构建适用于中国65岁及以上老年人日常生活自理能力（ADL）受损的6年风险简易预测工具。
以中国老年健康影响因素跟踪调查项目的34 349名65岁及以上老年人为对象，通过面对面访谈收集对象人口学特征、生活方式和慢性病患病情况等资料，采用器具性日常生活自理能力（IADL）量表评价对象的功能状态，采用简易精神状态评价量表评价对象的心理健康状况，通过体格检查获取对象的身高、体重和血压等资料并计算体质指数（BMI），基线和随访时均采用Katz量表评价ADL状况。以ADL状态为因变量，以Lasso回归筛选得到的关键预测因素为自变量，构建Cox比例风险回归模型并采用列线图工具可视化。采用受试者工作特征曲线下面积（AUC）和校准曲线分别评估模型的区分度和校准度。采用不bootstrap 200次重复抽样进行模型的内部验证。采用敏感性分析评价模型的稳健性。
研究对象年龄［M（Q1，Q3）］为86（75，94）岁，其中男性9 774名（46.0%）。共随访112 606人年，发生ADL受损4 578例，发病密度为40.7/1 000人年。Cox比例风险回归模型分析显示：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［HR（95%CI）分别为1.06（1.05~1.06）、1.05（1.04~1.06）、1.17（1.10~1.25）、1.07（1.01~1.13）和1.41（1.23~1.62）］；少数民族、连续行走1 km、独自乘坐公共交通工具、几乎每天做家务可使ADL受损发生风险降低［HR（95%CI）分别为0.71（0.62~0.80）、0.72（0.65~0.80）、0.74（0.68~0.82）和0.69（0.64~0.74）］。模型对ADL受损发生风险预测的AUC值为0.853，校准曲线显示预测概率和实际观测概率具有较好的一致性。剔除不可干预因素（年龄、性别和民族）后，模型对ADL受损发生风险预测的AUC值为0.779；65~74岁和75岁及以上老年人群中AUC值分别为0.634和0.765；基于IADL中连续行走1 km和独自乘坐公共交通工具2个变量构建的模型与基于IADL综合得分构建的模型的AUC值分别为0.853和 0.851。
所建立的ADL受损风险预测模型性能良好且稳健。
版权归中华医学会所有。
未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
除非特别声明，本刊刊出的所有文章不代表中华医学会和本刊编委会的观点。
日常生活自理能力（ADL）受损影响老年人生活质量，增加老年人认知功能受损和死亡风险［1, 2, 3］。2020年第7次全国人口普查显示，我国65 岁及以上人口1.91亿，占总人口的13.50%，已全面进入老龄化社会［4］。第4次中国城乡老年人生活状况抽样调查显示，中国失能和半失能老年人口数约4 063万，占老年人口总数的18.3%［5］，给我国公共卫生体系建设和老年友好型社会构建等带来一系列挑战［6］。ADL受损与人口学特征、生活方式、步速、抑郁、认知功能、握力、听力和心血管疾病等因素相关［7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17］，目前国内尚无ADL受损风险预测的相关研究，而国外研究主要关注脑卒中患者的短期预后评估，少数基于社会老年人群的预测研究样本量较小，结果外推受限［18, 19, 20, 21, 22］。本研究利用中国老年健康影响因素跟踪调查（CLHLS）随访数据，构建适用于中国65岁及以上老年人6年ADL受损风险简易预测工具，为ADL受损的个体化预防提供依据。
1.对象：源于CLHLS 队列人群，该项目现场覆盖中国23个省份（分别为北京、天津、重庆、上海、广东、广西、湖南、湖北、河南、河北、安徽、福建、海南、黑龙江、辽宁、江西、江苏、吉林、山东、陕西、山西、四川和浙江）抽取801个县（区），将自愿参加调查老年人纳为对象［23］。基线调查共纳入34 349名对象，排除<65岁（545 名）、基线ADL受损（6 523名）、首次随访时失访（4 261名）和关键预测变量缺失或异常（1 774名），最终将21 246名对象的资料纳入分析。本研究通过了北京大学和中国疾病预防控制中心环境与健康相关产品安全所伦理委员会批准（批号分别为IRB00001052-13074和2017018），所有对象或其亲属均签署了知情同意书。
2.基线资料收集：（1）采用自制问卷通过面对面访谈收集对象人口学特征（年龄、性别、居住地、受教育程度、婚姻状态和收入水平等）、生活方式（吸烟、饮酒、锻炼、膳食摄入和休闲活动等）和慢性病（糖尿病、心脏病和脑卒中等）患病情况等资料；（2）采用器具性日常生活自理能力（IADL）量表评价对象的功能状态，采用简易精神状态评价量表评价对象的心理健康状况；（3）通过体格检查测量对象的身高、体重、血压、视力和听力功能并计算体质指数（BMI）。
3.随访：分别于2005、2008、2011、2014和2018年进行随访。采用基础性日常生活活动能力量表评价ADL状况：对象无需他人帮助即可独立完成洗澡、穿衣、进食、室内活动、如厕和控制大小便等所有6项活动为ADL正常；任一项活动需要他人帮助或有失禁发生为ADL受损［13，24, 25］。
