**摘要**
**背景**
对于家庭为基础的功能性锻炼的依从性较差可能会显著阻碍缺血性中风后的恢复。本研究旨在开发并验证一个基于网络的预测图表，以识别那些有不良依从性风险的缺血性中风患者。
**方法**
我们对中国一家三级医院的536名缺血性中风和肢体功能障碍患者进行了横断面研究。使用潜在剖面分析（LPA）根据《运动依从性问卷》对依从性模式进行分类。然后应用最小绝对收缩和选择算子（LASSO）回归从35个候选变量中选择预测因子，并使用多变量逻辑回归建立预测模型。通过1000次自助重采样对模型进行了内部验证，并从区分度、校准度和临床实用性方面进行了评估。最终开发了一个用于临床使用的基于网络的预测图表。
**结果**
样本包括254名男性（47.4%）和282名女性（52.6%）；61.0%的患者的年龄≥60岁。LPA确定了三种依从性类型：低（18.1%）、中等（42.2%）和高（39.7%）。区分良好与不良依从性的最佳临界值为36.5分。五个独立预测因子被保留：婚姻状况（从未结婚：比值比[OR] = 0.03，95%置信区间[CI]：0.01–0.11）、月收入>5000元人民币（OR = 0.31，95% CI：0.14–0.67）、配偶作为主要照护者（OR = 0.23，95% CI：0.10–0.53）、知识水平（OR = 0.92，95% CI：0.87–0.98）以及运动动机（OR = 0.87，95% CI：0.81–0.93）。使用1000次自助重采样的内部验证显示，该模型具有良好的区分度（表观C统计量 = 0.858；乐观校正后的C统计量 = 0.848）、良好的校准度（乐观校正后的校准斜率 = 0.939；校准截距 = 0.009），并且在从0到0.80的阈值概率范围内具有正向净效益。经过统一收缩处理后，模型性能保持稳定。
**结论**
我们开发并内部验证了一个结合了LPA和LASSO–逻辑回归的预测模型。基于网络的预测图表可能有助于早期识别有不良依从性风险的患者，并支持有针对性的干预措施以改善康复结果。
**缩写说明**
- aBIC：调整后的贝叶斯信息准则
- AIC：赤池信息准则
- AUC：曲线下面积
- BIC：贝叶斯信息准则
- BLRT：自助似然比检验
- BREQ-3：运动行为调节问卷-3
- DCA：决策曲线分析
- EA：运动依从性
- EAQ：运动依从性问卷
- GSES：一般自我效能感量表
- IMB：信息–动机–行为技能
- IS：缺血性中风
- LASSO：最小绝对收缩和选择算子
- LMRT：Lo–Mendell–Rubin调整后的似然比检验
- LPA：潜在剖面分析
- OR：比值比
- PSSS：感知社会支持量表
- RAI：相对自主指数
- ROC：接收者操作特征曲线
- SKQ：中风知识问卷在模型开发过程中，预测因子选择和确认后使用了完整的数据集。基线特征的比较采用了适当的皮尔逊卡方检验或费舍尔精确检验。LASSO回归被用来识别导致依从性差的候选预测因子。通过LASSO选出的变量进一步进行了单变量逻辑回归分析，符合条件的变量被纳入多变量逻辑回归模型中，以估计比值比（OR）和95%置信区间（CI）。为了降低过拟合的风险并获得更可靠的模型性能估计，使用了1000次自助法重采样的内部验证。模型乐观性得到了量化，并计算了经过乐观性校正后的判别能力和校准能力。判别能力通过C统计量进行评估，校准能力通过校准斜率和基于自助法的校准图进行评估。为了考虑潜在的过拟合问题，采用了经过乐观性校正后的校准斜率作为收缩因子进行统一收缩，然后重新估计了模型截距。临床效用通过决策曲线分析（DCA）进行评估。双侧p值<0.05被认为是统计学上显著的。作为额外的敏感性分析，还进行了随机70/30分割样本的评估，以检验模型结果的稳健性。
