魯 鑫,江智霞,金 雪,楊曉玲,胥 露,游琳琳

1.遵義醫(yī)科大學(xué)護(hù)理學(xué)院,貴州 563003;2.貴州護(hù)理職業(yè)技術(shù)學(xué)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(wèi)生組織和學(xué)術(shù)界認(rèn)定失能是人與環(huán)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(dǎo)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(jīng)進(jìn)入了人口老齡化的快速發(fā)展期。第七次全國人口普查數(shù)據(jù)顯示,我國60歲及以上老年人口達(dá)到2.64億人,占總?cè)丝诘?8.70%[3],失能老年人總數(shù)為4 400萬人,占老年人口總數(shù)的17.30%[3]。隨著人口老齡化加深和老年人口規(guī)模的增加,未來失能老年人口規(guī)模將不斷擴(kuò)大[4]。失能不僅降低個人生活質(zhì)量,而且增加家庭照護(hù)負(fù)擔(dān),加大社會醫(yī)療衛(wèi)生資源負(fù)荷[5]。失能并非一種靜態(tài)現(xiàn)象,而是具有動態(tài)性、過程性、漸進(jìn)性的特點(diǎn)[2],其發(fā)生、發(fā)展是由多種病因長期累積的結(jié)果,發(fā)展的過程可能會持續(xù)幾年甚至十幾年,我們有足夠的時間通過一定的干預(yù)措施預(yù)防或減緩失能的發(fā)生、發(fā)展。因此,加強(qiáng)老年人失能風(fēng)險預(yù)測,在老年人進(jìn)入失能狀態(tài)之前及時地進(jìn)行預(yù)防和干預(yù)十分重要。目前,國內(nèi)相關(guān)研究主要集中于老年人失能的現(xiàn)狀調(diào)查、影響因素研究及老年人失能后的長期照護(hù)問題,本研究旨在對國內(nèi)外老年人失能風(fēng)險預(yù)測模型進(jìn)行綜述,以期為篩查失能高風(fēng)險人群、制訂和實(shí)施科學(xué)、有效的干預(yù)策略提供新思路。

