp:-;	H-L拟合优度检验
Yan等^[16]	吞咽困难、GCS评分、年龄、空腹血糖值、COPD、NIHSS评分、mRS、当前吸烟和C反应蛋白	-	基于逻辑回归,风险评分使用权重系数,得到对应的特征得分和数值区间	A:AUC值0.749(0.739~0.759),Sc:-,Sp:-; B:- C:AUC值0.784(0.774~0.794),Sc:-,Sp:-;	-
Smith等^[17]	性别、年龄、中风前独立性、NIHSS评分	多因素logistic回归	根据各因子的回归系数对其进行赋分,计算个体的发病风险总分,低风险(0~5分)、中等风险(6~10分)、高风险(11~14分)和最高风险(15≥分)	B:AUC值0.710(0.660~0.770),Sc:-,Sp:-	校准曲线
宋甜田等^[18]	气管插管,留置胃管,静脉血栓,ASA分级	单因素和多因素logistic回归,用Back-Wald法筛选变量	依据β×4构建风险预测评分模型;0~ 6分为低风险组,7~12分为中风险组,13~21分为高风险组	A:AUC值0.864(0.825~0.904),Sc:-,Sp:- B:AUC值0.861(0.800~0.921),Sc:-,Sp:-	H-L拟合优度检验
李景余等^[19]	术前GCS评分,ASA分级,留置胃管,白细胞计数,机械通气时间	单因素和多因logistic回归	Logit(P)=-3.591+0.873×术前GCS评分+0.674×ASA分级+0.842×留置胃管+0.536×白细胞计数+1.469×机械通气时间	A:AUC值0.748(0.664~0.833),Sc:0.861,Sp:0.601 B:AUC值0.718(0.626~0.810),Sc:0.852,Sp:0.690	H-L拟合优度检验
吴柯等^[20]	年龄≥60岁、吸烟、糖尿病、呼吸机使用时间≥3 d、GCS评分≤8分、低蛋白血症	向前法进行多因素logistic回归	列线图预测模型,读取各因子的值对应的得分,将所有因子的得分相加	A:AUC值0.920(0.900~0.941),Sc:-,Sp:-	H-L拟合优度检验
廖峻等^[21]	COPD、低蛋白血症、ICU住院时间、机械通气时间	单因素和多因素logistic回归	基于最小二乘法Logit(P)=-5.298+1.070×合并慢性阻塞性肺疾病+0.925×低蛋白血症+1.141×ICU住院时间+1.355×机械通气时间	A:AUC值0.888(0.829~0.933),Sc:74.42%,Sp:88.89%	H-L拟合优度检验
Papavasileiou等^[22]	性别、年龄、中风前独立性、NIHSS评分	-	低风险(0~5分)、中等风险(6~10分)、高风险(11~14分)和最高风险(15≥分)	C:AUC值0.690(0.630~0.740),Sc:-,Sp:-	H-L拟合优度检验,皮尔逊相关系数
吴倩等^[23]	年龄、肺部基础疾病、吞咽困难、NIHSS评分、侵入性气道操作、鼻饲治疗、预防性使用抑酸剂	单因素和多因logistic回归	列线图预测模型,读取各因子的值对应的得分,将所有因子的得分相加	A:AUC值0.843(0.811~0.875),Sc:-,Sp:-	校准曲线
Zhang等^[24]	性别、年龄、中风前独立性、NIHSS评分	-	低风险(0~5分)、中等风险(6~10分)、高风险(11~14分)和最高风险(15≥分)	C:AUC值0.700(0.680~0.720),Sc:-,Sp:-	H-L拟合优度检验,皮尔逊相关系数
王孟等^[25]	年龄、吞咽困难、NIHSS评分、白细胞计数	单因素和多因logistic回归,逐步向后法筛选变量	-	logistic回归:A:AUC值0.778(-),Sc:64.58%,Sp:79.14%; B:AUC值0.776(-),Sc:75.34%,Sp:69.15%; CaBoost:A:AUC值0.758(-),Sc:57.29%,Sp:85.06%; B:AUC值0.692(-),Sc:50.68%,Sp:86.12%; XGBoost:A:AUC值0.844(-),Sc:73.61%,Sp:80.81%; B:AUC值0.736(-),Sc:80.82%,Sp:52.96%; LightGBM:A:AUC值0.822(-),Sc:70.14%,Sp:80.68%; B:AUC值0.767(-),Sc:80.82%,Sp:57.33%	-

表3 纳入文献的模型偏倚风险评价结果

Tab.3 Bias risk assessment for the models of included literatures

纳入研究	偏倚风险				适应性评价			整体
纳入研究	研究对象	预测因子	结局	统计分析	研究对象	预测因子	结局	偏倚风险	适应性风险
Zheng等^[14]	+	+	?	-	+	+	+	-	+
Ji等^[15]	+	+	+	?	+	+	+	?	+
Yan等^[16]	+	+	?	-	+	+	+	-	+
Smith等^[17]	?	+	+	-	+	+	+	-	+
宋甜田等^[18]	+	?	?	-	+	+	+	-	+
李景余等^[19]	-	+	-	-	+	+	+	-	+
吴柯等^[20]	-	-	?	-	+	+	+	-	+
廖峻等^[21]	-	-	?	-	+	+	+	-	+
