基于风险评分模型的社区老年性痴呆预测研究

崔熠可 江 涵 陈静华 吴 磊

(南昌大学公共卫生学院，江西 南昌 330006)

目前，老年性痴呆(AD)尚无理想的临床治疗药物和方法〔1～4〕。国内外学者〔5～7〕主要通过脑磁共振成像(MRI)检查、某些蛋白或遗传物质的检测和评分等方式诊断，但不适用于大面积人群筛选和早期诊断。本研究以某城市社区为研究对象，筛选出AD发病风险为参数，建立风险评分(RS)〔8,9〕数学模型，用于社区人群AD的风险预测和早期诊断。

1 资料与方法

1.1研究对象 入选标准：①≥60岁居民。②在调查地有常住户口，调查时居住在调查地；或在调查地无常住户口，但调查时居住在该地已满6个月者。③依从性好，积极配合调查随访。实施分层整群抽样，即按经济发展水平高、中、低划分为3层，每层抽1～2个居委会，约40 000人。根据江西省人口现况分析，城市社区≥60岁人占社区人群比例约20%，则预计可获得约8 000名研究对象，随访3年。

1.2方法

1.2.1对AD患病的风险因子搜集和筛选 按照循证医学实践的方法和步骤，将Meta分析和系统评价的结果进行精选，确定出AD 最敏感的生物遗传〔年龄、性别、家族史、认知障碍、AD相关神经丝蛋白(AD7c-NTP)、载脂蛋白(Apo)E-ε4等〕、环境(如某些元素暴露、职业暴露、个人受教育程度等)、个人生活行为方式(如吸烟、饮酒、静坐、重大不良生活事件、某些疾病)等一定数量的风险因子，为构建AD预测模型创造条件。

1.2.2AD风险因子的确定 对前阶段筛选的年龄、性别、家族史、性格、认知障碍、AD7c-NTP、职业暴露、某些疾病、受教育程度、重大不良生活事件、吸烟和运动等测量简单、价格低廉、效果公认的AD风险因子指标，运用Delphi法，将风险因子指标数据量化，得到数据源。

2 结 果

2.1RS模型建立 共获取新发AD患者200例，匹配相同社区非AD 200例。以是否患有AD为因变量(Y)，年龄、性别及相关生物标志物检测值等18个变量为自变量(X),采用非条件Logistic回归分析(Forward法筛选变量)，以变量X2(婚姻状况)的RS为1，其他影响因素的回归系数除以最小回归系数所得结果四舍五入后为该因素的RS，建立的RS模型为：RS=年龄×3 +婚姻状况×1+高血压史×2+尿AD7c-NTP×5-血超氧化物歧化酶(SOD)×1+痴呆家族史×7-社会活动×3。见表1。

2.2RS预测模型效果评价 将计算获取的400例建模对象总风险评分绘制成受试者工作特征曲线(ROC)，见图1。ROC曲线下面积(AUC)为0.838(P<0.001)，RS模型的判断效率较好。以不同的总风险得分作为切点，求得对应的灵敏度(Se)、特异度(Sp)、粗一致率(CA)、阳性预测值(PPV)、阴性预测值(NPV)，见表2。

表1 AD相关因素的条件多因素Logistic回归分析入选变量和风险评分

图1 RS模型的ROC

表2 RS模型在不同切点时的预测效果(%)

3 讨 论

预测和早期诊断AD是迫切需要解决的问题。国内外学者利用数学模型在疾病预测和早期诊断中进行了一些探索，但对AD的研究成果甚微〔5～7〕。在AD的众多影响因素中，年龄被公认为是AD最重要的危险因素之一，国内外一致认为，每增加5岁，AD患病率几乎可以增加一倍〔10，11〕；泛素和神经丝蛋白(NTPs)等新标志物的发现可大大提高AD早期诊断的准确性，AD7c-NTP属NTPs家族的一员，在早期或中度AD患者的脑组织、脑脊液和尿液中均有升高，其含量与痴呆的严重程度呈正比〔12〕，尿AD7c-NTP检测具有安全、无创、操作简便等优点，尤其适合用于社区大样本人群的早期筛查和长期监测。本研究得出，RS模型适用于AD发病的预测和早期诊断，为社区综合防控和临床早期治疗提供重要信息和应用技术，以改变目前AD防治的被动局面。

1范 炤.老年流行病学〔M〕.北京：军事医学科学出版社,2008:180-4.

2Doborah B,Marin MD,Margaret C,etal.Alzheimer disease accurate and early diagnosis in the primary care setting〔J〕.Geriatries,2002;57(2):36-40.

3吴晓光,汤 哲,方向华,等.北京市社区居民老年期痴呆发病率及其危险因素研究〔J〕.中华流行病学杂志,2010;31(6):1245-9.

4Ferri CP,Prince M,Brayne C,etal.Alzheimer's disease international global prevalence of dementia:a Delphi consensus study〔J〕.Lancet,2005;366(9503):2112-7.

5Barnes DE,Covinsky KE,Whitmer RA,etal.Predicting risk of dementia in older adults:The late-life dementia risk index〔J〕.Neurology,2009;73(3):173-9.

6Ray S,Britschgi M,Herbert C,etal.Classification and prediction of clinical Alzheimer's diagnosis based on plasma signaling proteins〔J〕.Nat Med,2007;13(11):1359-62.

7Jaffee SR,Price TS.Gene-environment correlations:a review of the evidence and implications for prevention of mental illness〔J〕.Mol Psychiatr,2007;12(5):432-42.

8Rassi A Jr,Rassi A,Little WC,etal.Development and validation of a risk score for predicting death in Chagas' heart disease〔J〕.N Engl J Med,2006;355(8):799-808.

9Wu C,Hannan EL,Walford G,etal.A risk score to predict in-hospital mortality for percutaneous coronary interventions〔J〕.J Am Coll Cardiol,2006;47(3):654-60.

10廖 君,黄河浪,闫 冀,等.南昌市社区老年性痴呆患病率及其影响因素〔J〕.中国老年学杂志,2015;35(24):7176-7.

11Ohnsen S,Hughes S,Bullock R,etal.Prediction of the rate of decline in cognitive function in Alzheimer's disease:a model based on simple demographic data and widely used rating scales〔J〕.Dement Geriatr Cogn Disord,2003;16(4):276-82.

12de la Monte SM,Wands JR.Neurodegeneration changes in primary central nervous system neurons transfected with the Alzheimer-associated neuronal thread protein gene〔J〕.Cell Mol Life Sci,2001;58(5-6):844-9.