CN113593705A - 社区老年人衰弱进展预测的列线图模型系统 - Google Patents
社区老年人衰弱进展预测的列线图模型系统 Download PDFInfo
- Publication number
- CN113593705A CN113593705A CN202110895247.4A CN202110895247A CN113593705A CN 113593705 A CN113593705 A CN 113593705A CN 202110895247 A CN202110895247 A CN 202110895247A CN 113593705 A CN113593705 A CN 113593705A
- Authority
- CN
- China
- Prior art keywords
- variable
- score
- value
- diabetes
- age
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种社区老年人衰弱进展预测的列线图模型系统,其特征在于,包括变量输入模块以及列线图模型预测模块,列线图模型预测模块根据变量输入模块输入的被测试者的年龄变量、婚姻状态变量、体育锻炼变量、基线衰弱状态变量及糖尿病变量的值输出风险预测值。在老龄化进程加快的背景下,社区全科医生面临着衰弱老年人健康管理上的难题。本发明通过建立一个列线图模型,用以对社区老年人衰弱程度的进展风险进行预测,可帮助全科医生早期识别易发生衰弱程度进展的高危人群,指导老年人个体化健康干预,聚焦于最后决策,提高基层全科医生对老年人健康管理的效率和规范性。
Description
技术领域
本发明涉及一种用于对社区老年人衰弱程度的进展风险进行预测的列线图模型。
背景技术
根据Fried教授对于衰弱的经典定义,若从衰弱的角度来衡量人体健康,可分为健壮、衰弱前期和衰弱三种状态。但是随着时间的推移,人不会静止于某种状态,而是处于三种状态的动态转换中,包括衰弱状态的进展、改善和保持不变。即使一个人当前处于健壮状态,未来也有可能发生易损性的增加及功能的不断衰退,进展为衰弱前期、衰弱,直至发展为死亡。因此,如果能准确识别与衰弱进展相关的危险因素及其作用大小,并通过数学模型将各种危险因素组合起来建立预测模型,评估老年人未来发生衰弱进展的风险,就可以及时对高危个体采取相应的干预措施,从而延缓或逆转这种不良预后,改善个体的生活质量。
随着老年人衰弱成为社会关注的热点,许多学者开始研究衰弱进展的影响因素。例如2014年我国香港Lee等人的研究显示住院、高龄、卒中史、认知功能障碍、糖尿病和骨关节炎与衰弱进展相关;2015年Pollack等人对5086名社区老年男性随访了4年,发现衰弱状态改善的相关因素包括腿部力量强和有配偶等,而存在工具性日常生活能力限制、低白蛋白水平、高白细胞介素-6水平、COPD和糖尿病与衰弱状态改善的可能性较低相关;2016年Trevisan等人的研究发现老年、女性、肥胖、心血管疾病、骨关节炎、吸烟、视力丧失和多重用药等因素与衰弱状态进展相关。
这些研究虽然揭示了一些与衰弱进展相关的危险因素,但所使用的方法均为传统的Logistic回归,仅能提示每种危险因素的强弱程度,无法将这些因素组合成风险预测模型,即无法给出一个最终的衰弱进展风险。因此,无法在临床医疗工作中直接使用。
此外,目前仅有的一个关于衰弱进展预测模型的研究(2019年Setiati等人)中,虽然使用了年龄、生活质量和步速3项预测因素来建立衰弱进展的预后评分,但仍有诸多不足。一方面,该研究中所涉及的研究对象为印度尼西亚一家医院门诊患者,与中国大陆社区居民在地域特征和人文环境上存在不同,无法应用到我国人群;另一方面,该研究中的预测因素也未纳入生活方式等重要因素。最重要的是,从预测模型形式上看,预后评分得出的风险概率是近似估计值,不够准确。
发明内容
本发明的目的是:利用大样本的老年人口队列,收集健康信息,构建、评价并验证社区老年人衰弱进展的列线图模型,为老年人衰弱进展风险的预测提供实用、有效的简便工具。
