秦 源，呂苗華，郝曉楠，李 昆

吉林大學護理學院，吉林 130021

近年來，老年人口數(shù)量增加、平均壽命延長的同時帶來了新的健康問題，衰弱成為老年學研究的熱點問題，也給社會和公共衛(wèi)生系統(tǒng)帶來沉重負擔。研究顯示，65 歲以上社區(qū)老年人衰弱發(fā)生率為10.7%～19.6%[1-2]。衰弱是一種生理系統(tǒng)累積量減少的非特異性狀態(tài)，表現(xiàn)為機體抵抗應(yīng)激能力減退、易損性增加[3]，并伴隨一系列臨床不良結(jié)局的發(fā)生，如跌倒、骨折、入院、死亡等[4-7]，嚴重影響老年人生存質(zhì)量。衰弱是一個隨年齡增長緩慢進展的動態(tài)過程，并且具有潛在可逆性。因此，對衰弱狀態(tài)早期識別和預(yù)警，并進行相應(yīng)干預(yù)對延緩或逆轉(zhuǎn)衰弱狀態(tài)尤為重要?，F(xiàn)對社區(qū)老年衰弱預(yù)測模型的發(fā)展和研究現(xiàn)狀進行綜述，促進我國對老年衰弱預(yù)測模型的使用，加強對老年衰弱早期關(guān)注和預(yù)測的重視，為制定個性化干預(yù)措施提供科學依據(jù)，減緩老年衰弱的發(fā)生、發(fā)展。

1 風險預(yù)測模型的相關(guān)概述

風險預(yù)測模型通過向多個預(yù)測因子分配相應(yīng)權(quán)重，獲取個體特定結(jié)果存在（診斷）或未來發(fā)生（預(yù)測）的概率或風險[8]。風險預(yù)測模型最早在心血管領(lǐng)域用于預(yù)測術(shù)前危險因素及術(shù)后并發(fā)癥[9]，目前已廣泛用于其他領(lǐng)域，如慢性病篩查[10]、乳腺癌術(shù)后并發(fā)癥風險預(yù)測等[11]。

1.1 風險預(yù)測模型的驗證 預(yù)測模型的驗證主要分為內(nèi)部驗證和外部驗證。內(nèi)部驗證是利用來源于模型構(gòu)建的相同數(shù)據(jù)集的數(shù)據(jù)進行的驗證，其中隨機拆分法較為常見，即將數(shù)據(jù)集隨機分成兩部分，一部分用于構(gòu)建模型，另一部分用于驗證模型[12]。除借助數(shù)據(jù)分割外，交叉驗證法和Bootstrap 抽樣法也可驗證模型內(nèi)部有效性。外部驗證則是利用不同于模型構(gòu)建的數(shù)據(jù)對模型進行評價。根據(jù)數(shù)據(jù)來源可分為3 類：①時間驗證，即利用不同時間段的數(shù)據(jù)對模型進行評估；②空間驗證，即利用其他研究中心的數(shù)據(jù)對模型進行評價；③領(lǐng)域驗證，即利用其他環(huán)境中的樣本數(shù)據(jù)對模型進行評估[13]。

1.2 風險預(yù)測模型評價標準 預(yù)測模型通過區(qū)分度和校準度進行評估，區(qū)分度是指模型對事件發(fā)生或不發(fā)生的正確預(yù)測的能力，通常用受試者工作特征曲線下面積（area under curve，AUC)進行評估[14]，AUC 取值范圍為0.5～1.0，取值越趨近于1.0，則代表模型的區(qū)分度越好[15]。校準度則是反映模型正確估計絕對風險的程度[16]，Hosmer-Lemeshow 擬合優(yōu)度檢驗（H-L 檢驗）是最常用的評價方法，主要比較事件發(fā)生的預(yù)期概率和實際概率之間的差異是否具有統(tǒng)計學意義，P＞0.05，則提示模型擬合優(yōu)度效果較好。

