基于贝叶斯网络的老年人失能风险预测模型构建

陈玲 郝志梅 魏霞霞 汪凤兰 景丽伟 邢凤梅

(华北理工大学 1管理学院,河北 唐山 063210; 2护理与康复学院; 3首都医科大学护理学院; 4华北理工大学临床医学院)

失能主要是指某种组织、功能丧失或者不正常,全部或者部分丧失以正常方式从事某种活动能力的人〔1〕。老年人失能通常是由于年老、疾病、残疾、智力缺陷造成的身体障碍或认知功能障碍,丧失了日常生活自理能力〔2〕。近年来,我国人口老龄化问题日益严峻,失能老年人数量也在急速增加,据中国发展基金会2020年发布的报告显示,我国60岁及以上老年人口数量到2050年时将接近5亿人〔3〕,其中失能人口数量则达到9 140万人〔4〕。有研究预测,我国老年人失能率自2020～2022年上升,2023～2041年呈下降趋势后将快速上升〔5〕。失能老年人口由于自理能力下降甚至丧失,导致其生活质量下降的同时,也进一步加重了家庭和社会的负担。2025～2040年,我国老年人失能照护总费用将增加1.75～2.03倍〔6〕。各国学者对老年人失能的概念、测量工具、影响因素等多方面进行了较为广泛的探讨,但老年人失能预测的相关研究较少,本研究利用2018年中国健康与养老追踪调查数据(CHARLS)探讨老年人失能与影响因素之间的相互作用关系,以贝叶斯网络为基础构建老年人失能的预测模型。

1 资料与方法

1.1资料来源 本研究数据来源于CHARLS,该项目由北京大学国家发展研究院主持运营,采用科学抽样方法收集了代表全国45周岁及以上的中老年家庭和个人的高质量微观数据,CHARLS全国基线调查于2011年开展,每两年追访1次,本研究使用的是2020年9月公开发布的第四期全国追访数据CHARLS 2018。选取数据库中60岁及以上的老年人为研究对象,剔除极端值和相关变量的缺失项后,最终纳入5 825例。其中男2 675例,女3 150例。睡眠时间<6 h 3 136例,6～8 h有1 810例,>8 h 579例。患有慢性病2 949例。1 280例有住院史,未做体力活动的老年人699例。使用辅助工具632例。教育程度为小学及以下较多(75%)。居住在农村为4 543例,年龄60～65岁占37%,月支出<3 000元的为90%。

1.2影响因素判定 老年人失能状况采用日常生活活动(ADL)量表对其进行评价,包括穿衣、修饰、吃饭、如厕、控制大小便、上下床6个指标,每项指标分为4级:①没有困难,②有困难但仍可以完成,③有困难,需要帮助,④无法完成,选择②或③或④则为该指标失能,且6项指标中只要有1项指标失能则判定为失能〔7〕。通过查阅文献,根据既往研究结果确定了13项与老年人失能密切相关的因素,分别为城乡、性别、年龄、残疾、经济支持、抑郁、睡眠、慢性病、住院情况、体力活动、辅助工具、教育程度和月支出〔8～10〕。在CHARLS 2018数据中提取这13项指标,并按照哈勒姆理论模型将指标分成4类进行分析〔11〕,分别为社会因素5项(城乡、性别、年龄、残疾、经济支持),压力因素2项(抑郁、睡眠),个人因素4项(慢性病、住院情况、体力活动、辅助工具),功能性因素2项(教育程度、月支出)。残疾情况是指老年人是否有躯体残疾、大脑受损或智力缺陷、失明或半失明、有聋或半聋、有哑或严重口吃5种残疾的某一种及以上的存在情况。经济支持是指从未居住在一起的其他不是父母、子女及兄弟姐妹的亲戚朋友那里收到的经济支持。抑郁根据流调中心抑郁量表进行判断,采用Likert 4级评分法,得分0～3分,总分为0～30分,分值越高,表示抑郁程度越高,即0～10分为抑郁状况良好,11～20分为抑郁状况一般,21～30分为抑郁状况差。睡眠情况是指过去1个月内,老年人平均每天晚上真正睡眠时间,分为<6 h,6～8 h,>8 h。慢性病是指老年人是否患有高血压、血脂异常、糖尿病或血糖升高、癌症、慢性肺部疾病、肝脏疾病、心脏病、脑卒中、肾脏疾病、胃部疾病或消化系统疾病、情感及精神方面问题、记忆相关疾病、关节炎或风湿病、哮喘等14种慢性疾病中的某一种或几种疾病。住院情况是指老年人过去一年内,是否有住院史。体力活动分为非常消耗体力的激烈活动(如有氧运动、快速骑车等)、中等强度的体力活动(如打太极拳、疾走等)和轻度体力活动(如散步等)3种,以老年人每周每次运动了至少10 min的活动为标准去衡量是否进行了体力活动。辅助工具是指老年人是否使用拐杖、代步器、手动/电动轮椅、导尿管/导尿袋、便携式坐便器等辅助工具。并确定的各影响因素节点情况为:失能情况(是=0;否=1);城乡(城镇=1;农村=2);性别(男=1;女=2);年龄(60～65岁=1;66～70岁=2;71～75岁=3;76～80岁=4;>80岁=5);残疾情况(是=1;否=2);经济支持(是=1;否=2);抑郁情况(好=1;一般=2;差=3);睡眠情况(<6 h=1;6～8 h=2;>8 h=3);慢性病(是=1;否=2);住院情况(是=1;否=2);体力活动(未做=1;做1项=2,做2项=3;做3项及以上=4);辅助工具(是=1;否=2);教育程度(文盲=1;私塾=2;小学=3;中学=4,高中及以上=5);月支出(<3 000元=1;3 000～6 000元=2;>6 000元=3)。