为了达到上述目的,本发明的技术方案是提供了一种社区老年人衰弱进展预测的列线图模型系统,其特征在于,包括:
变量输入模块,用于输入被测试者的年龄变量、婚姻状态变量、体育锻炼变量、基线衰弱状态变量及糖尿病变量的值,其中:
年龄变量为连续变量,年龄变量的值为被测试者的年龄;
婚姻状态变量为离散变量,通过婚姻状态变量的值表示被测试者有配偶或者无配偶;
体育锻炼变量为离散变量,通过体育锻炼变量的值表示被测试者有意识地为强身健体而进行活动的频次;
使用Fried衰弱表型量表对基线衰弱状态变量进行评估,基线衰弱状态变量为离散变量,通过基线衰弱状态变量表示被测试者为健壮、衰弱前期或衰弱;
糖尿病变量为离散变量,通过糖尿病变量的值表示被测试者是否患有糖尿病;
列线图模型预测模块:基于年龄变量、婚姻状态变量、体育锻炼变量、基线衰弱状态变量及糖尿病变量分别建立5个变量线段,并建立分值线段、总分值线段以及衰弱进展风险线段,从而构成列线图;
分值线段上标识的刻度表示不同的分值;总分值线段上标识的刻度表示不同的总分值;衰弱进展风险线段上标识的刻度表示不同的风险预测值;
5个变量线段上标识的刻度表示变量的不同取值;5个变量线段的长度反映了当前变量对结局事件的贡献大小,其中:
为年龄变量分配的最大分值为100分,依据不同的年龄为年龄变量设定不同的分值,年龄越大则对应的分值越高;
为婚姻状态变量分配的其中,β婚姻为婚姻状态变量的多因素logistic回归系数β值,β年龄为年龄变量的多因素logistic回归系数β值;若通过婚姻状态变量的值表示被测试者无配偶,则婚姻状态变量对应的分值为婚姻最大分值,若通过婚姻状态变量的值表示被测试者有配偶,则婚姻状态变量对应的分值为0;
为体育锻炼变量分配的其中,β锻炼为体育锻炼变量的多因素logistic回归系数β值;被测试者有意识地为强身健体而进行活动的频次越高,则体育锻炼变量对应的分值越高,若被测试者从不有意识地为强身健体而进行活动,则体育锻炼变量对应的分值为体育锻炼最大分值;
为基线衰弱状态变量分配的其中,β衰弱为基线衰弱状态变量的多因素logistic回归系数β值;若被测试者为健壮,则基线衰弱状态变量对应的分值为0,若被测试者为衰弱,则基线衰弱状态变量对应的分值为衰弱最大分值,若被测试者为衰弱前期,则基线衰弱状态变量对应的分值∈(0,衰弱最大分值);
列线图模型预测模块利用变量输入模块输入的值,基于5个变量线段与分值线段上标识的刻度的对应关系计算得到年龄变量、婚姻状态变量、体育锻炼变量、基线衰弱状态变量及糖尿病变量分别对应的分值,将所有分值相加后得到总分值,再基于总分值线段上标识的刻度与衰弱进展风险线段上标识的刻度的对应关系获得与计算得到的总分值相对应的风险预测值后输出。
优选地,若被测试者未婚、离婚或丧偶,则被测试者无配偶。
优选地,将所述被测试者有意识地为强身健体而进行活动的频次设定为从不、有时、每天,若所述被测试者每天有意识地为强身健体而进行活动,则体育锻炼变量对应的分值为0。
优选地,所述列线图模型预测模块还输出所述风险预测值的95%可信区间。
在老龄化进程加快的背景下,社区全科医生面临着衰弱老年人健康管理上的难题。本发明通过建立一个列线图模型,用以对社区老年人衰弱程度的进展风险进行预测,可帮助全科医生早期识别易发生衰弱程度进展的高危人群,指导老年人个体化健康干预,聚焦于最后决策,提高基层全科医生对老年人健康管理的效率和规范性。
残疾、失能的人群往往身体健康状态较差,身体及社会功能出现不可逆的受损,衰弱相关评估及干预已无法满足其健康需求。相对地,健壮和衰弱前期的人群表面上整体健康状况较好,然而其中隐藏着易发生衰弱程度进展的高危个体,且常常被忽略,如能在其发生进展、出现健康问题前识别出来,将使之易于从早发现、早干预中获益。因此,本发明立足于真实世界,聚焦可逆转人群,具有实际意义。
附图说明
图1为实施例中的列线图模型的示意图;
图2A为训练集的校准图;