2 衰弱風險預(yù)測模型的研究現(xiàn)狀

2.1 基于回歸分析的衰弱風險預(yù)測模型

2.1.1 獨立風險因素預(yù)測衰弱發(fā)生風險 識別與衰弱相關(guān)的風險因素是預(yù)測衰弱發(fā)生風險的前提，是制定預(yù)防、干預(yù)措施的基礎(chǔ)。目前，有研究針對使用特定獨立風險因素對衰弱發(fā)生風險進行預(yù)測，提出相應(yīng)的干預(yù)措施。此類研究主要集中在呼吸功能和運動功能方面。呼吸功能方面：有研究表明，衰弱與肺損傷有關(guān)，如呼吸肌力量降低、氣流受限和限制性呼吸模式等。Santos 等[17]驗證了肺功能和社區(qū)老年人衰弱之間的聯(lián)系，并進行了肺功能相關(guān)測量值預(yù)測衰弱的研究，采用了用力肺活量（FVC）、1 秒用力肺活量（FEV1）評估肺功能。結(jié)果顯示，F(xiàn)VC≤2.30 L 和FEV1≤1.86 L為衰弱前期的截斷值；FVC≤2.07 L 和FEV1≤1.76 L為衰弱的截斷值。Vidal 等[18]將最大吸氣和最大呼氣壓力作為呼吸肌力的評估指標，通過Logistic 回歸分析并調(diào)整相關(guān)協(xié)變量后確定呼吸肌力對衰弱具有預(yù)測作用。結(jié)果顯示，最大呼氣壓力＜65 cmH2O（1 cmH2O=0.098 kPa）為衰弱前期的截斷值，最大吸氣壓力＞-50 cmH2O 和最大呼氣壓力＜60 cmH2O 為衰弱的截斷值。Magave 等[19]也驗證了呼吸流量峰值（PEF）是衰弱的獨立預(yù)測因子，男性PEF≤350 L/min是衰弱最佳截斷值，女性PEF≤220 L/min 是衰弱最佳截斷值。在運動功能方面，老年人衰弱發(fā)生、發(fā)展與功能衰退有關(guān)，運動表現(xiàn)測試可以構(gòu)成篩查和監(jiān)測老年人衰弱的可行工具。2016 年，Santos 等[20]探討了運動測試在社區(qū)老人中對衰弱的預(yù)測價值。運動測試包括“椅子站立”測試和“撿筆”測試。受試者工作特征曲線（ROC）結(jié)果顯示，“椅子站立”測試＞14 s 為衰弱的最佳截斷值，“撿筆”測試＞1 s 為衰弱的最佳截斷值。Jung 等[21]進行了功能年齡對衰弱風險預(yù)測的研究，功能年齡的概念是基于簡易體能狀況量表通過線性回歸分析建立，功能年齡方程式為83.61-1.98×平衡分數(shù)-5.21×步行速度（m/s）+0.23×椅子測試時間（s），在驗證隊列中確定了功能年齡對衰弱的預(yù)測作用，研究結(jié)果顯示，功能年齡≥77.2 歲是衰弱的最佳截斷值，但由于驗證隊列的樣本人群年齡更大，身體功能表現(xiàn)更差會對結(jié)果造成偏差。衰弱的發(fā)生、發(fā)展與多方面的風險因素相關(guān)。因此，通過單一風險因素對老年人群的衰弱進行預(yù)測是否準確，仍需開展更多的多中心研究進行驗證，研究結(jié)果也需謹慎推廣。

2.1.2 多個風險因素預(yù)測衰弱發(fā)生風險 Rivan 等[22]在馬來西亞一項老齡化縱向研究中，對282 名社區(qū)老年人進行社會人口學資料、營養(yǎng)狀況、身體功能、認知功能、心理社會情況、臨床生化指標等全面的問卷訪談，基于χ2檢驗和Logistic 回歸分析設(shè)計了認知衰弱的早期預(yù)測模型，其中認知衰弱是由Fried 衰弱表型和簡易精神評價量表共同測量。最終模型納入年齡、數(shù)字符號測試分數(shù)（認知能力測試）、起立行走測試、抑郁、維生素D 和身體衰弱6 個變量。Setiati 等[23]在印度尼西亞的一項前瞻性隊列研究中，根據(jù)衰弱狀態(tài)、功能狀態(tài)、營養(yǎng)狀況、認知狀況、合并癥、服用藥物數(shù)量、生活質(zhì)量、握力和步速等，開發(fā)了一個預(yù)測衰弱過渡狀態(tài)的評分系統(tǒng)。該研究中衰弱過渡狀態(tài)為二分類因變量：①衰弱狀態(tài)改善（即衰弱過渡到衰弱前期或衰弱前期過渡到衰弱）和持續(xù)衰弱狀態(tài)（即衰弱狀態(tài)沒有改變）；②衰弱狀態(tài)惡化（即健康過渡到衰弱前期或衰弱或衰弱前期過渡到衰弱），根據(jù)Logistic 回歸分析結(jié)果顯示，模型最終納入年齡（≥70 歲）、生活質(zhì)量（差）和步速（＜0.8 m/s），將每個變量賦值1 分,ROC 曲線結(jié)果顯示衰弱的最佳截點為≥2 分。該模型雖然有較好的內(nèi)部有效性，但缺乏外部驗證。目前，國內(nèi)研究中也有相關(guān)探索。許麗娟等[24]通過分析老年衰弱不同階段的危險因素，構(gòu)建衰弱風險預(yù)測模型。通過收集508 名社區(qū)老年人相關(guān)資料，利用Logistic 回歸分析建立預(yù)測模型，發(fā)現(xiàn)社區(qū)老年衰弱前期危險因素包括文化程度低、合并多病、多重用藥、跌倒史及住院史，模型AUC 值為0.80，衰弱前期轉(zhuǎn)化為衰弱的危險因素包括獨居、合并多病、多重用藥、跌倒史、住院史及日常生活功能障礙，模型AUC 值為0.93。此外，余靜雅[25]在橫斷面研究的基礎(chǔ)上通過分析社會學資料、老年綜合征及心理社會因素等方面資料，利用Logistic 回歸分析構(gòu)建老年人衰弱風險預(yù)測模型，結(jié)果顯示AUC 值為0.749，模型具有較好的預(yù)測效能。值得注意的是，國內(nèi)研究雖然結(jié)果顯示有較好的預(yù)測效能，但均為橫斷面研究，且缺少外部驗證。

