老年人失能風險預測模型研究進展

魯 鑫,江智霞,金 雪,楊曉玲,胥 露,游琳琳

1.遵義醫科大學護理學院,貴州 563003;2.貴州護理職業技術學院

失能是指個人在日常生活中主要活動能力受限或喪失[1]。世界衛生組織和學術界認定失能是人與環境相互作用的社會過程[2]。老年人由于虛弱、殘疾、疾病等影響導致部分或完全喪失生活自理能力,被稱為失能老年人[2]。目前,我國已經進入了人口老齡化的快速發展期。第七次全國人口普查數據顯示,我國60歲及以上老年人口達到2.64億人,占總人口的18.70%[3],失能老年人總數為4 400萬人,占老年人口總數的17.30%[3]。隨著人口老齡化加深和老年人口規模的增加,未來失能老年人口規模將不斷擴大[4]。失能不僅降低個人生活質量,而且增加家庭照護負擔,加大社會醫療衛生資源負荷[5]。失能并非一種靜態現象,而是具有動態性、過程性、漸進性的特點[2],其發生、發展是由多種病因長期累積的結果,發展的過程可能會持續幾年甚至十幾年,我們有足夠的時間通過一定的干預措施預防或減緩失能的發生、發展。因此,加強老年人失能風險預測,在老年人進入失能狀態之前及時地進行預防和干預十分重要。目前,國內相關研究主要集中于老年人失能的現狀調查、影響因素研究及老年人失能后的長期照護問題,本研究旨在對國內外老年人失能風險預測模型進行綜述,以期為篩查失能高風險人群、制訂和實施科學、有效的干預策略提供新思路。

1 老年人失能風險預測模型的類型

1.1 基于傳統統計學方法構建老年人失能風險預測模型

Jonkman等[6]納入2 560名老年人(65～75歲)進行為期3年的隊列研究,初次隨訪時老年人不存在日常生活活動能力(ADL)受限。Jonkman等[6]使用Logistic回歸構建失能風險評分模型,該模型包括年齡、心血管疾病、慢性阻塞性肺疾病(COPD)、關節炎、糖尿病、抑郁、體質指數(BMI)、握力、轉換步態速度、5次重復站立所需時間10項預測因子,為了促進模型對老年人失能風險的預測,該研究將回歸系數轉換為風險評分,評分為0～117分,分數越高表示失能的風險越高。模型C統計量為0.719,具有良好的預測能力。由于該研究納入對象為65～75歲老年人,模型是否可以用于65歲以下或75歲以上老年人,有待進一步探討。此外,該研究使用自行組合條目評估老年人身體功能,不具備權威性、科學性,這可能影響研究結果。提示,針對老年人失能的評估需使用公認的、具有權威性的評估工具。一項在印第安納大學醫學院進行的為期2年的前瞻性隊列研究以2/3的樣本(n=6 233)作為訓練集構建邏輯回歸模型,其余1/3的樣本(n=3 213)用于驗證模型性能[7]。該模型在使用反向消元法后,最終納入年齡、過去2年住院的次數、糖尿病、慢性肺疾病、心力衰竭、腦卒中、關節炎作為預測因子。另外,研究者將構建的模型與以往報道的老年人失能風險預測模型進行比較后提出,雖然新模型的C統計量(0.74)略低于以往報道模型的C統計量(0.79),但新模型具有擬合度好,預測因子較少、均易獲取,實施方便等優點,有助于衛生保健人員在短時間內完成風險評估。該研究由于樣本來源于全國性的調查統計,刪除了部分缺失的變量,可能造成回歸模型的解釋能力變差,擬合優度變低。且該模型未進行外部驗證,其適用性尚有待進一步驗證。Van Blijswijk等[8]對2 211名荷蘭老年人(≥75歲)進行了一項為期12個月的前瞻性隊列研究,旨在確定模型增加老年人綜合系統護理評估(ISCOPE)評分、全科醫生對失能的判斷是否能增強風險預測模型的效果。采用邏輯回歸模型研究結果顯示,在年齡、性別、多種藥物、多種疾病、生活狀況的基礎上增加ISCOPE評分、全科醫生對失能的判斷可提升模型的預測效果,此時曲線下面積(AUC)為0.686(<0.700),預測效果有待進一步提升。艾亞婷等[9]在武漢市社區開展針對60歲及以上老年人ADL現狀的橫斷面調查,共調查822名老年人。邏輯回歸模型分析結果顯示,增齡、記憶下降是失能的危險因素,有興趣愛好、高文化程度是失能的保護因素。該模型AUC為0.742,Hosmer-Lemeshow檢驗(H-L檢驗)P>0.05,提示預測模型有較好的校準度。但該模型納入影響因素較少,未進行外部驗證,模型實用性有待進一步研究。Chen等[10]采用前瞻性隊列研究方法收集日本1 591名老年人社會人口學信息、BMI、認知功能等數據,研究5 m最大步態速度、單腿站立時間、握力是否有利于改善老年人失能風險預測模型性能。研究人員采用Cox回歸構建模型結果顯示,在模型中增加5 m最大步態速度、單腿站立時間、握力可改善模型預測性能,C統計量為0.787,凈重新分類指數(NRI)和綜合判別改善指數(IDI)也證實了該模型的風險預測效果較好。但該研究未排除混雜因素,較多數據缺失,觀察結果可能低估了身體功能狀態與失能之間的聯系,且模型并未進行外部驗證,實用性有待進一步研究。