图2B为验证集的校准图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
预测模型是指以多病因为基础,建立统计模型,用于预测具有某些特征的人群未来某种结局事件发生的概率。预测模型作为一种评估未来风险和效益的定量工具,能够为医生、患者和卫生管理者的决策提供更加客观、准确的信息。预测模型本质上是预测因子的数学公式组合,常将不同预测因子的预测效力赋予不同的值,最终的累计得分则对应结局事件概率。为方便临床应用,还需考虑模型的呈现方式。
列线图模型作为一种新型的预测模型,是一种基于回归模型创建的图形计算工具。列线图模型是建立在多因素回归分析的基础上,将多个预测指标进行整合,然后采用带有刻度的线段,按照一定的比例绘制在同一平面上,从而表达预测模型中各个变量之间的相互关系。因此与其他预测工具相比,列线图模型使用简单,也便于理解,具有视觉和数学上的优势,已成为一种流行的统计预测模型。此外,用网页工具或者手机APP等电子形式为载体的模型使用起来更为方便,也更适合于在现代化诊室中的推广应用。
若使用全部数据拟合模型,可以最大程度地利用样本,但这样的模型不稳定,迁移能力差。因此本实施例中,拟合列线图模型前可将数据集划分为训练集和验证集,以训练集数据拟合列线图模型,以验证集数据评估前述列线图模型,常见的划分策略为按照6:4或7:3随机拆分样本,本实施例中使用6:4拆分。然后,在拟合列线图模型时,常用的变量筛选策略为基于文献报道和医学认识收集预测因子数据,借助多元回归统计模型评估预测因子与结局的关系,并基于一定的准则(如P值、AIC或BIC值等)来筛选变量。Logistic回归常用于分析二分类因变量(如存活和死亡、患病和未患病等)与多个自变量的关系,自变量个数较多时可先进行单因素分析再进行多因素分析,其中单因素分析时常将P值放宽,比如0.1或0.15等,避免因变量间的相互作用而漏掉一些重要因素。
本实施例中,申请人于2016年9月至10月采用多阶段随机抽样法,从上海市16个行政区中随机抽取出奉贤区,从奉贤区22家社区卫生服务中心中随机抽取出西渡社区卫生服务中心,排除无法完成握力测量或其他调查项目的人群后,选择该辖区内3809名≥60岁社区居民为建模对象,并于2020年6月至7月随访其衰弱状态。有447人因联系方式或住址改变而失去联系,最终样本包括3362人,然后将其按照6:4随机分为训练集(2018人)和验证集(1344人)。其中,对数据不完整的回访者,使用基于链式方程的多重插补法进行缺失值插补。
健康状况问卷部分使用《上海市老年人健康管理服务规范》进行评估,包括年龄、性别、文化程度、婚姻状况、吸烟、饮食、饮酒、体育锻炼、认知功能、情绪状态、认知功能、情绪状态。使用6项躯体生活自理量表和8项工具性日常生活能力量表评估日常生活能力,分为完全独立、轻度依赖和明显依赖。使用全自动身高体重秤自动计算体重指数,<18.5、18.5~23.9、24.0~27.9和≥28.0kg/m2分别定义为偏瘦、正常、超重和肥胖。使用电子血压计测量血压并取2次读数的平均值。实验室检查包括血红蛋白、空腹血糖、总胆固醇、甘油三酯和肌酐。根据居民的自我报告和医疗记录,结合此次健康检查结果评估慢性病和日常用药数量。慢性病包括卒中、高血压、糖尿病、高脂血症、冠心病、慢性阻塞性肺疾病、慢性肾病、恶性肿瘤和贫血。多重用药定义为使用5种及以上处方药。两次衰弱状态均使用Fried衰弱表型进行评估,分为健壮、衰弱前期和衰弱。
候选的用于建立列线图模型的预测因子包括年龄、性别、文化程度、婚姻状态、吸烟、饮食、饮酒、体育锻炼、情绪状态、日常生活能力、体重指数、多重用药、卒中、高血压、糖尿病、高脂血症、冠心病、慢性阻塞性肺病、慢性肾脏病、恶性肿瘤、贫血,以及基线衰弱状态。结局事件定义为衰弱状态进展,包括从健壮到衰弱前期或衰弱,或从衰弱前期到衰弱,或死亡。
