高级检索
实用心脑肺血管病杂志
期刊首页
过刊列表
高级检索
稿件发表
• 医学循证 •
ENGLISH ABSTRACT
老年轻度认知障碍风险预测模型的系统评价
覃淑红
李睿琳
郑展航
伍陈幸子
王雯娟
作者及单位信息
·
DOI： 10.12114/j.issn.1008-5971.2024.00.252
Risk Prediction Models for Mild Cognitive Impairment in Elderly Patients: a Systematic Review
QIN Shuhong
LI Ruilin
ZHENG Zhanhang
WU Chenxingzi
WANG Wenjuan
Authors Info & Affiliations
QIN Shuhong
Faculty of Nursing, Guangxi University of Chinese Medicine, Nanning 530200, China
LI Ruilin
Faculty of Nursing, Guangxi University of Chinese Medicine, Nanning 530200, China
ZHENG Zhanhang
Faculty of Nursing, Guangxi University of Chinese Medicine, Nanning 530200, China
WU Chenxingzi
Faculty of Nursing, Guangxi University of Chinese Medicine, Nanning 530200, China
WANG Wenjuan
Faculty of Nursing, Guangxi University of Chinese Medicine, Nanning 530200, China
·
DOI： 10.12114/j.issn.1008-5971.2024.00.252
0
0
0
0
0
0
PDF下载
APP内阅读
摘要

目的系统评价国内外现有的老年轻度认知障碍（MCI）风险预测模型的偏倚风险、适用性。

方法计算机检索中国知网、万方数据知识服务平台、中国生物医学文献数据库、PubMed、Cochrane Library、Web of Science、Embase中关于老年MCI风险预测模型的研究，检索时限为建库至2024-05-31。剔除重复文献后，由两位研究人员严格按照文献纳入与排除标准独立进行文献筛选；对于最终纳入的文献，由两位研究人员根据系统评价的批判性评估和数据提取清单（CHARMS）进行资料提取；由两位研究人员使用预测模型偏倚风险评估工具（PROBAST）评估纳入模型的偏倚风险和适用性。

结果最终纳入文献14篇，共构建了21个老年MCI风险预测模型，本研究仅选择各文献中性能表现最佳的模型。14个模型的候选预测变量数为4～42个，每个自变量的事件数（EPV）为2.5～195.5；在建模方法方面，主要采用Logistic回归分析、Cox回归分析；在模型性能评估结果方面，12个模型的AUC为0.676～0.96；在模型校准方法方面，11个模型未进行校准；在模型验证方法方面，8个模型未进行验证。14个模型的整体偏倚风险均为高风险，整体适用性均为低风险。

结论现有的老年MCI风险预测模型多数具备一定的区分能力，整体适用性较好，但其校准度尚不明确，整体偏倚风险较高。

认知功能障碍;轻度认知障碍;老年人;预测模型;系统评价（主题）
ABSTRACT

ObjectiveTo systematically assess the risk of bias and applicability of existing risk prediction models for mild cognitive impairment (MCI) in elderly patients, both domestically and internationally.

MethodsDatabases including CNKI, Wanfang Data, CBM, PubMed, Cochrane Library, Web of Science, and Embase were systematically searched to collect the studies on the risk prediction models for MCI in elderly patients. The search time was from the establishment of the database to May 31, 2024. After removing duplicate entries, literature screening was conducted independently by two researchers in strict accordance with the literature inclusion and exclusion criteria. Data from the final included literature was extracted by two researchers using the Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modelling Studies (CHARMS). The prediction model risk of bias assessment tool (PROBAST) was employed by two researchers to assess the risk of bias and applicability of included models.

ResultsIn the end, 14 literatures were included, and a total of 21 risk prediction models for MCI in elderly patients were constructed, and only the best-performing model in each literature was selected for this study. The number of candidate predictor variables of the 14 models ranged from 4 to 42, and the events per variable (EPV) ranged from 2.5 to 195.5. In terms of modeling methods, Logistic regression analysis and Cox regression analysis were mainly used. In terms of model performance evaluation results, the AUC of 12 models was 0.676 to 0.96. In terms of model calibration methods, 11 models had not been calibrated, and in terms of model validation methods, 8 models had not been validated. The overall risk of bias for all 14 models was high, and the overall risk of applicability was low.

ConclusionMost of the existing risk prediction models for MCI in elderly patients have certain discriminative ability and good overall applicability, but their calibration degree is not yet clear, and the overall risk of bias is high.

Cognitive dysfunction;Mild cognitive impairment;Aged;Prediction model;Systematic reviews as topic
LI Ruilin, E-mail: mocdef.qabq97018094
©Editorial Office of Practical Journal of Cardiac Cerebral Pneumal and Vascular Disease. This is an open access article under the CC BY-NC-ND 4.0 license.
引用本文

覃淑红,李睿琳,郑展航,等. 老年轻度认知障碍风险预测模型的系统评价[J]. 实用心脑肺血管病杂志,2024,32(10)：88-93.

DOI:10.12114/j.issn.1008-5971.2024.00.252

PERMISSIONS

Request permissions for this article from CCC.