以上衰弱風險預(yù)測模型的研究目前僅處于構(gòu)建階段，缺乏內(nèi)部驗證和外部驗證，對模型結(jié)果進行轉(zhuǎn)化和應(yīng)用較少，提示今后相關(guān)研究應(yīng)更加注重模型構(gòu)建、內(nèi)部驗證、外部驗證及模型結(jié)果在臨床上的轉(zhuǎn)化、應(yīng)用等方面的綜合探討。

2.2 基于機器學習算法的衰弱預(yù)測模型 2019 年，Kuo 等[26]開發(fā)了一個基于機器學習方法的社會脆弱預(yù)測系統(tǒng)，以識別老年人的社會脆弱，通過專家組確定的14 個預(yù)測因子使用分類與回歸樹（CART）、神經(jīng)網(wǎng)絡(luò)、隨機森林、C5.0、極值梯度增強、隨機梯度增強6 種機器學習算法構(gòu)建預(yù)測模型，并基于5 項性能指標比較，選出具有最佳預(yù)測性能的模型，作為開發(fā)衰弱決策支持系統(tǒng)的主要算法。研究結(jié)果顯示，C5.0 在整體表現(xiàn)上為最優(yōu)算法，也在驗證集中表現(xiàn)出較好的預(yù)測性能。同時，通過AUC 值評估了預(yù)測因子的重要性，篩選AUC 值＞0.5 的預(yù)測因子，結(jié)合信息增益比結(jié)果，確定5 個重要的預(yù)測因子，包括健康素養(yǎng)、共病、宗教參與、體育活動和老年抑郁癥評分。該研究結(jié)果通過RESTful 網(wǎng)絡(luò)應(yīng)用開發(fā)方式轉(zhuǎn)化為一個基于網(wǎng)絡(luò)的社會衰弱預(yù)測系統(tǒng)，該預(yù)測系統(tǒng)可以與臨床經(jīng)驗相結(jié)合，幫助醫(yī)生更好地預(yù)測和識別衰弱。2017 年，Closs 等[27]以巴西老年人的身體測量指標為預(yù)測因子，比較了通過人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）算法與Logistic 回歸構(gòu)建的模型在識別老年衰弱方面的預(yù)測能力。研究基于收集的26 項身體測量指標進行建模，篩選AUC 值＞0.6 的預(yù)測因子，最終模型包括體重、腰圍、二頭肌皮褶、臍水平的矢狀腹徑和年齡5 個預(yù)測因素，結(jié)果顯示ANN 的AUC 值（0.78）優(yōu)于邏輯回歸模型（0.71），提示基于ANN 算法構(gòu)建的預(yù)測模型相較于邏輯回歸分析的建模具有更好的預(yù)測效能。該研究納入樣本量較少，預(yù)測因子的選取維度較窄，缺少其他風險因素對衰弱的影響，一定程度上限制了ANN模型的結(jié)構(gòu)。

