DOI:10.20047/j.issn1673-7210.26010744
中图分类号:R473.74
朱凤伊1, 张会2, 刘安诺3, 许静1, 葛瑶1, 刘梦1
| 【作者机构】 | 1安徽医科大学护理学院; 2安徽医科大学第一附属医院安徽省公共卫生临床中心护理部; 3安徽医科大学泰康康养产业研究院 |
| 【分 类 号】 | R473.74 |
| 【基 金】 | 安徽省转化医学研究院护理学联合专项课题(2024zhyx-hl-B30) 2025年度安徽医科大学护理学院研究生青苗培育项目(Hlqm12025094)。 |
据全球疾病负担数据统计,脑卒中已成为中国成人致死、致残的首要病因[1]。研究显示,急性期脑卒中疾病进展快,病情更加不稳定,易给患者带来严重的症状负担[2]。目前对急性期脑卒中患者多聚焦于探索症状群类型和整体症状网络分析,但患者各症状间的相互作用机制及症状与其相关因素的关联机制仍不明确。网络分析可通过构建症状的网络结构,确定核心症状和桥梁症状,探索疾病与因素间复杂的相互作用[3]。本研究旨在基于症状网络方法,构建急性期脑卒中患者症状网络,探讨患者症状间及症状与相关因素间复杂的内部关联机制。
选取2024年7月至2025年3月在安徽医科大学第一附属医院神经内科住院的急性期脑卒中患者为研究对象。纳入标准:①年龄 ≥18岁;②病程为6 h~14 d(处于急性期);③符合中国脑卒中学会制定的脑卒中诊断标准,经CT或MRI结果被确诊为脑卒中[4];④病情稳定(经主治医师评估),无严重认知和沟通障碍,能正确理解问卷内容;⑤自愿参加本研究,并签署知情同意书。排除标准:①合并严重充血性心力衰竭、恶性肿瘤等急危重症者或疾病终末期患者;②同时参加其他研究项目者。共纳入38个自变量。根据影响因素分析方法,样本量应为自变量数的5~10倍,并结合20%的无效问卷率,所需样本量228~456例,故最终纳入371例患者。本研究已经安徽医科大学第一附属医院北区(安徽省公共卫生临床中心)伦理委员会审核批准(PJ-YX2024-059)。
1.2.1 一般资料调查表 采用自编问卷进行基本信息的收集,包括性别、年龄、婚姻状况、文化程度、居住地、家庭月收入、工作状态、医保方式、自理能力、体质量指数、脑卒中类型、脑卒中次数、合并慢性疾病个数。
1.2.2 脑卒中症状体验量表 由石丹等[5]编制,共19个条目6个维度,从症状发生频率、强度和困扰度3个方面评估患者每种症状的负担状况。采用Likert 5级评分法,从“完全没有”至“很多”依次赋0~4分。以每个症状3个项目的平均分作为该症状负担。整体症状负担为所有症状负担的平均分之和。得分越高,症状负担越重。该量表的Cronbach’s α系数为0.81,内容效度指数为0.95。
1.2.3 美国国立卫生院脑卒中量表 由蔡业峰等[6]翻译成中文版,量表包括意识水平、肢体运动等11个项目,总分0~42分。评分越高,症状越重、神经功能越差。该量表的Cronbach’s α系数为0.52~0.77。该量表由神经科医师评估并记录,相关资料从电子病历系统或咨询主治医师获得[7]。
1.2.4 简易版疾病感知问卷 由Broadbent等[8]编制,梅雅琪等[9]进行汉化,包括认知、情绪、理解能力3个维度,共8个条目和1个开放性问题。采用Likert 10级评分法,总分为0~80分,得分越高表明患者对疾病的消极感知越强。该量表的Cronbach’s α系数为0.83。
1.2.5 简易应对方式问卷 由解亚宁[10]进行汉化,用于评估患者在遇到困难时所采取的应对态度,包括积极应对和消极应对两个维度,共20个条目。采用Likert 4级(0~3分)评分法,积极应对量表得分0~36分,消极应对量表得分0~24分,得分高的维度为患者经常采取的应对方式。量表的总Cronbach’s α系数为0.90。