4.统计学分析：采用Epidata 3.0 软件录入数据，采用R 3.6.2软件进行统计学描述和分析。年龄、BMI和IADL评分等变量不符合正态分布，以M（Q1，Q3）表示，不同ADL状况组间比较采用Mann-Whitney U检验。分类变量以例（%）表示，对二分类变量和等级变量分别采用χ²检验和Mann-Whitney U检验比较其在不同ADL状况组间的差异。以ADL状态为因变量，采用Lasso回归对问卷信息和体格检查指标进行变量筛选［26］，以筛选得到的关键预测因素为自变量，构建Cox比例风险回归模型并采用列线图工具可视化［27］。采用受试者工作特征曲线下面积（AUC）评估模型的区分度，按照6年ADL受损发生风险将老年人分为10组，通过分别计算各组的平均预测概率和实际观测概率绘制校准曲线以评估模型的校准度［2，28］。采用bootstrap 200次重复抽样进行模型的内部验证［29］。采用敏感性分析评价模型的稳健性。双侧检验，检验水准α=0.05。
1.基本情况：研究对象年龄为86（75，94）岁，其中男性9 774名（46.0%）。共随访112 606人年，发生ADL受损4 578例，发病密度为40.7/1 000人年。ADL受损组BMI、高血压和脑血管病史比例均高于ADL正常组，汉族、男性和独自乘坐功能交通工具比例均低于ADL正常组，两组年龄、做家务、连续行走1 km和IADL评分差异无统计学意义（表1）。
不同日常生活自理能力老年人基线时基本特征比较［n（%）］
不同日常生活自理能力老年人基线时基本特征比较［n（%）］
| 项目 | 全部对象（21 246名） | ADL受损（4 578例） | ADL正常（16 668名） | χ2/Z值 | P值 |
|---|---|---|---|---|---|
| 年龄（岁）a | 86（75，94） | 86（77，93） | 86（75，94） | -0.97 | 0.332 |
| 民族 | 13.21 | <0.001 | |||
汉族 | 19 791（93.2） | 4 320（94.4） | 15 471（92.8） | ||
少数民族 | 1 455（6.8） | 258（5.6） | 1 197（7.2） | ||
| 性别 | 77.27 | <0.001 | |||
男 | 9 774（46.0） | 1 843（40.3） | 7 931（47.6） | ||
女 | 11 472（54.0） | 2 735（59.7） | 8 737（52.4） | ||
| 体质指数（kg/m2）a | 19.3（17.2，21.7） | 19.7（17.6，22.2） | 19.1（17.1，21.5） | 9.50 | <0.001 |
| 高血压 | 8.85 | 0.003 | |||
否 | 10 561（49.7） | 2 186（47.8） | 8 375（50.2） | ||
是 | 10 685（50.3） | 2 392（52.2） | 8 293（49.8） | ||
| 脑血管疾病史 | 14.86 | <0.001 | |||
无 | 20 433（96.2） | 4 358（95.2） | 16 075（96.4） | ||
有 | 813（3.8） | 220（4.8） | 593（3.6） | ||
| 做家务 | -0.61 | 0.540 | |||
几乎每天 | 9 863（46.4） | 2 128（46.4） | 7 735（46.4） | ||
不是每天，但每周至少一次 | 1 967（9.3） | 410（9.0） | 1 557（9.3） | ||
不是每周，但每月至少一次 | 556（2.6） | 117（2.6） | 439（2.6） | ||
不是每月，但有时 | 993（4.7） | 215（4.7） | 778（4.7） | ||
不参加 | 7 867（37.0） | 1 708（37.3） | 6 159（37.0） | ||
| 连续行走1 km | 3.68 | 0.159 | |||
能 | 12 753（60.0） | 2 707（59.2） | 10 046（60.3） | ||
有一定困难 | 4 240（20.0） | 959（20.9） | 3 281（19.7） | ||
不能 | 4 253（20.0） | 912（19.9） | 3 341（20.0） | ||
| 独自乘坐公共交通工具 | 6.71 | 0.035 | |||
能 | 10 634（50.1） | 2 221（48.6） | 8 413（50.5） | ||
有一定困难 | 3 947（18.5） | 899（19.6） | 3 048（18.3） | ||
不能 | 6 665（31.4） | 1 458（31.8） | 5 207（31.2） | ||
| IADL评分a | 10（8，15） | 10（8，15） | 10（8，15） | 1.93 | 0.054 |
注：a M（Q1，Q3）；IADL为器具性日常生活自理能力
2.ADL受损发生风险预测因素：Cox比例风险回归模型分析显示：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、能连续行走1 km、独自乘坐公共交通工具、做家务可使ADL受损发生风险降低（表2）。列线图预测工具显示：对ADL受损发生风险评分影响最大的因素是年龄，其次是BMI，高血压影响最小（图1）。
65岁及以上老年人ADL受损发生风险预测因素的Cox比例风险回归模型分析
