Risk prediction models for frailty in maintenance hemodialysis patients ：a scoping review MA Bingying1，MA Mingzhu2，XU Sujia3*

1.SchoolofNursing，Dali University，Yunnan 6710oo China;2.SchoolofNursing，Yunnan Universityof Chinese Medicine;3.The Third People'sHospital of Yunnan Province

*CorrespondingAuthor XU Sujia，E-mail：ynssynxsj@163.comKeywordsmaintenance hemodialysis; frailty; risk prediction model; scoping review; nursing

摘要目的：對維持性血液透析病人衰弱風(fēng)險預(yù)測模型進行范圍綜述。方法：系統(tǒng)檢索中國知網(wǎng)、萬方數(shù)據(jù)庫、維普數(shù)據(jù)庫、中國生物醫(yī)學(xué)文獻服務(wù)系統(tǒng)、PubMed、Web ofScience、EMbase、the Cochrane Library、Scopus、CINAHL數(shù)據(jù)庫中有關(guān)維持性血液透析病人衰弱風(fēng)險預(yù)測模型的研究，對納入文獻進行文獻偏倚風(fēng)險評估，提取并總結(jié)維持性血液透析病人衰弱患病率、模型預(yù)測因子、模型性能等信息。結(jié)果：共納入11篇文獻，涉及11個衰弱風(fēng)險預(yù)測模型，維持性血液透析病人衰弱患病率為 17.25%～74.06% 。模型性能總體較好，但模型構(gòu)建方式較為單一。年齡、抑郁、營養(yǎng)、Charlson合并癥指數(shù)、性別是維持性血液透析病人發(fā)生衰弱的重要預(yù)測因子。結(jié)論：護理人員應(yīng)重視維持性血液透析病人發(fā)生衰弱的高危因素，未來研究可結(jié)合人工智能技術(shù)構(gòu)建預(yù)測模型，進一步完善模型驗證方式，提高模型預(yù)測效能，為臨床護理決策提供最佳的預(yù)測工具。

關(guān)鍵詞 維持性血液透析；衰弱；風(fēng)險預(yù)測模型；范圍綜述；護理

doi：10.12102/j.issn.2095-8668.2025.09.008

截至202O 年，慢性腎臟?。╟hronic kidney disease，CKD）全球患病率為 10%～13%^（1] 。維持性血液透析（maintenancehemodialysis，MHD）是終末期腎病的主要治療方法[2]。截至2021年，中國MHD病人數(shù)達73.5萬例次，位居全球前列3。隨著MHD病人生存時間的延長，在多種因素的共同作用下，他們易出現(xiàn)磷鈣代謝紊亂、能量和蛋白質(zhì)消耗、肌肉減少等并發(fā)癥，使病人發(fā)生衰弱的風(fēng)險增加[4]。衰弱是一種復(fù)雜的與年齡相關(guān)的疾病，其特征是器官、系統(tǒng)的生理功能下降，增加了相應(yīng)壓力源的易感性[5]。有研究指出，MHD病人衰弱的患病率為 46%^[6] 。衰弱的MHD病人全因死亡率比非衰弱病人高3.9倍，增加了MHD病人殘疾、住院和死亡的風(fēng)險[。構(gòu)建具有良好性能的MHD病人衰弱風(fēng)險預(yù)測模型可及時篩查高危病人并進行干預(yù)，對延緩衰弱進程、降低死亡率、再入院率具有較好的效果。目前，有關(guān)MHD病人衰弱風(fēng)險預(yù)測模型的研究不斷增加，但其預(yù)測因子、模型性能等方面存在差異。本研究通過對國內(nèi)外MHD病人衰弱預(yù)測模型構(gòu)建與驗證、性能比較、呈現(xiàn)形式等方面進行歸納，以期為未來臨床護理工作和研究提供借鑒。

