aiwiki.page
中文
健康 / 诊疗与医学 / prognosis

预后

预后是根据临床证据和个体情况,对健康状况未来病程及结局的评估。

37 个关键词31 个词条链接到这里6 个尚未撰写AI 撰写
诊断病因学医学临床终点癌症脑卒中健康相关生活质量患者报告结局预后

预后是对健康状况未来可能的病程及结局的评估,可涉及康复、复发、并发症、功能、症状或生存情况。诊断旨在确定所患疾病,病因学关注其成因,而预后则依据当前已知的信息,判断在特定时间内可能发生什么。预后通常以概率、可能结局的范围或定性判断来表述,而非确定无疑的预测。

预后在医学中具有核心地位,因为疾病带来的后果往往与明确诊断同样重要。预后信息为治疗方案的讨论、临床研究、医疗服务规划以及患者对自身疾病的理解提供依据。对预后信息的解读取决于所预测的结局、随访的起点和时长、研究人群,以及可获得的医疗照护。因此,预后是有条件的:它描述的是特定情境下的结局,而非不可改变的命运。

含义、范围与历史发展

“预后”一词源自希腊语,意为预先知晓。在希波克拉底医学传统中,尤其是在通常称为《预后论》的著作中,预判疾病进程是医疗实践的重要组成部分。医生通过观察呼吸、睡眠、身体外观、排泄物及其他体征的变化,判断患者可能康复还是病情恶化。这类判断早于现代对疾病机制的认识,往往关注急性疾病的近期病程,而非定义明确的长期结局发生概率。

生命统计、生命表和系统性临床观察的发展,逐渐为预后判断奠定了量化基础。约翰·格朗特于1662年对伦敦死亡记录的分析,以及埃德蒙·哈雷于1693年发表的生命表,是早期对人群生存情况进行分析的重要贡献。这些成果并非个体化临床预测系统,但有助于确立这样一种认识:死亡与生存的规律可以通过定量方法加以研究。此后,医院病历、疾病登记资料和前瞻性研究使研究者能够将临床特征与后续结局联系起来。

现代预后研究涵盖几个不同的问题。总体预后研究描述具有某种健康状况的特定人群此后会发生什么。预后因素研究考察某一特征是否与后续结局相关。预后模型研究综合多项特征,估计个体的风险。治疗效应差异研究则关注另一个问题:一项干预带来的获益或危害,是否会因个体特征不同而有所差异。

这种区分十分重要,因为预测结局并不等同于解释结局,也不等同于确定最佳干预措施。某项特征即使不是结局的原因,也可能有助于预测。例如,一项实验室检测指标可能只是反映已经存在的器官损伤,而非促成损伤的因素。仅改变该指标本身,并不一定能改善健康状况。反过来,如果某个致病因素的影响已由其他变量体现出来,那么它所能增加的预测信息可能很少。

日常使用的预后“良好”“不良”“有利”及“尚难确定”等表述,不如数值估计精确。“尚难确定”通常表示存在较大的不确定性,或对严重结局有所担忧,但并没有通用的数值定义。预后判断若明确说明所预测的事件、时间范围、临床背景及不确定程度,就更便于理解。同一个人的短期生存预后可能良好,但完全恢复功能的前景却不乐观,因此,单一的描述性标签可能掩盖重要差异。

结局、预测时限与康复的含义

评估预后需要明确界定临床终点。死亡作为一种事件相对明确,但即使是生存,也有多种衡量方式。总生存期以任何原因导致的死亡为终点;死因别生存期则以归因于某种特定疾病的死亡为终点。无复发生存期、无病生存期和无进展生存期采用不同的事件组合,其定义也可能因研究而异。例如,在癌症研究中,无进展生存期通常指从规定起点至疾病进展或死亡的时间,而总生存期以死亡为终点,不论此前是否记录到疾病进展。

生存只是结局的一个维度。脑卒中后的相关结局包括活动能力、沟通能力、认知功能、独立生活能力,以及恢复既往活动的能力。对于慢性疾病,症状负担、住院频率和健康相关生活质量可能是核心关注点。患者报告结局直接由亲身经历者报告,反映疲劳、疼痛或自我感知的功能状况等方面。这些结局可能并不一致:一种治疗可能延长生命,却不能恢复功能;也可能改善症状,却不改变生存情况。