1 老年人失能風(fēng)險預(yù)測模型的類型

1.1 基于傳統(tǒng)統(tǒng)計(jì)學(xué)方法構(gòu)建老年人失能風(fēng)險預(yù)測模型

Jonkman等[6]納入2 560名老年人(65～75歲)進(jìn)行為期3年的隊(duì)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(gòu)建失能風(fēng)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(guān)節(jié)炎、糖尿病、抑郁、體質(zhì)指數(shù)(BMI)、握力、轉(zhuǎn)換步態(tài)速度、5次重復(fù)站立所需時間10項(xiàng)預(yù)測因子,為了促進(jìn)模型對老年人失能風(fēng)險的預(yù)測,該研究將回歸系數(shù)轉(zhuǎn)換為風(fēng)險評分,評分為0～117分,分?jǐn)?shù)越高表示失能的風(fēng)險越高。模型C統(tǒng)計(jì)量為0.719,具有良好的預(yù)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(jìn)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(quán)威性、科學(xué)性,這可能影響研究結(jié)果。提示,針對老年人失能的評估需使用公認(rèn)的、具有權(quán)威性的評估工具。一項(xiàng)在印第安納大學(xué)醫(yī)學(xué)院進(jìn)行的為期2年的前瞻性隊(duì)列研究以2/3的樣本(n=6 233)作為訓(xùn)練集構(gòu)建邏輯回歸模型,其余1/3的樣本(n=3 213)用于驗(yàn)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(shù)、糖尿病、慢性肺疾病、心力衰竭、腦卒中、關(guān)節(jié)炎作為預(yù)測因子。另外,研究者將構(gòu)建的模型與以往報道的老年人失能風(fēng)險預(yù)測模型進(jìn)行比較后提出,雖然新模型的C統(tǒng)計(jì)量(0.74)略低于以往報道模型的C統(tǒng)計(jì)量(0.79),但新模型具有擬合度好,預(yù)測因子較少、均易獲取,實(shí)施方便等優(yōu)點(diǎn),有助于衛(wèi)生保健人員在短時間內(nèi)完成風(fēng)險評估。該研究由于樣本來源于全國性的調(diào)查統(tǒng)計(jì),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(yōu)度變低。且該模型未進(jìn)行外部驗(yàn)證,其適用性尚有待進(jìn)一步驗(yàn)證。Van Blijswijk等[8]對2 211名荷蘭老年人(≥75歲)進(jìn)行了一項(xiàng)為期12個月的前瞻性隊(duì)列研究,旨在確定模型增加老年人綜合系統(tǒng)護(hù)理評估(ISCOPE)評分、全科醫(yī)生對失能的判斷是否能增強(qiáng)風(fēng)險預(yù)測模型的效果。采用邏輯回歸模型研究結(jié)果顯示,在年齡、性別、多種藥物、多種疾病、生活狀況的基礎(chǔ)上增加ISCOPE評分、全科醫(yī)生對失能的判斷可提升模型的預(yù)測效果,此時曲線下面積(AUC)為0.686(<0.700),預(yù)測效果有待進(jìn)一步提升。艾亞婷等[9]在武漢市社區(qū)開展針對60歲及以上老年人ADL現(xiàn)狀的橫斷面調(diào)查,共調(diào)查822名老年人。邏輯回歸模型分析結(jié)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(hù)因素。該模型AUC為0.742,Hosmer-Lemeshow檢驗(yàn)(H-L檢驗(yàn))P>0.05,提示預(yù)測模型有較好的校準(zhǔn)度。但該模型納入影響因素較少,未進(jìn)行外部驗(yàn)證,模型實(shí)用性有待進(jìn)一步研究。Chen等[10]采用前瞻性隊(duì)列研究方法收集日本1 591名老年人社會人口學(xué)信息、BMI、認(rèn)知功能等數(shù)據(jù),研究5 m最大步態(tài)速度、單腿站立時間、握力是否有利于改善老年人失能風(fēng)險預(yù)測模型性能。研究人員采用Cox回歸構(gòu)建模型結(jié)果顯示,在模型中增加5 m最大步態(tài)速度、單腿站立時間、握力可改善模型預(yù)測性能,C統(tǒng)計(jì)量為0.787,凈重新分類指數(shù)(NRI)和綜合判別改善指數(shù)(IDI)也證實(shí)了該模型的風(fēng)險預(yù)測效果較好。但該研究未排除混雜因素,較多數(shù)據(jù)缺失,觀察結(jié)果可能低估了身體功能狀態(tài)與失能之間的聯(lián)系,且模型并未進(jìn)行外部驗(yàn)證,實(shí)用性有待進(jìn)一步研究。

1.2 基于機(jī)器學(xué)習(xí)算法構(gòu)建老年人失能風(fēng)險預(yù)測模型

目前,使用機(jī)器學(xué)習(xí)算法構(gòu)建老年人失能風(fēng)險預(yù)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(jī)、邏輯回歸、人工神經(jīng)網(wǎng)絡(luò))構(gòu)建失能風(fēng)險預(yù)測模型。該模型納入變量包括年齡、性別、婚姻狀況、經(jīng)濟(jì)狀況、地區(qū)、居住地、抽煙、喝酒、做家務(wù)、鍛煉身體、社會活動、慢性病、心理狀況、當(dāng)前ADL狀態(tài)。結(jié)果顯示,年齡是預(yù)測失能最重要的變量,其次是當(dāng)前ADL狀態(tài)。通過綜合對比模型性能,Zhang等[11]認(rèn)為預(yù)測性能最好的是決策樹模型,其準(zhǔn)確率為70.79%,比其他3個模型都高,但該研究只是用準(zhǔn)確率來評估模型性能,未考慮精確率、召回率、AUC等,需要進(jìn)一步驗(yàn)證模型的優(yōu)劣。此外,模型并未進(jìn)行外部驗(yàn)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(tǒng)邏輯回歸結(jié)合,構(gòu)建老年人生活自理能力評估模型。該研究使用無監(jiān)督學(xué)習(xí)中的K-Means聚類算法對數(shù)據(jù)存在的特征進(jìn)行劃分,形成聚類分組數(shù)據(jù)?；谠摂?shù)據(jù),采用邏輯回歸算法構(gòu)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(gòu)建二分類模型。通過該模型可預(yù)測老年人生活自理狀態(tài)得分,得分越低說明生活自理能力越低,失能風(fēng)險越高。結(jié)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(yù)測能力。另外,馬新成[12]以該模型為基礎(chǔ),設(shè)計(jì)老年人生活自理能力評估系統(tǒng),將研究成果轉(zhuǎn)化成服務(wù)廣大民眾的產(chǎn)品,促進(jìn)了老年人失能風(fēng)險預(yù)測結(jié)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(shù)據(jù)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(rèn)知功能,且僅對模型進(jìn)行內(nèi)部驗(yàn)證,缺乏外部驗(yàn)證,其實(shí)用性如何有待進(jìn)一步探究。

