老年人失能风险预测模型研究进展

鲁 鑫,江智霞,金 雪,杨晓玲,胥 露,游琳琳

1.遵义医科大学护理学院,贵州 563003;2.贵州护理职业技术学院

失能是指个人在日常生活中主要活动能力受限或丧失[1]。世界卫生组织和学术界认定失能是人与环境相互作用的社会过程[2]。老年人由于虚弱、残疾、疾病等影响导致部分或完全丧失生活自理能力,被称为失能老年人[2]。目前,我国已经进入了人口老龄化的快速发展期。第七次全国人口普查数据显示,我国60岁及以上老年人口达到2.64亿人,占总人口的18.70%[3],失能老年人总数为4 400万人,占老年人口总数的17.30%[3]。随着人口老龄化加深和老年人口规模的增加,未来失能老年人口规模将不断扩大[4]。失能不仅降低个人生活质量,而且增加家庭照护负担,加大社会医疗卫生资源负荷[5]。失能并非一种静态现象,而是具有动态性、过程性、渐进性的特点[2],其发生、发展是由多种病因长期累积的结果,发展的过程可能会持续几年甚至十几年,我们有足够的时间通过一定的干预措施预防或减缓失能的发生、发展。因此,加强老年人失能风险预测,在老年人进入失能状态之前及时地进行预防和干预十分重要。目前,国内相关研究主要集中于老年人失能的现状调查、影响因素研究及老年人失能后的长期照护问题,本研究旨在对国内外老年人失能风险预测模型进行综述,以期为筛查失能高风险人群、制订和实施科学、有效的干预策略提供新思路。

1 老年人失能风险预测模型的类型

1.1 基于传统统计学方法构建老年人失能风险预测模型

Jonkman等[6]纳入2 560名老年人(65～75岁)进行为期3年的队列研究,初次随访时老年人不存在日常生活活动能力(ADL)受限。Jonkman等[6]使用Logistic回归构建失能风险评分模型,该模型包括年龄、心血管疾病、慢性阻塞性肺疾病(COPD)、关节炎、糖尿病、抑郁、体质指数(BMI)、握力、转换步态速度、5次重复站立所需时间10项预测因子,为了促进模型对老年人失能风险的预测,该研究将回归系数转换为风险评分,评分为0～117分,分数越高表示失能的风险越高。模型C统计量为0.719,具有良好的预测能力。由于该研究纳入对象为65～75岁老年人,模型是否可以用于65岁以下或75岁以上老年人,有待进一步探讨。此外,该研究使用自行组合条目评估老年人身体功能,不具备权威性、科学性,这可能影响研究结果。提示,针对老年人失能的评估需使用公认的、具有权威性的评估工具。一项在印第安纳大学医学院进行的为期2年的前瞻性队列研究以2/3的样本(n=6 233)作为训练集构建逻辑回归模型,其余1/3的样本(n=3 213)用于验证模型性能[7]。该模型在使用反向消元法后,最终纳入年龄、过去2年住院的次数、糖尿病、慢性肺疾病、心力衰竭、脑卒中、关节炎作为预测因子。另外,研究者将构建的模型与以往报道的老年人失能风险预测模型进行比较后提出,虽然新模型的C统计量(0.74)略低于以往报道模型的C统计量(0.79),但新模型具有拟合度好,预测因子较少、均易获取,实施方便等优点,有助于卫生保健人员在短时间内完成风险评估。该研究由于样本来源于全国性的调查统计,删除了部分缺失的变量,可能造成回归模型的解释能力变差,拟合优度变低。且该模型未进行外部验证,其适用性尚有待进一步验证。Van Blijswijk等[8]对2 211名荷兰老年人(≥75岁)进行了一项为期12个月的前瞻性队列研究,旨在确定模型增加老年人综合系统护理评估(ISCOPE)评分、全科医生对失能的判断是否能增强风险预测模型的效果。采用逻辑回归模型研究结果显示,在年龄、性别、多种药物、多种疾病、生活状况的基础上增加ISCOPE评分、全科医生对失能的判断可提升模型的预测效果,此时曲线下面积(AUC)为0.686(<0.700),预测效果有待进一步提升。艾亚婷等[9]在武汉市社区开展针对60岁及以上老年人ADL现状的横断面调查,共调查822名老年人。逻辑回归模型分析结果显示,增龄、记忆下降是失能的危险因素,有兴趣爱好、高文化程度是失能的保护因素。该模型AUC为0.742,Hosmer-Lemeshow检验(H-L检验)P>0.05,提示预测模型有较好的校准度。但该模型纳入影响因素较少,未进行外部验证,模型实用性有待进一步研究。Chen等[10]采用前瞻性队列研究方法收集日本1 591名老年人社会人口学信息、BMI、认知功能等数据,研究5 m最大步态速度、单腿站立时间、握力是否有利于改善老年人失能风险预测模型性能。研究人员采用Cox回归构建模型结果显示,在模型中增加5 m最大步态速度、单腿站立时间、握力可改善模型预测性能,C统计量为0.787,净重新分类指数(NRI)和综合判别改善指数(IDI)也证实了该模型的风险预测效果较好。但该研究未排除混杂因素,较多数据缺失,观察结果可能低估了身体功能状态与失能之间的联系,且模型并未进行外部验证,实用性有待进一步研究。

