孫雯倩 林榕 顏緣嬌 李紅

認(rèn)知障礙是指言語(yǔ)、學(xué)習(xí)、記憶、執(zhí)行、視覺(jué)空間和思維判斷等多種認(rèn)知功能中的一種或多種受損，導(dǎo)致大腦高級(jí)智能加工過(guò)程出現(xiàn)異常的情況[1]。老年人是認(rèn)知障礙的高發(fā)群體，自出現(xiàn)主觀癥狀起，老年認(rèn)知障礙包括主觀認(rèn)知下降階段、輕度認(rèn)知障礙階段及阿爾茨海默?。ˋlzheimer’s Disease，AD）階段[2]。2021年世界阿爾茨海默病報(bào)告[3]指出，全球AD患者超過(guò)5500萬(wàn)人，我國(guó)老年人口較多，目前有近1000萬(wàn)名AD患者[4]，年均經(jīng)濟(jì)負(fù)擔(dān)在2050年預(yù)計(jì)將達(dá)到9.12萬(wàn)億美元，高于全球平均水平。由此可見(jiàn)，AD在中國(guó)和世界范圍內(nèi)均帶來(lái)沉重的經(jīng)濟(jì)負(fù)擔(dān)和社會(huì)發(fā)展壓力[5]。而目前尚無(wú)特效療法能阻止或逆轉(zhuǎn)AD的病情進(jìn)展，同時(shí)已有研究表明，早期控制危險(xiǎn)因素、合理利用保護(hù)因素可以有效預(yù)防或延緩認(rèn)知功能的惡化[6]。因此，提高醫(yī)護(hù)人員對(duì)老年認(rèn)知障礙的重視，加強(qiáng)風(fēng)險(xiǎn)評(píng)估，進(jìn)行早期識(shí)別和有針對(duì)性的干預(yù)已成為防治工作的重點(diǎn)。風(fēng)險(xiǎn)預(yù)測(cè)模型是指以引起疾病的多種危險(xiǎn)因素為基礎(chǔ)，通過(guò)統(tǒng)計(jì)學(xué)方法建立模型，以估算患某疾病或發(fā)生某疾病結(jié)局的概率，可用于預(yù)測(cè)疾病發(fā)展、治療反應(yīng)和預(yù)后情況等[7]。目前，已有數(shù)個(gè)老年認(rèn)知障礙相關(guān)的風(fēng)險(xiǎn)預(yù)測(cè)模型，由于不同研究選擇的建模方法、預(yù)測(cè)因素等存在差異，現(xiàn)有模型存在納入因素不夠全面、外部驗(yàn)證欠缺等不足。本文從模型的構(gòu)建方法、基本情況和預(yù)測(cè)性能等方面對(duì)相關(guān)研究進(jìn)行總結(jié)、分析和比較，通過(guò)了解老年認(rèn)知障礙相關(guān)風(fēng)險(xiǎn)預(yù)測(cè)模型，推動(dòng)臨床決策工具質(zhì)量的提高，提升護(hù)理人員對(duì)認(rèn)知障礙識(shí)別的科學(xué)性和準(zhǔn)確性[8]，為老年人提供更具針對(duì)性的認(rèn)知干預(yù)，從而延緩認(rèn)知障礙向AD轉(zhuǎn)化，同時(shí)也為老年認(rèn)知障礙風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建和應(yīng)用提供借鑒。

1 風(fēng)險(xiǎn)預(yù)測(cè)模型概念

風(fēng)險(xiǎn)預(yù)測(cè)模型目前已廣泛應(yīng)用于臨床指南、臨床實(shí)踐、流行病學(xué)、循證醫(yī)學(xué)研究等方面[9]。開(kāi)發(fā)預(yù)測(cè)模型的方法眾多，可大致分為傳統(tǒng)統(tǒng)計(jì)學(xué)算法、機(jī)器學(xué)習(xí)算法和聯(lián)合使用兩種算法。傳統(tǒng)統(tǒng)計(jì)學(xué)算法模型即通過(guò)構(gòu)建數(shù)學(xué)模型的方式進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)，其中以Logistic回歸和Cox比例風(fēng)險(xiǎn)回歸模型最為常見(jiàn)，而機(jī)器學(xué)習(xí)算法模型則利用人工智能技術(shù)，通過(guò)計(jì)算機(jī)模擬人類學(xué)習(xí)行為進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)，比較常見(jiàn)的模型有決策樹(shù)模型、梯度提升機(jī)模型、貝葉斯算法模型等。