一 資料與方法

1.1 明確研究問題

明確研究具體問題：有哪些維持性血液透析病人衰弱風(fēng)險預(yù)測模型？常見的預(yù)測因子有什么？是否進行了內(nèi)外部驗證，預(yù)測性能如何？有什么不足和對未來有什么啟示？

1.2 文獻檢索

計算機檢索中國知網(wǎng)、萬方數(shù)據(jù)庫、讀秀、維普數(shù)據(jù)庫、中國生物醫(yī)學(xué)文獻服務(wù)系統(tǒng)（SinoMed）數(shù)據(jù)庫中的中文文獻，檢索詞為維持性血液透析、腎透析、血液透析、血透、體外透析、衰弱、衰弱綜合征、虛弱、脆弱、體弱、風(fēng)險評估、風(fēng)險預(yù)測、風(fēng)險因素、預(yù)測模型、預(yù)測、模型、列線圖。在PubMed、WebofScience、EMbase、the CochraneLibrary、Scopus、CINAHL中檢索英文文獻，檢索詞為：renal dialysis、hemodialysis*、maintenance hemodialysis*、extracorporeal dialyses*、blooddialysis、hemodiafiltration、MHD、frailty、frail*、frailty syndrome、weakness、debility、riskprediction、riskevaluation、riskassessment、riskprofile、predictionmodel、riskfactors、validat*、predict*、model*、nomograms。以主題詞和自由詞相結(jié)合的方式進行檢索，檢索時限為建庫至2024年5月21日，以PubMed為例，檢索策略如下。

#1\"renal dialysis\"[MeSH]OR\"hemodialysis\"[Title/ Abstract]OR\"maintenancehemodialysis\"[Title/Abstract]OR \"extracorporeal dialyses\" [Title/Abstract]OR \"blood dialysis\" [Title/Abstract]OR\"hemodiafiltration\"[Title/Abstract]OR \"MHD\"[Title/Abstract]

#2\"frailty\"[MeSH]OR \"frail\"[Title/Abstract]OR \"frailtysyndrome\"[Title/Abstract]OR \"weakness\"[Title/ Abstract]OR\"debility\"[Title/Abstract]

#3\"riskprediction\"[Title/Abstract]OR \"risk evaluation\" [Title/Abstract]OR \"risk assessment\"[Title/Abstract]OR \"riskprofile\"[Title/Abstract]OR\"predictionmodel\"[Title/ Abstract] OR\"riskfactors\"[Title/Abstract]OR \"validat\" [Title/Abstract]OR\"predict\"[Title/Abstract]OR \"model\" [Title/Abstract]OR \"nomograms\"[Title/Abstract]

#4 #1 AND #2 AND #3

1.3文獻納入與排除標(biāo)準(zhǔn)

納入標(biāo)準(zhǔn)：研究對象為維持性血液透析病人，年齡 ?18 歲；研究內(nèi)容為構(gòu)建或驗證維持性血液透析病人衰弱的風(fēng)險預(yù)測模型；研究類型可為橫斷面研究、病例對照研究、隊列研究等。排除標(biāo)準(zhǔn)：非中英文發(fā)表的文獻；綜述、會議論文等；重復(fù)發(fā)表、無法獲取全文的文獻；高偏倚風(fēng)險的文獻。

1.4文獻篩選與數(shù)據(jù)提取

將檢索到的文獻導(dǎo)人EndNoteX2O進行去重，由2名系統(tǒng)學(xué)習(xí)過循證課程的研究者嚴(yán)格按照納入及排除標(biāo)準(zhǔn)對文獻進行篩選，通過閱讀文獻題目及摘要對文獻進行初篩，再系統(tǒng)閱讀全文完成復(fù)篩，若有分歧與第三方交流討論。本研究根據(jù)預(yù)測建模研究系統(tǒng)回顧的批判性評估和數(shù)據(jù)提取的檢查表（CHARMS）清單8和基本信息制訂標(biāo)準(zhǔn)化表格對文獻內(nèi)容進行提取，包括作者、發(fā)表年份、研究類型、樣本來源、樣本量、發(fā)生率、構(gòu)建方法、預(yù)測因子、呈現(xiàn)形式、驗證方式及模型性能。