2.8 基于Web的动态诺模图
根据最终的多变量逻辑回归模型，使用Shiny框架中的DynNom包开发了一个交互式的基于Web的动态诺模图，并通过shinyapps.io部署，以支持临床和随访环境中的快速风险估计。
3 结果
3.1 共方法偏差检验
Harman的单因素分析得出了四个特征值大于1的因素。第一个因素解释了总方差的38.614%，低于传统的40%阈值，表明共方法偏差不太可能显著影响结果。
3.2 一般人口统计特征
共有536名患者在缺血性中风（IS）后出现肢体功能障碍：254名男性（47.4%）和282名女性（52.6%）。大多数参与者已婚并且参加了城市医疗保险，配偶或成年子女是最常见的主要照顾者。详细特征见表S1。
3.3 运动依从性（EA）及相关心理社会测量的描述性统计
平均总EAQ得分为34.64 ± 7.94。在三个领域中，得分从高到低依次为：运动参与（20.11 ± 4.55）、运动结果监测（7.55 ± 2.24）和寻求运动指导（6.98 ± 2.57）。平均总SKQ得分为28.40 ± 7.10，各领域得分分别为：紧急响应（5.71 ± 1.78）、警告信号（2.88 ± 1.16）、风险因素（8.01 ± 2.76）、健康行为（2.89 ± 1.08）、康复知识（6.74 ± 2.33）和药物安全（2.18 ± 0.96）。BREQ-3子量表的平均得分分别为：缺乏动机（8.49 ± 3.66）、外部调节（8.59 ± 3.78）、内化调节（8.53 ± 3.59）、感知调节（8.32 ± 3.81）和整合调节（8.92 ± 3.74），基于这六个子量表，RAI为-0.41 ± 5.12。平均总GSES得分为27.49 ± 6.92。平均总PSSS得分为53.83 ± 13.63，各子量表得分分别为：家庭支持（17.79 ± 5.95）、朋友支持（18.14 ± 5.91）和其他重要人物/其他支持（17.90 ± 6.00）。
3.4 由于IS导致肢体功能障碍的患者的EA的LPA
LPA使用了14个EAQ项目来评估对家庭功能运动的依从性，并拟合了一到五个类别的模型（见表S2）。随着类别数量的增加，信息标准（AIC、BIC、aBIC）有所下降；然而，三个类别的模型在统计拟合和临床解释性之间提供了最佳的平衡。尽管四个和五个类别的模型进一步降低了信息标准，但它们产生的类别太小，临床解释性有限。LMRT和BLRT支持最高三个类别的解（p < 0.001）。LMRT对于四个类别的模型是边际的，对于五个类别的模型则不显著。平均后验概率很高——分别为97.4%（剖面1）、93.7%（剖面2）和94.7%（剖面3）——超过了90%的基准，表明分类稳定（见表S3）。三个剖面显示出不同的项目-反应模式（图1）。剖面1（“低依从性”，n = 97，18.1%）在14个项目上得分普遍较低，而剖面3（“高依从性”，n = 213，39.7%）则得分一直很高。剖面2（“中等依从性”，n = 226，42.2%）的总体水平介于两者之间；然而，其项目均值并没有完全与剖面1和3平行，在项目12上有明显下降。
3.5 EA预测因子的识别
根据LPA的结果，“高依从性”类别（n = 213）被标记为“良好依从性”，而“低”和“中等”类别（n = 323）被合并为“依从性差”。使用这个二元结果，我们为EAQ生成了ROC曲线并评估了候选的切分点得分（见表S4）。最佳切分点得分为36.5（Youden指数 = 0.789）。使用这个切分点，估计样本中依从性差的患病率为51.31%。表1展示了按依从性分组进行的额外70/30分割样本比较的结果。在这项补充分析中，几个社会人口统计和心理社会变量在不同依从性组之间存在差异，包括婚姻状况、居住安排、主要照顾者、参与出院康复指导、知识、运动动机和社交支持。