1.2.6 社会支持量表 由肖水源[11]编制,含客观支持、主观支持及对社会支持利用度3个维度,共10个条目,采用Likert 4级评分法和多选项评分法,总分为12~66分,得分越高,社会支持越多。该量表的Cronbach’sα系数为0.83。
研究者经规范培训考核后开展调查。问卷填写开始前,向患者说明调查目的意义以获同意,恪守保密原则。问卷由研究者亲自发放,明确告知填写规范及相关注意事项,随后由患者独立完成填写。针对患者在问卷填写过程中存疑的地方,研究者进行详细指导与解释。对不识字或因其他特殊原因无法自主填写问卷的患者,调查人员需采用逐一询问、患者回答的方式代为填写。问卷在现场予以回收,并仔细检查有无错误或遗漏情况,确保数据完整准确。
采用SPSS 26.0统计学软件进行数据分析。计量资料经Kolmogorov-Smirnov检验符合非正态分布,采用中位数(四分位数)[M(P25,P75)]表示;计数资料采用频数和百分比表示;单因素分析采用U检验、H检验;采用Spearman秩相关系数进行相关性分析;多因素分析采用多元线性回归分析。以P<0.05为差异有统计学意义。采用R 4.3.3和Qgraph模块进行网络分析,构建偏相关网络和症状可视化,通过最小绝对值收敛和选择算法及扩展贝叶斯信息准则简化网络。Bootnet包用于中心性指标测量,强度越大,表示该症状与网络其他症状连接越紧密、越关键。强度指标更可靠,因此采用强度指标识别核心症状,用rs表示[12]。Bridge命令可获取症状的桥梁中心性指标,其中桥梁强度是最具有说服力的指标,因此采用桥梁强度识别桥梁症状,用rbs表示[13]。采用Bootnet包计算相关稳定性系数,相关稳定性系数不应<0.25且最好>0.50[14]。边缘权重的稳定性评估通过Bootstrap算法估算95%置信区间(confidence interval,CI)。混合网络模型由各症状与线性回归分析中结果有统计学意义的变量共同构建,节点间的关联程度以边缘连接强度(connection strength,CS)表示[15]。
共发放380份调查问卷,回收有效问卷371份,有效问卷回收率为97.63%。371例急性期脑卒中患者中,男性占67.12%(249/371),年龄 ≥60岁者占70.08%(260/371),以已婚者为主(78.71%),文化程度为小学及以下者居多(61.19%),44.74%的患者家庭人均月收入为3 000~5 000元,居住在城镇的患者居多(66.04%),在职的患者略多(50.13%),55.53%的患者采用居民医保的方式支付,48.52%的患者体质量指数为18.5~24.0 kg/m2,75.20%的患者有轻度自理能力依赖,脑卒中类型以缺血性为主(94.61%),0~1次脑卒中患者占比为67.12%,美国国立卫生院脑卒中量表等级为轻度的居多(69.27%)。单因素分析结果显示,不同性别、年龄、婚姻状况、文化程度、居住地、家庭人均月收入、工作状态、医保方式、自理能力、脑卒中次数及美国国立卫生院脑卒中量表等级患者症状负担评分比较,差异有统计学意义(P<0.05)。见表1。
表1 急性期脑卒中患者症状负担单因素分析(n=371)
项目例数症状负担评分[分,M(P25,P75)]Z/H值P值性别3.3390.001男24917.67(11.33,24.84)女12221.34(14.25,30.08)年龄(岁)4.628<0.001<6011114.67(9.67,21.33)≥6026020.00(14.08,28.67)婚姻状况2.3300.020已婚29218.00(12.42,26.00)未婚/离异/丧偶7922.00(14.67,28.33)文化程度42.309<0.001小学及以下22722.00(14.67,29.33)初中8714.67(10.00,20.00)高中/中专3712.33(8.00,18.67)大学及以上(大专)2015.34(11.17,22.17)居住地5.030<0.001城市/城镇24516.33(10.67,24.17)农村12622.67(16.67,30.08)家庭人均月收入(元)39.834<0.001<3 00013223.00(16.75,30.25)3 000~5 00016616.50(10.92,24.33)>5 0007315.00(10.00,21.50)工作状态8.8710.012在职18618.67(12.59,27.33)退休/离休6415.84(11.17,21.25)无业12121.33(14.67,28.67)