1.3研究方法 以贝叶斯网络为基础构建老年人失能的预测模型,贝叶斯网络是1个由节点和有向边(箭头)共同构成表示变量间概率依赖关系的有向无环图(DAG)。节点代表随机变量,有向边代表变量间的概率依赖关系,两个节点间有箭头连接说明两者间的概率依赖有直接的潜在因果关系,各节点均受其父节点的影响,即父节点代表原因,子节点代表结果,每个节点属性所对应的条件概率表(CPT)表示事件变量间关系的强度〔12〕。模型构建过程分为4个步骤:①确定贝叶斯网络节点;②结构学习;③参数学习;④网络评价,使用软件为GeNIe2.3。

2 结 果

2.1结构学习与参数学习 将影响因素与结果之间的相关性进行人工连接,用GeNIe 2.3中Bayesian Search构建网络模型,表达各影响因素与老年人失能的关系。5 825例样本中失能老年人1 705例,失能率为29.3%。对5 825例研究对象进行结构学习和参数学习,构建了包含14个节点,28条有向边的老年人失能影响因素的贝叶斯网络模型,并获得老年人失能风险的先验概率网络图,见图1。结果显示城乡、性别、年龄、残疾、经济支持、抑郁、睡眠、慢性病、住院情况、体力活动、辅助工具、教育程度、支出和失能之间存在有向弧连接,均指向失能,表示城乡、性别等13个因素与失能之间有着潜在的因果关系,各因素节点的条件概率估计结果则反映了影响因素与老年人失能情况间的影响强度。

2.2贝叶斯网络更新推理 为了验证影响老年人失能的因素指标,将失能的状态设置为100%失能,通过自动更新(Automatic Updating)对贝叶斯网络结构图进行再构建,整个网络节点的概率发生变化。当老年人失能状况为100%失能时,与图1结果相比,居住地为城市的概率由22%增加至23%,女性概率由上升了3%,此外,年龄在80岁以上,残疾、经济支持、抑郁状况差、患慢性病、住院、未参加体力活动、使用辅助工具、教育程度为文盲、支出<3 000元的概率均有所增加,见图1。

2.3贝叶斯网络评价 建立模型的第四阶段为绘制受试者工作特征(ROC)曲线,通过计算灵敏度、特异度和曲线下面积(AUC)评价模型的预测效果。如图2显示,ROC曲线下面积为0.667,说明所构建的贝叶斯网络模型灵敏度、特异度较高,能较好地反映各节点之间的关系。

2.4贝叶斯网络模型下失能风险预测 运用贝叶斯网络对老年人失能情况进行风险预测,根据GeNIe2.3软件构建的贝叶斯网络模型,点击相应节点添加证据信息即对老年人发生的失能风险进行判定。社会因素中失能率较高的主要是居住在农村、女性、年龄75～80岁,残疾和具有经济支持的老年人,压力因素中失能率较高的是抑郁状况差、睡眠时间<6 h的老年人。个人因素中失能率较高的是患有慢性病、有住院经历、未参加体力活动和使用辅助工具的老年人,功能性因素中失能率较高的是教育程度为文盲、支出<3 000元的老年人。老年人在社会因素、压力因素、个人因素和功能性因素中分别以其所包含的因素中失能率较高的指标作为参考依据,使四类影响因素中的各个指标失能结果分别成为已知信息,则其发生失能的风险分别为51%、60%、66%、36%,见图3。

图3 贝叶斯网络模型下老年人失能风险预测功能性因素

3 讨 论

老年人失能人数逐渐攀升,失能程度的不断加重,本次研究结果显示,我国60岁及以上老年人的失能率为29.3%。一项以中国老年健康影响因素跟踪调查(CLHLS)2018年数据为基础的调查结果显示,老年人的失能率26.6%〔13〕,与本研究相近。针对老年人失能的影响因素,目前国内学者多注重分析性别、年龄、慢性病、城乡等单个因素对老年人失能的影响〔9,13〕,如患有抑郁症的老年人失能率较高,其OR值为1.178〔8〕,高会莹等〔14〕在探讨相关因素对老年患者失能的影响路径时发现,教育程度是导致老年人失能的间接影响因素。米红等〔15〕采用生物-心理-社会医学模式从生物(性别、年龄)、心理(孤独感、自评健康状况)、社会(婚姻、城乡)3个不同维度对老年人健康状况的影响因素进行分析,结果显示老年人失能主要受社会维度的变量影响。

模型的ROC曲线下面积大于0.5即表示该诊断实验具有一定的诊断价值,当ROC AUC越接近1,证明诊断试验的真实性越好,本研究结果表明,该网络模型灵敏度和特异度较高,能较好地反映各节点之间的关系。根据贝叶斯网络的更新推理发现,当老年人失能的状态设定为100%失能时,相应的导致老年人失能的影响因素的概率也会有所增加,由此也进一步验证了所选取变量是有意义的。

贝叶斯网络分析中,纳入节点的数目对网络结构和规模有着直接影响,节点越多,其结构学习时间越长。本研究结果显示,4项因素中个人因素对失能的影响较大。因而,预防老年人失能和失能程度的加深,更应着重关注老年人的个人因素方面。

综上,基于贝叶斯网络构建的老年人失能的预测模型具有较好的预测能力,利用模型进行风险推理,对于发生失能风险较高的因素应尽早采取针对性的干预措施,减少老年人失能情况的发生,降低老年人失能率。