2 基于傳統(tǒng)統(tǒng)計(jì)學(xué)算法構(gòu)建的老年認(rèn)知障礙風(fēng)險(xiǎn)預(yù)測(cè)模型

2.1 預(yù)測(cè)老年認(rèn)知障礙的Logistic回歸模型

Logistic回歸是以疾病的發(fā)生為因變量，預(yù)測(cè)因素為自變量的一種回歸分析法，主要用于預(yù)測(cè)因素的篩選，并在此基礎(chǔ)上構(gòu)建模型，用于后續(xù)疾病的判別和預(yù)測(cè)，適合于二分類事件的預(yù)測(cè)[8]。

2022年，我國(guó)學(xué)者采用回顧性研究方法，使用中國(guó)健康與退休前瞻性隊(duì)列研究（China Health and Retirement Longitudinal Study，CHARLS）中2015年的數(shù)據(jù)，將9391名研究對(duì)象分為有認(rèn)知功能障礙組和無(wú)認(rèn)知功能障礙組，采用Logistic回歸分析納入19項(xiàng)危險(xiǎn)因素，分別為高齡、女性、吸煙、飲酒、過(guò)去1個(gè)月平均每晚睡眠不足4.5 h、15歲前身體狀況不好、高血壓病史、血脂異常病史、平均收縮壓＞127 mmHg、平均舒張壓＞76 mmHg、BMI＞23.01 kg/m2、腰圍＞85.10 cm、血紅蛋白（Hb）＞139.78 g/L、血尿素氮（BUN）≤6.18 mmol/L、血肌酐（Cr）＞63.30 μmol/L、總膽固醇（TC）≤2.09 mmol/L、尿酸（UA）＞249.82 μmol/L、高密度脂蛋白膽固醇（HDL-C）≤1.40 mmol/L、胱抑素C（Cys-C）≤0.94 mg/L等，構(gòu)建了整合式預(yù)測(cè)模型[10]。該模型的受試者特征曲線（Receiver Operating Characteristic Curve，ROC）曲線下面積為0.686，有良好的預(yù)測(cè)性能。但是由于該模型納入的血液分析指標(biāo)較多，其外推性受到限制，需要進(jìn)行外部驗(yàn)證明確其預(yù)測(cè)效能。