评价本文
*以上评分为匿名评价

本刊2024年版权归实用心脑肺血管病杂志社 未经编辑部许可，不得任意转载和摘编

未经编辑部许可，不得任意转载和摘编

本刊所发表作品仅为作者观点，并不代表编委会和编辑部意见如有印装质量问题请与本刊发行部调换

轻度认知障碍（mild cognitive impairment，MCI）是处于正常衰老与痴呆症的中间状态，是常见的神经退行性疾病，是痴呆症的高危因素 [ 1 , 2 , 3 ]，患者表现为认知功能轻度减退，常伴随焦虑、抑郁等情绪障碍 [ 4 ]，该病给患者个人、家庭乃至国家带来了沉重的经济负担 [ 5 ]。一项为期4年的队列研究发现，约33%的MCI患者经过医学干预后其认知功能可恢复至正常水平 [ 6 ]，表明MCI尚处于疾病发展不稳定和认知功能可控阶段。因而早期风险评估和早期干预是延缓或防止MCI疾病进展的关键 [ 7 ]。近年来，国内外研究已开发多种老年MCI风险预测模型 [ 8 ]，但关于老年MCI风险预测模型系统评价的研究较少，且研究者尚不清楚现有的老年MCI风险预测模型的偏倚风险和临床适用性，其能否顺利进行临床转化还有待商榷。基于此，本研究旨在系统评价国内外现有的老年MCI风险预测模型的偏倚风险、适用性，以期为我国医护工作者选择和构建老年MCI风险预测模型提供参考。本研究已在PROSPERO完成注册（注册号：CRD42024549720）。
1　资料与方法
1.1　文献纳入与排除标准
纳入标准：（1）研究对象为老年人（年龄≥60岁）；（2）研究内容为MCI风险预测模型的构建和验证；（3）研究类型包括队列研究、横断面研究和病例对照研究；（4）中文或英文文献。排除标准：（1）综述、会议论文；（2）模型预测因子<2个的文献；（3）无法获取全文有效信息的文献。
1.2　文献检索策略
计算机检索中国知网、万方数据知识服务平台、中国生物医学文献数据库、PubMed、Cochrane Library、Web of Science、Embase中关于老年MCI风险预测模型的研究，检索时限为建库至2024-05-31。采用主题词与自由词相结合的检索方法，中文检索词："轻度认知障碍/轻度认知功能障碍/轻度认知功能损害/轻度认知损害"和"风险预测/风险预测模型/预测模型/诊断模型/临床预测模型"。英文检索词："cognitive dysfunction/mild cognitive impairment/mild neurocognitive disorder/MCI"和"risk prediction/risk forecast model/risk prediction model/prediction model/prediction tool/nomogram/predictive model/diagnostic model"。
1.3　文献筛选和资料提取
剔除重复文献后，由两位研究人员严格按照文献纳入与排除标准独立进行文献筛选，通过阅读文献题目、摘要、关键词进行初筛，通过阅读全文进行复筛，存在分歧时，则与第三位研究人员商议。对于最终纳入的文献，由两位研究人员根据系统评价的批判性评估和数据提取清单（Critical Appraisal and Data Extraction for Systematic Reviews of Prediction Modelling Studies，CHARMS） [ 9 ]进行资料提取，提取内容包括纳入文献的基本特征（包括第一作者、发表年份、国家、研究类型、样本量、MCI患者例数）及老年MCI风险预测模型相关情况〔包括候选预测变量数、每个自变量的事件数（events per variable，EPV）、建模方法及模型性能评估结果、校准方法、验证方法、预测因子、呈现形式〕。
1.4　纳入模型偏倚风险和适用性评价
由两位研究人员使用预测模型偏倚风险评估工具（prediction model risk of bias assessment tool，PROBAST） [ 10 , 11 ]评估纳入模型的偏倚风险和适用性，其中偏倚风险评价内容包括研究对象（2个问题）、预测因子（3个问题）、结局（6个问题）、统计分析（9个问题）4个领域，共20个问题，每个领域的偏倚风险及模型的整体偏倚风险均可分为"高风险""低风险"或"不清楚"。适用性评价内容包括研究对象、预测因子、结局3个领域，每个领域的适用性及模型的整体适用性可分为"低风险""高风险"或"不清楚"。
2　结果
2.1　文献检索结果
初步检索共获得文献4 117篇，剔除2 115篇重复文献后，通过初筛剔除文献1 921篇，通过复筛剔除文献67篇，最终纳入文献14篇 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 ]，文献筛选流程见 图1 ，纳入文献的基本特征见 表1 。
文献筛选流程
Literature screening process
第一作者 发表年份 国家 研究类型 样本量（建模集/验证集） MCI患者例数（建模集/验证集）
麻红梅 [ 12 ] 2022 中国 横断面研究 1 412/— 600/—
徐晶 [ 13 ] 2022 中国 前瞻性队列研究 544/— 119/—
李梓盟 [ 14 ] 2023 中国 前瞻性队列研究 325/— 214/—
PARK [ 15 ] 2020 韩国 横断面研究 177/— 74/—
PANKRATZ [ 16 ] 2015 美国 前瞻性队列研究 1 449/— 401/—
BERGERON [ 17 ] 2020 美国 横断面研究 233/26 195/22
HUANG [ 18 ] 2022 中国 横断面研究 94/— 61/—
YANG [ 19 ] 2022 中国 横断面研究 119/— 55/—
JIANG [ 20 ] 2022 中国 横断面研究 336/92 152/44
PENFOLD [ 21 ] 2022 美国 前瞻性队列研究 3 864/— 1 478/—
吴瑞凯 [ 22 ] 2024 中国 横断面研究 992/— 210/—
HAN [ 23 ] 2023 中国 横断面研究 5 393/1 959 1 217/522
黄冬妹 [ 24 ] 2024 中国 横断面研究 502/— 258/—
WU [ 25 ] 2024 中国 前瞻性队列研究 182/62 38/13
纳入文献的基本特征
Basic characteristics of the included literature

