社区老年人衰弱风险预测模型的研究进展

秦 源，吕苗华，郝晓楠，李 昆

吉林大学护理学院，吉林 130021

近年来，老年人口数量增加、平均寿命延长的同时带来了新的健康问题，衰弱成为老年学研究的热点问题，也给社会和公共卫生系统带来沉重负担。研究显示，65 岁以上社区老年人衰弱发生率为10.7%～19.6%[1-2]。衰弱是一种生理系统累积量减少的非特异性状态，表现为机体抵抗应激能力减退、易损性增加[3]，并伴随一系列临床不良结局的发生，如跌倒、骨折、入院、死亡等[4-7]，严重影响老年人生存质量。衰弱是一个随年龄增长缓慢进展的动态过程，并且具有潜在可逆性。因此，对衰弱状态早期识别和预警，并进行相应干预对延缓或逆转衰弱状态尤为重要。现对社区老年衰弱预测模型的发展和研究现状进行综述，促进我国对老年衰弱预测模型的使用，加强对老年衰弱早期关注和预测的重视，为制定个性化干预措施提供科学依据，减缓老年衰弱的发生、发展。

1 风险预测模型的相关概述

风险预测模型通过向多个预测因子分配相应权重，获取个体特定结果存在（诊断）或未来发生（预测）的概率或风险[8]。风险预测模型最早在心血管领域用于预测术前危险因素及术后并发症[9]，目前已广泛用于其他领域，如慢性病筛查[10]、乳腺癌术后并发症风险预测等[11]。

1.1 风险预测模型的验证 预测模型的验证主要分为内部验证和外部验证。内部验证是利用来源于模型构建的相同数据集的数据进行的验证，其中随机拆分法较为常见，即将数据集随机分成两部分，一部分用于构建模型，另一部分用于验证模型[12]。除借助数据分割外，交叉验证法和Bootstrap 抽样法也可验证模型内部有效性。外部验证则是利用不同于模型构建的数据对模型进行评价。根据数据来源可分为3 类：①时间验证，即利用不同时间段的数据对模型进行评估；②空间验证，即利用其他研究中心的数据对模型进行评价；③领域验证，即利用其他环境中的样本数据对模型进行评估[13]。

1.2 风险预测模型评价标准 预测模型通过区分度和校准度进行评估，区分度是指模型对事件发生或不发生的正确预测的能力，通常用受试者工作特征曲线下面积（area under curve，AUC)进行评估[14]，AUC 取值范围为0.5～1.0，取值越趋近于1.0，则代表模型的区分度越好[15]。校准度则是反映模型正确估计绝对风险的程度[16]，Hosmer-Lemeshow 拟合优度检验（H-L 检验）是最常用的评价方法，主要比较事件发生的预期概率和实际概率之间的差异是否具有统计学意义，P＞0.05，则提示模型拟合优度效果较好。

2 衰弱风险预测模型的研究现状

2.1 基于回归分析的衰弱风险预测模型

2.1.1 独立风险因素预测衰弱发生风险 识别与衰弱相关的风险因素是预测衰弱发生风险的前提，是制定预防、干预措施的基础。目前，有研究针对使用特定独立风险因素对衰弱发生风险进行预测，提出相应的干预措施。此类研究主要集中在呼吸功能和运动功能方面。呼吸功能方面：有研究表明，衰弱与肺损伤有关，如呼吸肌力量降低、气流受限和限制性呼吸模式等。Santos 等[17]验证了肺功能和社区老年人衰弱之间的联系，并进行了肺功能相关测量值预测衰弱的研究，采用了用力肺活量（FVC）、1 秒用力肺活量（FEV1）评估肺功能。结果显示，FVC≤2.30 L 和FEV1≤1.86 L为衰弱前期的截断值；FVC≤2.07 L 和FEV1≤1.76 L为衰弱的截断值。Vidal 等[18]将最大吸气和最大呼气压力作为呼吸肌力的评估指标，通过Logistic 回归分析并调整相关协变量后确定呼吸肌力对衰弱具有预测作用。结果显示，最大呼气压力＜65 cmH2O（1 cmH2O=0.098 kPa）为衰弱前期的截断值，最大吸气压力＞-50 cmH2O 和最大呼气压力＜60 cmH2O 为衰弱的截断值。Magave 等[19]也验证了呼吸流量峰值（PEF）是衰弱的独立预测因子，男性PEF≤350 L/min是衰弱最佳截断值，女性PEF≤220 L/min 是衰弱最佳截断值。在运动功能方面，老年人衰弱发生、发展与功能衰退有关，运动表现测试可以构成筛查和监测老年人衰弱的可行工具。2016 年，Santos 等[20]探讨了运动测试在社区老人中对衰弱的预测价值。运动测试包括“椅子站立”测试和“捡笔”测试。受试者工作特征曲线（ROC）结果显示，“椅子站立”测试＞14 s 为衰弱的最佳截断值，“捡笔”测试＞1 s 为衰弱的最佳截断值。Jung 等[21]进行了功能年龄对衰弱风险预测的研究，功能年龄的概念是基于简易体能状况量表通过线性回归分析建立，功能年龄方程式为83.61-1.98×平衡分数-5.21×步行速度（m/s）+0.23×椅子测试时间（s），在验证队列中确定了功能年龄对衰弱的预测作用，研究结果显示，功能年龄≥77.2 岁是衰弱的最佳截断值，但由于验证队列的样本人群年龄更大，身体功能表现更差会对结果造成偏差。衰弱的发生、发展与多方面的风险因素相关。因此，通过单一风险因素对老年人群的衰弱进行预测是否准确，仍需开展更多的多中心研究进行验证，研究结果也需谨慎推广。