Papavasileiou等^[22]	?	+	-	-	+	+	+	-	+
吴倩等^[23]	-	-	?	-	+	+	+	-	+
Zhang等^[24]	+	+	-	-	+	+	+	-	+
王孟等^[25]	+	+	?	-	+	+	+	-	+

参考文献 43

[1]	Greenberg SM, Ziai WC, Cordonnier C, et al. 2022 Guideline for the management of patients with spontaneous intracerebral hemorrhage: A guideline from the American Heart Association/American Stroke Association[J]. Stroke, 2022, 53(7): e282-e361. doi: 10.1161/STR.0000000000000407 pmid: 35579034
[2]	Magid-Bernstein J, Girard R, Polster S, et al. Cerebral hemorrhage: Pathophysiology, treatment, and future directions[J]. Circ Res, 2022, 130(8): 1204-1229. doi: 10.1161/CIRCRESAHA.121.319949 pmid: 35420918
[3]	Goeldlin MB, Siepen BM, Mueller M, et al. Intracerebral haemorrhage volume, haematoma expansion and 3-month outcomes in patients on antiplatelets. A systematic review and meta-analysis[J]. Eur Stroke J, 2021, 6(4): 333-342. doi: 10.1177/23969873211061975 pmid: 35342809
[4]	Lord AS, Langefeld CD, Sekar P, et al. Infection after intracerebral hemorrhage: Risk factors and association with outcomes in the ethnic/racial variations of intracerebral hemorrhage study[J]. Stroke, 2014, 45(12): 3535-3542. doi: 10.1161/STROKEAHA.114.006435 pmid: 25316275
[5]	Kwan J, Pickering RM, Kunkel D, et al. Impact of stroke-associated infection on long-term survival: A cohort study[J]. J Neurol Neurosurg Psychiatry, 2013, 84(3): 297-304. doi: 10.1136/jnnp-2012-302552 pmid: 23160703
[6]	Teh WH, Smith CJ, Barlas RS, et al. Impact of stroke-associated pneumonia on mortality, length of hospitalization, and functional outcome[J]. Acta Neurol Scand, 2018, 138(4): 293-300. doi: 10.1111/ane.12956 pmid: 29749062
[7]	Grant SW, Collins GS, Nashef SAM. Statistical Primer: Developing and validating a risk prediction model[J]. Eur J Cardiothorac Surg, 2018, 54(2): 203-208. doi: 10.1093/ejcts/ezy180 pmid: 29741602
[8]	Olofsson H, Brolund A, Hellberg C, et al. Can abstract screening workload be reduced using text mining? User experiences of the tool Rayyan[J]. Res Synth Methods, 2017, 8(3): 275-280. doi: 10.1002/jrsm.1237 pmid: 28374510
[9]	Moons KG, de Groot JA, Bouwmeester W, et al. Critical appraisal and data extraction for systematic reviews of prediction modelling studies: The CHARMS checklist[J]. PLoS Med, 2014, 11(10): e1001744.