注：MCI=轻度认知障碍，—表示未描述。

2.2　老年MCI风险预测模型相关情况
纳入的14篇文献 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 ]共构建了21个老年MCI风险预测模型，本研究仅选择各文献中性能表现最佳的模型。14个模型 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 ]的候选预测变量数为4～42个，EPV为2.5～195.5；在建模方法方面，7个模型 [ 12 ， 15 ， 18 ， 21 , 22 , 23 , 24 ]采用Logistic回归分析，2个模型 [ 13 ， 16 ]采用Cox回归分析，1个模型 [ 14 ]采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）回归分析，1个模型 [ 17 ]采用朴素贝叶斯法，1个模型 [ 19 ]采用随机森林，1个模型 [ 20 ]采用支持向量机（support vector machine，SVM），1个模型 [ 25 ]采用梯度提升决策树（gradient boosting decision tree，GBDT）；在模型性能评估结果方面，12个模型 [ 12 , 13 , 14 , 15 ， 17 , 18 ， 20 , 21 , 22 , 23 , 24 , 25 ]的AUC为0.676～0.96，1个模型 [ 16 ]的C-统计量值为0.70，1个模型 [ 19 ]未进行性能评估；在模型校准方法方面，2个模型 [ 22 , 23 ]采用H-L检验，1个模型 [ 24 ]采用校准曲线，剩余11个模型 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 ， 25 ]未进行校准；在模型验证方法方面，4个模型 [ 14 ， 17 ， 21 ， 23 ]采用10折交叉验证，1个模型 [ 16 ]采用留一交叉验证，1个模型 [ 20 ]采用5折交叉验证，剩余8个模型 [ 12 , 13 ， 15 ， 18 , 19 ， 22 ， 24 , 25 ]未进行验证；14个模型 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 ]的预测因子数量为2～17个，其中出现频率最高的前3位预测因子分别为受教育程度（ n=9）、年龄（ n=8）、性别（ n=7）；在模型呈现形式方面，7个模型 [ 12 , 13 , 14 , 15 , 16 ， 20 ， 23 ]采用公式，6个模型 [ 17 , 18 , 19 ， 21 , 22 ， 25 ]采用评分系统，1个模型 [ 24 ]采用列线图，见 表2 。
第一作者 候选预测变量数（个） EPV 建模方法 模型性能评估结果（建模集/验证集） 模型校准方法 模型验证方法 模型预测因子 模型呈现形式
麻红梅 [ 12 ] 11 54.5 Logistic回归分析 0.676 a/— — — 衰弱、性别、排便异常、长期卧床、居住方式、受教育程度 公式
徐晶 [ 13 ] 5 19.8 Cox回归分析 0.76 a/— — — 随访时间、性别、受教育年限、婚姻状况、携带APOE ε4基因 公式
李梓盟 [ 14 ] 5 30.57 LASSO回归分析 0.76 a/— — 10折交叉验证 年龄、性别、受教育程度、metaPRS、SCORE APOE 公式
PARK [ 15 ] — 18.5 Logistic回归分析 0.958 a/— — — mSTS-MCI得分、MoCA-K得分 公式
PANKRATZ [ 16 ] 25 16 Cox回归分析 0.70 b/— — 留一交叉验证 受教育年限、记忆问题、酒精滥用、中风史、患糖尿病时年龄、心房颤动史、目前吸烟、中年期血脂异常、中年期糖尿病、中年期高血压、BMI、婚姻状况、携带APOE ε4基因 公式
BERGERON [ 17 ] 29 ＿ 朴素贝叶斯法 0.91 a/— — 10折交叉验证 年龄、受教育程度、MTX-%C和平均MTX-RT 评分系统
HUANG [ 18 ] 19 3.2 Logistic回归分析 0.96 a/— — — 年龄、性别、受教育程度、TUG时间、左脚步长、右脚离地角度、左脚跟角度、右脚跟角度、左腿单腿站立时间、制动力 评分系统
YANG [ 19 ] 22 2.5 随机森林 — — — 年龄、高血压、受教育程度、性别、糖尿病、冠心病、Aβ1-42/Aβ1-40、Aβ1-42、TAU、三酰甘油、Aβ1-40、低密度脂蛋白胆固醇、左侧小脑第4叶的各向异性分数、左侧小脑第6叶的各向异性分数 评分系统
JIANG [ 20 ] — — SVM 0.94 a/0.96 a — 5折交叉验证 EEG频域特征、EEG非线性特征及ET的眨眼频率、眨眼时间、注视时间、持续注意时间、神经心理测试（记忆、语言、注意力、视觉感知、视空间能力、执行功能） 公式
PENFOLD [ 21 ] 42 16.5 Logistic回归分析 0.716 a/0.670 a — 10折交叉验证 年龄、性别、种族、痴呆、使用多奈哌齐、沟通障碍、记忆力及认知能力下降 评分系统
吴瑞凯 [ 22 ] 4 195.5 Logistic回归分析 0.933 a/— H-L检验 — 年龄、脑血管病、受教育程度 评分系统
HAN [ 23 ] 16 108.68 Logistic回归分析 0.730 a/0.732 a H-L检验 10折交叉验证 年龄、BADL评分、BMI、握力、PHQ-9评分、久坐时间、居住地、年收入、性别、糖尿病、受教育程度、婚姻状况、吸烟、饮酒、睡眠质量、自评深蹲能力、每周水果消费频率 公式
黄冬妹 [ 24 ] 7 36.85 Logistic回归分析 0.790 a/— 校准曲线 — 年龄、受教育程度、月收入、子女支持、BMI、小腿围、体脂肪指数 列线图
WU [ 25 ] 28 4.92 GBDT 0.82 a/— — — 颅内体积、海马体积、阿尔茨海默病评估量表中任务4（词语识别）得分 评分系统
老年MCI风险预测模型相关情况
Related situation of risk prediction models for MCI in elderly patients