3.6 EA预测模型的开发
通过LPA选出的预测因子被纳入单变量和多变量逻辑回归模型中，以确认关联并开发预测模型。在最终的多变量模型中，五个变量保持统计显著性（所有p < 0.05）：婚姻状况、月收入、主要照顾者、知识水平和运动动机。完整结果见表2。使用最终模型的回归系数，我们开发了一个交互式的基于Web的动态诺模图，以支持临床应用（https://wenboli.shinyapps.io/dynnomapp/）。
3.7 EA预测模型的验证
模型性能从判别能力、校准能力和临床效用三个方面进行了评估。使用1000次自助法重采样进行了内部验证。模型的明显C统计量为0.858，经过乐观性校正后的C统计量为0.848，表明判别能力良好，但乐观性偏高。经过乐观性校正后的校准斜率为0.939，校准截距为0.009，表明仅有轻微的过拟合，预测风险和观察风险之间的整体一致性良好。为了进一步降低过拟合，采用了经过乐观性校正后的校准斜率（0.939）作为收缩因子，然后重新估计了截距。收缩后，模型性能保持稳定（曲线下面积[AUC] = 0.858；Brier分数 = 0.1498）。基于自助法的校准图显示预测概率和观察概率之间有良好的一致性。对于临床效用，DCA在0–0.80的阈值概率范围内显示出净效益，始终优于参考策略，支持在这一范围内的潜在临床实用性（图2B）。
4 讨论
中风患者可能会经历功能恢复延迟、抑郁症状和照顾者负担加重，这些通常与康复期间的依从性差有关（Keser等人，2023年；J. Wang等人，2024年）。**4.1 由于中风导致肢体功能障碍的患者进行居家功能锻炼的潜在特征**
局部回归分析（LPA）识别出三种不同的依从性特征——低、中和高——这突显了中风后患肢体功能障碍人群在居家功能锻炼依从性方面的异质性。这种分类与先前研究中关于高风险人群健康行为低-中-高类型的报告一致（Guo等人，2020年）。在我们的样本中，中度和高依从性特征占参与者的81.9%，表明大多数人至少保持了中等程度的参与度。然而，18.1%的人被归类为低依从性，这类人群恢复不佳和长期残疾的风险更高（Billinger等人，2014年）。先前的研究也表明，低依从性与功能衰退、抑郁症状和更高的照护者负担有关（Arensman等人，2024年；Schuch和Stubbs，2019年）。这些发现强调了早期识别低依从性个体并实施针对性干预的重要性，例如结构化的康复指导和持续反馈，以提高他们的参与度（Milton-Cole等人，2024年；Soong等人，2025年）。根据以往的研究证据，被归类为“低依从性”的患者不太可能寻求专业支持，这可能反映了他们的健康意识较低、自我效能感较低或社会支持不足（Xie等人，2020年）。属于“中度依从性”特征的患者表现出更一致的运动行为，但似乎不太主动寻求康复信息（Milani等人，2024年；Salvi等人，2018年；Yen等人，2023年）。相比之下，“高依从性”组的患者表现出更强的自我管理能力和资源利用能力，这些特征通常与更高的知识水平、更强的自我效能感和更大的感知社会支持相关（Shi等人，2025年；Teixeira等人，2012年）。从护理的角度来看，强化有效行为和促进同伴间的经验分享可能有助于提高低依从性个体的行为改善（Patil等人，2018年）。
