步速与住院高龄老年患者全因死亡的相关性

杨卉，王青， 路菲，孔建华，崔云婧

(首都医科大学附属复兴医院综合科，北京100038)

高龄老年人常伴多种慢性病、老年综合征，致残及致死风险更高，对卫生及社会保健系统提出了巨大挑战[1]。步速是一种快速、可靠及敏感的测量方法，能够预测死亡、心血管事件及失能等不良健康结局风险，尤其适用于评估和监测老年人群的功能状态和整体健康状况，被称为人体 “第六生命体征”[2]。一项meta分析[3]纳入9项在普通人群中进行的前瞻性研究(n=12 901，年龄≥65岁)，将步速作为分类变量，发现与最高步速组相比，最低步速组的全因死亡率更高(RR=1.89，95%CI1.46～2.46)。目前国内关于步速与住院高龄老年患者出院后不良健康事件的研究鲜见报道。本研究旨在了解住院高龄老年患者的步速值，探讨步速能否作为高龄老年患者全因死亡的独立预测因子，有助于优化老年人健康管理。

1 对象与方法

1.1 研究对象

选择2015年6月至2017年12月在首都医科大学附属复兴医院综合科住院的老年患者510例。纳入标准:(1)年龄≥80岁；(2)住院时间>24 h；(3)神志清楚，能完成步速测定及老年综合评估内容；(4)愿参与本研究并签订知情同意书。排除标准: (1)长期卧床、痴呆晚期及失语；(2)因急性心肌梗死或卒中入院，或近3个月内有心脑血管急性事件；(3)恶性肿瘤晚期或正在接受抗肿瘤治疗；(4)严重影响步速疾病，如帕金森病、近期髋部骨折及致残性卒中等。本研究经医院医学伦理委员会备案。

1.2 方法

收集患者临床资料，包括年龄、性别、身高、体质量、体质量指数(body mass index, BMI)、合并疾病情况及长期用药数量。采用6米步行试验测定步速，按照平时速度从起点静止状态开始行走6米，在受试者足尖越过测试起点时开始计时，在其足尖越过测试区终点时结束计时，记录行走时间(s)，共行走2次，取行走时间均值，计算行走速度(m/s)。

出院后每3个月、1年以上每半年进行电话随访，中位随访时间3.3(2.7，3.9)年, 记录患者全因死亡的发生情况。

1.3 评估方法

(1)采用Charlson共病指数[4](Charlson comorbidity index，CCI)评估共病，该评估方法包括疾病评估、严重程度评估及评分系统。其中疾病评估包括19项疾病；严重程度评估根据疾病严重程度权重分别赋予1、2、3、6分；根据年龄调整分值，自50～59岁开始计1分，每增加10岁分值增加1分。疾病的诊断依据相关的诊断标准，由临床医师完成。(2)采用简易智能评估量表(mini-mental state examination，MMSE)评估认知功能，总分30分，根据文化程度调整分值：文盲0～17分，小学文化18～20分，中学及以上文化21～24分。(3)采用微型营养评定法简表[5](mini-nutritional assessment short-form，MNA-SF)评估营养状态，总分14分，12～14分正常，8～11分提示存在营养不良风险，0～7分提示营养不良。(4)采用Katz日常生活能力量表(Katz-activities of daily living，Katz-ADL)评估日常生活活动能力，总分6分，<6分定义为日常生活活动能力下降。(5)多重用药为用药数量≥5种。

1.4 统计学处理

2 结 果

2.1 患者临床基本特征

研究期间共收集患者510例，失访11例(2.2%)，最终收集完整资料共499例，其中男性298例(59.7%)，女性201例(40.3%)；平均年龄(86.3±4.1)岁；中位随访3.3(2.7，3.9)年，随访期间共118例(23.6%)发生全因死亡。高血压、脑卒中、糖尿病、冠心病及慢性肾脏病的患病率依次分别为85.6%、58.5%、41.3%、41.1%及27.9%；日常生活活动能力下降、多重用药、营养不良(风险)、认知功能障碍及抑郁比例依次分别为65.5%、42.3%、36.5%、26.5%及15.8%；中位步速值0.62(0.42，0.81)m/s。

步速受性别影响，将其按性别进行三分位数分组，分为最低步速组(男性≤0.52 m/s，女性≤0.44 m/s)，中等步速组(<0.52 m/s男性<0.78 m/s，<0.44 m/s女性<0.67 m/s)和最高步速组(男性≥0.78 m/s，女性≥0.67 m/s)。随着步速降低，患者年龄更大，CCI分值更高，Katz-ADL、MMSE及MNA-SF评分更低，共病数量≥4种患者比例更高，更易发生日常生活能力下降、多重用药、营养不良(风险)、认知功能障碍、抑郁及死亡，差异均有统计学意义(P<0.05；表1)。