注：EPV=每个自变量的事件数，LASSO=最小绝对收缩和选择算子，metaPRS=多基因遗传风险综合评分，SCORE APOE=APOE ε4加权总和，mSTS-MCI=轻度认知障碍移动筛查测试，MoCA-K=韩国版蒙特利尔认知评估量表，BMI=体质指数，MTX-%C=Memtrax认知测试中图片识别正确率，MTX-RT=Memtrax认知测试中图片识别反应时间，TUG=起立-行走计时测试，Aβ=β淀粉样蛋白，TAU=微管相关蛋白Tau，SVM=支持向量机，EEG=脑电图，ET=眼动追踪，BADL=基本日常生活活动，PHQ-9=9项患者健康问卷，GBDT=梯度提升决策树； a表示AUC， b表示C-统计量值；—表示无相关内容。

2.3　纳入模型偏倚风险和适用性评价结果
2.3.1　偏倚风险
在研究对象领域，14个模型 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 ]均为低偏倚风险；在预测因子领域，7个模型 [ 12 ， 15 , 16 , 17 ， 23 , 24 , 25 ]为低偏倚风险，5个模型 [ 13 , 14 ， 19 ， 21 , 22 ]为高偏倚风险，2个模型 [ 18 ， 20 ]为不清楚；在结局领域，10个模型 [ 13 , 14 ， 17 , 18 , 19 , 20 , 21 , 22 , 23 ， 25 ]为低偏倚风险，1个模型 [ 12 ]为高偏倚风险，3个模型 [ 15 , 16 ， 24 ]为不清楚；在统计分析领域，14个模型 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 ]均为高偏倚风险。14个模型 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 ]的整体偏倚风险均为高风险，见 表3 。
第一作者 偏倚风险 适用性
研究对象 预测因素 结局 统计分析 整体 研究对象 预测因子 结局 整体
麻红梅 [ 12 ] ＋ ＋ － － － ＋ ＋ ＋ ＋
徐晶 [ 13 ] ＋ － ＋ － － ＋ ＋ ＋ ＋
李梓盟 [ 14 ] ＋ － ＋ － － ＋ ＋ ＋ ＋
PARK [ 15 ] ＋ ＋ ？ － － ＋ ＋ ＋ ＋
PANKRATZ [ 16 ] ＋ ＋ ？ － － ＋ ＋ ＋ ＋
BERGERON [ 17 ] ＋ ＋ ＋ － － ＋ ＋ ＋ ＋
HUANG [ 18 ] ＋ ？ ＋ － － ＋ ＋ ＋ ＋
YANG [ 19 ] ＋ － ＋ － － ＋ ＋ ＋ ＋
JIANG [ 20 ] ＋ ？ ＋ － － ＋ ＋ ＋ ＋
PENFOLD [ 21 ] ＋ － ＋ － － ＋ ＋ ＋ ＋
吴瑞凯 [ 22 ] ＋ － ＋ － － ＋ ＋ ＋ ＋
HAN [ 23 ] ＋ ＋ ＋ － － ＋ ＋ ＋ ＋
黄冬妹 [ 24 ] ＋ ＋ ？ － － ＋ ＋ ＋ ＋
WU [ 25 ] ＋ ＋ ＋ － － ＋ ＋ ＋ ＋
纳入模型偏倚风险和适用性评价结果
Evaluation results of risk of bias and applicability of included models