续表1
项目例数症状负担评分[分,M(P25,P75)]Z/H值P值医保方式7.0180.030居民医保20618.17(12.67,27.33)职工医保3815.00(9.67,20.33)自费12720.67(14.33,27.00)自理能力81.089<0.001轻度依赖27916.00(11.00,22.67)中度依赖5724.00(18.00,33.50)重度依赖3533.00(27.33,37.00)体质量指数(kg/m2)4.8340.184<18.5918.00(13.67,33.17)18.5~24.018020.00(13.42,28.67)>24.0~28.012617.84(12.17,24.75)>28.05618.00(10.42,26.50)脑卒中类型0.1360.892缺血性35118.67(12.67,27.00)出血性2019.17(15.75,23.42)脑卒中次数(次)2.8220.0050~124917.67(12.00,25.17)≥212222.33(14.25,29.00)美国国立卫生院脑卒中量表等级109.860<0.001轻度25715.33(10.67,21.50)中度10328.33(20.33,34.00)中重度1134.33(30.67,43.33)
371例急性期脑卒中患者中,314例(84.64%)存在肢体活动受限,340例(91.64%)存在肢体无力,肢体活动受限和肢体无力患者的症状负担评分分别为2.00(1.67,2.67)分和2.33(1.67,2.67)分;记忆力下降患者占比为77.09%,因不能做想做的事情烦恼患者占比为70.62%,自理能力下降患者占比为76.55%;四肢动作不协调、说话不清患者症状负担评分均为1.67(0.00,2.33)分。见表2。
表2 急性期脑卒中患者的症状构成情况(n=371)
症状例数症状负担评分[分,M(P25,P75)]肢体活动受限3142.00(1.67,2.67)肢体无力3402.33(1.67,2.67)肢体疼痛750.00(0.00,0.00)肩痛350.00(0.00,0.00)足下垂710.00(0.00,0.00)足内翻460.00(0.00,0.00)四肢动作不协调2191.67(0.00,2.33)无法保持身体平衡2561.67(0.00,2.67)记忆力下降2861.67(1.00,2.00)注意力下降1620.00(0.00,1.67)反应变慢1921.33(0.00,2.00)说话不清2041.67(0.00,2.33)对前途失望1390.00(0.00,1.67)容易着急1690.00(0.00,1.67)闷闷不乐1730.00(0.00,1.67)对周围活动没兴趣2191.33(0.00,1.67)因不能做想做的事情烦恼2621.67(0.00,2.00)疲乏2591.67(0.00,2.00)自理能力下降2841.67(1.00,2.33)
19个症状中,肢体活动受限的强度最大(rS=1.198),被识别为核心症状,见图1。节点连接良好,171条边中有86条(50.30%)非零边,S5足下垂与S6足内翻的关系最紧密(Weight=0.61)。自理能力下降(rbS=6.038)和肢体活动受限(rbS=5.952)的桥梁强度最高,两者是桥梁症状,见图2。对强度和预期影响的稳定性检测,其相关性系数均为0.596,提示网络结构的强度和预期影响具有较高稳定性。边的准确性检验结果显示,整体样本边缘权值95%CI较窄,说明边缘权重评估准确。
