基于機器學習算法的社區(qū)老年衰弱前期風險預測模型構建

李彩福，趙偉，葉秀春，趙東麗，鄒繼華，董海娜，周英，許麗娟

截至2020年底，我國60歲以上老年人口已達2.64億，占總人口的18.7%[1]。研究顯示，老年衰弱發(fā)生率為5.6%～11.1%，衰弱前期為37.7%～69.1%[2-4]。衰弱前期是指老年人機體生理功能進行性下降，為健康與衰弱之間的過渡階段[5]，衰弱前期老年人尚存在自理能力，對損傷、疾病或外界壓力能作出適當反應，向健康逆轉率為23.3%[6]。衰弱前期篩查和識別是衰弱防治干預的關鍵，可有效阻止老年衰弱發(fā)生發(fā)展，減輕社會和家庭醫(yī)療經濟負擔。據報道，年齡、性別、BMI、獨居、文化程度、并存多病、跌倒史、抑郁、認知功能下降等是老年衰弱前期危險因素[7-9]，但尚無衰弱前期風險預測模型構建相關研究。機器學習算法是利用計算機自身性能改善系統的行為，從數據中分析挖掘獲得規(guī)律，并對數據進行預測，其中反向傳播(Back Propagation，BP)神經網絡在疾病危險因素、預測研究領域中較常用，其分析對變量分布、類型無要求，善于處理非線性數據[10]，對數據擬合情況優(yōu)于logistic回歸模型[11-12]。鑒此，本研究基于機器學習算法構建衰弱前期風險預測模型，同時對其預測效能進行時間跨度驗證，旨在為社區(qū)老年衰弱前期高危人群早期篩查提供參考。

1 對象與方法

1.1對象 應用病例對照研究設計，通過便利抽樣選取2019年6～9月在麗水市蓮都區(qū)4個社區(qū)衛(wèi)生服務中心進行健康體檢的665名老年人，采用Morley等[13]改良的FRAIL量表從中篩選無衰弱(283名)和衰弱前期(259名)老年人共542名作為建模組；2021年6～7月在麗水市2個社區(qū)衛(wèi)生服務中心使用改良FRAIL量表[13]篩選無衰弱(106名)和衰弱前期(99名)老年人205名作為驗證組。建模組和驗證組納入標準：①FRAIL量表評分0～2分；②年齡≥60歲；③在社區(qū)居住≥2年；④意識清醒，溝通無障礙；⑤自愿參與，并簽署知情同意書。排除標準：畫鐘試驗[14]篩查嚴重認知功能障礙者或存在嚴重軀體疾病者。本研究經麗水學院醫(yī)學院倫理審查委員會同意批準?；陬A測模型構建要求，研究對象中發(fā)生事件(衰弱前期老年人)人數應為預測指標的10倍以上[15]，本研究18個候選危險因素，至少應納入180名衰弱前期老年人；根據社區(qū)老年衰弱前期發(fā)生率的低限估計值37.7%[3]，即180÷37.7%=478，按照10%的失訪率計算，至少需要調查社區(qū)老年人526名。

1.2方法

1.2.1研究工具 ①一般情況問卷。包括年齡、BMI、性別、文化程度、婚姻狀況、居住方式、人均月收入、吸煙和飲酒狀況、運動量、住院史、跌倒史、多病共存、多重用藥及睡眠狀況。②日常生活活動量表(Activity of Daily Living scale，ADL)[16]。用于測量老年人的日常生活活動能力狀況，共14個條目，采用4級評分法，“1”表示完全可以完成，“4”表示根本無法完成，總分14～56分，分值越高提示日常生活活動能力越差，總分>22分提示日常生活活動能力下降。③簡版老年抑郁量表(Geriatric Depression Scale，GDS-15)[17]。用于評估老年抑郁癥狀，共15個條目，采用二分類計分，“0”代表否，“1”代表是，總分5分以上表示有抑郁傾向，得分越高表示抑郁癥狀越嚴重[18]。④畫鐘試驗。認知功能通過畫鐘試驗測量，試驗中圖形、數字、指針均正確，提示認知功能正常；1～2項錯誤，提示認知功能下降；若3項都錯誤，提示嚴重認知功能障礙[14]，則被排除。⑤FRAIL量表。采用Morley等[14]改良的FRAIL量表，用于衰弱前期和無衰弱老年人群的篩查，包括5個條目。采用二分類計分，“0”代表否，“1”代表是，總分為0提示無衰弱，1～2分為衰弱前期，≥3分為衰弱期，則被排除。FRAIL量表能較好地預測老年人群的病死率和失能狀態(tài)[19]。