[10]	Collins GS, Reitsma JB, Altman DG, et al. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): The TRIPOD statement[J]. BMJ, 2015, 350: g7594.
[11]	李秋萍, 谷鸿秋, 王俊峰. 临床预测模型:TRIPOD报告规范解读--以心血管疾病预测模型QRISK3为例(上)[J]. 中国循证心血管医学杂志, 2020, 12(7): 778-782+793.
[12]	李秋萍, 谷鸿秋, 王俊峰. 临床预测模型:TRIPOD报告规范解读--以心血管疾病预测模型QRISK3为例(下)[J]. 中国循证心血管医学杂志, 2020, 12(8): 904-907.
[13]	Moons KGM, Wolff RF, Riley RD, et al. PROBAST: A tool to assess risk of bias and applicability of prediction model studies: Explanation and elaboration[J]. Ann Intern Med, 2019, 170(1): W1-W33.
[14]	Zheng Y, Lin Y X, He Q, et al. Novel machine learning models to predict pneumonia events in supratentorial intracerebral hemorrhage populations: An analysis of the Risa-MIS-ICH study[J]. Frontiers in neurology, 2022, 13: 955271.
[15]	Ji R, Shen H, Pan Y, et al. Risk score to predict hospital-acquired pneumonia after spontaneous intracerebral hemorrhage[J]. Stroke, 2014, 45(9): 2620-2628. doi: 10.1161/STROKEAHA.114.005023 pmid: 25028448
[16]	Yan J, Zhai W, Li Z, et al. ICH-LR2S2: A new risk score for predicting stroke-associated pneumonia from spontaneous intracerebral hemorrhage[J]. J Transl Med, 2022, 20(1): 193. doi: 10.1186/s12967-022-03389-5 pmid: 35509104
[17]	Smith CJ, Bray BD, Hoffman A, et al. Can a novel clinical risk score improve pneumonia prediction in acute stroke care? A UK multicenter cohort study[J]. J Am Heart Assoc, 2015, 4(1): e001307.
[18]	宋甜田, 李亚婷, 宋明, 等. 脑出血手术患者肺部感染风险预测评分模型的构建与验证[J]. 中国感染控制杂志, 2021, 20(4): 299-303.
[19]	李景余, 臧丽丽, 吕慧静, 等. 脑出血术后病人肺部感染危险因素分析及风险预测模型构建[J]. 护理研究, 2022, 36(17): 3055-3060.
[20]	吴珂, 杨晓滨, 李平, 等. 自发性脑出血患者术后肺部感染的列线图风险预测模型的建立[J]. 中华医院感染学杂志, 2022, 32(7): 1041-1045.
[21]	廖峻, 吴婉玉, 黄劼, 等. 住院高血压脑出血患者并发呼吸机相关肺炎预测模型构建及验证[J]. 中华医院感染学杂志, 2022, (19): 2901-2904.
[22]	Papavasileiou V, Milionis H, Smith CJ, et al. External validation of the prestroke independence, sex, age, National Institutes of Health Stroke Scale (ISAN) score for predicting stroke-associated pneumonia in the athens stroke registry[J]. J Stroke Cerebrovasc Dis, 2015, 24(11): 2619-2624. doi: 10.1016/j.jstrokecerebrovasdis.2015.07.017 pmid: 26347399
[23]	吴倩, 路伟. 老年急性脑出血并发相关性肺炎的危险因素分析及风险预测模型的建立[J]. 贵州医科大学学报, 2020, 45(10): 1219-1224.
[24]	Zhang R, Ji R, Pan Y, et al. External validation of the prestroke independence, sex, age, national institutes of health stroke scale score for predicting pneumonia after stroke using data from the China National Stroke Registry[J]. J Stroke Cerebrovasc Dis, 2017, 26(5): 938-943. doi: S1052-3057(16)30446-3 pmid: 27988203
[25]	王孟, 覃露, 王春娟, 等. 基于机器学习算法的脑出血相关肺炎预测模型研究[J]. 中国卒中杂志, 2020, 15(3): 243-249.