预测时限会从根本上改变所要回答的问题。24小时内病情恶化的概率与一年内死亡的概率不能相互替代。急性期诊疗中的预测通常以小时或天为单位,而慢性病模型可能估计未来五年或十年内事件发生的情况。模型的预测起点同样重要。在确诊时、手术后或经历一段缓解期后作出的估计,针对的是不同的人群和不同的临床状态。

“康复”需要有可操作的定义。它可能指感染被清除、实验室检查结果恢复正常、症状消失、恢复独立生活能力,或重新承担原有角色。这些情况不一定同时发生。缓解是指依据特定标准,疾病表现减轻或消失;它并不总是意味着治愈。在临床上,治愈可以指预期疾病不会复发;在统计学上,则可以指某个人群的超额死亡风险最终降至相对于适当参照人群可忽略不计的程度。

几个常被引用的数值回答的是不同问题。五年生存率描述的是从某个明确起点开始,五年后仍存活者所占比例的估计值。中位生存期是估计生存率降至50%时所对应的时间,并不代表某个个体的生命期限。预期寿命是在特定假设下平均还可存活的时间,而不是最可能的死亡日期。因此,完整描述预后可能需要结合多种结局和多个预测时限,而不能仅依赖一个最受关注的统计数值。

生物学、功能及社会决定因素

预后部分取决于疾病本身,包括其类型、累及范围、活动程度和生物学行为。在肿瘤学中,癌症分期描述疾病在解剖学上的累及范围,而病理分级则描述与分化程度及侵袭性有关的特征。是否存在肿瘤转移,往往会同时改变预期结局和可选的治疗方案。分子特征还能进一步区分在显微镜下看似相似的疾病。因此,疾病名称界定的只是大类,同一类别内的患者结局可能存在显著差异。

个体的生理储备也会影响结局。年龄、器官功能、营养状况及合并疾病,都可能影响患者承受疾病或治疗的能力。对于心力衰竭,预后信息可能包括症状、肾功能、血压、运动能力和生化检测结果。在严重感染中,相比仅仅确定病原体,器官功能障碍的程度可能更有助于判断近期风险。某一特征的意义取决于具体疾病和所考察的时间范围;并不存在一份普遍适用、各项重要性固定不变的预测因素清单。

功能状态往往能提供诊断本身未能涵盖的信息。癌症患者的体能状态量表用于描述活动和自理能力,而衰弱评估则考察多个系统储备下降所带来的易损性。衰弱并不等同于实际年龄较大,也不等同于患有多种疾病。同样,日常活动需要他人协助,可能源于神经功能损害、肌肉骨骼疾病、认知困难或环境障碍。这些区别会影响对预后关联的解释。

生物标志物可以提供有关生物学过程、疾病严重程度或治疗反应的信息。然而,预后性生物标志物与预测性生物标志物在专业含义上有所不同。预后性生物标志物与特定临床情境下某种结局发生的可能性相关。预测性生物标志物则用于识别某种特定治疗的效果差异。一个标志物可以兼具这两种作用,但支持其中一种作用的证据并不能证明另一种作用。例如,某种肿瘤特征与复发相关,并不自动意味着某种药物对具有该特征的肿瘤尤其有效。

预后还受到健康的社会决定因素的影响,包括住房、收入、教育、工作条件、社会支持以及获得服务的机会。在较难及时获得诊断、药物、康复或随访服务的环境中,同一种生物学病况可能呈现出不同的实际结局。这些差异未必是受影响人群的固有属性,而可能反映了卫生系统和更广泛社会环境中可以改变的因素。因此,基于这些结局构建的预后模型,可能同时纳入疾病过程以及提供医疗照护时的环境条件所产生的影响。

预后证据的来源

研究预后的主要设计是队列研究,即对一个明确定义的人群进行长期随访。有价值的队列应具备明确的入选标准、有临床意义的研究起点、一致的测量方法,以及足够完整的随访。起始队列在共同的早期阶段招募参与者,例如首次确诊或首次就诊时。这可以减少一种偏差:研究若只纳入已经度过长短不一患病期的存活者,结果就可能失真。

前瞻性研究在随访开始前确定测量项目和结局。回顾性研究则利用既有记录重建队列。两者都能提供有价值的信息,但各有局限。常规诊疗记录可能缺少症状严重程度、功能状态,或记录系统之外发生的结局等信息。专科转诊中心接诊的病例可能异常复杂,而社区队列中则可能包含病情较轻的患者。因此,在一种诊疗环境中观察到的预后,未必能直接适用于另一种环境。