1.2.2資料收集方法 資料收集前，統一對4名調查員進行老年衰弱前期診斷標準及危險因素培訓，當面完成問卷調查及身高、體質量測量。

1.2.3統計學方法 應用SPSS21.0軟件進行統計分析，數據中的缺失值，通過多重插補法(重復模擬5次)處理?；赑ython平臺進行預測模型構建(訓練)和驗證。①對建模組通過單因素回歸分析篩選社區(qū)老年衰弱前期危險因素，按照8∶2將數據集隨機劃分為訓練集和測試集，通過BP神經網絡的選擇梯度下降法優(yōu)化模型，選出7層隱藏層，輸入變量進行重要性分析，列出模型中衰弱前期各危險因素排序；多因素logistics回歸分析采用Backward方法進行危險因素篩選，構建logistic回歸預測模型。計算ROC曲線下面積AUC、靈敏度和特異度[20]。②以驗證組為研究對象，進行預測模型效能外部驗證。

2 結果

2.1建模組和驗證組一般資料比較 見表1。

表1 建模組和驗證組一般資料比較

2.2衰弱前期危險因素篩選 在建模組中，將18個候選危險因素作為自變量，以是否衰弱前期(無衰弱=0，衰弱前期=1)為因變量進行單因素logistic回歸分析，分析結果見表2。

2.3衰弱前期預測模型構建 以表2中有統計學意義的10個變量為自變量，是否衰弱前期為因變量，進行多因素logistic回歸分析，并構建logistic回歸預測模型為：logistic(P)=-5.101+0.042X1+0.646X2+0.847X3+0.879X4+1.362X5+1.302X6+0.573X7+0.750X8+0.862X9+0.687X10，計算社區(qū)老年人發(fā)生衰弱前期的風險為：P×100=1/{1+exp[-(-5.101+0.042X1+0.646X2+0.847X3+0.879X4+1.362X5+1.302X6+0.573X7+0.750X8+0.862X9+0.687X10)]}。與此同時，單因素logistic回歸分析中有統計學意義的10個變量作為輸入層，“是否衰弱前期”作為輸出層，中間設置n個隱藏層，采用反向傳播算法的多層感知器構建BP神經網絡模型。BP神經網絡模型的隱藏層激活函數采用雙曲正切函數，輸出層激活函數采用Softmax函數，選擇梯度下降法優(yōu)化模型，選出7個隱藏層，統計結果顯示衰弱前期影響較大的危險因素排序如下：年齡(100%)、跌倒史(82.1%)、運動量低(65.1%)、多病共存(64.9%)、住院史(62.7%)、抑郁傾向(58.2%)、認知功能下降(53.1%)、文化程度(48.6%)、日常生活功能下降(40.2%)、多重用藥(31.4%) 。

表2 社區(qū)老年衰弱前期危險因素單因素logistic回歸分析(n=542)

2.4衰弱前期預測模型驗證 采用驗證組數據對模型的預測效能進行評價，BP神經網絡模型及l(fā)ogistic回歸模型預測效能評價指標見表3。

表3 衰弱前期預測模型預測效能評價指標

3 討論

3.1社區(qū)老年衰弱前期危險因素預測模型 本研究采用機器學習算法進行衰弱前期危險因素模型構建與驗證，結果顯示，BP神經網絡模型AUC、靈敏度和特異度均高于logistic回歸模型，對數據的擬合情況更好。老年衰弱前期危險因素眾多，作用方式復雜，利用傳統回歸分析函數進行預測，無法處理多種因素間的非線性問題，存在一定局限性，BP神經網絡對數據沒有要求，在非線性擬合方面體現較大自由性和靈活性，適用于多種危險因素預測模型的構建[10]。與logistic回歸模型相比，BP神經網絡在模型預測準確性上存在優(yōu)勢，可自動處理非線性問題，可作為疾病風險預測建模的首選方法。本研究顯示，基于BP神經網絡構建的風險預測模型，可對社區(qū)老年衰弱前期高危因素進行識別，按照危險因素重要性排序分別為年齡、跌倒史、運動量低、多病共存、住院史、抑郁傾向、認知功能下降、文化程度低、日常生活能力下降及多重用藥。同時，建模組與驗證組性別、年齡BMI、文化程度、日常生活能力有差異，說明該預測模型應用性更廣。