图1 急性期脑卒中患者症状网络
图2 急性期脑卒中患者症状强度和桥梁强度
Pearman相关分析结果显示,症状负担与疾病感知和消极应对呈正相关(r=0.457、0.393,P<0.05),与积极应对和社会支持呈负相关(r=-0.535、-0.361,P<0.05)。
以症状负担评分为因变量,单因素分析和相关性分析中有统计学意义的变量为自变量,赋值方式见表3。多重共线性分析结果显示,自变量方差膨胀因子<5,各变量间不存在多重共线性。多元线性回归分析结果显示,年龄、自理能力、美国国立卫生院脑卒中量表等级、疾病感知、积极应对及社会支持是急性期脑卒中患者症状负担的预测因素(P<0.05),且可解释总变异的61.0%。见表4。
表3 自变量赋值情况
自变量赋值方式性别男=1,女=2年龄<60岁=1, ≥60岁=2婚姻状况已婚=1,未婚/离异/丧偶=2文化程度小学及以下=1,初中=2,高中/中专=3,大学及以上(大专)=4居住地农村=1,城镇=2家庭人均月收入<3 000元=1,3 000~5 000元=2,>5 000元=3工作状态在职=1,退休/离休=2,无业=3医保方式居民医保=1,职工医保=2,自费=3自理能力轻度依赖=1,中度依赖=2,重度依赖=3脑卒中次数0~1次=1, ≥2次=2美国国立卫生院脑卒中量表轻度=1,中度=2,中重度=3疾病感知原值输入积极应对原值输入消极应对原值输入社会支持原值输入
表4 急性期脑卒中患者症状负担的多元线性回归分析
项目BS.E.βt值P值容忍度方差膨胀因子常量-3.1404.1810.7510.453年龄2.8980.7360.1413.929<0.0010.8251.212自理能力1.5550.6590.1062.3600.0190.521 1.920美国国立卫生院脑卒中量表5.9370.7920.3357.496<0.0010.5281.895疾病感知0.3930.0460.2948.627<0.0010.9051.105积极应对-0.3880.088-0.2374.396<0.0010.3632.756社会支持-0.1390.062-0.1022.2550.0250.5181.931
注 R2=0.625,调整R2=0.610,F=42.415,P<0.001。
将年龄、自理能力、美国国立卫生院脑卒中量表等级、疾病感知、积极应对及社会支持与脑卒中相关症状纳入混合网络模型,以探索各个节点间的关联,混合网络见图3。年龄与记忆力下降、自理能力下降、注意力下降、肢体疼痛直接相关(CS=0.31、0.10、0.09、0.08)。自理能力水平与自理能力下降、足下垂直接相关(CS=0.18、0.08)。说话不清、四肢动作不协调、自理能力下降、足下垂与美国国立卫生院脑卒中量表等级直接相关(CS=0.16、0.16、0.11、0.10)。疲乏、对周围活动没兴趣、容易着急与疾病感知水平直接相关(CS=0.12、0.11、0.10)。对前途失望、闷闷不乐、自理能力下降、对周围活动没兴趣与积极应对水平直接相关(CS=0.21、0.13、0.12、0.12)。社会支持与积极应对水平具有较强关联(CS=0.44),与急性期脑卒中症状的直接关联较弱,可能经其他节点的中介作用间接影响症状。
图3 急性期脑卒中症状与影响因素的混合网络模型
本研究结果显示,肢体活动受限的强度中心性最大,是急性期脑卒中患者的核心症状,进一步发现肢体活动受限与肢体无力、四肢动作不协调和闷闷不乐等症状密切相关。韩雪等[16]研究显示,约70%的患者存在脑卒中后肢体活动受限,严重影响其生活质量。此外,肢体活动受限和自主活动能力的丧失可降低患者社会参与感,进而增加焦虑、抑郁等风险[17]。基于网络分析理论,核心症状可直接影响其他症状的进展,因此可将其作为症状干预的优先对象与协同干预靶点[18]。建议医护人员积极采取措施加以干预,如解痉纠偏针法、肌电生物反馈疗法及镜像疗法等[19]。自理能力下降和肢体活动受限是急性期脑卒中患者的桥梁症状,与周柯冰等[15]研究结果一致。两者可进一步引发患者焦虑和抑郁的心理模块、依赖他人照料的社会支持模块,是连接“躯体症状”与“非躯体症状”的关键节点,干预两者能同时改善多个症状模块的问题。