**4.2 家居功能锻炼的预测因素**
**4.2.1 婚姻状况**
已婚参与者更有可能很好地遵循居家功能锻炼，这突显了配偶在早期康复中的支持作用。先前的研究表明，婚姻关系可以通过提供情感鼓励和实际帮助来增强信心和持久性（Wang等人，2025年）。配偶和更广泛的家庭支持还可以通过安慰、监督和工具性辅助来促进自我管理。此外，涉及患者和照护者的双人干预已被证明可以改善其他临床人群的依从性和生活质量（Shen等人，2025年；Son等人，2025年）。我们的发现将这种动态信函方法的应用从跌倒风险预测扩展到了居家功能锻炼的依从性预测，这一结果与长期康复参与和功能恢复高度相关。这一比较进一步支持了在中风护理中使用基于信函的工具的可行性和临床合理性。此外，关于多变量预测模型开发的方法学指导强调了充分样本量规划、透明模型构建和适当验证的重要性，以增强模型的稳定性和临床适用性（Riley等人，2019年）。在这方面，我们的模型结合了数据驱动的预测因子选择、基于自助法的内部验证以及对区分度、校准和临床效用的评估，从而为其作为康复实践中早期筛查工具的使用提供了更强的方法学支持。自助法分析进一步显示，校准后的乐观值为0.939，校准截距为0.009，表明存在轻微的过度拟合现象，但预测风险和观察风险之间有良好的一致性。该模型显示出良好的校准和临床效用，表明其在风险分层和个性化康复管理中具有潜在价值。
**4.3 中风导致肢体功能障碍的患者进行居家功能锻炼的潜在特征**
LPA识别出三种不同的依从性特征——低、中和高——这突显了中风后患肢体功能障碍人群在居家功能锻炼依从性方面的异质性。这种分类与之前关于高风险人群健康行为低-中-高类型的报告一致（Guo等人，2020年）。在我们的样本中，中等和高依从性特征占参与者的81.9%，表明大多数人至少保持了中等程度的参与度。然而，18.1%的人被归类为低依从性，这类人群恢复不佳和长期残疾的风险更高（Billinger等人，2014年）。先前的研究也表明，低依从性与功能下降、抑郁症状和更大的照护者负担有关（Arensman等人，2024年；Schuch和Stubbs，2019年）。这些发现强调了早期识别低依从性个体并实施针对性干预的重要性，例如结构化的康复指导和持续反馈，以提高他们的参与度（Milton-Cole等人，2024年；Soong等人，2025年）。根据以往的研究证据，被归类为“低依从性”的患者不太可能寻求专业支持，这可能反映了他们的健康意识较低、自我效能感较低或社会支持不足（Xie等人，2020年）。属于“中度依从性”特征的患者表现出更一致的运动行为，但似乎不太主动寻求康复信息（Milani等人，2024年；Salvi等人，2018年；Yen等人，2023年）。相比之下，“高依从性”组的患者表现出更强的自我管理能力和资源利用能力，这些特征通常与更高的知识水平、更强的自我效能感和更大的感知社会支持相关（Shi等人，2025年；Teixeira等人，2012年）。从护理的角度来看，强化有效行为和促进同伴间的经验分享可能有助于提高低依从性个体的行为改善（Patil等人，2018年）。
**4.2 家居功能锻炼的预测因素**
**4.2.1 婚姻状况**
已婚参与者更有可能很好地遵循居家功能锻炼，这突显了配偶在早期康复中的支持作用。先前的研究表明，婚姻关系可以通过提供情感鼓励和实际帮助来增强信心和持久性（Wang等人，2025年）。配偶和更广泛的家庭支持还可以通过安慰、监督和工具性辅助来促进自我管理。此外，涉及患者和照护者的双重干预已被证明可以改善其他临床人群的依从性和生活质量（Shen等人，2025年；Son等人，2025年）。我们的发现将这一证据扩展到中风患者，并表明在评估依从性风险时评估家庭支持结构可能很重要。对于单身、离婚或丧偶的个体，替代支持（例如，志愿者陪伴或基于社区的康复计划）可能有助于弥补配偶支持的减少。
