老年2型糖尿病病人身體與認知衰弱風險預測模型的研究現(xiàn)狀

鄔 雪,解 東,康永姣,趙 敏,黃昱源

隨著人口老齡化加劇,老年2型糖尿病病人患病率逐年增高[1]。糖尿病往往合并認知障礙和身體衰弱[2],國內外研究表明,老年糖尿病病人身體衰弱發(fā)生率為9.4%～48.4%[3-4]。身體衰弱和認知功能互相影響,身體衰弱程度越高,認知功能越差,發(fā)生認知障礙的可能性越高[5],當認知障礙和身體衰弱同時存在,而不同時診斷為阿爾茨海默病或其他癡呆即為認知衰弱[6]。研究表明,年齡、文化程度、聽力障礙、居住方式、營養(yǎng)狀況、抑郁程度以及合并慢性病會影響老年病人認知衰弱的發(fā)生和發(fā)展,同時增加老年人跌倒、失能、癡呆和死亡等負性事件的發(fā)生風險[7]。身體衰弱是動態(tài)發(fā)展的[8],而認知衰弱也是一種可逆的身體和認知退化的過程[9]。本文綜述老年2型糖尿病病人認知障礙、身體衰弱和認知衰弱風險預測模型,以期更好地進行評估及風險預測,延緩認知衰弱的發(fā)生和發(fā)展,提高糖尿病病人的生活質量。

1 老年2型糖尿病病人認知障礙風險預測模型研究現(xiàn)狀

研究表明,糖尿病持續(xù)高血糖狀態(tài)給組織和器官帶來損害,同時增加認知障礙發(fā)生風險[10]。認知障礙風險預測模型能夠預測發(fā)生認知障礙的危險因素及識別高危人群。董曉慧等[11]在上海市選擇546例年齡≥60歲的老年住院病人以及養(yǎng)老機構老年人群進行調查研究,采集受試者的社會人口學資料,疾病史以及生活習慣等,應用Fried衰弱表型和認知功能評估工具進行評估,經多因素Logistic 回歸分析篩選得出年齡、文化程度、直系親屬癡呆史、主觀認知功能下降、衰弱狀態(tài)、代謝綜合征和低白蛋白血癥均與認知障礙密切相關,將其預測因子納入模型,并繪制預測諾謨圖,模型中每個預測變量均有對應評分,7個變量評分總和即為總評分,垂直對應諾謨圖下方的認知障礙風險軸,得出受試者發(fā)生認知障礙的概率。模型通過校準曲線、C指數(shù)評估顯示具有良好的預測效能、精準度以及區(qū)分度。模型簡捷,考慮時間效率,且通過預測諾謨圖將影響因素對疾病結果的影響可視化,方便準確讀取預測效果,可用于門診和社區(qū)對認知障礙的快速篩查,但該模型暫未考慮部分合并慢性病老年人的服藥情況。

戈欣等[12]構建了2型糖尿病病人并發(fā)抑郁風險的預測模型,該研究強調了睡眠質量是糖尿病病人發(fā)生抑郁的重要因素,研究表明2型糖尿病病人普遍存在睡眠質量差的問題,導致其出現(xiàn)認知障礙[13]。關于老年2型糖尿病病人的認知衰弱風險預測模型暫未發(fā)現(xiàn),戈欣等[12]的研究可作為預測認知障礙的參考。2021年Gong等[14]通過對228例腦卒中后病人的隨訪研究構建并驗證了一種簡單的評分系統(tǒng)來預測輕微缺血性腦卒中后認知障礙的風險,研究的優(yōu)點是從已有的臨床信息中個性化預測卒中后認知障礙的發(fā)生風險,避免了結果受到主觀因素影響,為其他慢性病住院病人(如糖尿病病人)快速且高效預測認知衰弱提供新的思路。