1.3 預(yù)測老年人失能風(fēng)險的列線圖模型

周錦輝等[13]對21 246名65歲以上老年人進(jìn)行前瞻性隊(duì)列研究,使用Lasso回歸篩選關(guān)鍵預(yù)測因素,構(gòu)建Cox回歸模型,以列線圖進(jìn)行可視化展示。最終模型納入9個預(yù)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(fā)生風(fēng)險升高,少數(shù)民族、連續(xù)行走1 km、獨(dú)自乘坐公共交通工具、幾乎每天做家務(wù)可降低ADL受損風(fēng)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(xiàn)較多假陽性的情況,一定程度上會浪費(fèi)醫(yī)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(biāo)、肺功能等客觀指標(biāo),未進(jìn)行外部驗(yàn)證,模型的實(shí)用性有待進(jìn)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(guān)資料構(gòu)建模型,并用1 452名中老年人的資料對模型進(jìn)行內(nèi)部驗(yàn)證,最后使用18 722名中老年人的資料對模型進(jìn)行外部驗(yàn)證。該模型采用Lasso回歸和逐步Logistic回歸篩選最優(yōu)預(yù)測變量。最終,基本生活活動能力(BADL)受損列線圖預(yù)測模型納入變量包括年齡、婚姻狀態(tài)、BMI、認(rèn)知功能、體力活動、抑郁、自評健康狀況、慢性肺病、關(guān)節(jié)炎、記憶相關(guān)疾病。研究結(jié)果顯示,內(nèi)部驗(yàn)證AUC為0.742,外部驗(yàn)證AUC為0.706,且H-L檢驗(yàn)P>0.05,表明模型的擬合優(yōu)度較好,具有良好的預(yù)測性能。但該研究在數(shù)據(jù)分析過程中排除數(shù)據(jù)不全的研究對象,這可能會造成一定的選擇偏倚。另外,內(nèi)部驗(yàn)證和外部驗(yàn)證的數(shù)據(jù)可能存在細(xì)微差別,原因在于內(nèi)部驗(yàn)證中的身高、體重是自我報告獲得,而外部驗(yàn)證中的身高和體重是客觀測量獲得。2021年,Zhang等[15]構(gòu)建了老年人失能風(fēng)險預(yù)測模型的動態(tài)列線圖,以網(wǎng)頁形式呈現(xiàn),這是第一個關(guān)于中國老年人失能風(fēng)險預(yù)測的動態(tài)列線圖研究。該研究使用4 791名老年人的隨訪數(shù)據(jù),通過邏輯回歸篩選失能獨(dú)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(tài)速度、認(rèn)知功能和抑郁癥狀。該列線圖C統(tǒng)計(jì)量為0.715,H-L檢驗(yàn)P>0.05,提示模型的擬合優(yōu)度較好,具有一定的預(yù)測能力。該模型的優(yōu)點(diǎn)是實(shí)施方便、智能,省時省力,促進(jìn)衛(wèi)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(fēng)險篩查。但該研究預(yù)測因子有限,未考慮潛在風(fēng)險因素,如聽力、視力等。為了研究下肢功能測試對失能風(fēng)險預(yù)測的價值,2022年,Zhang等[16]對2 192名老年人(≥60歲)進(jìn)行了為期4年的隨訪研究,采用邏輯回歸構(gòu)建6個失能風(fēng)險預(yù)測模型,比較模型性能,并基于最佳模型構(gòu)建列線圖。研究結(jié)果顯示,納入下肢功能測試(平衡、步態(tài)速度、反復(fù)椅子站立測試)的模型C統(tǒng)計(jì)量為0.731,重分類改善指標(biāo)(NRI)為0.406,綜合判別改善指數(shù)(IDI)為0.035,提示納入下肢功能測試的失能風(fēng)險預(yù)測模型效果最好,對失能風(fēng)險的預(yù)測貢獻(xiàn)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(zhì)性,可能影響結(jié)果。且該研究并未進(jìn)行外部驗(yàn)證,模型是否適用于社區(qū)老年人失能風(fēng)險預(yù)測還需驗(yàn)證。為了預(yù)測未來12年中老年人的失能風(fēng)險,2022年,Qi等[17]用4 809名中老年人(≥50歲)的數(shù)據(jù)構(gòu)建Cox回歸模型。以18 620名中老年人(≥50歲)的數(shù)據(jù)作為驗(yàn)證集對模型進(jìn)行外部驗(yàn)證,并以列線圖進(jìn)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(rèn)知、抑郁癥狀、自評健康狀況、聽力功能、慢性肺病、關(guān)節(jié)炎、高血壓、記憶相關(guān)疾病。在內(nèi)部驗(yàn)證中AUC為0.793,在外部驗(yàn)證中AUC為0.796,提示模型有良好的預(yù)測能力,可能對中老年人健康護(hù)理及身體功能預(yù)后有重要意義。但該研究未報道隨訪過程中的死亡數(shù)據(jù),造成數(shù)據(jù)缺失,這可能會造成預(yù)測結(jié)果偏倚。