[26]	Ernster VL. Nested case-control studies[J]. Prev Med, 1994, 23(5): 587-590. doi: 10.1006/pmed.1994.1093 pmid: 7845919
[27]	Steyerberg E. Clinical prediction models:A practical approach to development,validation,and updating[M]. New York: Springer International Publishing, 2019.
[28]	Lee YH, Bang H, Kim DJ. How to establish clinical prediction models[J]. Endocrinol Metab (Seoul), 2016, 31(1): 38-44.
[29]	Raju B, Jumah F, Ashraf O, et al. Big data, machine learning, and artificial intelligence: A field guide for neurosurgeons[J]. J Neurosurg, 2020: 1-11.
[30]	Handelman GS, Kok HK, Chandra RV, et al. eDoctor: Machine learning and the future of medicine[J]. J Intern Med, 2018, 284(6): 603-619. doi: 10.1111/joim.12822 pmid: 30102808
[31]	Osman M, Manosuthi W, Kaewkungwal J, et al. Etiology, clinical course, and outcomes of pneumonia in the elderly: A retrospective and prospective cohort study in thailand[J]. Am J Trop Med Hyg, 2021, 104(6): 2009-2016.
[32]	Patel UK, Kodumuri N, Dave M, et al. Stroke-associated pneumonia: A retrospective study of risk factors and outcomes[J]. Neurologist, 2020, 25(3): 39-48. doi: 10.1097/NRL.0000000000000269 pmid: 32358460
[33]	Eltringham SA, Kilner K, Gee M, et al. Factors associated with risk of stroke-associated pneumonia in patients with dysphagia: A systematic review[J]. Dysphagia, 2020, 35(5): 735-744. doi: 10.1007/s00455-019-10061-6 pmid: 31493069
[34]	Pacheco-Castilho AC, Vanin GM, Dantas RO, et al. Dysphagia and associated pneumonia in stroke patients from brazil: A systematic review[J]. Dysphagia, 2019, 34(4): 499-520. doi: 10.1007/s00455-019-10021-0 pmid: 31111249
[35]	Cohen DL, Roffe C, Beavan J, et al. Post-stroke dysphagia: A review and design considerations for future trials[J]. Int J Stroke, 2016, 11(4): 399-411. doi: 10.1177/1747493016639057 pmid: 27006423
[36]	Dang PD, Nguyen MH, Mai XK, et al. A comparison of the national institutes of health stroke scale and the gugging swallowing screen in predicting stroke-associated pneumonia[J]. Ther Clin Risk Manag, 2020, 16: 445-450.
[37]	Ribeiro PW, Cola PC, Gatto AR, et al. Relationship between dysphagia, national institutes of health stroke scale score, and predictors of pneumonia after ischemic stroke[J]. J Stroke Cerebrovasc Dis, 2015, 24(9): 2088-2094. doi: 10.1016/j.jstrokecerebrovasdis.2015.05.009 pmid: 26187787
[38]	MacCallum RC, Zhang S, Preacher KJ, et al. On the practice of dichotomization of quantitative variables[J]. Psychol Methods, 2002, 7(1): 19-40. doi: 10.1037/1082-989x.7.1.19 pmid: 11928888
[39]	Ogundimu EO, Altman DG, Collins GS. Adequate sample size for developing prediction models is not simply related to events per variable[J]. J Clin Epidemiol, 2016, 76: 175-182. doi: 10.1016/j.jclinepi.2016.02.031 pmid: 26964707
[40]	Riley RD, Collins GS, Ensor J, et al. Minimum sample size calculations for external validation of a clinical prediction model with a time-to-event outcome[J]. Stat Med, 2022, 41(7): 1280-1295.
[41]	Zabor EC, Reddy CA, Tendulkar RD, et al. Logistic regression in clinical studies[J]. Int J Radiat Oncol Biol Phys, 2022, 112(2): 271-277.
[42]	王俊峰, 章仲恒, 周支瑞, 等. 临床预测模型:模型的验证[J]. 中国循证心血管医学杂志, 2019, 11(2): 141-144.
[43]	Nezic DG. Assessing the performance of risk prediction models[J]. Eur J Cardiothorac Surg, 2020, 58(2): 401. doi: 10.1093/ejcts/ezaa071 pmid: 32163550