1.2 基于機器學習算法構建老年人失能風險預測模型

目前,使用機器學習算法構建老年人失能風險預測模型的研究較少。2016年,Zhang等[11]采用使用4種方法(決策樹、支持向量機、邏輯回歸、人工神經網絡)構建失能風險預測模型。該模型納入變量包括年齡、性別、婚姻狀況、經濟狀況、地區、居住地、抽煙、喝酒、做家務、鍛煉身體、社會活動、慢性病、心理狀況、當前ADL狀態。結果顯示,年齡是預測失能最重要的變量,其次是當前ADL狀態。通過綜合對比模型性能,Zhang等[11]認為預測性能最好的是決策樹模型,其準確率為70.79%,比其他3個模型都高,但該研究只是用準確率來評估模型性能,未考慮精確率、召回率、AUC等,需要進一步驗證模型的優劣。此外,模型并未進行外部驗證,其推廣性如何尚不清楚。馬新成[12]首次將K-Means聚類算法與傳統邏輯回歸結合,構建老年人生活自理能力評估模型。該研究使用無監督學習中的K-Means聚類算法對數據存在的特征進行劃分,形成聚類分組數據。基于該數據,采用邏輯回歸算法構建模型。模型以性別、步速、年齡、共病狀況、目前健康狀況為自變量,以能力完好或能力下降為因變量構建二分類模型。通過該模型可預測老年人生活自理狀態得分,得分越低說明生活自理能力越低,失能風險越高。結果顯示,該模型AUC為0.723、靈敏度為0.822、特異度為0.556,提示模型具有良好的預測能力。另外,馬新成[12]以該模型為基礎,設計老年人生活自理能力評估系統,將研究成果轉化成服務廣大民眾的產品,促進了老年人失能風險預測結果可視化。在研究方法層面,該研究通過聚類分組使得人群更加集中,可以有效提升模型某方面的性能。由于數據采集代價大,該研究并未納入對生活自理能力影響程度較大的抑郁功能、認知功能,且僅對模型進行內部驗證,缺乏外部驗證,其實用性如何有待進一步探究。

1.3 預測老年人失能風險的列線圖模型

周錦輝等[13]對21 246名65歲以上老年人進行前瞻性隊列研究,使用Lasso回歸篩選關鍵預測因素,構建Cox回歸模型,以列線圖進行可視化展示。最終模型納入9個預測因素,其中年齡增長、BMI升高、女性、高血壓和腦血管疾病史可使ADL受損發生風險升高,少數民族、連續行走1 km、獨自乘坐公共交通工具、幾乎每天做家務可降低ADL受損風險。該模型AUC為 0.853,靈敏度為96.1%,特異度為 59.9%。該模型具有較高靈敏度但特異性較低,提示會出現較多假陽性的情況,一定程度上會浪費醫療資源,造成老年人及家屬無端的焦慮。且該模型未納入代謝指標、肺功能等客觀指標,未進行外部驗證,模型的實用性有待進一步研究。尹振華[14]首先使用3 386名英國中老年人(≥50歲)的相關資料構建模型,并用1 452名中老年人的資料對模型進行內部驗證,最后使用18 722名中老年人的資料對模型進行外部驗證。該模型采用Lasso回歸和逐步Logistic回歸篩選最優預測變量。最終,基本生活活動能力(BADL)受損列線圖預測模型納入變量包括年齡、婚姻狀態、BMI、認知功能、體力活動、抑郁、自評健康狀況、慢性肺病、關節炎、記憶相關疾病。研究結果顯示,內部驗證AUC為0.742,外部驗證AUC為0.706,且H-L檢驗P>0.05,表明模型的擬合優度較好,具有良好的預測性能。但該研究在數據分析過程中排除數據不全的研究對象,這可能會造成一定的選擇偏倚。另外,內部驗證和外部驗證的數據可能存在細微差別,原因在于內部驗證中的身高、體重是自我報告獲得,而外部驗證中的身高和體重是客觀測量獲得。2021年,Zhang等[15]構建了老年人失能風險預測模型的動態列線圖,以網頁形式呈現,這是第一個關于中國老年人失能風險預測的動態列線圖研究。該研究使用4 791名老年人的隨訪數據,通過邏輯回歸篩選失能獨立危險因素,包括年齡、教育水平、社交活動頻率、飲酒頻率、吸煙頻率、共病狀況、自評健康狀況、步態速度、認知功能和抑郁癥狀。該列線圖C統計量為0.715,H-L檢驗P>0.05,提示模型的擬合優度較好,具有一定的預測能力。該模型的優點是實施方便、智能,省時省力,促進衛生保健工作者作出理性的決策,適用于大范圍老年人群的失能風險篩查。但該研究預測因子有限,未考慮潛在風險因素,如聽力、視力等。為了研究下肢功能測試對失能風險預測的價值,2022年,Zhang等[16]對2 192名老年人(≥60歲)進行了為期4年的隨訪研究,采用邏輯回歸構建6個失能風險預測模型,比較模型性能,并基于最佳模型構建列線圖。研究結果顯示,納入下肢功能測試(平衡、步態速度、反復椅子站立測試)的模型C統計量為0.731,重分類改善指標(NRI)為0.406,綜合判別改善指數(IDI)為0.035,提示納入下肢功能測試的失能風險預測模型效果最好,對失能風險的預測貢獻較大。但該研究排除組和納入研究組的基線資料存在較大的異質性,可能影響結果。且該研究并未進行外部驗證,模型是否適用于社區老年人失能風險預測還需驗證。為了預測未來12年中老年人的失能風險,2022年,Qi等[17]用4 809名中老年人(≥50歲)的數據構建Cox回歸模型。以18 620名中老年人(≥50歲)的數據作為驗證集對模型進行外部驗證,并以列線圖進行可視化展示。研究者通過Lasso算法篩選變量后納入年齡、婚姻狀況、吸煙、體育活動、BMI、認知、抑郁癥狀、自評健康狀況、聽力功能、慢性肺病、關節炎、高血壓、記憶相關疾病。在內部驗證中AUC為0.793,在外部驗證中AUC為0.796,提示模型有良好的預測能力,可能對中老年人健康護理及身體功能預后有重要意義。但該研究未報道隨訪過程中的死亡數據,造成數據缺失,這可能會造成預測結果偏倚。