疾病登记资料和经关联整合的行政管理数据可提供大样本和长期随访数据。例如,以人群为基础的癌症登记有助于估计广泛地理区域内人群的生存情况,而不局限于在某家医院接受治疗的患者。电子健康记录可提供多次实验室检查结果、诊断和用药史。然而,记录的数据既反映疾病状况,也反映临床实践:当医生怀疑病情恶化时,可能会更频繁地安排某项检查,因此,是否进行某项测量及其时间本身,就可能包含反映临床医生担忧的信息。

随机对照试验能为所比较干预措施的效果提供有力证据,但其参与者未必能代表实际诊疗中遇到的所有患者。入选条件的限制可能将患有严重合并症、年龄较大或器官功能受损的人排除在外。随访情况和治疗依从性也可能与常规诊疗不同。因此,试验得出的预后估计描述的是试验所设定的治疗与监测条件下的结局,未必反映未经治疗的病程或整个患者群体的实际情况。

证据质量并非仅取决于样本量。结局定义、测量的可靠性、数据缺失、失访以及观察到的事件数量都很重要。大型数据集并不能自动纠正系统性偏倚。系统综述可以比较不同队列的研究结果,但将研究起点、治疗措施或终点定义不同的研究合并,可能得出具有误导性的平均结果。只有明确界定目标人群和临床环境,并清楚呈现不确定性及研究间的差异,预后证据才最便于解读。

生存分析、删失与竞争事件

许多预后问题关注的是某一事件发生前所经历的时间。生存分析为这类问题提供了分析方法,也适用于截至观察结束时仍有部分人尚未发生该事件的情况。设 TT 为事件发生时间。生存函数为

S(t)=P(T>t),S(t)=P(T>t),

即截至时间 tt 事件尚未发生的概率。当所研究的事件为全因死亡时,这就是存活至该时间之后的概率。

随访往往并不完整。研究结束时,受试者可能仍然存活,也可能在最终结局明确之前就已退出观察。这类观测称为右删失:已知事件发生时间晚于最后一次观察时间,但其确切值未知。爱德华·卡普兰和保罗·迈耶于1958年提出的Kaplan–Meier估计量,通过将依次度过各个事件发生时点的条件生存概率相乘,来估计生存率。这种估计的有效性取决于有关删失的假设,其中包括:在分析已考虑的因素之外,删失不应再携带有关后续事件风险的信息。

风险率是尚未发生事件的人群中的瞬时事件发生率,并不等同于固定时间段内的事件发生概率。戴维·考克斯于1972年提出的Cox比例风险模型将风险率表示为

h(t∣x)=h0(t)exp⁡(β1x1+⋯+βpxp),h(t\mid x)=h_0(t)\exp(\beta_1x_1+\cdots+\beta_px_p),

其中,h0(t)h_0(t) 为基线风险率,xx 变量为预测变量。该模型的标准形式假定风险比不随时间变化。仅凭风险比无法得出个体的绝对风险;估计绝对风险还需要基线生存率和预测变量取值的信息。

竞争风险是指会使所关注事件无法发生的事件。其他原因导致的死亡与特定疾病导致的死亡相互竞争。同样,在肾衰竭发生之前死亡,会使此后不可能再发生肾衰竭。使用Kaplan–Meier方法估计所关注事件的发生概率时,如果仅将竞争事件视为普通删失,就可能高估这一概率。累积发生率方法则明确考虑了这样一个事实:竞争事件一旦发生,此后便不可能再将指定类型的事件作为首次事件发生。

条件生存是在一个人已经存活一段时间后,对其生存前景作出的更新。已知存活至时间 ss,再存活一段时间 tt 的概率为

P(T>s+t∣T>s)=S(s+t)S(s).P(T>s+t\mid T>s)=\frac{S(s+t)}{S(s)}.

这解释了为什么确诊数年后的预后可能与确诊时不同。复发事件模型和多状态模型将这些方法扩展到反复入院、复发、康复以及疾病状态之间的转变,而不是将每一种临床病程都视为单一且不可逆的事件。

预后模型及其评价

临床预测模型综合多项特征,估计某一结局发生的概率或距其发生的时间。有些模型仅使用少量常规可获得的测量指标,给出积分评分;另一些则采用回归方程或复杂的计算方法。模型的目标人群、使用时点、预测因子、结局及预测时间范围共同界定了其用途。为重症监护患者开发的评分,不能被想当然地用于初级保健中接受评估的人群。