1.2 基于机器学习算法构建老年人失能风险预测模型

目前,使用机器学习算法构建老年人失能风险预测模型的研究较少。2016年,Zhang等[11]采用使用4种方法(决策树、支持向量机、逻辑回归、人工神经网络)构建失能风险预测模型。该模型纳入变量包括年龄、性别、婚姻状况、经济状况、地区、居住地、抽烟、喝酒、做家务、锻炼身体、社会活动、慢性病、心理状况、当前ADL状态。结果显示,年龄是预测失能最重要的变量,其次是当前ADL状态。通过综合对比模型性能,Zhang等[11]认为预测性能最好的是决策树模型,其准确率为70.79%,比其他3个模型都高,但该研究只是用准确率来评估模型性能,未考虑精确率、召回率、AUC等,需要进一步验证模型的优劣。此外,模型并未进行外部验证,其推广性如何尚不清楚。马新成[12]首次将K-Means聚类算法与传统逻辑回归结合,构建老年人生活自理能力评估模型。该研究使用无监督学习中的K-Means聚类算法对数据存在的特征进行划分,形成聚类分组数据。基于该数据,采用逻辑回归算法构建模型。模型以性别、步速、年龄、共病状况、目前健康状况为自变量,以能力完好或能力下降为因变量构建二分类模型。通过该模型可预测老年人生活自理状态得分,得分越低说明生活自理能力越低,失能风险越高。结果显示,该模型AUC为0.723、灵敏度为0.822、特异度为0.556,提示模型具有良好的预测能力。另外,马新成[12]以该模型为基础,设计老年人生活自理能力评估系统,将研究成果转化成服务广大民众的产品,促进了老年人失能风险预测结果可视化。在研究方法层面,该研究通过聚类分组使得人群更加集中,可以有效提升模型某方面的性能。由于数据采集代价大,该研究并未纳入对生活自理能力影响程度较大的抑郁功能、认知功能,且仅对模型进行内部验证,缺乏外部验证,其实用性如何有待进一步探究。

1.3 预测老年人失能风险的列线图模型

周锦辉等[13]对21 246名65岁以上老年人进行前瞻性队列研究,使用Lasso回归筛选关键预测因素,构建Cox回归模型,以列线图进行可视化展示。最终模型纳入9个预测因素,其中年龄增长、BMI升高、女性、高血压和脑血管疾病史可使ADL受损发生风险升高,少数民族、连续行走1 km、独自乘坐公共交通工具、几乎每天做家务可降低ADL受损风险。该模型AUC为 0.853,灵敏度为96.1%,特异度为 59.9%。该模型具有较高灵敏度但特异性较低,提示会出现较多假阳性的情况,一定程度上会浪费医疗资源,造成老年人及家属无端的焦虑。且该模型未纳入代谢指标、肺功能等客观指标,未进行外部验证,模型的实用性有待进一步研究。尹振华[14]首先使用3 386名英国中老年人(≥50岁)的相关资料构建模型,并用1 452名中老年人的资料对模型进行内部验证,最后使用18 722名中老年人的资料对模型进行外部验证。该模型采用Lasso回归和逐步Logistic回归筛选最优预测变量。最终,基本生活活动能力(BADL)受损列线图预测模型纳入变量包括年龄、婚姻状态、BMI、认知功能、体力活动、抑郁、自评健康状况、慢性肺病、关节炎、记忆相关疾病。研究结果显示,内部验证AUC为0.742,外部验证AUC为0.706,且H-L检验P>0.05,表明模型的拟合优度较好,具有良好的预测性能。但该研究在数据分析过程中排除数据不全的研究对象,这可能会造成一定的选择偏倚。另外,内部验证和外部验证的数据可能存在细微差别,原因在于内部验证中的身高、体重是自我报告获得,而外部验证中的身高和体重是客观测量获得。2021年,Zhang等[15]构建了老年人失能风险预测模型的动态列线图,以网页形式呈现,这是第一个关于中国老年人失能风险预测的动态列线图研究。该研究使用4 791名老年人的随访数据,通过逻辑回归筛选失能独立危险因素,包括年龄、教育水平、社交活动频率、饮酒频率、吸烟频率、共病状况、自评健康状况、步态速度、认知功能和抑郁症状。该列线图C统计量为0.715,H-L检验P>0.05,提示模型的拟合优度较好,具有一定的预测能力。该模型的优点是实施方便、智能,省时省力,促进卫生保健工作者作出理性的决策,适用于大范围老年人群的失能风险筛查。但该研究预测因子有限,未考虑潜在风险因素,如听力、视力等。为了研究下肢功能测试对失能风险预测的价值,2022年,Zhang等[16]对2 192名老年人(≥60岁)进行了为期4年的随访研究,采用逻辑回归构建6个失能风险预测模型,比较模型性能,并基于最佳模型构建列线图。研究结果显示,纳入下肢功能测试(平衡、步态速度、反复椅子站立测试)的模型C统计量为0.731,重分类改善指标(NRI)为0.406,综合判别改善指数(IDI)为0.035,提示纳入下肢功能测试的失能风险预测模型效果最好,对失能风险的预测贡献较大。但该研究排除组和纳入研究组的基线资料存在较大的异质性,可能影响结果。且该研究并未进行外部验证,模型是否适用于社区老年人失能风险预测还需验证。为了预测未来12年中老年人的失能风险,2022年,Qi等[17]用4 809名中老年人(≥50岁)的数据构建Cox回归模型。以18 620名中老年人(≥50岁)的数据作为验证集对模型进行外部验证,并以列线图进行可视化展示。研究者通过Lasso算法筛选变量后纳入年龄、婚姻状况、吸烟、体育活动、BMI、认知、抑郁症状、自评健康状况、听力功能、慢性肺病、关节炎、高血压、记忆相关疾病。在内部验证中AUC为0.793,在外部验证中AUC为0.796,提示模型有良好的预测能力,可能对中老年人健康护理及身体功能预后有重要意义。但该研究未报道随访过程中的死亡数据,造成数据缺失,这可能会造成预测结果偏倚。