1.5 質(zhì)量評價

由2名研究者按照預(yù)測模型偏倚風(fēng)險評估工具PROBAST）9對納人文獻的方法學(xué)進行獨立的質(zhì)量評價，包括數(shù)據(jù)來源、參與者、預(yù)測結(jié)局、篩選因子、樣本量、缺失數(shù)據(jù)、模型建立、模型性能、模型評價、結(jié)果、解釋和討論11個方面。

2 結(jié)果

2.1文獻篩選流程及結(jié)果

共檢索出文獻1207篇，去除重復(fù)文獻298篇，閱讀題目和摘要，根據(jù)納人及排除標(biāo)準(zhǔn)排除文獻871篇，閱讀全文后，排除文獻31篇，最終納入11篇文獻[10-20]。文獻篩選流程及結(jié)果見圖1。

2.2文獻質(zhì)量評價結(jié)果

本次納入研究偏倚風(fēng)險較低，僅存在少數(shù)高風(fēng)險，文獻質(zhì)量評價結(jié)果整體較好，模型整體適應(yīng)性較好，文獻質(zhì)量評價結(jié)果見表1。

2.3MHD病人衰弱風(fēng)險預(yù)測模型的構(gòu)建及驗證

2.3.1 模型構(gòu)建情況

構(gòu)建11個MHD病人衰弱風(fēng)險預(yù)測模型，包括6項橫斷面研究[10-12.15-16.18]，3項病例對照研究[13-14.19]，2項回顧性研究[17.20]。樣本量為 62～485 例。MHD病人衰弱風(fēng)險預(yù)測模型的構(gòu)建方法：Logistic回歸9項[10-5.17-19]，隨機森林模型1項[16]，支持向量機、自適應(yīng)增強、樸素貝葉斯模型1項[20]。見表2。

2.3.2 模型的預(yù)測因子

納入的MHD病人衰弱風(fēng)險預(yù)測模型包括4～7個模型預(yù)測因子，見表3。為能夠更好地比較MHD病人衰弱風(fēng)險預(yù)測模型中不同預(yù)測因子對模型的貢獻，研究小組將不同預(yù)測因子分成5類，包括社會人口學(xué)資料（年齡、性別、居住方式等）實驗室指標(biāo)及輔助檢查（血清清蛋白、空腹血糖等）疾病相關(guān)因素（睡眠質(zhì)量、合并癥、并發(fā)癥、營養(yǎng)等）健康生活狀況（吸煙史、日常生活能力、抑郁等）。11個模型中出現(xiàn)頻次前5位的分別是年齡、抑郁、營養(yǎng)、Charlson合并癥指數(shù)（CCI）、性別；其中在受試者工作特征曲線下面積 （AUC）?0.8 的10個模型中，有6個模型將年齡作為預(yù)測因子。

2.3.3 模型性能

11個模型中都有明確的呈現(xiàn)模式，且多數(shù)以各預(yù)測因子的OR值得出衰弱發(fā)生概率 P 的計算公式。模型的驗證方法多為內(nèi)部驗證，僅1項為外部驗證，2項為內(nèi)部和外部驗證，且有2項未被驗證；11個模型報告AUC為 0.819～0.998 ，僅有1個模型的AUC在0.8以下，表明模型的整體預(yù)測性能較理想。但有7個模型的Hosmer-Lemeshow擬合優(yōu)度檢驗 Pgt;0.05 ，提示模型預(yù)測值與實際觀測值沒有差異，模型具有較好的校準(zhǔn)能力。