注：＋表示低偏倚风险/低适用性风险，－表示高偏倚风险/高适用性风险，？表示不清楚。

2.3.2　适用性
在研究对象、预测因子、结局领域，14个模型 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 ]均为低适用性风险。14个模型 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 ]的整体适用性风险均为低风险，见 表3 。
3　讨论
3.1　现有的老年MCI风险预测模型整体偏倚风险较高
现阶段，有关老年MCI风险预测模型的研究众多，但由于样本量不足、缺少外部数据验证、数据处理等原因，研究的质量和科学性、严谨性尚需增强，而系统评价作为一种验证工具，对于确保预测模型的准确性和有效性至关重要 [ 26 ]。本研究结果显示，14个模型 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 ]的整体偏倚风险均为高风险，分析原因：（1）研究显示，在开发预测模型时，其EPV应≥20，EPV不足可能会导致模型过拟合和不稳定 [ 27 ]，而本研究中7个模型 [ 13 ， 15 , 16 ， 18 , 19 ， 21 ， 25 ]的EPV均<20，从而导致了高偏倚风险。（2）研究显示，模型验证的样本量应≥100例，因为过少的样本量可能无法代表总体，导致模型验证结果不准确，可能会错误估计模型的预测效能 [ 28 ]，而本研究中有3篇文献 [ 17 ， 20 ， 25 ]的样本量<100例。（3）缺失数据可显著影响数据分析的准确性和模型的可靠性，因此采取适当的措施处理缺失数据至关重要 [ 12 ]，而本研究中仅1篇文献 [ 14 ]描述了缺失数据处理方式。（4）根据PROBAST，应详细描述分类数据及连续变量数据的处理过程，切勿随意剔除缺失值或异常值 [ 10 ]。而本研究中有2篇文献 [ 24 , 25 ]未阐述预测模型的数据划分情况，这可能会影响研究结果的可信度、泛化能力及模型稳定性，同时也会限制其他研究者对研究结果进行验证和比较。（5）校准度可反映模型预测的风险与实际发生风险之间的一致性，通常采用H-L检验和校准曲线评估 [ 29 ]，本研究仅有3篇文献 [ 22 , 23 , 24 , 25 ]报告了模型校准方法。（6）模型验证可增加其应用转化率，同时可能降低其偏倚风险 [ 10 ]，而本研究仅有6篇文献 [ 14 ， 16 , 17 ， 20 , 21 ， 23 ]进行了内部验证，主要采用交叉验证方法。（7）研究指出，外部验证是衡量模型泛化能力的核心环节，通过在新数据上测试模型性能来预防过拟合，增强模型在实际应用中的稳健性 [ 30 ]，而本研究仅有1篇文献 [ 24 ]进行了外部验证。
3.2　现有的老年MCI风险预测模型整体适用性较好
本研究结果显示，14个模型 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 ]的整体适用性风险均为低风险，提示现有的老年MCI风险预测模型整体适用性较好。在模型性能评估结果方面，12个模型 [ 12 , 13 , 14 , 15 ， 17 , 18 ， 20 , 21 , 22 , 23 , 24 , 25 ]的AUC为0.676～0.96，其中5个模型 [ 15 ， 17 , 18 ， 20 ， 22 ]的AUC>0.9，提示其对老年MCI均具有较高的区分度。
3.3　老年MCI风险预测模型的预测因子
本研究纳入的14篇文献 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 ]共构建了21个老年MCI风险预测模型，但没有任何两个模型的预测因子存在一致的情况。多项研究表明，听力损失、社会隔离、睡眠时间、抑郁状态、APOE ε4基因等是MCI的影响因素 [ 31 , 32 , 33 , 34 , 35 , 36 , 37 ]，但本研究只有3篇文献 [ 13 , 14 ， 16 ]在构建老年MCI风险预测模型时纳入了APOE ε4基因，其他文献也未纳入社会心理学因素、听力损失情况等；还有研究显示，主观认知功能下降是MCI的危险因素，约14.1%的主观认知功能下降患者在随访4年后进展为MCI [ 38 ]，但本研究14篇文献 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 ]在构建老年MCI风险预测模型时均未纳入该影响因素，提示本研究14篇文献 [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 , 21 , 22 , 23 , 24 , 25 ]纳入的候选预测变量尚不全面，这会导致模型的泛化能力及适用性降低。此外，麻红梅等 [ 12 ]使用简易智力状态评估量表、PARK [ 15 ]使用自行设计的MCI测试系统、吴瑞凯等 [ 22 ]使用蒙特利尔认知评估量表、黄冬妹等 [ 24 ]使用蒙特利尔认知评估量表（北京版）评估认知功能，这可能会降低各模型的适用性，因为评估工具的多样性可能降低研究结果的可比性。徐晶等 [ 13 ]和李梓盟等 [ 14 ]是基于多中心队列研究数据库进行建模，而HUANG等 [ 18 ]和JIANG等 [ 20 ]是分别基于佛山市第一人民医院和上海市社区患者的数据进行建模，研究对象来源的差异或异质性将影响模型的可比性，导致模型适用性受到限制 [ 39 , 40 ]。
4　结论
综上所述，现有的老年MCI风险预测模型多数具备一定的区分能力，整体适用性较好，但其校准度尚不明确，整体偏倚风险较高。由于老年MCI风险预测模型仍处于发展阶段，今后应严格遵循PROBAST进行模型开发与验证，选择合适的模型构建和验证方法，从而全面提高老年MCI风险预测模型的性能，以降低其偏倚风险，同时还应根据国内实际情况构建适合我国临床实践的预测模型。本研究只纳入了中文和英文文献，可能存在选择偏倚；由于研究数据来源、结局指标测量方法和模型性能评价指标等存在差异，本研究仅采用描述性分析方法对各模型的整体性能进行评估，无法直接比较各个模型的优劣。
试读结束，您可以通过登录机构账户或个人账户后获取全文阅读权限。
参考文献
[1]
JONGSIRIYANYONG S ， LIMPAWATTANA P . Mild cognitive impairment in clinical practice：a review article[J]. Am J Alzheimers Dis Other Demen， 2018，33（8）：500-507. DOI： 10.1177/1533317518791401 .
返回引文位置Google Scholar
百度学术
万方数据
[2]
ANDERSON N D . State of the science on mild cognitive impairment（MCI）[J]. CNS Spectr， 2019，24（1）：78-87. DOI： 10.1017/S1092852918001347 .
返回引文位置Google Scholar
百度学术
万方数据
[3]
AYE S ， BOUTELOUP V ， TATE A ，et al. Health-related quality of life in subjective cognitive decline and mild cognitive impairment：a longitudinal cohort analysis[J]. Alzheimers Res Ther， 2023，15（1）：200. DOI： 10.1186/s13195-023-01344-0 .
返回引文位置Google Scholar
百度学术
万方数据
[4]
ORGETA V ， LEUNG P ， DEL-PINO-CASADO R ，et al. Psychological treatments for depression and anxiety in dementia and mild cognitive impairment[J]. Cochrane Database Syst Rev， 2022，4（4）：CD009125. DOI： 10.1002/14651858.CD009125.pub3 .
返回引文位置Google Scholar
百度学术
万方数据
[5]
WIMO A ， JÖNSSON L ， BOND J ，et al. The worldwide economic impact of dementia 2010[J]. Alzheimers Dement， 2013，9（1）：1-11.e3. DOI： 10.1016/j.jalz.2012.11.006 .
返回引文位置Google Scholar
百度学术
万方数据
[6]
KATAYAMA O ， LEE S ， BAE S ，et al. Lifestyle changes and outcomes of older adults with mild cognitive impairment：a 4-year longitudinal study[J]. Arch Gerontol Geriatr， 2021，94：104376. DOI： 10.1016/j.archger.2021.104376 .