**4.2.2 月收入**
较高的月收入与更好的依从性相关。财务资源可能会影响获得康复服务的机会以及持续接受训练的能力。一项多中心研究报告称，经济压力与中风后康复的中断有关，低收入群体尤其容易退出（Xu等人，2024年）。我们的发现与这一证据一致，表明负担能力是居家功能锻炼计划中依从性的重要决定因素。在实践中，资源有限的个体可能会从低成本、可行的锻炼处方中受益（例如，无需设备的锻炼程序或基于社区的选择）。扩大保险覆盖范围或提供定向补贴也可能减少收入相关的差异。
**4.2.3 主要照护者**
主要照护者的身份通过通用信息问卷进行评估，并分为配偶、成年子女、照护者/家务助手或其他类型。主要照护者为配偶或成年子女的参与者比那些主要由非家庭成员照护的参与者表现出更好的依从性，这突显了长期陪伴和情感联系的潜在重要性。先前的研究表明，积极的照护者参与与更好的参与度和结果相关；例如，投入的照护者和照护者培训与康复后社区出院的概率更高（Bosch等人，2023年）。我们的发现进一步表明，照护者类型可能很重要：与家庭照护者相比，雇佣的照护者可能与更不稳定的依从性有关，可能是由于共同目标较弱或情感联系较少。因此，后续管理应考虑照护者的参与情况，并为不同类型的照护者提供个性化的指导。
**4.2.4 知识水平**
在本研究中，中风相关知识通过总SKQ得分来衡量。较高的SKQ得分预测了更好的居家功能锻炼依从性。较低的健康素养一直与较差的自我管理和出院后更高的利用率相关——例如，健康素养不足的心力衰竭患者30天再利用率高出46%（IRR = 1.46）（Mitchell等人，2012年）。在中风患者中，较低的健康素养与较低的生活质量相关，而韧性和社会支持起着中介作用（Chen等人，2024年）。在中风康复中，理解疾病和训练原则可能帮助个体评估风险、设定现实的目标，并避免因误解而中断康复。然而，仅凭知识可能还不够；如果没有动力或足够的支持，信息可能无法转化为持续的行为。因此，当教育与动机增强和支持系统加强相结合时，干预措施可能会更有效。
**4.2.5 锻炼动机（BREQ-3 RAI）**
在这项研究中，锻炼动机使用BREQ-3得出的RAI来量化，较高的RAI值表示更强的自主动机。锻炼动机（BREQ-3 RAI）是最强的依从性预测因素之一，表明具有更强自主动机的人更有可能持续遵循居家功能锻炼，这与自我决定理论一致（Gangwani等人，2022年）。通过具体目标和及时反馈增强内在动机可能显著提高依从性。例如，一项针对康复专业人员的调查报告称，目标导向的实践被广泛用于支持中风后的动机和锻炼表现（Oyake等人，2020年）。从理论角度来看，通过可实现的目标和适当校准的任务难度来支持自主性和能力可能有助于内化动机并促进持续的参与（Fernandes等人，2024年）。我们的发现强化了这一观点，并强调了早期评估动机的重要性。对于自主动机较低的个体，诸如动机访谈、分阶段设定目标和同伴示范等方法可能有助于将外部提示转化为更持久的自主动机。总体而言，本研究确定了五个独立的居家功能锻炼依从性预测因素：婚姻状况、月收入、主要照护者、知识水平 and 锻炼动机。除了这些核心变量外，单变量分析和LASSO还表明与教育水平、居住安排、自我效能感和感知社会支持有关，这与先前关于健康素养、环境背景、心理资源和社会支持的文献一致。然而，这些因素并未被纳入最终的多变量模型中，这可能反映了通过知识或动机的部分中介作用，或者可能与婚姻状况和照护者类型存在潜在的交互作用。这并不贬低它们的重要性，而是说明依从性受到多种潜在相互关联的心理社会因素的影响。
**4.3 实际意义**
所提出的模型可能有助于早期识别依从性风险较高的个体，为分层康复管理提供证据基础。基于风险的分层可以帮助优先分配有限的康复资源和后续服务，从而提高护理的精确性和效率。这种方法在资源受限的环境中尤为重要，优化分配可以确保高需求个体获得适当的支持，最终提高康复质量和结果。结合先前在中风康复中的基于信函的研究，这些发现表明，动态且临床易于使用的预测工具可能在支持个性化后续工作和针对性干预计划方面具有更广泛的价值。