2.3 基于其他分析方法構(gòu)建衰弱預(yù)測模型 有研究認為，衰弱不是一種側(cè)重于醫(yī)療或護理需求的概念，而是基于多維度和多學科結(jié)構(gòu)的綜合概念模型。2016年，Vernerey 等[28]構(gòu)建了一種新的衰弱風險問卷篩查工具（Frailty Groupe Iso-Ressarce Evaluation,FRAGIRE），涉及身體、認知、功能、心理社會/家庭和環(huán)境，主要用于法國自理能力較差的老年人衰弱風險預(yù)測。研究分3個階段進行：①通過多學科專家小組綜合文獻回顧，全面評估潛在衰弱相關(guān)因素，構(gòu)建FRAGIRE 預(yù)網(wǎng)絡(luò)，包括10 個維度、共65 個項目。②采用主成分分析法對相關(guān)變量進行維度分析，根據(jù)主成分矩陣中項目的貢獻率、識別能力以及專家組的選擇對問卷項目進行篩選和縮減，確定最終的FRAGIRE 網(wǎng)絡(luò)，包括9 個維度、19 個項目。③開發(fā)基于FRAGIRE 問卷的評分系統(tǒng)，將各條目作為連續(xù)變量，采用多元邏輯回歸分析構(gòu)建衰弱風險預(yù)測分數(shù)，預(yù)測得分為0～100 分。結(jié)果顯示，AUC 值為0.756，模型具有較好的預(yù)測能力。盡管問卷評估比老年人自我報告評估更加合適，仍缺少FRAGIRE 問卷和Fried 等衰弱評估方法的比較，并且問卷開發(fā)過程耗時費力，加大數(shù)據(jù)收集的負擔。該研究為橫斷面研究，仍需進行前瞻性研究驗證。除了開發(fā)衰弱問卷對衰弱進行風險預(yù)測，衰弱相關(guān)標志性指數(shù)也能從臨床和生理特征中提供與衰弱有關(guān)的信息。2010 年，Kamaruzzaman 等[29]利用因子分析法開發(fā)英國衰弱指數(shù)，模型數(shù)據(jù)來源于英國女性心臟和健康研究隊列，研究者提取數(shù)據(jù)庫中35 個衰弱指標進行評估和校正，計算與衰弱的相對權(quán)重，通過探索性因子分析法將數(shù)據(jù)簡化后進行驗證性因子分析，主要將探索性因子分析構(gòu)建的結(jié)構(gòu)與觀測數(shù)據(jù)進行擬合來驗證模型內(nèi)部一致性，通過Cox 回歸分析比較新開發(fā)的英國衰弱指數(shù)與加拿大健康和老齡化研究衰弱指數(shù)的不良結(jié)局的風險比。結(jié)果顯示共有7 個因素與潛在衰弱相關(guān)，包括體能、心臟癥狀/疾病、呼吸系統(tǒng)癥狀/疾病、生理測量、心理狀況、共病和視力障礙。Cox 回歸分析結(jié)果顯示，英國衰弱指數(shù)較加拿大健康和老齡化研究衰弱指數(shù)更能有效預(yù)測死亡、住院和進入養(yǎng)老機構(gòu)的概率。衰弱模型雖然在英國女性群體中構(gòu)建，但研究過程也在英國老年人肌力分級評估研究中得到復(fù)制，該模型具有較高可信度和有效性。

3 小結(jié)與啟示

衰弱早期識別與風險預(yù)測是國外研究熱點，預(yù)測模型以回歸分析法構(gòu)建居多，預(yù)測因子選取多為非侵入性，但多數(shù)模型缺少外部驗證。目前，國內(nèi)研究較少，分析方法較單一。因此，國內(nèi)應(yīng)積極開展衰弱風險相關(guān)研究，針對我國老年人特點探索多種方法構(gòu)建模型，評估效能，合理驗證，擇優(yōu)挑選，發(fā)展適用于我國老年人群的衰弱風險預(yù)測模型。在老年人健康管理及養(yǎng)老照護領(lǐng)域，與衰弱相關(guān)的篩查尚未納入社區(qū)老年健康管理的工作流程中。可能由于目前社區(qū)衛(wèi)生服務(wù)中心主要關(guān)注疾病管理，缺乏對老年人群整體健康的重視，社區(qū)醫(yī)護工作者對老年人衰弱的認識及相關(guān)知識不足，且目前構(gòu)建的大部分模型尚未經(jīng)過前瞻性、多中心外部驗證，限制其在臨床的推廣和應(yīng)用。因此，社區(qū)護理人員應(yīng)加強對老年人群的整體健康保護意識，組織醫(yī)護人員開展衰弱相關(guān)知識培訓，積極開展衰弱預(yù)測模型在社區(qū)護理應(yīng)用方面的研究。未來人工智能領(lǐng)域不斷進步，將預(yù)測模型與社區(qū)醫(yī)療信息系統(tǒng)相結(jié)合，可為老年人衰弱提供準確、高效的識別和預(yù)警；護理人員也可通過建立健康檔案，對老年人進行與衰弱相關(guān)的健康教育和個性化行為干預(yù)，提高護理人員的工作效率，從而改善老年人群生活質(zhì)量。