3 討論

3.1重視MHD病人衰弱風(fēng)險因素

本研究發(fā)現(xiàn)，MHD病人衰弱患病率為 17.25%～ 74.06% ，跨度范圍較大，可能與樣本量有關(guān)。與江山秀[12（患病率最高）的研究相比，李克佳等[14]研究因樣本量較少或患病人群較為分散，研究結(jié)果存在偏倚，導(dǎo)致患病率與其他研究相比較低。有研究表明，MHD衰弱平均患病率為 50%^[21] ，提示MHD病人是發(fā)生衰弱的高危人群，嚴(yán)重威脅MHD病人的健康狀況，需引起醫(yī)務(wù)人員的重視，早期識別MHD病人衰弱的發(fā)生。本研究11個模型中，預(yù)測因子出現(xiàn)頻次前5位的分別為年齡、抑郁、營養(yǎng)、CCI、性別，與王麗娟等22]研究結(jié)果相似，說明這些影響因素可能是導(dǎo)致MHD病人發(fā)生衰弱的主要特征。于新濤等23研究發(fā)現(xiàn)，年齡越大，衰弱水平越高，高齡MHD病人因衰弱出現(xiàn)不良事件和死亡的概率明顯上升。Sy等24調(diào)查發(fā)現(xiàn)，抑郁的MHD病人發(fā)生衰弱的概率較無抑郁的MHD病人高2.14倍。研究發(fā)現(xiàn)，產(chǎn)生抑郁的原因涉及諸多方面，如睡眠、透析方式、社會人口學(xué)因素、合并癥等[25]。杜蘭玉等2研究指出，營養(yǎng)不良會引起衰弱，由于透析過程中病人食欲下降或飲食限制，導(dǎo)致其營養(yǎng)攝入不足，加之透析過程中可能會導(dǎo)致營養(yǎng)物質(zhì)丟失，營養(yǎng)狀況較差的病人更容易出現(xiàn)衰弱。周雨婷等[27研究顯示，合并多病的老年MHD病人衰弱程度更加嚴(yán)重，其中合并心血管疾病[28]糖尿病[29]、痛風(fēng)[30]等是MHD病人發(fā)生衰弱的潛在因素。Takeuchi等[31研究表明，女性MHD病人更易出現(xiàn)衰弱，這可能是由于睪酮在肌肉組織中發(fā)揮重要作用，女性辜酮水平低于男性，故更易發(fā)生衰弱。醫(yī)護人員應(yīng)注重對MHD病人進行衰弱評估，關(guān)注導(dǎo)致病人發(fā)生衰弱的因素，根據(jù)影響因素制定個性化干預(yù)措施，延緩甚至逆轉(zhuǎn)衰弱的發(fā)生發(fā)展，提高MHD病人生存質(zhì)量，降低病死率。血肌酐、血清鎂、C反應(yīng)蛋白等實驗室指標(biāo)的預(yù)測因子僅出現(xiàn)在個別研究中，未來需要進一步開展大樣本、多中心的前瞻性研究，證明MHD病人衰弱預(yù)測模型的準(zhǔn)確性及推廣性，對實現(xiàn)早期識別、減少并發(fā)癥的發(fā)生，有效促進MHD病人的疾病管理、節(jié)約社會醫(yī)療資源具有重要意義。