3.2.1 年龄 本研究结果显示,急性期脑卒中患者年龄越大,症状负担越重,与罗江安[20]研究结果一致;通过混合症状网络分析发现,年龄与记忆力下降、自理能力下降、注意力下降、肢体疼痛这4个症状节点存在直接关联。这可能由于大脑自然衰老进程中伴随海马体萎缩、白质完整性受损及神经递质系统功能衰退,共同导致认知能力下降;急性脑卒中作为一个强烈的应激源,对已脆弱的认知系统造成二次打击,进一步诱发或加重认知障碍[21]。衰老导致中枢神经系统抑制功能下降,可能增加脑卒中后疼痛的发生,且老年患者痉挛状态更显著,易引发肢体疼痛[22]。因此医护人员需认识到高龄患者是认知下降、功能依赖和疼痛的高危群体,应针对这类群体制订前瞻性的护理计划,如早期介入认知康复训练、预防肌肉萎缩的主动活动、规范化的疼痛评估与管理。
3.2.2 自理能力 本研究结果显示,自理能力是急性期脑卒中患者症状负担的影响因素。混合症状网络显示,自理能力除关联自理能力下降症状外,还与足下垂直接相关。足下垂可导致摆动相廓清障碍,严重影响步态的稳定与安全。研究显示,下肢远端功能,特别是踝背屈,是早期活动和独立转移能力的强预测因子[23]。足下垂可直接瓦解患者的基本自理能力。同时,自理能力下降可显著影响患者的自我效能感和康复信心,引发焦虑、抑郁等心理症状,这些心理症状又可通过网络连接反作用于躯体功能,形成一个“功能障碍-活动减少-身心状态恶化-负担加重”的恶性循环。因此,脑卒中患者需尽早开展运动康复和针刺疗法如电头皮针联合肌电生物反馈电刺激等,以改善足下垂症状[24]。
3.2.3 美国国立卫生院脑卒中量表评分 美国国立卫生院脑卒中量表是一种标准化神经功能缺损评估工具,在临床脑卒中疾病的诊断、预后评估和治疗选择中具有重要作用。本研究结果显示,美国国立卫生院脑卒中量表评分对急性期脑卒中患者症状负担具有预测作用;美国国立卫生院脑卒中量表评分越高,症状负担越严重。混合症状网络显示,说话不清、四肢动作不协调、自理能力下降、足下垂4个症状节点与美国国立卫生院脑卒中量表评分直接相关。原因可能是美国国立卫生院脑卒中量表包含“语言”“构音障碍”条目反映语言功能;“肢体共济失调”“肢体运动”“感觉”等条目直接影响患者的四肢动作和自理能力[25]。美国国立卫生院脑卒中量表评分不仅与多个肢体症状相关,还与桥梁症状“自理能力下降”相关。因此,医护人员仍需将美国国立卫生院脑卒中量表评分当作精准干预靶点,有效抑制整个症状网络的激活,从而真正减轻患者的整体症状负担,改善预后。
3.2.4 疾病感知 疾病感知是用于评价患者对疾病的负性感知水平。本研究结果显示,疾病感知得分与症状负担呈显著正相关,与段懿函[26]研究结果相符;进一步研究发现,疾病感知水平与疲乏、对周围活动没兴趣、容易着急直接相关。疲乏是急性期脑卒中患者常见的症状之一,其可影响患者的身体功能和日常生活活动能力,使其加重对自身疾病严重程度的负面认知,从而提高其疾病感知水平[27]。脑卒中后患者存在较明显的焦虑和抑郁等负性情绪,这种情绪可使患者对疾病的体验更加敏感,加重其对疾病的主观感受,进而影响疾病感知水平[28]。此外,中青年脑卒中患者研究结果表明积极的疾病感知,通过提升自我康复效能,从而提高其生活质量[29]。因此,临床工作人员需及时评估并纠正患者消极的疾病感知,必要时可给予患者专业的心理疏导,减轻对疾病的负性感知,以减轻症状负担。