在預(yù)測(cè)因素的選擇優(yōu)化上，許多學(xué)者采用套索算法（the Least Absolute Shrinkage and Selection Operator，LASSO）選擇最佳預(yù)測(cè)變量，此方法可以通過(guò)縮小回歸系數(shù)來(lái)減少建模過(guò)程中的過(guò)度擬合，再結(jié)合多元回歸分析構(gòu)建預(yù)測(cè)模型。2021年，Wang等[11]采用回顧性研究方法，收集了1099名老年人的臨床資料，通過(guò)LASSO回歸結(jié)合Logistic回歸分析納入6項(xiàng)危險(xiǎn)因素，分別為女性、高齡、經(jīng)濟(jì)狀況較差、健康狀況不佳（即基礎(chǔ)疾病更多）、不健康的生活方式（即吸煙、飲酒、體力活動(dòng)少等）和有癡呆家族史，構(gòu)建認(rèn)知障礙預(yù)測(cè)模型并繪制列線圖，該模型訓(xùn)練集的曲線下面積為0.822，驗(yàn)證集的ROC曲線下面積為0.801，表明該模型具有中等預(yù)測(cè)能力。但該模型納入的部分指標(biāo)較為寬泛，如健康狀況指標(biāo)，可根據(jù)現(xiàn)有研究在蔬果攝入、聽(tīng)力障礙、睡眠障礙等方面進(jìn)行細(xì)化，同時(shí)，該模型也缺乏外部驗(yàn)證，未來(lái)需要在擴(kuò)大樣本量的同時(shí)在不同地區(qū)開(kāi)展外部驗(yàn)證，進(jìn)一步改善模型。2022年，董曉慧等[12]通過(guò)多中心觀察性研究，以546名老年人為研究對(duì)象，也采用此方法納入高齡、文化程度低、有直系親屬癡呆史、存在主觀認(rèn)知下降、處于衰弱狀態(tài)、有代謝綜合征和低蛋白血癥7項(xiàng)風(fēng)險(xiǎn)因素，并繪制列線圖預(yù)測(cè)老年人發(fā)生認(rèn)知障礙的風(fēng)險(xiǎn)。該模型的校正后C指數(shù)為0.858，校準(zhǔn)曲線與理想曲線接近重合，表明模型具有良好的精準(zhǔn)度和區(qū)分度，決策曲線也表明臨床中應(yīng)用該模型可增加受試者的臨床獲益。該模型選取的風(fēng)險(xiǎn)預(yù)測(cè)指標(biāo)成本低，適用于基層醫(yī)療單位和門(mén)診對(duì)認(rèn)知障礙進(jìn)行快速篩查。但由于該研究設(shè)計(jì)為橫斷面研究，無(wú)法確定影響因素與認(rèn)知障礙之間的因果關(guān)系，需要進(jìn)一步隨訪受試者認(rèn)知功能的長(zhǎng)期變化，且尚未見(jiàn)該模型的臨床驗(yàn)證，缺乏外部驗(yàn)證結(jié)果作為支持，在臨床應(yīng)用前仍需要在不同領(lǐng)域和不同文化人群中進(jìn)一步開(kāi)展外部驗(yàn)證。

2.2 預(yù)測(cè)老年認(rèn)知障礙的Cox比例風(fēng)險(xiǎn)回歸模型

當(dāng)研究目的不僅關(guān)注事件發(fā)生，同時(shí)也關(guān)注時(shí)間與事件的關(guān)系時(shí)，多用Cox比例風(fēng)險(xiǎn)回歸模型。相較于Logistic回歸模型，Cox比例風(fēng)險(xiǎn)回歸模型的優(yōu)勢(shì)在于可以在關(guān)注事件基礎(chǔ)上同時(shí)關(guān)注時(shí)間與事件的關(guān)系，且允許有截尾數(shù)據(jù)的存在，在認(rèn)知功能障礙相關(guān)結(jié)局的預(yù)測(cè)研究中應(yīng)用也較為普遍。