3.2MHD病人衰弱風(fēng)險預(yù)測模型有待進一步完善

本研究11個模型中最早發(fā)表于2022年，文獻總體較新，提示MHD病人衰弱預(yù)測模型還在發(fā)展階段。在驗證組中，有2個模型未被驗證，僅以建模組測試結(jié)果證明模型的性能，可能會增加模型過度擬合的風(fēng)險，影響模型的推廣度。AUC作為體現(xiàn)模型區(qū)分性能的關(guān)鍵指標(biāo)，11個模型中均作了報道，且AUC值均≥0.7，各模型預(yù)測性能總體較理想。各模型中有關(guān)Hosmer-Lemeshow擬合優(yōu)度檢驗的報道，多數(shù)研究報道了模型預(yù)測值與實際值一致程度。僅有3個模型進行了外部驗證，且所納入的研究中多數(shù)采用單中心、小樣本研究，可能存在地域性局限，無法證明模型的泛化能力及外推性，存在模型評價不完整的問題，其模型的外推性還有待考究。提示未來應(yīng)采用多中心、大樣本的研究構(gòu)建模型，通過多方驗證來充分證明模型的有效性和實用性[32]。目前，多數(shù)有關(guān)MHD病人衰弱風(fēng)險預(yù)測模型的研究中，均以Logistic回歸作為主要的建模方式。研究表明，與傳統(tǒng)Logistic回歸分析比較，機器學(xué)習(xí)方法往往產(chǎn)生更高的準(zhǔn)確性[33]，隨著人工智能及大數(shù)據(jù)等領(lǐng)域的快速發(fā)展，機器學(xué)習(xí)方法在未來具有廣闊的發(fā)展前景，繼續(xù)深入對機器學(xué)習(xí)方法的研究，發(fā)現(xiàn)更高效且科學(xué)的預(yù)測模型將是未來研究的主流方向[34]。因此，可以嘗試運用隨機森林、神經(jīng)網(wǎng)絡(luò)等機器學(xué)習(xí)方法構(gòu)建MHD病人衰弱風(fēng)險預(yù)測模型，探索更多導(dǎo)致衰弱的預(yù)測因子，并提高其預(yù)測性能。未來研究可進一步完善評價模型性能的方式，并以簡便易懂的方式呈現(xiàn)，便于臨床選用恰當(dāng)?shù)哪Ｐ皖A(yù)測衰弱的發(fā)生。

3.3 對未來的啟示

首先，醫(yī)護人員應(yīng)加強對MHD病人進行衰弱篩查，早期識別MHD病人衰弱的高危人群，降低其發(fā)生率，對改善MHD病人預(yù)后，節(jié)約社會醫(yī)療資源具有重要意義；其次，年齡、抑郁、營養(yǎng)、CCI、性別等是MHD病人衰弱風(fēng)險預(yù)測模型的重要預(yù)測因子，臨床應(yīng)重點關(guān)注，并且要結(jié)合社會心理、認知功能、實驗室結(jié)果等多角度評估導(dǎo)致MHD病人發(fā)生衰弱的因素，制定個性化干預(yù)措施，延緩、甚至逆轉(zhuǎn)衰弱的發(fā)生、發(fā)展；最后，MHD病人衰弱風(fēng)險預(yù)測模型比較后發(fā)現(xiàn)大多數(shù)缺乏外部驗證，要打破這一短板，對模型進行多中心、前瞻性的外部驗證，鼓勵探索更多方式的建模方法，全方位評價模型的預(yù)測性能（區(qū)分度、分類度、校準(zhǔn)度等）[35]，為臨床醫(yī)護人員提供合適的衰弱風(fēng)險預(yù)測模型。

4小結(jié)

本研究對納人的11項MHD病人衰弱風(fēng)險預(yù)測模型性能及特征進行了系統(tǒng)的審查與分析。研究結(jié)果顯示，年齡、抑郁、營養(yǎng)、CCI、性別等是MHD病人衰弱風(fēng)險預(yù)測模型的重要預(yù)測因子，在今后研究中可通過重要預(yù)測因子評價模型的性能，并對模型進行有效評價，選擇最合適的模型進行推廣，便于臨床醫(yī)護人員及時對高危人群開展針對性的干預(yù)。目前，MHD病人衰弱風(fēng)險預(yù)測模型還處于發(fā)展階段，未來臨床工作者要關(guān)注MHD病人發(fā)生衰弱的高危因素，選擇性能較好的模型及早篩查高危病人，并根據(jù)模型指導(dǎo)臨床實踐。未來有關(guān)MHD病人衰弱風(fēng)險預(yù)測模型的研究可結(jié)合人工智能技術(shù)，并運用廣泛的外部驗證，提高模型的預(yù)測效能。本研究不足之處在于所納人模型均來自國內(nèi)，未納入外文文獻，未來研究者可擴大數(shù)據(jù)庫檢索范圍，對比國內(nèi)外研究有何不同，以期進行更深入的研究。

參考文獻：

[1] AMMIRATIAL.Chronickidney disease[J].Rev AssocMed Bras， 2020，66（Suppl1）：s03-s09.