**4.4 强点和局限性**
本研究创新地将LPA与预测建模结合起来，以描述中风后人群的居家功能锻炼依从模式，并开发了一个风险预测工具。通过整合LASSO回归、多变量逻辑回归和基于网络的计算器，我们开发了一个具有良好校准和临床可行性的模型，为康复实践中的依从性评估提供了实用框架。然而，也应承认几个局限性。首先，横断面设计排除了因果推断，无法评估整个康复过程中居家功能锻炼依从性的变化。鉴于依从性是一种可能随时间变化的动态行为，未来的纵向研究将有助于检查不同康复阶段的时间变化及其决定因素。其次，来自单一地区的方便抽样可能限制了代表性和普遍性；因此，未来的研究应在更多样化的人群和医疗环境中验证该模型。第三，当前的基于网络的工具包含的部分界面元素不是完全用英语编写，这可能对某些用户造成语言障碍，限制了其更广泛的传播。最后，尽管包括了多个心理社会变量，但可能还有一些其他重要因素未被涵盖，这些因素可能会引入残余混杂。这些因素包括文化背景、长期照护资源以及中风严重程度、中风发生后的时间、康复阶段、之前的康复经历和住院/门诊护理环境等关键临床特征。尽管所有纳入的参与者在急性治疗阶段后临床稳定，并能够进行居家功能锻炼，但我们没有进一步将他们分为亚急性和慢性恢复阶段，这可能会影响依从性模式。这些因素可能会影响居家功能锻炼的依从性，并可能影响潜在依从性特征的识别和解释。未来的研究应纳入这些变量，采用纵向设计，并在不同康复阶段对模型进行分层验证和扩展。
**5 结论**
通过将LPA与LASSO辅助的逻辑回归相结合，本研究开发并内部验证了一个预测中风后人群居家功能锻炼依从性的模型。结果揭示了依从性亚组之间的显著异质性，并确定了关键预测因素，包括婚姻状况、月收入、主要照护者、中风相关知识和锻炼动机。所得到的基于网络的动态信函可以作为一个实用的工具，用于风险分层，支持早期识别依从性风险较高的个体，并为定制干预策略提供信息。这些方法可能改善康复依从性，从而促进中风后的功能恢复和生活质量。
**作者贡献**
Wenbo Li：概念化、撰写——原始草稿。Qiujie Li：数据整理、撰写——审阅和编辑。
**致谢**
作者衷心感谢所有参与这项研究的患者。同时也特别感谢临床工作人员和康复专业人员在数据收集过程中提供的宝贵帮助。
**伦理声明**
本研究遵循《赫尔辛基宣言》的原则进行。哈尔滨医科大学第二附属医院的伦理委员会批准了这项研究（批准编号：KY2025-169）。所有涉及人类参与者的研究程序均符合所在机构及/或国家研究委员会的伦理标准，以及1964年《赫尔辛基宣言》及其后续修订版中的伦理规范。
**知情同意**
所有参与研究的个体均获得了知情同意。在研究开始前，所有受试者均收到了书面知情同意书。研究人员已向参与者充分说明了研究的目的、具体程序、潜在风险和益处，并告知他们可以随时无条件退出研究，而不会受到任何处罚。
**利益冲突**
作者声明不存在任何利益冲突。
**数据获取**
支持本研究结果的数据可在合理请求下从通讯作者处获得。
**同行评审**
为保证透明度，与该文章相关的同行评审文件可访问以下链接：https://doi.org/10.1002/brb3.71482
**评审流程**
- 第三轮评审：
编辑决策函：2026/04/25
- 第二轮评审：
编辑决策函：2026/04/17
- 评审者1报告：2026/04/04
评审者1报告附件1：2026/04/04
- 第一轮评审：
编辑决策函：2026/01/31
评审者1报告：2026/01/14
评审者1报告附件1：2026/01/14
打赏