2020年，周錦輝[13]利用中國(guó)老年健康影響因素跟蹤調(diào)查（Chinese Longitudinal Healthy Longevity Survey，CLHLS）數(shù)據(jù)對(duì)10066名老年人進(jìn)行了回顧性分析，基于LASSO回歸結(jié)合既往文獻(xiàn)證據(jù)納入8項(xiàng)危險(xiǎn)因素，分別為高齡、基線簡(jiǎn)易精神狀態(tài)檢查量表得分低、日常生活自理能力低（ADL和IADL量表評(píng)分低）、咀嚼能力差、視力差、有腦卒中史、從不看電視或聽(tīng)收音機(jī)、從不種花或養(yǎng)寵物，采用Cox比例風(fēng)險(xiǎn)回歸建立模型，通過(guò)bootstrap 2000次重復(fù)抽樣的方法進(jìn)行內(nèi)部驗(yàn)證，并使用CLHLS項(xiàng)目2008年—2014年的隊(duì)列數(shù)據(jù)進(jìn)行外部驗(yàn)證。該模型的內(nèi)部驗(yàn)證和外部驗(yàn)證ROC曲線下面積分別為0.891和0.867，表明其預(yù)測(cè)未來(lái)6年認(rèn)知功能障礙發(fā)生與否的能力較強(qiáng)。該模型納入的預(yù)測(cè)因素均為易測(cè)量變量，有利于醫(yī)護(hù)人員或基層工作人員對(duì)老年人進(jìn)行認(rèn)知障礙風(fēng)險(xiǎn)預(yù)測(cè)。但該研究認(rèn)知功能的隨訪間隔時(shí)間長(zhǎng)達(dá)3年，在結(jié)局狀態(tài)和結(jié)局時(shí)間的記錄上可能存在偏倚，且建模隊(duì)列和驗(yàn)證隊(duì)列均來(lái)自同一數(shù)據(jù)庫(kù)，未來(lái)可使用其他研究數(shù)據(jù)進(jìn)行外部驗(yàn)證的補(bǔ)充。2021年，日本Honda等[14]學(xué)者采用回顧性隊(duì)列研究方法，對(duì)795名老年人的24年縱向隨訪數(shù)據(jù)進(jìn)行分析，基于Cox比例風(fēng)險(xiǎn)回歸構(gòu)建模型，納入高齡、女性、受教育程度低、消瘦、有高血壓、有糖尿病、有腦卒中史、當(dāng)前吸煙和久坐9項(xiàng)危險(xiǎn)因素。該模型C統(tǒng)計(jì)量為0.755，有良好的辨別能力，可有效識(shí)別認(rèn)知障礙的高危個(gè)體。但由于基線數(shù)據(jù)收集不夠全面，一些認(rèn)知障礙的危險(xiǎn)因素沒(méi)有被納入該模型，如聽(tīng)力障礙、頭部外傷、抑郁等，忽略了一些與認(rèn)知障礙高度相關(guān)的預(yù)測(cè)因素，且該模型尚未進(jìn)行外部驗(yàn)證及臨床應(yīng)用，其臨床應(yīng)用價(jià)值還需要進(jìn)一步明確。

3 基于機(jī)器學(xué)習(xí)算法構(gòu)建的老年認(rèn)知障礙風(fēng)險(xiǎn)預(yù)測(cè)模型

傳統(tǒng)統(tǒng)計(jì)學(xué)算法，如Logistic回歸和Cox風(fēng)險(xiǎn)回歸，雖然能通過(guò)分析疾病轉(zhuǎn)歸的危險(xiǎn)因素構(gòu)建模型，但仍存在一些缺陷。Logistic回歸僅考慮了疾病的結(jié)局（如死亡、復(fù)發(fā)等），未考慮患者的生存時(shí)間；Cox回歸克服了Logistic回歸的一些缺陷，考慮了疾病結(jié)局和患者的生存時(shí)間，但只能處理一個(gè)終點(diǎn)事件的資料，不能處理具有多個(gè)終點(diǎn)事件的資料，也不能處理同時(shí)具有左刪失和右刪失的數(shù)據(jù)。近年來(lái)，機(jī)器學(xué)習(xí)已被廣泛應(yīng)用于預(yù)測(cè)模型構(gòu)建，機(jī)器學(xué)習(xí)方法可通過(guò)對(duì)統(tǒng)計(jì)數(shù)據(jù)的分析揭示大數(shù)據(jù)環(huán)境下影響因素和疾病之間的隱藏相關(guān)性[15]，現(xiàn)也被廣泛應(yīng)用于老年認(rèn)知障礙風(fēng)險(xiǎn)預(yù)測(cè)模型的研究。

3.1 預(yù)測(cè)老年認(rèn)知障礙的決策樹(shù)模型

決策樹(shù)是數(shù)據(jù)挖掘技術(shù)的一種，是運(yùn)用遞歸劃分自變量的原理將自變量分為不同類別，以構(gòu)建樹(shù)的模型，克服了Logistic回歸分析的共線性問(wèn)題，將決策樹(shù)模型引入老年認(rèn)知障礙影響因素的研究，可以直觀、簡(jiǎn)潔地探討影響因素、因素之間的相互作用并作出預(yù)測(cè)，體現(xiàn)了決策樹(shù)模型在臨床醫(yī)學(xué)研究中的優(yōu)勢(shì)及可行性[16]。