2 老年2型糖尿病病人身體衰弱風險預測模型研究現(xiàn)狀

研究表明,胰島素抵抗、慢性炎癥及氧化應激等病理生理改變,造成老年糖尿病病人肌肉力量不足和肌肉質量減少,與非糖尿病病人相比,發(fā)生衰弱風險率更高[15]。

2.1 基于Fried衰弱表型(FP)工具構建衰弱風險預測模型

FP是衰弱評估的常用工具,于2001年被提出,包括體質量下降、握力低、疲乏、步速慢、身體活動量低等5個內容。FP從生理層面對衰弱進行診斷,流行病學研究表明FP可以準確預測不良的臨床結果,近些年在老年醫(yī)學研究領域獲得較高的認可度[16]。

侯百靈等[17]采用便利抽樣法,選取524名錦州市≥60歲的老年人作為研究對象構建了社區(qū)老年衰弱風險列線圖模型,該研究應用FP、一般資料調查表以及阿森斯失眠量表和營養(yǎng)評估量表微型營養(yǎng)評定簡表、老年抑郁量表、孤獨感自評量表、日常生活能力量表(Activities of Daily Living,ADL)、社會支持評定量表(Social Support Rating Scale,SSRS)等變量進行評估,單因素和多因素Logistic回歸篩選獨立危險因素,結果顯示應用步行輔助工具、日常生活能力下降、抑郁、失眠是衰弱的獨立影響因素,依據(jù)其建立衰弱風險列線圖模型。通過ROC曲線下面積(AUC)評價模型的預測價值,決策曲線證明該模型具有實用性。列線圖將風險預測模型可視化,替代了經過復雜的數(shù)學公式進行老年人衰弱概率的計算,具有實用價值。但該研究的局限性是男性和女性數(shù)量不平衡,在研究性別和衰弱發(fā)生的相關性方面有所限制,納入有意義的因素較少,未考慮部分老年人有多病共存的可能,影響預測效果。

印度的一項研究[18]通過FP調查確定住院老年人群衰弱發(fā)生可能性大,從而構建機構化老年人衰弱風險預測模型并進行驗證,從9所醫(yī)院招募55歲以上男性女性,排除嚴重運動和認知障礙以及癌癥等疾病晚期的病人,從社會人口統(tǒng)計(包括年齡、性別、體質指數(shù)、教育情況)、生活方式、行為因素(包括跌倒史、吸煙、飲酒等)以及慢性阻塞性肺疾病、心力衰竭、糖尿病、抑郁癥、功能性共病等方面進行評估,經單變量和多變量分析后結果顯示低教育水平、低收入、功能活動性差以及存在3種以上的共病具有統(tǒng)計學意義,與衰弱發(fā)生有顯著關聯(lián),因此被用于開發(fā)風險預測模型。該模型的局限性是測量體力活動和疲勞具有主觀性,可以使用活動監(jiān)測器等客觀測量。在關于參與者社會人口統(tǒng)計學和發(fā)病因素方面的評估中,老年病人存在普遍的回憶偏差,這可能會影響最后的結果。

劉金煒等[19]的研究基于人體成分數(shù)據(jù)建立預測老年人衰弱的機器學習模型可以避免受被評估者主觀因素的影響,預測精準。該模型的研究對象為北京市10個社區(qū)≥65歲老年男性,共562例病人。研究以FP作為診斷衰弱前期的金標準,利用生物電阻抗法獲得與衰弱相關的人體成分指標,包括骨骼肌層面、脂肪層面,還納入基礎代謝率(basal metabolic rate,BMR)、骨礦物質、蛋白質、細胞內外水分(intracellular water,ICW)以及50 kHz全身相位角(50 kHz-whole body phase angle,50 kHz-WBPA)。通過隨機森林算法篩選出相關因素重要性排名前10位的特征,分別為年齡、50 kHzWBPA、骨骼肌質量(skeletal muscle mass,SMM)、體脂百分比(percent body fat,PBF)、身體細胞量 (body cell mass,BCM)、內臟脂肪面積(visceral fat area,VFA)、基礎代謝率、上臂肌肉圍度(arm muscle circumference,AMC)、細胞內水分 、細胞總水分/去脂體質量 (total body water/fat free mass,TBW/FFM),其中PBF和VFA相對于BMI更具有重要性,相位角是人體成分測試中的特殊數(shù)據(jù),重要性僅低于年齡。