返回引文位置Google Scholar
百度学术
万方数据
[7]
WOOD H . Alzheimer disease：meta-analysis finds high reversion rate from MCI to normal cognition[J]. Nat Rev Neurol， 2016，12（4）：189. DOI： 10.1038/nrneurol.2016.29 .
返回引文位置Google Scholar
百度学术
万方数据
[8]
孙雯倩，林榕，颜缘娇，等. 老年认知障碍风险预测模型的研究进展[J]. 中国护理管理， 2023，23（8）：1263-1267. DOI： 10.3969/j.issn.1672-1756.2023.08.030 .
返回引文位置Google Scholar
百度学术
万方数据
[9]
MOONS K G ， DE GROOT J A ， BOUWMEESTER W ，et al. Critical appraisal and data extraction for systematic reviews of prediction modelling studies：the CHARMS checklist[J]. PLoS Med， 2014，11（10）：e1001744. DOI： 10.1371/journal.pmed.1001744 .
返回引文位置Google Scholar
百度学术
万方数据
[10]
WOLFF R F ， MOONS K G M ， RILEY R D ，et al. PROBAST：a tool to assess the risk of bias and applicability of prediction model studies[J]. Ann Intern Med， 2019，170（1）：51-58. DOI： 10.7326/M18-1376 .
返回引文位置Google Scholar
百度学术
万方数据
[11]
陈茹，王胜锋，周家琛，等. 预测模型研究的偏倚风险和适用性评估工具解读[J]. 中华流行病学杂志， 2020，41（5）：776-781. DOI： 10.3760/cma.j.cn112338-20190805-00580 .
返回引文位置Google Scholar
百度学术
万方数据
[12]
麻红梅，李月美，李晓芳，等. 亚高原地区老年住院患者轻度认知障碍危险因素分析及预测模型构建[J]. 中华老年医学杂志， 2022，41（1）：80-85. DOI： 10.3760/cma.j.issn.0254-9026.2022.01.017 .
返回引文位置Google Scholar
百度学术
万方数据
[13]
徐晶，袁满琼，方亚. 基于联合模型的老年人轻度认知功能障碍发病风险预测研究[J]. 中华流行病学杂志， 2022，43（2）：269-276. DOI： 10.3760/cma.j.cn112338-20210620-00484 .
返回引文位置Google Scholar
百度学术
万方数据
[14]
李梓盟，王荣，陈帅，等. 基于metaPRS与APOEε4优化轻度认知障碍遗传风险统计建模策略的应用研究[J]. 中国全科医学， 2023，26（25）：3104-3111. DOI： 10.12114/j.issn.1007-9572.2022.0756 .
返回引文位置Google Scholar
百度学术
万方数据
[15]
PARK J H . Machine-learning algorithms based on screening tests for mild cognitive impairment[J]. Am J Alzheimers Dis Other Demen， 2020，35： 10.1177/1533317520927163 . DOI：.
返回引文位置Google Scholar
百度学术
万方数据
[16]
PANKRATZ V S ， ROBERTS R O ， MIELKE M M ，et al. Predicting the risk of mild cognitive impairment in the Mayo Clinic Study of Aging[J]. Neurology， 2015，84（14）：1433-1442. DOI： 10.1212/WNL.0000000000001437 .
返回引文位置Google Scholar
百度学术
万方数据
[17]
BERGERON M F ， LANDSET S ， ZHOU X B ，et al. Utility of MemTrax and machine learning modeling in classification of mild cognitive impairment[J]. J Alzheimers Dis， 2020，77（4）：1545-1558. DOI： 10.3233/JAD-191340 .
返回引文位置Google Scholar
百度学术
万方数据
[18]
HUANG S Y ， HOU X B ， LIU Y J ，et al. Diagnostic accuracy of multi-component spatial-temporal gait parameters in older adults with amnestic mild cognitive impairment[J]. Front Hum Neurosci， 2022，16：911607. DOI： 10.3389/fnhum.2022.911607 .
返回引文位置Google Scholar
百度学术
万方数据
[19]
YANG J ， SUI H J ， JIAO R H ，et al. Random-forest-algorithm-based applications of the basic characteristics and serum and imaging biomarkers to diagnose mild cognitive impairment[J]. Curr Alzheimer Res， 2022，19（1）：76-83. DOI： 10.2174/1567205019666220128120927 .
返回引文位置Google Scholar
百度学术
万方数据
[20]
JIANG J J ， ZHANG J M ， LI C Y ，et al. Development of a machine learning model to discriminate mild cognitive impairment subjects from normal controls in community screening[J]. Brain Sci， 2022，12（9）：1149. DOI： 10.3390/brainsci12091149 .
返回引文位置Google Scholar
百度学术
万方数据
[21]
PENFOLD R B ， CARRELL D S ， CRONKITE D J ，et al. Development of a machine learning model to predict mild cognitive impairment using natural language processing in the absence of screening[J]. BMC Med Inform Decis Mak， 2022，22（1）：129. DOI： 10.1186/s12911-022-01864-z .
返回引文位置Google Scholar
百度学术
万方数据
[22]
吴瑞凯，马龙，周晓辉，等. 住院老年患者轻度认知功能障碍风险预测模型的构建[J]. 医学新知， 2024，34（1）：14-24. DOI： 10.12173/j.issn.1004-5511.202311014 .
返回引文位置Google Scholar
百度学术
万方数据
[23]
HAN X ， HOU F F ， WANG Q ，et al. The value of handgrip strength and self-rated squat ability in predicting mild cognitive impairment：development and validation of a prediction model[J]. Inquiry， 2023，60： 10.1177/00469580231155295 . DOI：.
返回引文位置Google Scholar
百度学术
万方数据
[24]
黄冬妹，黄惠桥，魏金金，等. 老年人轻度认知障碍风险列线图预测模型的构建[J]. 重庆医学， 2024，53（11）：1630-1635. DOI： 10.3969/j.issn.1671-8348.2024.11.006 .