单因素Logistic回归分析中,年龄、婚姻状态、吸烟、饮食、体育锻炼、基线衰弱状态、糖尿病、高脂血症和贫血是与衰弱程度进展显著相关的因素(P<0.1)。将这些因素纳入多因素Logistic分析中,结果显示,吸烟、饮食、高脂血症和贫血在逐步向后选择变量中被排除,最终筛选出5个独立危险因素(此时回归方程AIC值最小),包括年龄(OR=1.11,95%CI:1.09-1.13)、婚姻状态(以有配偶为参照,无配偶:OR=2.99,95%CI:2.24-4.00)、体育锻炼(以从不为参照,有时:OR=0.32,95%CI:0.16-0.63,每天:OR=0.08,95%CI:0.06-0.10)、基线衰弱状态(以健壮为参照,衰弱前期:OR=0.11,95%CI:0.09-0.15,衰弱:OR=0.04,95%CI:0.02-0.07)、糖尿病(OR=1.64,95%CI:1.15-2.33)(均P<0.05)。基于多因素Logistic回归的结果,纳入与衰弱进展相关的5项因素,建立如图1所示的列线图预测模型。
如图1所示,本实施例构建的社区老年人衰弱进展预测列线图模型中有5个因素,包括高龄、婚姻状态、体育锻炼、基线衰弱状态及糖尿病。列线图模型中5个因素对应的线段上都标有刻度,对应到“分值”轴上代表了该因素的可取值范围。各线段长度反映了该因素对结局事件的贡献大小,决定了其线段长度。本实施例中多因素logistic回归系数β值(绝对值)最大的因素——“年龄”,可分配到100分,其余四个因素的分值等于多因素logistic回归系数β值除以“年龄”的多因素logistic回归系数β值再乘以100。“总分”轴表示各因素取值相加得到的总分,“衰弱进展风险”轴表示受检者未来发生衰弱程度进展的风险预测值。各因素定义如下:
第一个因素为年龄,作为连续变量,单位为岁。
第二个因素为婚姻状态,包括有配偶、无配偶(含未婚、离婚、丧偶)2个选项。
第三个因素为体育锻炼,指有意识地为强身健体而进行的活动,不包括因工作或其他需要而必需进行的活动,如为上班骑自行车、做强体力工作等,包括从不、有时、每天3个选项。
第四个因素为基线衰弱状态。使用Fried衰弱表型量表进行评估,包括以下5项:
一)非刻意体重下降,即体重较1年前下降≥4.5kg或5%,未使用任何特殊方法,例如节食、药物等。
二)乏力,即询问受检者“您会经常感到乏力吗?”回答为“是”。
三)步行减慢,受检者以平时的步行速度行走4.57米,记录所用时间,并计算速度,如步速<0.8m/s,或在测试过程中需要使用拐杖、步行器等辅助设备,或需他人搀扶,判为步速减慢。
四)握力下降,受检者使用电子握力计测量优势手握力2次,取两次握力测量值的最大值作为依据,如男性<26kg或女性<18kg,判为握力下降。如受检者因残疾、偏瘫等因素而无法完成测量,也判为握力下降。
五)体力活动下降,使用国际体力活动问卷短卷版(IPAQ-SF)调查,共7个问题,询问1周内进行不同强度活动的频率和每天累计时间,包括高强度活动(如搬重物、跑步)、中等强度活动(如搬轻物、骑自行车)、步行和静坐。使用代谢当量衡量不同强度的体力活动对应的估算能量消耗,其中高强度活动的赋值为8.0,中等强度活动的赋值为4.0,步行的赋值为3.3。然后计算个体每周从事某种强度体力活动水平,计算方法为该体力活动对应的代谢当量赋值*每周频率(d/w)*每天时间(min/d)。最后将3种强度体力活动水平相加,计算个体每周从事总体力活动水平,并进行分组,分组为低组者判为体力活动下降。
以上5项中,具备0项者为健壮,具备1-2项者为衰弱前期,具备≥3项者为衰弱。
第五个因素为糖尿病,定义为有糖尿病病史,或当前检查中空腹血糖≥7.0mmol/L。
然后,基于列线图模型制作网页版计算器。
本发明中,用于预测社区老年人衰弱进展的列线图模型由5个易获得的变量组成,使得全科医生可以通过询问简短的问题、测量握力和步行速度,以及查阅医疗记录来获得预测因子,进行快速准确地病情评估并制定合理的管理决策,从而有助于此模型在基层医疗卫生中的推广应用,提高社区老年人健康管理的规范性。