2 老年人失能風險預測模型的比較分析

目前報道的老年人失能風險預測模型中,2項為橫斷面研究[9,12],其余均為前瞻性研究[6-8,10-11,13-17],相關資料主要從數據庫提取,部分研究來源于橫斷面調查。最常見的預測因子包括年齡、性別、慢性疾病、認知狀況、吸煙、社交活動、文化程度、興趣愛好等。聽力、衰弱、步態速度、5次椅重復站立所需時間、握力、醫療保健工作者對失能的判斷等預測因子相對較少,另外,Chen等[10]認為增加握力可以改善失能風險預測模型預測效果,Zhang等[16]則認為握力對預測效果沒有明顯改善作用。大多數研究采用邏輯回歸[6-9,12,15-16]、Cox回歸[10,13,17]篩選危險因素,少數研究采用Lasso算法[13-14,17]、聚類算法[12]篩選危險因素。模型構建以邏輯回歸、Cox回歸模型最為常見,有5項研究[13-17]以列線圖進行可視化展示,其中Zhang等[15]報道的列線圖是第一個關于中國老年人失能風險預測的動態列線圖研究。有1項基于回歸系數計算出簡單的風險評分[6],有1項研究以風險評估系統進行呈現[12]。Zhang等[11]采用機器學習的方法用決策樹構建失能風險預測模型。模型各有優缺點,4項研究[6,14-15,17]進行了外部驗證,其余研究均是采用內部驗證,由于大部分老年人失能風險預測模型缺少外部驗證,因此無法對模型進行橫向評價。目前,還沒有模型被常規用于社區或臨床。Zhang等[11]報告用決策樹構建的老年人失能風險預測模型比用邏輯回歸、支持向量機、人工神經網絡構建的模型性能更優,但該模型性能比較僅采用準確率來衡量,未考慮模型靈敏度、特異度、精確率等。此外,各預測模型中失能的診斷標準不一致,這可能造成結局指標偏差,無法對模型性能進行橫向比較。

3 小結

本研究從老年人失能風險預測模型的構建過程、模型的基本情況、預測性能等方面進行綜述。國內外對老年人失能風險預測模型的研究以Logistic回歸、Cox回歸分析為主,較少研究使用機器學習算法構建模型進行風險預測,且模型性能評價指標僅僅使用準確率,未考慮精確率、召回率、F1值等。除此之外,部分模型預測因子通過研究對象自我報告獲得,未經特定的量表或實驗室檢查獲得,未來應采用更客觀、科學的方式采集,以保證數據的有效性、真實性。目前,沒有模型被常規運用于社區或臨床。因此,未來研究者可基于大數據、機器學習、深度學習進一步探索老年人失能風險預測模型,綜合評估模型性能,以期為篩查失能高風險老年人群,及時采取有效干預措施,促進老年人失能防控和積極老齡化建設提供科學依據。