2020年，Pandhita等[17]采用橫斷面研究方法，獲取212名老年人資料，其中有76名（35.8%）老年人患有輕度認(rèn)知障礙，通過(guò)Logistic回歸納入4項(xiàng)危險(xiǎn)因素后構(gòu)建決策樹(shù)模型，分別為主觀認(rèn)知下降、缺乏體育鍛煉、語(yǔ)言流利性測(cè)試異常和單腿平衡能力差。該模型的敏感度和特異度分別為71.5%和100.0%，但由于樣本量較小且缺乏外部驗(yàn)證，需要進(jìn)行大規(guī)模多中心研究才能明確其外推性及臨床有用性。我國(guó)學(xué)者石宇[18]采用橫斷面研究方法，比較決策樹(shù)模型與傳統(tǒng)統(tǒng)計(jì)分析方法，通過(guò)決策樹(shù)模型納入了無(wú)社會(huì)交往、受教育年限≤3年、有糖尿病、無(wú)興趣愛(ài)好、吸煙、有飲茶習(xí)慣6項(xiàng)危險(xiǎn)因素；采用Logistic回歸分析構(gòu)建模型，納入了獨(dú)居、長(zhǎng)期居住地為農(nóng)村、有糖尿病、不常參加社會(huì)交往4項(xiàng)危險(xiǎn)因素。兩個(gè)模型的評(píng)價(jià)結(jié)果顯示，決策樹(shù)模型的準(zhǔn)確度（76.8%）和ROC曲線下面積（0.765）均大于Logistic回歸模型（71.8%、0.722），說(shuō)明決策樹(shù)模型的預(yù)測(cè)能力更優(yōu)。

但2020年，侯繼文[19]將決策樹(shù)模型與Logistic模型進(jìn)行比較，發(fā)現(xiàn)決策樹(shù)模型預(yù)測(cè)認(rèn)知障礙的ROC曲線下面積為0.811，與Logistic回歸模型ROC曲線下面積（0.809）相比，預(yù)測(cè)能力無(wú)明顯差異。2021年，潘晶雪等[20]也將兩種模型進(jìn)行比較，發(fā)現(xiàn)高齡、不看報(bào)讀書(shū)、不使用微信或電腦、興趣愛(ài)好少、不參加社交活動(dòng)、有糖尿病、有癡呆家族史、聽(tīng)力下降是老年人認(rèn)知障礙的共同危險(xiǎn)因素，但二者的ROC曲線下面積仍無(wú)明顯差異，即預(yù)測(cè)能力比較差異無(wú)統(tǒng)計(jì)學(xué)意義。

3.2 預(yù)測(cè)老年認(rèn)知障礙的梯度提升機(jī)模型

梯度提升機(jī)是一種集成算法，可有效處理大規(guī)模數(shù)據(jù)，并在盡量減少分類錯(cuò)誤的同時(shí)建立預(yù)測(cè)模型。2019年，Na[21]采用回顧性研究方法，將梯度提升機(jī)應(yīng)用于由3424人組成的隊(duì)列數(shù)據(jù)以預(yù)測(cè)認(rèn)知障礙風(fēng)險(xiǎn)。通過(guò)梯度提升機(jī)模型納入的預(yù)測(cè)變量排名前10位的分別為高齡、簡(jiǎn)易精神狀態(tài)檢查量表得分低、受教育程度低、女性、日?；顒?dòng)受限、獨(dú)居、有關(guān)節(jié)炎、對(duì)經(jīng)濟(jì)狀況的滿意度低、對(duì)健康狀況的滿意度低、有糖尿病。該模型的敏感度、特異度和ROC曲線下面積分別為0.967、0.825、0.921，說(shuō)明該模型預(yù)測(cè)效能較好。模型納入的預(yù)測(cè)變量均易于收集，可在社區(qū)進(jìn)行老年人認(rèn)知障礙的風(fēng)險(xiǎn)預(yù)測(cè)。但由于缺乏外部驗(yàn)證，該模型在真實(shí)世界中的臨床使用價(jià)值還需要進(jìn)一步明確。