3.2.5 积极应对和社会支持 积极应对和社会支持是急性期脑卒中患者症状负担的独立影响因素。对前途失望、闷闷不乐、对周围活动没兴趣等心理症状与积极应对水平直接相关。社会支持虽然与急性期脑卒中症状无直接相关,但与积极应对直接连接,这与Gao等[30]研究结果一致。研究显示,社会支持与积极应对呈正相关,患者采用的积极应对策略可帮助其更好地参与康复活动,有效减轻心理负担[31]。因此急性期除常规的神经功能和情绪筛查外,还应评估患者面对疾病的应对方式,培养其积极应对疾病的技巧。同时应鼓励家庭成员或护工与患者多交流沟通,提高社会支持水平,使患者保持积极态度,缓解负面心理症状,从而减轻症状负担。
本研究探究急性期脑卒中患者的症状构成、症状网络关联及症状负担的关键影响因素,明确核心症状为肢体活动受限、桥梁症状为肢体活动受限与自理能力下降(两者串联躯体功能与心理状态,直接影响整体症状负担),揭示症状与影响因素的关联机制,为临床护理提供精准指导。临床护理中可建立层级干预流程:①入院24 h内用脑卒中症状体验量表筛查,重点标记核心与桥梁症状阳性者,纳入高优先级护理;②联合康复团队早期干预肢体活动受限与自理能力下降,改善肢体运动功能,阻断关联心理症状诱发。结合多元线性回归与混合网络分析结果,制订分层护理策略:①对高龄( ≥60岁)患者,重点开展认知功能维护与疼痛规范化管理,通过被动关节活动、痉挛干预降低肢体疼痛风险,延缓认知功能衰退;②对美国国立卫生院脑卒中量表中度及以上患者,建立多学科协作监测机制,追踪关联症状变化,同步加强神经功能保护与康复,抑制症状网络扩散;③综合考虑心理因素的作用,以实现更具针对性和高效性的精准干预。
本研究存在一定的局限性:①样本来源单一,后续将展开多中心研究,以验证研究结果;②脑卒中症状仅用一个量表评估,后续将联合多种症状评估量表,以全面覆盖症状的多样性。
利益冲突声明:所有作者均声明不存在利益冲突。
[1] 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 [J]. Lancet Neurol,2021,20(10):795-820.
[2] 刘玉敬,马晴,梁雅静,等. 高血压脑出血患者急性期症状群及其与预后生活质量的相关性[J]. 中国临床研究,2024,37(2):246-251.
[3] 董淑文,朱智祥,朱立婉,等. 基于网络分析探究脊柱弯曲异常青少年抑郁、焦虑现状及影响因素[J]. 中国公共卫生,2025,41(1):42-48.
[4] 中国脑卒中学会. 中国脑血管病临床管理指南[M]. 北京:人民卫生出版社,2023.
[5] 石丹,李铮,杨坚,等. 脑卒中症状体验量表的编制及信效度检验[J]. 中华物理医学与康复杂志,2019,41(2):96-100.
[6] 蔡业峰,贾真,张新春,等. 美国国立卫生院卒中量表(NIHSS)中文版多中心测评研究:附537例缺血中风多中心多时点临床测评研究[J]. 北京中医药大学学报,2008,31(7):494-498.
[7] 王琪,刘恺,徐凯,等. 颈动脉斑块报告和数据系统及颈动脉斑块MRI易损性特征对同侧急性脑梗死患者DWI-ASPECTS严重程度的预测价值[J]. 中国医学计算机成像杂志,2025,31(6):800-806.
[8] Broadbent E,Petrie K J,Main J,et al. The brief illness perception questionnaire [J]. J Psychosom Res,2006,60(6):631-637.
[9] 梅雅琪,李惠萍,杨娅娟,等. 中文版疾病感知问卷简化版在女性乳腺癌患者中的信效度检验[J]. 护理学报,2015,22(24):11-14.
[10] 解亚宁. 简易应对方式量表信度和效度的初步研究[J]. 中国临床心理学杂志,1998(2):53-54.
[11] 肖水源. 《社会支持评定量表》的理论基础与研究应用[J]. 临床精神医学杂志,1994(2):98-100.
