基于風險評分模型的社區老年性癡呆預測研究

崔熠可 江 涵 陳靜華 吳 磊

(南昌大學公共衛生學院，江西 南昌 330006)

目前，老年性癡呆(AD)尚無理想的臨床治療藥物和方法〔1～4〕。國內外學者〔5～7〕主要通過腦磁共振成像(MRI)檢查、某些蛋白或遺傳物質的檢測和評分等方式診斷，但不適用于大面積人群篩選和早期診斷。本研究以某城市社區為研究對象，篩選出AD發病風險為參數，建立風險評分(RS)〔8,9〕數學模型，用于社區人群AD的風險預測和早期診斷。

1 資料與方法

1.1研究對象 入選標準：①≥60歲居民。②在調查地有常住戶口，調查時居住在調查地；或在調查地無常住戶口，但調查時居住在該地已滿6個月者。③依從性好，積極配合調查隨訪。實施分層整群抽樣，即按經濟發展水平高、中、低劃分為3層，每層抽1～2個居委會，約40 000人。根據江西省人口現況分析，城市社區≥60歲人占社區人群比例約20%，則預計可獲得約8 000名研究對象，隨訪3年。

1.2方法

1.2.1對AD患病的風險因子搜集和篩選 按照循證醫學實踐的方法和步驟，將Meta分析和系統評價的結果進行精選，確定出AD 最敏感的生物遺傳〔年齡、性別、家族史、認知障礙、AD相關神經絲蛋白(AD7c-NTP)、載脂蛋白(Apo)E-ε4等〕、環境(如某些元素暴露、職業暴露、個人受教育程度等)、個人生活行為方式(如吸煙、飲酒、靜坐、重大不良生活事件、某些疾病)等一定數量的風險因子，為構建AD預測模型創造條件。

1.2.2AD風險因子的確定 對前階段篩選的年齡、性別、家族史、性格、認知障礙、AD7c-NTP、職業暴露、某些疾病、受教育程度、重大不良生活事件、吸煙和運動等測量簡單、價格低廉、效果公認的AD風險因子指標，運用Delphi法，將風險因子指標數據量化，得到數據源。

2 結 果

2.1RS模型建立 共獲取新發AD患者200例，匹配相同社區非AD 200例。以是否患有AD為因變量(Y)，年齡、性別及相關生物標志物檢測值等18個變量為自變量(X),采用非條件Logistic回歸分析(Forward法篩選變量)，以變量X2(婚姻狀況)的RS為1，其他影響因素的回歸系數除以最小回歸系數所得結果四舍五入后為該因素的RS，建立的RS模型為：RS=年齡×3 +婚姻狀況×1+高血壓史×2+尿AD7c-NTP×5-血超氧化物歧化酶(SOD)×1+癡呆家族史×7-社會活動×3。見表1。

2.2RS預測模型效果評價 將計算獲取的400例建模對象總風險評分繪制成受試者工作特征曲線(ROC)，見圖1。ROC曲線下面積(AUC)為0.838(P<0.001)，RS模型的判斷效率較好。以不同的總風險得分作為切點，求得對應的靈敏度(Se)、特異度(Sp)、粗一致率(CA)、陽性預測值(PPV)、陰性預測值(NPV)，見表2。

表1 AD相關因素的條件多因素Logistic回歸分析入選變量和風險評分

圖1 RS模型的ROC

表2 RS模型在不同切點時的預測效果(%)

3 討 論

預測和早期診斷AD是迫切需要解決的問題。國內外學者利用數學模型在疾病預測和早期診斷中進行了一些探索，但對AD的研究成果甚微〔5～7〕。在AD的眾多影響因素中，年齡被公認為是AD最重要的危險因素之一，國內外一致認為，每增加5歲，AD患病率幾乎可以增加一倍〔10，11〕；泛素和神經絲蛋白(NTPs)等新標志物的發現可大大提高AD早期診斷的準確性，AD7c-NTP屬NTPs家族的一員，在早期或中度AD患者的腦組織、腦脊液和尿液中均有升高，其含量與癡呆的嚴重程度呈正比〔12〕，尿AD7c-NTP檢測具有安全、無創、操作簡便等優點，尤其適合用于社區大樣本人群的早期篩查和長期監測。本研究得出，RS模型適用于AD發病的預測和早期診斷，為社區綜合防控和臨床早期治療提供重要信息和應用技術，以改變目前AD防治的被動局面。

1范 炤.老年流行病學〔M〕.北京：軍事醫學科學出版社,2008:180-4.

2Doborah B,Marin MD,Margaret C,etal.Alzheimer disease accurate and early diagnosis in the primary care setting〔J〕.Geriatries,2002;57(2):36-40.

3吳曉光,湯 哲,方向華,等.北京市社區居民老年期癡呆發病率及其危險因素研究〔J〕.中華流行病學雜志,2010;31(6):1245-9.

4Ferri CP,Prince M,Brayne C,etal.Alzheimer's disease international global prevalence of dementia:a Delphi consensus study〔J〕.Lancet,2005;366(9503):2112-7.

5Barnes DE,Covinsky KE,Whitmer RA,etal.Predicting risk of dementia in older adults:The late-life dementia risk index〔J〕.Neurology,2009;73(3):173-9.

6Ray S,Britschgi M,Herbert C,etal.Classification and prediction of clinical Alzheimer's diagnosis based on plasma signaling proteins〔J〕.Nat Med,2007;13(11):1359-62.

7Jaffee SR,Price TS.Gene-environment correlations:a review of the evidence and implications for prevention of mental illness〔J〕.Mol Psychiatr,2007;12(5):432-42.

8Rassi A Jr,Rassi A,Little WC,etal.Development and validation of a risk score for predicting death in Chagas' heart disease〔J〕.N Engl J Med,2006;355(8):799-808.

9Wu C,Hannan EL,Walford G,etal.A risk score to predict in-hospital mortality for percutaneous coronary interventions〔J〕.J Am Coll Cardiol,2006;47(3):654-60.

10廖 君,黃河浪,閆 冀,等.南昌市社區老年性癡呆患病率及其影響因素〔J〕.中國老年學雜志,2015;35(24):7176-7.

11Ohnsen S,Hughes S,Bullock R,etal.Prediction of the rate of decline in cognitive function in Alzheimer's disease:a model based on simple demographic data and widely used rating scales〔J〕.Dement Geriatr Cogn Disord,2003;16(4):276-82.

12de la Monte SM,Wands JR.Neurodegeneration changes in primary central nervous system neurons transfected with the Alzheimer-associated neuronal thread protein gene〔J〕.Cell Mol Life Sci,2001;58(5-6):844-9.