65岁及以上老年人ADL受损发生风险预测因素的Cox比例风险回归模型分析
| 项目 | β值 | SE值 | Wald χ²值 | HR值（95%CI） | P值 |
|---|---|---|---|---|---|
| 年龄 | 0.055 | 0.002 | 30.42 | 1.06（1.05~1.06） | <0.001 |
| 少数民族 | -0.348 | 0.065 | -5.37 | 0.71（0.62~0.80） | <0.001 |
| 女性 | 0.160 | 0.033 | 4.83 | 1.17（1.10~1.25） | <0.001 |
| BMI | 0.045 | 0.005 | 9.92 | 1.05（1.04~1.06） | <0.001 |
| 高血压 | 0.066 | 0.030 | 2.22 | 1.07（1.01~1.13） | 0.027 |
| 脑血管疾病史 | 0.346 | 0.070 | 4.95 | 1.41（1.23~1.62） | <0.001 |
| 连续行走1 km | |||||
不能 | 1.00 | ||||
有一定困难 | -0.143 | 0.051 | -2.79 | 0.87（0.78~0.96） | 0.005 |
能 | -0.328 | 0.054 | -6.13 | 0.72（0.65~0.80） | <0.001 |
| 独自乘坐公共交通工具 | |||||
不能 | 1.00 | ||||
有一定困难 | -0.120 | 0.048 | -2.49 | 0.89（0.81~0.97） | 0.013 |
能 | -0.295 | 0.050 | -5.95 | 0.74（0.68~0.82） | <0.001 |
| 做家务 | |||||
不参加 | 1.00 | ||||
不是每月，但有时 | -0.181 | 0.073 | -2.48 | 0.83（0.72~0.96） | 0.013 |
不是每周，但每月至少一次 | -0.160 | 0.096 | -1.66 | 0.85（0.71~1.03） | 0.097 |
不是每天，但每周至少一次 | -0.278 | 0.056 | -4.96 | 0.76（0.68~0.85） | <0.001 |
几乎每天 | -0.375 | 0.038 | -9.97 | 0.69（0.64~0.74） | <0.001 |
注：ADL为日常生活自理能力
注：ADL为日常生活自理能力；列线图最上方的得分项为评分尺，下方为预测因素及对应得分，根据总分预测ADL受损发生风险
3.模型区分度和校准度评价：模型对ADL受损发生风险预测的AUC值为0.853，提示模型区分能力较好（图2A）。最大约登指数为0.560，此时对应风险切点值为23.2%，灵敏度为96.1%，特异度为59.9%。校准曲线结果表明各组预测概率和实际观测概率具有较好的一致性（图2B）。
注：AUC为曲线下面积
4.敏感性分析：剔除不可干预因素（年龄、性别和民族）后，模型对ADL受损发生风险预测的AUC值为0.779；65~74岁和75岁及以上老年人群中AUC值较低，分别为0.634和0.765；基于IADL中连续行走1 km和独自乘坐公共交通工具2个变量构建的模型与基于IADL综合得分构建的模型的AUC值相近，后者为0.851（图2A）。
目前国内缺乏ADL受损发生风险预测研究，国外预测工具适用目标人群范围较小，难以广泛推广［18, 19, 20, 21］。荷兰对790名70岁及以上社区人群进行1年内ADL功能下降的风险预测，模型区分能力较差［22］。现有预测工具的 AUC值范围为0.630~0.913，纳入核磁共振成像和计算机断层扫描结果对预测性能提升有限［20，30］。本研究所得预测模型的AUC值为0.853，基于可干预因素获得AUC值为0.779，AUC值和校准曲线结果均表明模型预测性能较好。列线图为评估ADL受损发生风险提供了便捷工具，为开展个体化风险识别和高危人群干预提供科学依据。
本研究纳入9个简易预测因素。年龄增长、女性、BMI升高、有高血压和脑血管疾病史的老年人ADL受损风险较高，与既往研究一致［10, 11，16, 17，22，31, 32, 33］。本研究发现：少数民族老年人ADL受损风险低于汉族［10, 11，31］，家务有利于降低ADL受损风险［34］。IADL功能是ADL受损的重要预测因素［22］，其中连续行走1 km和独自乘坐公共交通工具量变量可替代IADL总体得分［13，35］，简化模型参数。
本研究的优势包括：（1）对象源于社区老年人群，是目前已开展的样本量最大、预测时间较长的ADL受损风险预测研究，结论可外推；（2）通过Lasso回归筛选关键因素，减少了预测变量且有效避免了模型过拟合；（3）基于连续行走1 km和独自乘坐公共交通工具的模型参数简化且提高了模型的预测性能；（4）本模型预测因素均易获取，利用列线图预测工具可快速评估老年人群ADL受损风险，有利于推广应用。本研究的局限性在于：（1）对象年龄较大，部分对象因死亡而无法进行ADL结局随访，可能造成失访偏倚；（2）未进行外部数据验证；（3）未纳入肺功能、代谢指标和核磁共振成像等信息。
综上所述，本研究为中国65岁及以上老年人群提供了6年内ADL受损发生风险的列线图预测工具，为老年人ADL功能的个体化预防和干预提供了依据。
所有作者均声明不存在利益冲突