3.2社區(qū)老年衰弱前期危險因素

3.2.1年齡 BP神經網絡分析結果顯示，年齡是社區(qū)老年衰弱前期的最大危險因素，年齡越大發(fā)生衰弱前期風險越高，與以往研究一致[2-3，21]。隨著年齡增長，身體器官不斷發(fā)生退行性變化，機體生理功能進行性下降，即出現衰弱前期癥狀。研究顯示，年齡70～80歲是社區(qū)老年人衰弱前期發(fā)生率最高人群，發(fā)生率高達62.5%[4，7]。衰弱前期是健康與衰弱之間過渡階段，衰弱前期向衰弱轉化率高達37.1%[22]，因此，社區(qū)工作人員應定期對居家高齡老年人進行衰弱評估，及時篩查衰弱前期老年人，并進行干預，防治老年衰弱發(fā)生。

3.2.2多病共存 本研究結果顯示，合并兩種及以上疾病是社區(qū)老年衰弱前期的主要危險因素之一。Wu等[7]對5 301名社區(qū)老年人進行調查，結果發(fā)現與無慢性疾病或只有一種慢性疾病相比，合并兩種及以上疾病老年人衰弱前期發(fā)生率較高，與本研究結果一致。當老年人患有多種疾病時，多器官功能衰退，機體平衡發(fā)生紊亂，對抗外界壓力的能力會變弱?？梢?，社區(qū)衛(wèi)生工作人員應密切關注患有多種慢性疾病的老年人，積極治療并控制老年人慢性疾病，預防社區(qū)老年人衰弱前期發(fā)生發(fā)展。

3.2.3既往跌倒史和住院史 本研究發(fā)現，跌倒史和住院史是老年衰弱前期的危險因素。陳曉飛等[23]通過對1 400名老年人橫斷面調查，進行單因素分析顯示，過去一年有跌倒史和住院史的老年人衰弱前期發(fā)生率較高。社區(qū)工作人員應加強老年人跌倒及住院狀況的評估，高度重視有跌倒史和住院史的老年人。

3.2.4運動量低 研究發(fā)現，運動量<30 min/d的老年人群發(fā)生衰弱前期的風險較高。Rogers等[24]采用縱向隊列研究設計，對8 649名無衰弱中老年人進行5年隨訪，發(fā)現與久坐或低強度運動組相比，中等強度及以上運動組衰弱前期發(fā)生率偏低。較低的運動量或久坐的生活方式能增加老年衰弱的風險，每天增加30 min的中、高強度運動能降低社區(qū)老年人發(fā)生衰弱的風險[25]。運動能有效預防老年衰弱前期的發(fā)生，為今后運動干預預防老年衰弱發(fā)生和發(fā)展提供了證據支持。

3.2.5抑郁和認知功能下降 研究表明，抑郁傾向和認知功能下降是社區(qū)老年衰弱前期發(fā)生的危險因素。楊帆等[26]采用多分類logistic回歸分析，發(fā)現抑郁是社區(qū)老年衰弱前期獨立危險因素，有抑郁傾向老年人缺少對社交活動和體育運動的興趣，體力活動減少，增加老年衰弱前期發(fā)生的風險；同時衰弱老年人長期患病而喪失勞動能力、擔心疾病狀況造成經濟壓力等，成為精神壓力來源，進而加重抑郁狀況。既往研究顯示，認知功能低下的老年人衰弱前期發(fā)生率較高[2]，與本研究結果一致。衰弱與認知功能下降存在交互作用，兩者相互影響，一方的變化可加重另一方的進展。社區(qū)醫(yī)護人員應為社區(qū)老年人提供心理健康咨詢，改善老年人心理健康及認知功能，防治社區(qū)老年人心理和認知衰弱發(fā)生，減少不必要的醫(yī)療資源消耗。

4 小結

本研究結果顯示，社區(qū)老年衰弱前期的主要危險因素包括年齡、跌倒史、住院史、運動量低、多病共存、抑郁傾向及認知功能下降，考慮危險因素的可干預性，建議社區(qū)護理人員通過預防跌倒、運動干預、慢病健康教育、抑郁及認知干預等預防社區(qū)老年衰弱前期發(fā)生。基于Python平臺，通過對衰弱前期預測模型時間跨度(建模組與驗證組數據收集時間間隔2年)外部驗證結果顯示，BP神經網絡模型預測效能優(yōu)于logistic回歸模型。本研究采用便利抽樣方法，由于資料地區(qū)局限性限制，樣本代表性差，模型還需要進一步驗證和修訂。關于BP神經網絡分析方法，如輸入層變量選擇、結果解釋等方面還需探討。