研究表明,相位角可以反映細胞的質量和細胞膜的完整性,一定程度上代表細胞健康營養(yǎng)狀況,已被證實有助于預測腫瘤、透析等病人的營養(yǎng)狀況[20]。生物電阻抗法測量人體成分安全,具有無侵入性、可重復的特點,在妊娠期糖尿病病人[21]以及2型糖尿病病人測量身體脂肪率中廣泛應用[22]。研究表明,肥胖與老年衰弱具有相關性[23]。在構建老年2型糖尿病病人衰弱風險預測模型時,可以參考劉金煒等[19]的研究,采用生物電阻抗法測量人體成分,篩選危險因素,減少主觀影響,并參考侯百靈等[17]將其預測結果可視化,安全迅速,結果精準。

2.2 基于認知評估工具構建衰弱風險預測模型

蒙特利爾認知功能評估量表(The Montreal Cognitive Assessment,MoCA),該量表在評估老年糖尿病病人認知障礙中具有良好的信效度[24]。評估認知功能的工具還有畫鐘試驗,簡單易行,具有耗時短、受文化和環(huán)境影響小等優(yōu)點。

一項國外研究根據(jù)輸入認知特征構建了對老年衰弱風險預測模型,該研究選擇年齡65～95歲的104名社區(qū)老年人作為研究對象,其中67%為女性,33%為男性[25]。向參與者收集了社會人口統(tǒng)計學特征(包括年齡、性別、教育情況)作為機器學習模型的背景信息,認知和心理特征通過MoCA、加州大學圣地亞哥分?；诳冃У募寄茉u估簡報(UPSA-B)、醫(yī)療結果研究健康調查簡式36(SF-36)心理部分收集。其中MoCA和UPSA-B是用于評估整體認知和日常功能的常用指標,其他指標用作附加特征。而身體特征包括短體力測試(SPPB)、定時起床(TUG)測試、SF-36的身體組成部分、體質指數(shù)和腰臀比(WHR)。特別是TUG和SPPB已被確定為量化身體功能的有效方法,而其他特征被選為補充。該研究的特點是選擇消融研究的視角探討認知特征和身體特征之間的關系,即探討由MoCA、UPSA-B、SF-36評估的認知功能與由TUG和SPPB的表現(xiàn)確定的身體功能之間的關系,來預測身體衰弱。

Yuan等[26]構建非比例優(yōu)勢模型檢驗認知障礙與身體衰弱關系,研究對象為2014—2016年新入院、預期壽命≥6個月和美國老年養(yǎng)老院(NH)住院時間≥6個月(n=571 139)的老年人。入院時、3個月和6個月分別進行最小數(shù)據(jù)集(MDS)評估。在每次評估中通過精神狀態(tài)和認知表現(xiàn)量表(無/輕度、中度和重度)的簡短訪談測量認知障礙,通過養(yǎng)老機構衰弱量表(FRAIL-NH)測量身體衰弱情況,并測量人口特征、診斷情況、疼痛和精神藥物的服用情況。非比例優(yōu)勢模型與廣義估計方程擬合,縱向檢查認知障礙與身體衰弱之間的關聯(lián)。研究表明認知障礙嚴重程度影響衰弱的發(fā)生率,兩種情況之間聯(lián)系是明顯的,且隨著時間的推移不斷增加,入院時、3個月以及6個月超過37%的老年居民有嚴重的認知障礙,約70%的認知障礙病人有身體衰弱。但在衰弱前期和住院前3個月的老年人中,身體衰弱狀況改善更常見,這可能是從干預中獲益的最佳窗口。身體衰弱是動態(tài)發(fā)展的,該研究為養(yǎng)老機構老年人群的身體衰弱和認知障礙之間的正相關提供了證據(jù),為預防和改善衰弱提供了方向,即通過緩解認知障礙作為切入點來改善衰弱。