返回引文位置Google Scholar
百度学术
万方数据
[25]
WU Y F ， WANG X ， FANG Y . Predicting mild cognitive impairment in older adults：a machine learning analysis of the Alzheimer ' s Disease Neuroimaging Initiative [J]. Geriatr Gerontol Int， 2024，24（Suppl 1）：96-101. DOI： 10.1111/ggi.14670 .
返回引文位置Google Scholar
百度学术
万方数据
[26]
VISWAN V ， SHAFFI N ， MAHMUD M ，et al. Explainable artificial intelligence in Alzheimer ' s disease classification：a systematic review [J]. Cogn Comput， 2024，16（1）：1-44. DOI： 10.1007/s12559-023-10192-x .
返回引文位置Google Scholar
百度学术
万方数据
[27]
RILEY R D ， SNELL K ， ENSOR J ，et al. Minimum sample size for developing a multivariable prediction model：Part Ⅰ：continuous outcomes[J]. Stat Med， 2019，38（7）：1262-1275. DOI： 10.1002/sim.7993 .
返回引文位置Google Scholar
百度学术
万方数据
[28]
VAN DER PLOEG T ， AUSTIN P C ， STEYERBERG E W . Modern modelling techniques are data hungry：a simulation study for predicting dichotomous endpoints[J]. BMC Med Res Methodol， 2014，14：137. DOI： 10.1186/1471-2288-14-137 .
返回引文位置Google Scholar
百度学术
万方数据
[29]
ALBA A C ， AGORITSAS T ， WALSH M ，et al. Discrimination and calibration of clinical prediction models：users ' guides to the medical literature [J]. JAMA， 2017，318（14）：1377-1384. DOI： 10.1001/jama.2017.12126 .
返回引文位置Google Scholar
百度学术
万方数据
[30]
DUNG-HUNG C ， TIAN C ， JIANG Z Y ，et al. External validation of a machine learning model to predict hemodynamic instability in intensive care unit[J]. Crit Care， 2022，26（1）：215. DOI： 10.1186/s13054-022-04088-9 .
返回引文位置Google Scholar
百度学术
万方数据
[31]
STRUTT P A ， BARNIER A J ， SAVAGE G ，et al. Hearing loss，cognition，and risk of neurocognitive disorder：evidence from a longitudinal cohort study of older adult Australians[J]. Neuropsychol Dev Cogn B Aging Neuropsychol Cogn， 2022，29（1）：121-138. DOI： 10.1080/13825585.2020.1857328 .
返回引文位置Google Scholar
百度学术
万方数据
[32]
MICHAEL PITTILO R . Cigarette smoking，endothelial injury and cardiovascular disease[J]. Int J Exp Pathol， 2000，81（4）：219-230. DOI： 10.1046/j.1365-2613.2000.00162.x .
返回引文位置Google Scholar
百度学术
万方数据
[33]
GROPPELLI A ， OMBONI S ， PARATI G ，et al. Evaluation of noninvasive blood pressure monitoring devices Spacelabs 90202 and 90207 versus resting and ambulatory 24-hour intra-arterial blood pressure[J]. Hypertension， 1992，20（2）：227-232. DOI： 10.1161/01.hyp.20.2.227 .
返回引文位置Google Scholar
百度学术
万方数据
[34]
RASMUSSEN M K ， MESTRE H ， NEDERGAARD M . The glymphatic pathway in neurological disorders[J]. Lancet Neurol， 2018，17（11）：1016-1024. DOI： 10.1016/S1474-4422(18)30318-1 .
返回引文位置Google Scholar
百度学术
万方数据
[35]
TARIQ S ， BARBER P A . Dementia risk and prevention by targeting modifiable vascular risk factors[J]. J Neurochem， 2018，144（5）：565-581. DOI： 10.1111/jnc.14132 .
返回引文位置Google Scholar
百度学术
万方数据
[36]
OVEISGHARAN S ， BUCHMAN A S ， YU L ，et al. APOE ε2ε4 genotype，incident AD and MCI，cognitive decline，and AD pathology in older adults[J]. Neurology， 2018，90（24）：e2127-2134. DOI： 10.1212/WNL.0000000000005677 .
返回引文位置Google Scholar
百度学术
万方数据
[37]
VELLONE D ， GHAHREMANI M ， GOODARZI Z ，et al. Apathy and APOE in mild behavioral impairment，and risk for incident dementia[J]. Alzheimers Dement， 2022，8（1）：e12370. 10.1002/trc2.12370 .
返回引文位置Google Scholar
百度学术
万方数据
[38]
MITCHELL A J ， BEAUMONT H ， FERGUSON D ，et al. Risk of dementia and mild cognitive impairment in older people with subjective memory complaints：meta-analysis[J]. Acta Psychiatr Scand， 2014，130（6）：439-451. DOI： 10.1111/acps.12336 .
返回引文位置Google Scholar
百度学术
万方数据
[39]
KNOTTNERUS J A . Challenges in dia-prognostic research[J]. J Epidemiol Community Health， 2002，56（5）：340-341. DOI： 10.1136/jech.56.5.340 .
返回引文位置Google Scholar
百度学术
万方数据
[40]
OUDEGA R ， MOONS K G M ， HOES A W . Limited value of patient history and physical examination in diagnosing deep vein thrombosis in primary care[J]. Fam Pract， 2005，22（1）：86-91. DOI： 10.1093/fampra/cmh718 .
返回引文位置Google Scholar
百度学术
万方数据
备注信息
A
李睿琳，E-mail： mocdef.qabq97018094
B