[2]LIUJ，ZHANGH，DIAOZ，etal.Epidemiological analysisof deathamong patients on maintenance hemodialysis：results from the BeijingBlood PurificationQuality Control and ImprovementCenter [J].BMCNephrol，2023，24（1）：236.

[3] ZHANG L，ZHAO MH，ZUO L，et al.CK-NET Work Group. China Kidney Disease Network（CK-NET） 2Ol6 annual data report [J].Kidney Int Suppl，2020，10（2）：e97-e185.

[4] WANG J，HUANG L，XU M，et al.Study on the clinical implicationsofNLRandPLRfordiagnosingfrailty inmaintenance hemodialysis patients and their correlations with patient prognosis [J].JHealthc Eng，2022，2022：1267200.

[5]LI Y，ZHANG D，MA Q，et al.The Impact of frailty on prognosis in elderly hemodialysis patients：a prospective cohort study[J].Clin IntervAging，2021，16：1659-1667.

[6]LEEHJ，SON Y J.Prevalence and associated factors of frailty and mortality in patients with end-stage renal disease undergoing hemodialysis： a systematic review and Meta-analysis[J]. Int J Environ ResPublic Health，2021，18（7）：3471.

[7]GUO Y，TIAN R，YE P，et al.Frailty in older patients undergoing hemodialysis and its association with all-cause mortality：a prospective cohort study[J].Clin Interv Aging，2022，17：265-275.

[8]MOONSKG，DE GROOTJA，BOUWMEESTER W，et al. Critical appraisal and data extraction for systematic reviewsof prediction modeling studies：the CHARMS checklist[J].PLoS Med，2014，11（10）：e1001744.

[9]WOLFFRF，MOONSKGM，RILEYRD，etal.PROBAST：a tool to assess therisk of bias and applicability of prediction model studies[J].Ann Intern Med，2019，170（1）：51-58.

[10］陳蝶.維持性血液透析患者衰弱影響因素分析及預(yù)測模型構(gòu) 建[D].南充：川北醫(yī)學(xué)院，2023.

［11］姜媛.基于Gobbens衰弱整合理論構(gòu)建維持性血液透析患者衰 弱風(fēng)險預(yù)測模型[D].大連：大連醫(yī)科大學(xué)，2023.

[12］江山秀.維持性血液透析患者衰弱風(fēng)險預(yù)測模型的構(gòu)建[D].湖 州：湖州師范學(xué)院，2022.

[13]楊亮，程潤，竇俊凱，等.維持性血液透析病人衰弱發(fā)生風(fēng)險列線 圖模型的構(gòu)建[J].蚌埠：蚌埠醫(yī)學(xué)院學(xué)報，2023，48（4）：538-543.

[14]李克佳，肖躍飛，胡軍，等.維持性血液透析患者衰弱風(fēng)險預(yù)測模 型的構(gòu)建研究[J].中國血液凈化，2022，21（4）：249-252；263

[15]卿偉，鄒兆華，易子涵，等.維持性血液透析病人衰弱及衰弱前期 風(fēng)險預(yù)測模型的構(gòu)建[J].護理研究，2024，38（2）：233-239.

[16］汪丹丹，姚侃斐，祝雪花.3種機器學(xué)習(xí)算法對維持性血液透析病 人衰弱風(fēng)險預(yù)測性能比較[J].護理研究，2024，38（1）：8-16.

[17]肖宗清，董翠婷，張杰，等.維持性血液透析患者衰弱風(fēng)險預(yù)測模 型的建立與驗證[J].臨床腎臟病雜志，2024，24（4）：265-270.