2.1.2 多个风险因素预测衰弱发生风险 Rivan 等[22]在马来西亚一项老龄化纵向研究中，对282 名社区老年人进行社会人口学资料、营养状况、身体功能、认知功能、心理社会情况、临床生化指标等全面的问卷访谈，基于χ²检验和Logistic 回归分析设计了认知衰弱的早期预测模型，其中认知衰弱是由Fried 衰弱表型和简易精神评价量表共同测量。最终模型纳入年龄、数字符号测试分数（认知能力测试）、起立行走测试、抑郁、维生素D 和身体衰弱6 个变量。Setiati 等[23]在印度尼西亚的一项前瞻性队列研究中，根据衰弱状态、功能状态、营养状况、认知状况、合并症、服用药物数量、生活质量、握力和步速等，开发了一个预测衰弱过渡状态的评分系统。该研究中衰弱过渡状态为二分类因变量：①衰弱状态改善（即衰弱过渡到衰弱前期或衰弱前期过渡到衰弱）和持续衰弱状态（即衰弱状态没有改变）；②衰弱状态恶化（即健康过渡到衰弱前期或衰弱或衰弱前期过渡到衰弱），根据Logistic 回归分析结果显示，模型最终纳入年龄（≥70 岁）、生活质量（差）和步速（＜0.8 m/s），将每个变量赋值1 分,ROC 曲线结果显示衰弱的最佳截点为≥2 分。该模型虽然有较好的内部有效性，但缺乏外部验证。目前，国内研究中也有相关探索。许丽娟等[24]通过分析老年衰弱不同阶段的危险因素，构建衰弱风险预测模型。通过收集508 名社区老年人相关资料，利用Logistic 回归分析建立预测模型，发现社区老年衰弱前期危险因素包括文化程度低、合并多病、多重用药、跌倒史及住院史，模型AUC 值为0.80，衰弱前期转化为衰弱的危险因素包括独居、合并多病、多重用药、跌倒史、住院史及日常生活功能障碍，模型AUC 值为0.93。此外，余静雅[25]在横断面研究的基础上通过分析社会学资料、老年综合征及心理社会因素等方面资料，利用Logistic 回归分析构建老年人衰弱风险预测模型，结果显示AUC 值为0.749，模型具有较好的预测效能。值得注意的是，国内研究虽然结果显示有较好的预测效能，但均为横断面研究，且缺少外部验证。

以上衰弱风险预测模型的研究目前仅处于构建阶段，缺乏内部验证和外部验证，对模型结果进行转化和应用较少，提示今后相关研究应更加注重模型构建、内部验证、外部验证及模型结果在临床上的转化、应用等方面的综合探讨。

2.2 基于机器学习算法的衰弱预测模型 2019 年，Kuo 等[26]开发了一个基于机器学习方法的社会脆弱预测系统，以识别老年人的社会脆弱，通过专家组确定的14 个预测因子使用分类与回归树（CART）、神经网络、随机森林、C5.0、极值梯度增强、随机梯度增强6 种机器学习算法构建预测模型，并基于5 项性能指标比较，选出具有最佳预测性能的模型，作为开发衰弱决策支持系统的主要算法。研究结果显示，C5.0 在整体表现上为最优算法，也在验证集中表现出较好的预测性能。同时，通过AUC 值评估了预测因子的重要性，筛选AUC 值＞0.5 的预测因子，结合信息增益比结果，确定5 个重要的预测因子，包括健康素养、共病、宗教参与、体育活动和老年抑郁症评分。该研究结果通过RESTful 网络应用开发方式转化为一个基于网络的社会衰弱预测系统，该预测系统可以与临床经验相结合，帮助医生更好地预测和识别衰弱。2017 年，Closs 等[27]以巴西老年人的身体测量指标为预测因子，比较了通过人工神经网络（artificial neural network，ANN）算法与Logistic 回归构建的模型在识别老年衰弱方面的预测能力。研究基于收集的26 项身体测量指标进行建模，筛选AUC 值＞0.6 的预测因子，最终模型包括体重、腰围、二头肌皮褶、脐水平的矢状腹径和年龄5 个预测因素，结果显示ANN 的AUC 值（0.78）优于逻辑回归模型（0.71），提示基于ANN 算法构建的预测模型相较于逻辑回归分析的建模具有更好的预测效能。该研究纳入样本量较少，预测因子的选取维度较窄，缺少其他风险因素对衰弱的影响，一定程度上限制了ANN模型的结构。