2 老年人失能風(fēng)險預(yù)測模型的比較分析

目前報道的老年人失能風(fēng)險預(yù)測模型中,2項(xiàng)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(guān)資料主要從數(shù)據(jù)庫提取,部分研究來源于橫斷面調(diào)查。最常見的預(yù)測因子包括年齡、性別、慢性疾病、認(rèn)知狀況、吸煙、社交活動、文化程度、興趣愛好等。聽力、衰弱、步態(tài)速度、5次椅重復(fù)站立所需時間、握力、醫(yī)療保健工作者對失能的判斷等預(yù)測因子相對較少,另外,Chen等[10]認(rèn)為增加握力可以改善失能風(fēng)險預(yù)測模型預(yù)測效果,Zhang等[16]則認(rèn)為握力對預(yù)測效果沒有明顯改善作用。大多數(shù)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(shù)研究采用Lasso算法[13-14,17]、聚類算法[12]篩選危險因素。模型構(gòu)建以邏輯回歸、Cox回歸模型最為常見,有5項(xiàng)研究[13-17]以列線圖進(jìn)行可視化展示,其中Zhang等[15]報道的列線圖是第一個關(guān)于中國老年人失能風(fēng)險預(yù)測的動態(tài)列線圖研究。有1項(xiàng)基于回歸系數(shù)計(jì)算出簡單的風(fēng)險評分[6],有1項(xiàng)研究以風(fēng)險評估系統(tǒng)進(jìn)行呈現(xiàn)[12]。Zhang等[11]采用機(jī)器學(xué)習(xí)的方法用決策樹構(gòu)建失能風(fēng)險預(yù)測模型。模型各有優(yōu)缺點(diǎn),4項(xiàng)研究[6,14-15,17]進(jìn)行了外部驗(yàn)證,其余研究均是采用內(nèi)部驗(yàn)證,由于大部分老年人失能風(fēng)險預(yù)測模型缺少外部驗(yàn)證,因此無法對模型進(jìn)行橫向評價。目前,還沒有模型被常規(guī)用于社區(qū)或臨床。Zhang等[11]報告用決策樹構(gòu)建的老年人失能風(fēng)險預(yù)測模型比用邏輯回歸、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型性能更優(yōu),但該模型性能比較僅采用準(zhǔn)確率來衡量,未考慮模型靈敏度、特異度、精確率等。此外,各預(yù)測模型中失能的診斷標(biāo)準(zhǔn)不一致,這可能造成結(jié)局指標(biāo)偏差,無法對模型性能進(jìn)行橫向比較。

3 小結(jié)

本研究從老年人失能風(fēng)險預(yù)測模型的構(gòu)建過程、模型的基本情況、預(yù)測性能等方面進(jìn)行綜述。國內(nèi)外對老年人失能風(fēng)險預(yù)測模型的研究以Logistic回歸、Cox回歸分析為主,較少研究使用機(jī)器學(xué)習(xí)算法構(gòu)建模型進(jìn)行風(fēng)險預(yù)測,且模型性能評價指標(biāo)僅僅使用準(zhǔn)確率,未考慮精確率、召回率、F1值等。除此之外,部分模型預(yù)測因子通過研究對象自我報告獲得,未經(jīng)特定的量表或?qū)嶒?yàn)室檢查獲得,未來應(yīng)采用更客觀、科學(xué)的方式采集,以保證數(shù)據(jù)的有效性、真實(shí)性。目前,沒有模型被常規(guī)運(yùn)用于社區(qū)或臨床。因此,未來研究者可基于大數(shù)據(jù)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)進(jìn)一步探索老年人失能風(fēng)險預(yù)測模型,綜合評估模型性能,以期為篩查失能高風(fēng)險老年人群,及時采取有效干預(yù)措施,促進(jìn)老年人失能防控和積極老齡化建設(shè)提供科學(xué)依據(jù)。