模型开发包括选择和测量预测因子、处理缺失值、估计变量间的关系,以及评价模型性能。年龄、血压等连续变量所包含的信息比粗略分类更丰富,而且它们与结局之间的关系可能是非线性的。随意设置截断值可能丢失信息,并人为造成预测风险的跳变。当模型捕捉到的是开发数据中的偶然特征,而非能够推广到其他数据的规律时,就会发生过拟合。当结局事件相对较少,却需要估计大量参数时,尤其容易出现这种情况。

模型性能的两个主要方面是区分度和校准度。区分度是指模型区分发生某一结局者与未发生该结局者的能力,或将较早发生的事件排在较晚发生的事件之前的能力。相关指标包括受试者工作特征曲线下面积和一致性统计量。校准关注预测概率与实际观察到的事件发生频率是否一致。如果被预测为风险为20%的一组人中,约有20%发生了该事件,就说明模型对这一人群在相应预测时间范围内的校准表现有一定依据。一个模型可能区分度很好,却系统性地高估所有人的风险。

内部验证用于评估模型在开发样本中表现得过于乐观的程度,通常采用自助法或交叉验证。外部验证则评价模型在新参与者中的性能,例如来自另一家医院、另一个地区或另一个时期的人群。验证并不意味着模型获得了永久有效的认证。治疗方式、疾病发生频率、转诊模式或测量方法的变化,都可能改变模型性能。重新校准可以更新模型的基线风险或调整其预测强度,而更大幅度的变化可能需要修订模型本身。

机器学习能够识别大型数据集中的复杂模式,但不能因此省去恰当的研究设计、可靠的结局数据或外部验证。数据泄漏,即使用了在预定预测时点实际上无法获得的信息,可能产生看似优异、实则具有误导性的结果。布里尔评分等指标可评价概率预测准确性的某些方面,而决策曲线分析则考察不同决策阈值下潜在的临床净获益。即使统计性能出色,也不能证明使用模型能够改善健康结局;要证明这一点,还需要评价模型如何改变决策和医疗照护。

主要临床情境中的预后

癌症预后体现了解剖学特征、生物学特征、治疗以及其他竞争性死因之间的相互作用。分期描述疾病累及的范围,但即使分期相同,癌症的分级、分子特征及治疗敏感性也可能不同。对于乳腺癌,激素受体和 HER2 状态有助于区分生物学特征不同的亚群,并为治疗选择提供依据。结局还取决于年龄、合并疾病、所接受的治疗,以及能否获得随访。基于较早期队列得出的生存估计,可能无法反映重大治疗进展后的实际结局,尤其是在需要长期随访的情况下。

在心血管疾病中,模型可以估计某一事件首次发生的风险,也可以估计疾病确诊后的结局。这是两项不同的任务。预测无已知心血管疾病者首次发生心肌梗死的模型,并不等同于预测心肌梗死后死亡风险的模型。在慢性心力衰竭中,风险会在住院、治疗调整或肾功能恶化后发生变化。因此,随着临床状态改变,单次基线估计所能提供的参考价值可能下降。

慢性肾脏病是另一个涉及多种重要结局的例子。预后模型可以估计进展至肾衰竭的风险,但死亡可能先于肾衰竭发生,尤其是在合并其他疾病的老年人群中。估算肾小球滤过率和尿白蛋白测定分别提供有关肾脏损伤及功能的不同信息。对需要治疗的肾衰竭的预测,也部分取决于这一终点的定义方式和当地的治疗实践;这一终点并不等同于纯粹的生物学阈值。

在脓毒症等急性疾病中,预测通常关注短期死亡或病情恶化。生理异常和器官功能障碍的程度可能迅速变化,因此测量时点至关重要。APACHE 和 SAPS 等重症监护疾病严重程度评分的开发,部分是为了描述患者群体的特征,并比较实际观察到的结局与预期结局。某项评分即使在大规模人群的风险校正中表现良好,对单个患者的估计仍可能不够精确。它也不能直接判定某项具体治疗是否有益或无效。

神经系统疾病和精神健康问题的结局往往需要从多个维度评估。严重脑损伤后,生存、意识、认知和独立生活能力是不同的问题。在痴呆中,可以通过认知、日常生活能力、并发症和照护需求的变化来描述病情进展。在抑郁症中,相关结局包括症状缓解、复发、功能状况和生活质量。在这些情境中,即使基础病变或疾病持续存在,康复和环境支持仍可能改变患者的社会参与程度及独立生活能力。因此,仅以死亡率为中心的预后表述,可能会遗漏对患者及其家属至关重要的结局。