王潔等[27]認為衰弱與認知障礙之間存在相似病理基礎,認知障礙增加老年人發(fā)生衰弱的風險,張爽等[28]在對不同性別老年糖尿病病人衰弱現(xiàn)狀和影響因素分析中也表明認知障礙是男性和女性病人衰弱的共同影響因素?？梢?可以從認知障礙與衰弱發(fā)生的關系方面構建老年2型糖尿病衰弱風險預測模型。

李彩福等[29]構建了基于機器學習算法的社區(qū)老年衰弱前期風險預測模型,該研究于2019年收集542名老年人作為預測模型建模組成員,2021年收集205名老年人納入驗證組。通過一般情況調查問卷、畫鐘試驗、Frail量表、ADL、簡版老年抑郁量表(Geriatric Depression Scale,GDS-15)等進行評估,經單因素logistic回歸分析篩選衰弱前期危險因素,通過反向傳播(back propagation,BP)神經網絡的選擇梯度下降法優(yōu)化模型,危險因素作為自變量輸入模型進行重要性分析,并將其排序,分別為年齡、跌倒史、運動量低、多病共存、住院史、抑郁傾向、認知功能下降、文化程度低、日常生活能力下降以及多重耐藥。該研究構建Logistic回歸預測模型作為對比,采用驗證組數(shù)據(jù)對兩個模型進行外部驗證,結果表明BP神經網絡預測效能佳,靈敏度、特異度以及擬合度均高于Logistic回歸模型。該模型的優(yōu)勢是通過時間驗證對該模型進行了外部驗證,即通過不同時間段的數(shù)據(jù)對該模型進行了評估,證明了模型具有良好的預測效能。

BP神經網絡是采用多層感知器,將篩選出的變量作為輸入變量,將是否發(fā)生END作為輸出變量,隱藏層設置為自動計算,構建BP神經網絡[30],李彩福等[29]的研究表明BP神經網絡在預測模型準確性上存在優(yōu)勢,且可作為構建多種危險因素預測模型時的首選方法。糖尿病病人發(fā)生衰弱的危險因素較多,基于BP神經網絡構建衰弱風險預測模型可能會提高其預測的準確性。

2.3 基于營養(yǎng)風險評價量表構建衰弱風險預測模型

簡易營養(yǎng)評估方法(MNA-SF)是用來評估營養(yǎng)狀況的常用工具,能夠準確識別營養(yǎng)不良及有營養(yǎng)不良風險的老年病人,量表簡便易行,具有良好的應用價值[31]。

Liu等[32]基于營養(yǎng)風險對老年住院病人構建衰弱早期風險預測模型,該研究分為兩個階段:第一階段構建衰弱風險預測模型,衰弱的潛在相關因素包括年齡、性別、教育水平、婚姻狀況、體質指數(shù)、獨居、生活條件、吸煙、營養(yǎng)風險等,其中營養(yǎng)風險使用MNA-SF進行測量,并建立風險預測模型。第二階段招募266例老年住院病人(65歲以上),應用脆弱模型在臨床驗證該模型的預測能力,FP將作為衰弱模型進行比較的“標準”。該研究采用以往研究的發(fā)現(xiàn)和評估工具,重點關注營養(yǎng)風險,研究結果有助于促進基于營養(yǎng)風險開發(fā)更詳細的衰弱評估工具或構建衰弱風險預測模型,Yanagita等[33]發(fā)現(xiàn)白蛋白<40.0 g/L、體重<53 kg是老年糖尿病病人衰弱的危險因素,該研究構建的風險預測模型可為老年2型糖尿病病人衰弱風險預測模型提供參考。但由于目前營養(yǎng)狀況影響衰弱發(fā)生的證據(jù)大多基于橫斷面數(shù)據(jù),不能確定營養(yǎng)狀況對衰弱發(fā)生和發(fā)展的因果關系[34],后續(xù)開展長期的預期性研究將會得到進一步驗證。