3.3 預(yù)測(cè)老年認(rèn)知障礙的貝葉斯網(wǎng)絡(luò)模型

貝葉斯網(wǎng)絡(luò)模型作為一種強(qiáng)大而靈活的研究工具，可以生成顯示變量之間關(guān)系的網(wǎng)絡(luò)結(jié)構(gòu)，用于個(gè)體風(fēng)險(xiǎn)評(píng)估并易于轉(zhuǎn)換為決策模型[22]。將貝葉斯網(wǎng)絡(luò)模型應(yīng)用于老年人認(rèn)知障礙隊(duì)列研究，可以直觀地了解認(rèn)知功能影響因素之間的相互關(guān)系，并實(shí)現(xiàn)因果推斷和個(gè)體的疾病風(fēng)險(xiǎn)預(yù)測(cè)。

楊蓓[23]采用隊(duì)列研究，通過(guò)構(gòu)建貝葉斯網(wǎng)絡(luò)模型納入了認(rèn)知功能下降（蒙特利爾認(rèn)知評(píng)估量表評(píng)分＜26分）、抑郁狀態(tài)、女性、高齡、性格內(nèi)向、受教育程度低、非在婚狀態(tài)、家庭人均收入低、退休前為體力勞動(dòng)者、不讀書(shū)看報(bào)、身體活動(dòng)少、飲酒、有腦外傷史、有高血壓14項(xiàng)風(fēng)險(xiǎn)因素，對(duì)老年人認(rèn)知功能障礙有直接預(yù)測(cè)作用的是有高血壓、受教育程度低、退休前為體力勞動(dòng)者和抑郁狀態(tài)。該模型的靈敏度、特異度、預(yù)測(cè)準(zhǔn)確率分別為0.869、0.770、77.14%，說(shuō)明預(yù)測(cè)效能較好。但當(dāng)貝葉斯網(wǎng)絡(luò)模型中的變量較多時(shí)，模型的擬合穩(wěn)定性不佳，且該研究的研究對(duì)象為當(dāng)?shù)夭糠稚鐓^(qū)老年人，對(duì)于模型的外推可能會(huì)造成一定限制，有待于進(jìn)一步臨床驗(yàn)證。

3.4 預(yù)測(cè)老年認(rèn)知障礙的多狀態(tài)馬爾可夫模型

多狀態(tài)馬爾可夫模型（Multistate Markov Model）是處理多狀態(tài)資料的有效工具，可以同時(shí)考慮所有的狀態(tài)、結(jié)局、狀態(tài)間轉(zhuǎn)移的時(shí)間信息以及可能的影響因素，實(shí)現(xiàn)對(duì)隨機(jī)過(guò)程進(jìn)行連續(xù)性動(dòng)態(tài)研究，動(dòng)態(tài)地評(píng)價(jià)疾病進(jìn)展[24]。近年來(lái)，多狀態(tài)馬爾可夫模型也被引入認(rèn)知障礙的發(fā)展轉(zhuǎn)歸研究中。

2022年，Sanz-Blasco等[25]采用隊(duì)列研究方法，使用多狀態(tài)馬爾可夫模型探索老年認(rèn)知障礙轉(zhuǎn)歸的概率及影響因素，模型中由正常認(rèn)知發(fā)展為認(rèn)知障礙的部分納入4項(xiàng)危險(xiǎn)因素，分別為80歲以上、社會(huì)經(jīng)濟(jì)地位較低、攜帶載脂蛋白E基因、日?；顒?dòng)不足。但該模型并未進(jìn)行模型評(píng)價(jià)及外部驗(yàn)證，尚無(wú)法確認(rèn)其臨床預(yù)測(cè)性能，需要補(bǔ)充模型的評(píng)價(jià)部分，以獲得確切的預(yù)測(cè)性能結(jié)果。

4 聯(lián)合使用多種算法構(gòu)建的老年認(rèn)知障礙風(fēng)險(xiǎn)預(yù)測(cè)模型

隨著大數(shù)據(jù)和計(jì)算機(jī)技術(shù)的飛速發(fā)展，整合多維數(shù)據(jù)層（如健康狀況、壽命、環(huán)境、社會(huì)、遺傳）并應(yīng)用多種統(tǒng)計(jì)學(xué)方法（如機(jī)器學(xué)習(xí)、生存分析、多層次建模）的多學(xué)科合作已成為現(xiàn)代醫(yī)學(xué)風(fēng)險(xiǎn)預(yù)測(cè)模型前進(jìn)和發(fā)展的必然要求[26]。