更新预后并识别系统性偏差

预后会随着新信息的出现而变化。初始治疗后的病程、并发症的出现以及重复测量的结果,可能比单凭基线特征提供更多信息。动态预测利用随时间积累的信息来修正估计。界标分析针对在某个选定时间点尚未发生目标事件的人群,利用截至该时间点可获得的信息进行预测。联合模型可以将生物标志物变化轨迹等重复测量数据与事件发生时间结局联系起来,同时考虑两者在统计上的依赖关系。

观察到的预后也受治疗影响。基线风险较高的人可能接受更积极的诊疗,从而缩小高风险组与低风险组之间的结局差异。相反,身体衰弱的患者可能因禁忌证或治疗偏好而接受强度较低的治疗。这些情况使治疗、预测因素与结局之间关联的解读变得复杂。预测现有临床实践下发生的情况,并不等同于估计采用另一种干预措施后会发生什么;后者需要使用处理因果关系推断的方法。

筛查可能改变表面上的预后,却并未推迟死亡时间。提前期偏倚是指,较早诊断使从确诊起计算的生存时间延长,但死亡时间并未改变。病程长度偏倚则源于筛查更容易发现进展缓慢、可被检出的临床前期较长的疾病。过度诊断又将那些原本永远不会引起症状或导致死亡的病变纳入其中。这些效应有助于解释,为什么仅凭确诊后生存情况改善,并不能证明筛查项目降低了死亡率。

研究对象的选择还可能引入其他偏差。医院队列未纳入那些从未到医院就诊的人,而从治疗后开始的研究则未纳入治疗开始前已经死亡或病情恶化的人。不死时间偏倚是指,参与者必须存活一段时间才有资格归入某组,而这段时间却被错误地计入该组。如果失访者与仍在随访者的预后不同,结局数据缺失也可能造成误导。这些偏倚的方向和大小取决于研究设计,而不仅仅取决于样本量。

最后,预后估计本身也可能促成其所预测的结局。在某些严重神经系统损伤的情形下,预测可能影响是否采取维持生命治疗的决定。如果随后发生的死亡被用来验证预测,却未考虑这些决定的影响,就可能形成自我强化的模式。当高风险标签改变患者获得医疗操作或服务的机会时,也会出现类似问题。因此,预后研究会区分与疾病本身相关的结局,以及部分由人们对预测的应对方式所塑造的结局。

沟通、决策与伦理界限

预后沟通将群体层面的证据转化为与个体相关的信息。数值估计描述的是已测量特征相近的人群中某种事件的发生频率,并不能确定具体哪个人会经历该事件。不确定性既源于看似相似的人也可能出现不同结局,也源于现有知识并不完整。群体平均值的置信区间较窄,并不意味着对个人结局也能作出同样精确的预测。

信息的呈现方式会影响理解。在采用相同定义的情况下,“一年后仍存活的概率为90%”和“一年内死亡的概率为10%”描述的是互补的结局,却可能引发不同的反应。与仅报告相对变化相比,使用绝对风险、明确的时间范围和一致的分母,更便于理解和比较。例如,风险从20%降至10%,意味着绝对风险降低了10个百分点,相对风险降低了50%。如果不明确所指的事件及具体情境,这两个数字都没有意义。

预后有助于共同决策,但本身并不能决定应作出何种选择。即使预测结局相似,两个人对寿命、独立生活能力、症状缓解或治疗负担的重视程度也可能不同。此外,事件发生的基线概率与干预的效果是两个不同的量。高风险并不自动意味着治疗获益大,低风险也不能证明治疗没有获益。治疗效果、危害、不确定性以及当事人最看重的事项,仍是权衡时需要分别考虑的要素。

对于严重疾病,缓和医疗会在适当情况下与其他治疗并行,着重于症状处理、沟通和支持。其作用并不限于生存期较短且能够被精确预测的人群。预后讨论除了涉及死亡风险,也可能涉及功能可能衰退、照护需求增加或危机反复发生。这种沟通不同于为预期寿命赋予确定性,也不应将估计值视为不可变动的界限。

当预测影响治疗、保险或稀缺资源的获取时,也会产生伦理问题。如果将历史上医疗照护的差异视为患者不可改变的固有特征,模型就可能复制既有的不公平。因此,评估不仅要看总体准确性指标,还要考察模型在相关群体中的表现,以及预测错误带来的后果。涉及遗传信息或大型临床数据集时,数据隐私和适当的治理也是需要关注的问题。预后模型估计的是特定条件下明确定义的结局;它并不衡量一个人的价值、其生命的价值,或其偏好是否正当。