为考察预测模型的可重复性及外推性,建模后还需要对模型的性能进行评估及内、外部验证,评价指标主要包括模型区分度和校准度。区分度指模型通过设置一定的风险界值而将未来发生终点事件风险高、低不同的个体正确区分的能力。最常用的指标是一致性统计量,也称为C指数,取值范围为0-1,越接近1表示区分度越好,等于0.5时表示模型没有预测能力,小于0.5表示模型预测与实际结果相反。校准度关注的是模型的绝对风险预测值是否准确,即模型预测的事件发生风险与实际的事件发生风险的一致程度。最常见的展示方式是绘制校准图,即所有个体实际发生率和预测发生率的散点图,校准度较好的模型,其散点沿45°斜线排列。
校准图中,X轴表示列线图模型对结局事件的预测概率,Y轴表示结局事件的实际概率,45°灰线(Ideal)代表理想模型的完美预测,绿线(Nomogram)表示观察到的列线图性能。本发明中,训练集的校准图如图2A显示,模型预测的事件发生概率与观察到的事件发生概率的一致程度较高,表明本列线图模型的估计值与实际观测值之间有很好的一致性。模型在训练集中的C指数为0.86(95%CI=0.84-0.88),表明该模型具有良好的区分度。对训练集进行Bootstrap内部验证,C指数为0.86(95%CI=0.85-0.88)。外部验证中,校准图显示了良好的一致性,如图2B所示,其C指数为0.87(95%CI=0.85-0.88),表明本发明中的列线图模型在外部队列中仍然保持良好的区分度。
Claims (4)
1.一种社区老年人衰弱进展预测的列线图模型系统,其特征在于,包括:
变量输入模块,用于输入被测试者的年龄变量、婚姻状态变量、体育锻炼变量、基线衰弱状态变量及糖尿病变量的值,其中:
年龄变量为连续变量,年龄变量的值为被测试者的年龄;
婚姻状态变量为离散变量,通过婚姻状态变量的值表示被测试者有配偶或者无配偶;
体育锻炼变量为离散变量,通过体育锻炼变量的值表示被测试者有意识地为强身健体而进行活动的频次;
使用Fried衰弱表型量表对基线衰弱状态变量进行评估,基线衰弱状态变量为离散变量,通过基线衰弱状态变量表示被测试者为健壮、衰弱前期或衰弱;
糖尿病变量为离散变量,通过糖尿病变量的值表示被测试者是否患有糖尿病;
列线图模型预测模块:基于年龄变量、婚姻状态变量、体育锻炼变量、基线衰弱状态变量及糖尿病变量分别建立5个变量线段,并建立分值线段、总分值线段以及衰弱进展风险线段,从而构成列线图;
分值线段上标识的刻度表示不同的分值;总分值线段上标识的刻度表示不同的总分值;衰弱进展风险线段上标识的刻度表示不同的风险预测值;
5个变量线段上标识的刻度表示变量的不同取值;5个变量线段的长度反映了当前变量对结局事件的贡献大小,其中:
为年龄变量分配的最大分值为100分,依据不同的年龄为年龄变量设定不同的分值,年龄越大则对应的分值越高;
为其中,β婚姻为婚姻状态变量的多因素logistic回归系数β值,β年龄为年龄变量的多因素logistic回归系数β值;若通过婚姻状态变量的值表示被测试者无配偶,则婚姻状态变量对应的分值为婚姻最大分值,若通过婚姻状态变量的值表示被测试者有配偶,则婚姻状态变量对应的分值为0;
为其中,β锻炼为体育锻炼变量的多因素logistic回归系数β值;被测试者有意识地为强身健体而进行活动的频次越高,则体育锻炼变量对应的分值越高,若被测试者从不有意识地为强身健体而进行活动,则体育锻炼变量对应的分值为体育锻炼最大分值;
为其中,β衰弱为基线衰弱状态变量的多因素logistic回归系数β值;若被测试者为健壮,则基线衰弱状态变量对应的分值为0,若被测试者为衰弱,则基线衰弱状态变量对应的分值为衰弱最大分值,若被测试者为衰弱前期,则基线衰弱状态变量对应的分值∈(0,衰弱最大分值);
列线图模型预测模块利用变量输入模块输入的值,基于5个变量线段与分值线段上标识的刻度的对应关系计算得到年龄变量、婚姻状态变量、体育锻炼变量、基线衰弱状态变量及糖尿病变量分别对应的分值,将所有分值相加后得到总分值,再基于总分值线段上标识的刻度与衰弱进展风险线段上标识的刻度的对应关系获得与计算得到的总分值相对应的风险预测值后输出。
