研究背景

隨著全球老齡化加劇，跌倒成為65歲以上老年人傷害相關(guān)死亡的第二大原因。中國老年人群跌倒發(fā)生率（14.7%-34%）和死亡率（36.7每10萬人）較高，但現(xiàn)有風(fēng)險評估工具多基于歐美人群數(shù)據(jù)，缺乏針對中國人群的針對性研究。跌倒風(fēng)險涉及復(fù)雜的多因素交互作用，包括生理功能下降、認(rèn)知障礙、慢性疾病及藥物使用等。盡管國際上有多種評估工具（如STRATIFY、功能性評估量表），但這些工具常依賴單一或有限變量，難以全面反映風(fēng)險。此外，現(xiàn)有模型缺乏對中國人群遺傳、環(huán)境和生活方式差異的考量。本研究首次基于CHARLS數(shù)據(jù)庫，結(jié)合中國老年人群特征，創(chuàng)新性地引入列線圖模型，整合多維度預(yù)測因子，以提供更精準(zhǔn)的跌倒風(fēng)險評估。

數(shù)據(jù)來源

研究數(shù)據(jù)來源于2015年中國健康與退休追蹤調(diào)查（CHARLS），覆蓋中國45歲及以上人群，由北京大學(xué)國家發(fā)展研究院管理。原始樣本包含21,095名受訪者，經(jīng)嚴(yán)格篩選后納入4,913名60歲及以上老年人。排除標(biāo)準(zhǔn)包括：跌倒記錄缺失（183人）、人口學(xué)數(shù)據(jù)缺失（325人）、體格指標(biāo)缺失（4,838人）、健康狀態(tài)數(shù)據(jù)缺失（323人）、吸煙/飲酒數(shù)據(jù)缺失（15人）、睡眠數(shù)據(jù)缺失（202人）、ADL評分缺失（5,144人）、認(rèn)知功能數(shù)據(jù)缺失（205人）、抑郁量表數(shù)據(jù)缺失（815人）、慢性病及用藥數(shù)據(jù)缺失（58人）以及年齡未滿60歲（4,074人）。最終納入的變量涵蓋生物因素（年齡、性別、肥胖程度、居住地、婚姻狀況）、行為因素（吸煙、飲酒、睡眠質(zhì)量、夜間睡眠時長）和健康狀況（視力、聽力、握力、疼痛、ADL評分、認(rèn)知功能、抑郁狀態(tài)、慢性病及用藥）。

研究方法

研究采用回顧性隊列設(shè)計，將樣本隨機(jī)分為訓(xùn)練集（70%，3,439人）和驗證集（30%，1,474人）。首先通過LASSO回歸（最小絕對收縮與選擇算子）篩選變量，利用10折交叉驗證確定最優(yōu)λ值（λ=0.011），保留非零系數(shù)變量。隨后，將篩選出的變量納入多因素邏輯回歸模型，計算比值比（OR）及95%置信區(qū)間，構(gòu)建列線圖模型。模型性能通過受試者工作特征曲線下面積（AUC）評估區(qū)分能力，校準(zhǔn)曲線和Hosmer-Lemeshow檢驗評估預(yù)測與實際觀測的一致性，決策曲線分析（DCA）評估臨床實用性。

結(jié)果

研究人群的基線特征

本研究共納入4913人其中男性2246人（45.7%），女性2667人（54.3%），6.7%年齡在80歲及以上。跌倒發(fā)生率為22.02% (1082/4913)。跌倒者與未跌倒者之間的性別、居住地、吸煙、睡眠質(zhì)量、睡眠時間、視力、聽力、握力、ADL評分、認(rèn)知、健康、抑郁、高血壓、糖尿病或高血糖、慢性肝病、肝病、心臟病、腎病、消化系統(tǒng)疾病、精神疾病、關(guān)節(jié)炎或風(fēng)濕、哮喘和疼痛藥物等幾個因素存在顯著差異(p ?< 0.05)。

特征選擇

LASSO回歸篩選出9個預(yù)測因子：夜間睡眠時長（OR=0.957）、ADL評分（OR=0.782）、聽力障礙（OR=0.715）、認(rèn)知功能（OR=0.978）、抑郁狀態(tài)（OR=1.475）、自評健康差（OR=0.694）、慢性腎?。∣R=1.728）、止痛藥使用（OR=1.388）及握力（OR=0.987）。多因素邏輯回歸顯示，上述變量均顯著（P<0.05），其中抑郁狀態(tài)（P=1.86×10??）和慢性腎?。≒=0.0002）關(guān)聯(lián)性最強。

預(yù)測模型開發(fā)

使用LASSO回歸分析篩選基于10倍交叉驗證的最佳預(yù)測變量，并進(jìn)行多變量邏輯回歸以創(chuàng)建預(yù)測模型。預(yù)測模型由多變量邏輯回歸中p值小于0.05的變量組成。這些變量包括睡眠時間、ADL評分、聽力、握力、認(rèn)知、抑郁、健康、腎臟疾病和疼痛藥物作為預(yù)測因子。預(yù)測模型以列線圖形式呈現(xiàn)，可用于定量預(yù)測老年人跌倒風(fēng)險。

預(yù)測模型的驗證

通過檢查訓(xùn)練集和驗證集中老年人群跌倒風(fēng)險的發(fā)生率，計算區(qū)分AUC值來評估預(yù)測模型區(qū)分模型的能力。在訓(xùn)練集中，預(yù)測模型的AUC值為0.644（95％CI = 0.621–0.666），特異性為0.695，靈敏度為0.522。在驗證集中，AUC值為0.644（95％CI = 0.611–0.678），特異性為0.629，靈敏度為0.577。這些數(shù)據(jù)表明，列線圖具有一定的區(qū)分能力和預(yù)測價值，可以在一定程度上正確識別老年人群是否跌倒的風(fēng)險。

預(yù)測模型的校準(zhǔn)

 使用校準(zhǔn)圖和Hosmer-Lemeshow擬合優(yōu)度檢驗(p > 0.05表明模型擬合度非常好)來評估列線圖。檢驗結(jié)果表明，該模型對訓(xùn)練集(χ2 = 2.9609，df = 8，p ?= 0.9368)和驗證集(χ2 = 4.0294，df = 8，p ?= 0.8545)均有很好的擬合度?；诙嘁蛩剡壿嫽貧w模型的校準(zhǔn)曲線顯示，訓(xùn)練和驗證集中老年人跌倒的預(yù)測概率和實際概率之間高度一致。

臨床效果評估

使用決策曲線分析（DCA）方法評估模型的臨床效度，決策曲線顯示，預(yù)測模型對于內(nèi)部驗證集的凈收益高于兩種極端情景，表明列線圖模型具有更高的凈收益和預(yù)測準(zhǔn)確率。

總結(jié)

研究成功構(gòu)建基于CHARLS數(shù)據(jù)庫的中國老年跌倒風(fēng)險預(yù)測列線圖模型，涵蓋睡眠、握力、抑郁等9個關(guān)鍵因素。模型區(qū)分度中等（AUC≈0.644），但校準(zhǔn)度良好，具備臨床實用性。該工具可幫助識別高風(fēng)險個體，指導(dǎo)針對性干預(yù)，降低跌倒發(fā)生率。