[18]應(yīng)金萍，蔡根蓮，陳玲琳，等.維持性血液透析患者衰弱風(fēng)險預(yù)測 模型的構(gòu)建及應(yīng)用研究[J].中華急危重癥護理雜志，2023，4（10）： 874-881.

[19］莊建紅，顧麗雅，林萍，等.維持性血液透析患者發(fā)生衰弱風(fēng)險預(yù) 測模型的構(gòu)建[J].護理管理雜志，2023，23（12）：936-940.

[20]LV W，LIAO H，WANG X，et al.A machine learning-based assistant tool forearly frailty screening of patientsreceivingmaintenance hemodialysis[J].Int UrolNephrol，2024，56（1）：223-235.

[21]吳淑琳，宋潔，肖萍，等.維持性血液透析患者衰弱發(fā)生率及影響 因素的系統(tǒng)評價[J].中華護理教育，2021，18（4）：352-357.

[22]王麗娟，張淼，張鑫，等.維持性血液透析患者衰弱影響因素的 Meta分析[J].中華護理教育，2024，21（3）：365-372.

[23]于新濤，常燕，于傳山，等.老年維持性血液透析患者衰弱變化軌 跡及影響因素分析[J].護理學(xué)雜志，2024，39（4）：25-28.

[24]SY J，MCCULLOCH C E，JOHANSEN K L.Depressive symptoms， frailty，andmortalityamong dialysispatients[J].Hemodial Int，2019， 23（2）：239-246.

[25］羅棉.維持性血液透析患者抑郁、焦慮現(xiàn)況及影響因素分析[D]. 百色：右江民族醫(yī)學(xué)院，2021.

[26]杜蘭玉，胡霞，王向弘，等.380例維持性血液透析患者衰弱現(xiàn)狀 及其對預(yù)后的影響[J].護理學(xué)報，2018，25（20）：37-41.

［27］周雨婷，蔡小霞，林亞妹，等.老年維持性血液透析患者衰弱及其 影響因素[J].中國老年學(xué)雜志，2021，41（8）：1667-1670.

[28]TONG KC，WEE K W.Cardiovascular disease as a risk factor for frailty indialysis patients[J].Kidney Int，2O24，106（3）：537-538.

[29]YE L，TANG X，ZHANG H，et al.Prevalence and risk factors of pre-frailtyand frailty in maintenance haemodialysis patientsin China：a cross-sectional study[J].J Adv Nurs，2023，79（9）：3522- 3534.

[30] CHENY T，LAI T S，TSAO H M，et al.Clinical implications of frailty in peritoneal dialysis patients --a prospective observational study[J].JFormosMed Assoc，2024，123（2）：248-256.

[31]TAKEUCHIH，UCHIDAHA，KAKIO Y，et al.The prevalence offrailty and its associated factors in Japanese hemodialysis patients[J].Aging Dis，2018，9（2）：192-207.

[32]ZOU Y，ZHAO L，ZHANG J，et al.Development and intermal validation of machine learning algorithms for end-stage renal disease risk prediction model of people with type 2 diabetes mellitus and diabetic kidney disease[J].Ren Fail，2O22，44（1）： 562-570.

[33] CHURPEK MM，YUEN TC，WINSLOWC，et al.Multicenter comparisonof machine learning methods and conventional regression for predicting clinical deterioration on the wards[J].Crit CareMed，2016，44（2）：368-374.

[34]楊飛，王晨威，張偉英.老年患者術(shù)后譫妄風(fēng)險預(yù)測模型的范圍 綜述[J].上海護理，2024，24（8）：58-63.

[35］李靜，侯云霞，強萬敏.癌癥患者非計劃性再入院風(fēng)險預(yù)測模型 的范圍綜述[J].中華護理雜志，2022，57（9）：1079-1087. （收稿日期：2024-08-26；修回日期：2025-04-06）