2021年，Hu等[27]采用回顧性隊(duì)列研究方法，從CLHLS中獲取6718名老年人隊(duì)列資料，將Logistic回歸分析、隨機(jī)森林模型、極致梯度提升（XGBoost）模型、貝葉斯網(wǎng)絡(luò)模型4種統(tǒng)計(jì)分析方法兩兩組合進(jìn)行45個(gè)變量的篩選，結(jié)果顯示，基于貝葉斯網(wǎng)絡(luò)與隨機(jī)森林相結(jié)合的方法選擇的4個(gè)預(yù)測(cè)因素準(zhǔn)確性最高（0.834），即高齡、工具性日常生活能力高（IADL評(píng)分高）、非在婚狀態(tài)和基線認(rèn)知功能差（簡(jiǎn)易精神狀態(tài)量表得分低）。因此，使用這4個(gè)預(yù)測(cè)因素進(jìn)行模型構(gòu)建，靈敏度由大到小依次為隨機(jī)森林模型、XGBoost、Logistic回歸模型、貝葉斯網(wǎng)絡(luò)模型，特異度由大到小依次為貝葉斯網(wǎng)絡(luò)模型、Logistic回歸模型、XGBoost、隨機(jī)森林模型。同時(shí)，研究者基于Logistic回歸分析構(gòu)建了列線圖預(yù)測(cè)認(rèn)知障礙的發(fā)生風(fēng)險(xiǎn)，模型的最佳臨界值為170，分?jǐn)?shù)≥170分的老年人在3年內(nèi)有更高的認(rèn)知障礙風(fēng)險(xiǎn)。但由于該研究用于構(gòu)建模型的老年人隊(duì)列年齡相對(duì)較小，平均認(rèn)知能力和身體功能較好，未考慮慢性病對(duì)認(rèn)知功能的影響，因此，構(gòu)建出的模型可能更適用于健康老年人，該模型仍需要在獨(dú)立隊(duì)列中完善外部驗(yàn)證，以明確其實(shí)際預(yù)測(cè)效果。

5 小結(jié)與展望

本文從老年認(rèn)知障礙風(fēng)險(xiǎn)預(yù)測(cè)模型的構(gòu)建方法、基本情況和預(yù)測(cè)性能等方面進(jìn)行綜述。由于不同研究選擇的研究方法、建模方法、篩選的危險(xiǎn)因素各不相同，每種預(yù)測(cè)模型都各有優(yōu)缺點(diǎn)。綜上可知，當(dāng)前老年認(rèn)知障礙風(fēng)險(xiǎn)預(yù)測(cè)模型的建模方式多樣，但數(shù)據(jù)大部分來(lái)源于回顧性研究，雖所需的人力、物力較少，易于進(jìn)行，但數(shù)據(jù)的完整性和準(zhǔn)確性無(wú)法得到保證，未來(lái)可通過(guò)前瞻性隊(duì)列研究收集數(shù)據(jù)，進(jìn)一步提高模型的預(yù)測(cè)性能。同時(shí)，選擇合適的預(yù)測(cè)變量對(duì)開(kāi)發(fā)適用于社區(qū)或臨床的預(yù)測(cè)模型也十分重要，未來(lái)研究可將文獻(xiàn)回顧法、專家函詢法和預(yù)調(diào)查相結(jié)合，基于循證方法篩選預(yù)測(cè)模型的納入變量，為了使模型更易于推廣使用，可考慮選擇易于獲得、易于測(cè)量且有明確定義的預(yù)測(cè)因素。此外，當(dāng)前大部分模型仍處于內(nèi)部驗(yàn)證階段，臨床應(yīng)用轉(zhuǎn)化率低，今后還需要在不同地區(qū)進(jìn)行外部驗(yàn)證，并利用新收集的資料實(shí)現(xiàn)動(dòng)態(tài)更新，為模型的優(yōu)化和推廣奠定基礎(chǔ)。