2.3 基于其他分析方法构建衰弱预测模型 有研究认为，衰弱不是一种侧重于医疗或护理需求的概念，而是基于多维度和多学科结构的综合概念模型。2016年，Vernerey 等[28]构建了一种新的衰弱风险问卷筛查工具（Frailty Groupe Iso-Ressarce Evaluation,FRAGIRE），涉及身体、认知、功能、心理社会/家庭和环境，主要用于法国自理能力较差的老年人衰弱风险预测。研究分3个阶段进行：①通过多学科专家小组综合文献回顾，全面评估潜在衰弱相关因素，构建FRAGIRE 预网络，包括10 个维度、共65 个项目。②采用主成分分析法对相关变量进行维度分析，根据主成分矩阵中项目的贡献率、识别能力以及专家组的选择对问卷项目进行筛选和缩减，确定最终的FRAGIRE 网络，包括9 个维度、19 个项目。③开发基于FRAGIRE 问卷的评分系统，将各条目作为连续变量，采用多元逻辑回归分析构建衰弱风险预测分数，预测得分为0～100 分。结果显示，AUC 值为0.756，模型具有较好的预测能力。尽管问卷评估比老年人自我报告评估更加合适，仍缺少FRAGIRE 问卷和Fried 等衰弱评估方法的比较，并且问卷开发过程耗时费力，加大数据收集的负担。该研究为横断面研究，仍需进行前瞻性研究验证。除了开发衰弱问卷对衰弱进行风险预测，衰弱相关标志性指数也能从临床和生理特征中提供与衰弱有关的信息。2010 年，Kamaruzzaman 等[29]利用因子分析法开发英国衰弱指数，模型数据来源于英国女性心脏和健康研究队列，研究者提取数据库中35 个衰弱指标进行评估和校正，计算与衰弱的相对权重，通过探索性因子分析法将数据简化后进行验证性因子分析，主要将探索性因子分析构建的结构与观测数据进行拟合来验证模型内部一致性，通过Cox 回归分析比较新开发的英国衰弱指数与加拿大健康和老龄化研究衰弱指数的不良结局的风险比。结果显示共有7 个因素与潜在衰弱相关，包括体能、心脏症状/疾病、呼吸系统症状/疾病、生理测量、心理状况、共病和视力障碍。Cox 回归分析结果显示，英国衰弱指数较加拿大健康和老龄化研究衰弱指数更能有效预测死亡、住院和进入养老机构的概率。衰弱模型虽然在英国女性群体中构建，但研究过程也在英国老年人肌力分级评估研究中得到复制，该模型具有较高可信度和有效性。

3 小结与启示

衰弱早期识别与风险预测是国外研究热点，预测模型以回归分析法构建居多，预测因子选取多为非侵入性，但多数模型缺少外部验证。目前，国内研究较少，分析方法较单一。因此，国内应积极开展衰弱风险相关研究，针对我国老年人特点探索多种方法构建模型，评估效能，合理验证，择优挑选，发展适用于我国老年人群的衰弱风险预测模型。在老年人健康管理及养老照护领域，与衰弱相关的筛查尚未纳入社区老年健康管理的工作流程中。可能由于目前社区卫生服务中心主要关注疾病管理，缺乏对老年人群整体健康的重视，社区医护工作者对老年人衰弱的认识及相关知识不足，且目前构建的大部分模型尚未经过前瞻性、多中心外部验证，限制其在临床的推广和应用。因此，社区护理人员应加强对老年人群的整体健康保护意识，组织医护人员开展衰弱相关知识培训，积极开展衰弱预测模型在社区护理应用方面的研究。未来人工智能领域不断进步，将预测模型与社区医疗信息系统相结合，可为老年人衰弱提供准确、高效的识别和预警；护理人员也可通过建立健康档案，对老年人进行与衰弱相关的健康教育和个性化行为干预，提高护理人员的工作效率，从而改善老年人群生活质量。