3 老年2型糖尿病病人認知衰弱風險預測模型研究現(xiàn)狀

老年2型糖尿病病人認知衰弱的發(fā)生率處于較高水平,影響其發(fā)生的因素有營養(yǎng)狀況、睡眠質量、抑郁狀況以及慢性病數(shù)量等[35]。近幾年關于老年認知衰弱的風險預測模型的研究較多,楊振等[36]選取錦州市3個社區(qū)674例老年慢性病病人研究構建社區(qū)老年慢性病病人認知衰弱風險列線圖預測模型,研究對象年齡≥60歲且患有高血壓或糖尿病等其他慢性病,通過FP、小組自行設計的資料調查表(包括年齡、性別、體質指數(shù)、受教育程度等)等方式進行篩查,運用中文版蒙特利爾認知評估量表評估認知障礙,營養(yǎng)評價精法問卷和簡版老年人抑郁量表收集老年病人營養(yǎng)狀況以及抑郁情況。經單因素和多因素Logistic回歸分析顯示,年齡、獨居、營養(yǎng)狀態(tài)、抑郁狀況為獨立危險因素,將其納入模型,并運用列線圖將模型可視化,該模型通過內部驗證,受試者工作曲線評價其具有良好的預測效能。該研究的研究對象僅限于錦州市,納入因素有限,未來開展多中心研究,繼續(xù)擴大樣本量,將具體慢性病進行分別,可能提高預測精準性。

一項研究納入1 271名年齡≥65歲的社區(qū)居民,具有較多的樣本量,研究對象在我國臺灣健康檢查中記錄的所有醫(yī)療信息以及人體測量數(shù)據(jù),被用于開發(fā)認知衰弱風險預測模型[37]。將單變量分析中具有統(tǒng)計學意義(P<0.05)的變量輸入二元Logistic回歸中,二元Logistic回歸中具有統(tǒng)計意義(P≤0.25)的變量系數(shù)轉換為整數(shù)分數(shù),求和的每個變量的整數(shù)構成認知衰弱風險(CFR)評分,該研究的特點以及優(yōu)勢是創(chuàng)新并驗證了一種基于簡單的歷史記錄和人體測量的算法,以篩查老年人的認知衰弱,且這些人體測量數(shù)據(jù)在實踐中容易獲得,易在社區(qū)環(huán)境中實施,以識別需要適當干預的老年人。

Yuan等[38]通過連續(xù)時間多狀態(tài)馬爾可夫模型來預測認知障礙、身體衰弱和認知衰弱之間的轉換率,該研究共納入4 051例研究對象,通過FP、單詞回憶、圖形繪制等評估身體衰弱和認知障礙。構建一系列單變量多狀態(tài)馬爾可夫模型識別危險因素,進行多變量分析,最后得出女性、文盲、農村戶口、抑郁癥以及認知障礙病人進展為認知衰弱的可能性更高。關于認知障礙進展到認知衰弱風險較高的相關因素包括對生活不滿意、有跌倒史、多發(fā)病。該研究描述了個體如何在連續(xù)時間內一系列狀態(tài)之間的移動,從認知障礙、身體衰弱與認知衰弱的關系預測認知衰弱發(fā)生的可能,多狀態(tài)馬爾可夫模型也被認為是研究疾病轉變的最佳模型。但該項局限性是由于隨訪時間長,隨訪失敗的個人被排除在分析之外,這些人年齡大,文盲率高,這在一定程度上削弱了該研究結果的推斷。

以上認知衰弱風險預測模型缺乏對糖尿病病人的針對性,但可為糖尿病病人認知衰弱風險預測模型的開發(fā)提供經驗,構建的模型應簡單易于操作,具有實用性,在收集資料時避免長時間隨訪,以免數(shù)據(jù)脫落,影響研究結果。

4 小結與啟示

認知衰弱影響老年糖尿病病人生存質量,早期預測對預防以及干預認知衰弱有重要意義。目前國內外關于不同機構老年人認知衰弱或身體衰弱風險預測模型研究較多,而與老年糖尿病認知衰弱或老年糖尿病衰弱相關的研究大多集中在影響因素及評估工具上。本文認為在構建老年糖尿病病人認知障礙風險預測模型時,可參考老年人衰弱及認知衰弱風險預測模型,重點關注老年2型糖尿病病人特征以及認知障礙、身體衰弱和認知衰弱的關系,以期全面精準地構建預測模型。