2.2 步速与各变量之间的Spearman相关分析

步速与年龄、CCI及多重用药呈负相关，与Katz-ADL、MMSE及MNA-SF评分呈正相关，差异均有统计学意义(均P<0.05；表2)。

2.3 步速与全因死亡的关系

采用Kaplan-Meier曲线及Cox回归模型分析步速与全因死亡的关系。Kaplan-Meier曲线显示随着步速下降，全因死亡率逐渐增高(P<0.001；图1)。

Cox回归模型显示，调整年龄、性别、BMI、CCI、日常生活活动能力、认知状况、营养状态、多重用药、抑郁状况后，与最高步速组相比，其他2组全因死亡风险依然高(均P<0.05，表3)。

3 讨 论

老年人是一个复杂而特殊的群体，具有多种慢病并存、功能残缺、多重用药等特点[6]。步速是反映老年人躯体活动能力的客观指标，在衰弱、肌少症的诊断中被广泛应用[7]，在不同种族、年龄、性别、环境及健康状况下步速界值可能存在差异，目前常用界值为0.6、0.8、1 m/s[8-10]。国际营养与衰老学会工作组发表的系统回顾[11]分析了27篇针对社区老年人群的纵向研究，探讨了步速与不良结局(失能，认知障碍，住院，跌倒和/或死亡)的关系，指出步速可以作为社区老年人群不良健康结局强有力的预测因子，并可以作为单项预后评估工具，步速<0.8 m/s可作为识别不良健康结局的切点。2014年JAMA杂志上发表的移动工作组[8]建议推荐将步速<0.6 m/s作为年龄≥65岁老年人行动不便的标准，提示这会促使临床医师采取行动来改善或维持身体机能，以减少不良后果的风险。一项纳入41项研究meta分析[12]显示，80岁以上普通男女人群的平均步速为0.968、0.943 m/s。对临床环境[13]及长期护理照护[14]老年人群的meta分析显示，上述人群常规步速分别为0.580、0.475 m/s。在本研究中，患者中位步速值为0.620 m/s，考虑与研究人群为高龄住院患者、存在多种慢病并存、功能残缺等特点有关。近年一些研究在老年人群中探讨了步速与死亡风险的相关性。韩国以平昌农村地区人群为基础的前瞻性队列研究[15](n=1 348，平均年龄76岁，随访21.5个月)显示，女性平均步速低于男性(0.709和0.850 m/s,P<0.001)，按性别进行四分位数分组，在调整混杂因素后，最低步速组比最高步速组死亡与住院联合风险显著增高(HR=2.31，95%CI1.20～4.49，P=0.013)，步速预测死亡与住院联合风险的切点值为男性0.663 m/s、女性0.545 m/s。瑞典北部和芬兰基于社区老人的队列研究[16](平均年龄89.6岁，随访5年)将步速进行四分位数分组，结果显示在调整混杂因素后，与步速≥0.64 m/s组相比，步速<0.5 m/s与全因死亡风险增高显著相关(0.37～0.49 m/s组：HR=1.99，95%CI1.38～2.85，P<0.001；≤0.36 m/s组：HR=1.97, 95%CI1.34～2.88，P=0.001)，提示在该人群中步速预测死亡的切点值为0.5 m/s。在本研究中将步速按性别进行三分位数分组，结果发现与最高步速组相比，其他2组全因死亡风险更高，提示在住院高龄老年患者中，低步速与出院后全因死亡风险相关，步速预测男性、女性患者死亡的切点值为0.78、0.67 m/s。

表1 3组患者临床基本特征比较Table 1 Comparison of baseline characteristics among three groups

表2 不同性别患者步速与各变量之间的Spearman相关分析Table 2 Spearman correlation analysis between gait speed and variables

图1 Kaplan-Meier曲线分析步速三分位数与死亡的相关性Figure 1 Kaplan-Meier survival curves for mortality based on tertiles of baseline values of gait speed

本研究存在一定局限性，包括单中心的住院患者、样本量偏少、随访时间较短、未纳入生化指标；仅分析全因死亡，未对其他不良事件进行分析。本研究结果仅适于住院高龄老年患者，不能外推至其他老年人群，还有待于针对社区、养老院等老年人群进行前瞻性研究探讨步速对不良健康结局的预测作用。

综上，步速测量方法简单、有效易行，有可能预测住院高龄老年患者出院后全因死亡风险，建议将步速同身高、体质量、BMI一样纳入评估身体健康状态的一个常规指标。2017年世界卫生组织发布了老年人综合护理指南[17]，建议体力下降(根据步速、握力及躯体身体指标)的老年人进行多种方式的锻炼以减缓、阻止乃至逆转内在功能的下降，通过定期运动计划提高步速水平是否有助于改善高龄患者临床结局仍有待进一步研究。

表3 步速与死亡的Cox回归模型分析Table 3 Cox regression analysis to determine the association of gaid speed with mortality