[12] Jing F,Zhu Z,Qiu J,et al. Contemporaneous symptom networks and correlates during endocrine therapy among breast cancer patients:a network analysis [J]. Front Oncol,2023,13:1081786.
[13] 朱政,余骏雯,杨中方,等. 症状同期网络的分析方法介绍及R软件实现[J]. 护士进修杂志,2023,38(24):2235-2239.
[14] 余骏雯,朱政,胡天天,等. 症状网络的特异性指标[J].护士进修杂志,2023,38(24):2229-2234,2245.
[15] 周柯冰,黄晓娇,闫凤侠. 首发脑卒中恢复期患者症状负担及其影响因素的网络分析[J]. 中华护理杂志,2025,60(7):792-798.
[16] 韩雪,张玉梅. 卒中后患者上肢体感诱发电位及周围神经电生理特征分析[J]. 中国卒中杂志,2023,18(3):281-287.
[17] 曹灿灿. 针刺介入时点对脑卒中后患者肢体功能障碍恢复影响的项前瞻性队列研究[D]. 天津:天津中医药大学,2021.
[18] 张贞贞,袁雪婷,钱多. 肝癌肝动脉化疗栓塞术后患者的症状网络特征分析[J]. 护理学报,2025,32(14):20-24.
[19] 王耀霆,姚佳琴,王红雨,等. 肌电生物反馈疗法结合镜像疗法对脑卒中患者下肢运动和平衡功能的影响[J]. 中国康复医学杂志,2024,39(3):375-381.
[20] 罗江安. 基于症状经历模型的急性脑卒中患者症状群及症状体验的混合研究[D]. 武汉:湖北中医药大学,2023.
[21] Livingston G,Huntley J,Sommerlad A,et al. Dementia prevention,intervention,and care:2020 report of the Lancet Commission [J]. Lancet,2020,396(10248):413-446.
[22] Zeng H,Chen J,Guo Y,et al. Prevalence and risk factors for spasticity after stroke:a systematic review and metaanalysis [J]. Front Neurol,2021,11:616097.
[23] Xu L,Zhang H,Shao Y,et al. Correction:bioinformatics analysis-based screening of circRNA gene with mainstream expression trend in colorectal cancer and construction of a coexpression regulatory network [J]. PLoS One,2024,19(2):e0298924.
[24] 张横滔,刘国和,肖洪波,等. 头皮针联合肌电生物反馈电刺激治疗偏瘫足下垂疗效及对步行功能的影响[J]. 中华中医药学刊,2021,39(1):223-226.
[25] 陈庆梅,沈文君,柯俊,等. 镜像疗法结合常规言语训练治疗急性脑梗死后运动性失语的疗效观察[J]. 中国康复医学杂志,2020,35(6):688-693.
[26] 段懿函. 脑卒中患者症状群及其影响因素的混合研究[D]. 大理:大理大学,2025.
[27] 袁佳琳,王慧娟,刘晓慧,等. 急性脑卒中患者疲劳相关症状群的网络分析[J]. 军事护理,2025,42(3):57-61.
[28] 毛亚娣,孙剑虹,刘蓝冰,等. 生物波穴位刺激联合中医情志护理对脑卒中后抑郁患者恢复效果的影响[J].中华全科医学,2023,21(3):530-533.
[29] 周高芳. 基于自我调节理论对中青年首发脑卒中患者疾病感知与生活质量的护理干预研究[D]. 昆明:云南中医药大学,2024.
[30] Cao J,Liu Y,Yan S,et al. The association between perceive social support and post-traumatic stress disorder symptoms among medical staff in Hubei,China:a chain mediating effect of resilience and positive coping [J].BMC Public Health,2024,24(1):3042.
[31] 陈丹丹,查益,王琴,等. 首发脑卒中患者主要照顾者社会支持与家庭抗逆力的关系:链式中介模型[J]. 海军军医大学学报,2025,46(4):451-457.
Symptom burden and its influencing factors in patients with acute stroke based on network analysis
X