2 老年人失能风险预测模型的比较分析

目前报道的老年人失能风险预测模型中,2项为横断面研究[9,12],其余均为前瞻性研究[6-8,10-11,13-17],相关资料主要从数据库提取,部分研究来源于横断面调查。最常见的预测因子包括年龄、性别、慢性疾病、认知状况、吸烟、社交活动、文化程度、兴趣爱好等。听力、衰弱、步态速度、5次椅重复站立所需时间、握力、医疗保健工作者对失能的判断等预测因子相对较少,另外,Chen等[10]认为增加握力可以改善失能风险预测模型预测效果,Zhang等[16]则认为握力对预测效果没有明显改善作用。大多数研究采用逻辑回归[6-9,12,15-16]、Cox回归[10,13,17]筛选危险因素,少数研究采用Lasso算法[13-14,17]、聚类算法[12]筛选危险因素。模型构建以逻辑回归、Cox回归模型最为常见,有5项研究[13-17]以列线图进行可视化展示,其中Zhang等[15]报道的列线图是第一个关于中国老年人失能风险预测的动态列线图研究。有1项基于回归系数计算出简单的风险评分[6],有1项研究以风险评估系统进行呈现[12]。Zhang等[11]采用机器学习的方法用决策树构建失能风险预测模型。模型各有优缺点,4项研究[6,14-15,17]进行了外部验证,其余研究均是采用内部验证,由于大部分老年人失能风险预测模型缺少外部验证,因此无法对模型进行横向评价。目前,还没有模型被常规用于社区或临床。Zhang等[11]报告用决策树构建的老年人失能风险预测模型比用逻辑回归、支持向量机、人工神经网络构建的模型性能更优,但该模型性能比较仅采用准确率来衡量,未考虑模型灵敏度、特异度、精确率等。此外,各预测模型中失能的诊断标准不一致,这可能造成结局指标偏差,无法对模型性能进行横向比较。

3 小结

本研究从老年人失能风险预测模型的构建过程、模型的基本情况、预测性能等方面进行综述。国内外对老年人失能风险预测模型的研究以Logistic回归、Cox回归分析为主,较少研究使用机器学习算法构建模型进行风险预测,且模型性能评价指标仅仅使用准确率,未考虑精确率、召回率、F1值等。除此之外,部分模型预测因子通过研究对象自我报告获得,未经特定的量表或实验室检查获得,未来应采用更客观、科学的方式采集,以保证数据的有效性、真实性。目前,没有模型被常规运用于社区或临床。因此,未来研究者可基于大数据、机器学习、深度学习进一步探索老年人失能风险预测模型,综合评估模型性能,以期为筛查失能高风险老年人群,及时采取有效干预措施,促进老年人失能防控和积极老龄化建设提供科学依据。