覃淑红、李睿琳进行文章的构思与设计、论文的修订，负责文章的质量控制及审校；覃淑红、郑展航进行研究的实施与可行性分析、统计学处理、结果的分析与解释，撰写论文；伍陈幸子、王雯娟进行数据收集与整理；李睿琳对文章整体负责，监督管理。

C
本文无利益冲突。
D
2024年度广西高校中青年教师科研基础能力提升项目 (2024KY0315)
2023年广西中医药大学引进博士科研启动基金项目 (2023BS056)
评论 （0条）
注册
登录
时间排序
暂无评论，发表第一条评论抢沙发
最新推荐
更多
德谷胰岛素利拉鲁肽注射液临床应用专家指导建议
《德谷胰岛素利拉鲁肽注射液临床应用专家指导建议》编写组
中华糖尿病杂志 2023,15(03)
中国成人患者肠外肠内营养临床应用指南（2023版）
中华医学会肠外肠内营养学分会
中华医学杂志 2023,103(13)
能量CT临床应用中国专家共识
中华医学会放射学分会 等
中华放射学杂志 2022,56(05)
中国血糖监测临床应用指南（2021年版）
中华医学会糖尿病学分会
中华糖尿病杂志 2021,13(10)
MedAI助手（体验版）
文档即答
智问智答
机器翻译
回答内容由人工智能生成，我社无法保证其准确性和完整性，该生成内容不代表我们的态度或观点，仅供参考。
生成快照
文献快照

你好，我可以帮助您更好的了解本文，请向我提问您关注的问题。

0/2000

《中华医学会杂志社用户协议》 | 《隐私政策》

《SparkDesk 用户协议》 | 《SparkDesk 隐私政策》

网信算备340104764864601230055号 | 网信算备340104726288401230013号

技术支持：

历史对话
本文全部
还没有聊天记录
设置
模式
纯净模式沉浸模式
字号
小中大