2.如权利要求1所述的一种社区老年人衰弱进展预测的列线图模型建立方法,其特征在于,若被测试者未婚、离婚或丧偶,则被测试者无配偶。
3.如权利要求1所述的一种社区老年人衰弱进展预测的列线图模型建立方法,其特征在于,将所述被测试者有意识地为强身健体而进行活动的频次设定为从不、有时、每天,若所述被测试者每天有意识地为强身健体而进行活动,则体育锻炼变量对应的分值为0。
4.如权利要求1所述的一种社区老年人衰弱进展预测的列线图模型建立方法,其特征在于,所述列线图模型预测模块还输出所述风险预测值的95%可信区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110895247.4A CN113593705B (zh) | 2021-08-05 | 2021-08-05 | 社区老年人衰弱进展预测的列线图模型系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110895247.4A CN113593705B (zh) | 2021-08-05 | 2021-08-05 | 社区老年人衰弱进展预测的列线图模型系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113593705A true CN113593705A (zh) | 2021-11-02 |
CN113593705B CN113593705B (zh) | 2023-03-31 |
Family
ID=78255297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110895247.4A Active CN113593705B (zh) | 2021-08-05 | 2021-08-05 | 社区老年人衰弱进展预测的列线图模型系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113593705B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114242252A (zh) * | 2022-02-09 | 2022-03-25 | 山东第一医科大学附属省立医院(山东省立医院) | 一种预测痴呆发生风险的模型及其应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108806794A (zh) * | 2018-05-29 | 2018-11-13 | 广东医科大学 | 一种老年人衰弱指数的评估系统 |
WO2019112366A1 (ko) * | 2017-12-07 | 2019-06-13 | 서울대학교 산학협력단 | 생체인식 연령 예측 모델 생성 방법 및 장치 |
-
2021
- 2021-08-05 CN CN202110895247.4A patent/CN113593705B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019112366A1 (ko) * | 2017-12-07 | 2019-06-13 | 서울대학교 산학협력단 | 생체인식 연령 예측 모델 생성 방법 및 장치 |
CN108806794A (zh) * | 2018-05-29 | 2018-11-13 | 广东医科大学 | 一种老年人衰弱指数的评估系统 |
Non-Patent Citations (2)
Title |
---|
王宇: "《老年人衰弱轨迹与全死因死亡率的纵向关联研究》", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
许丽娟: "《社区老年衰弱危险因素及风险预测模型构建》", 《中国老年学杂志》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114242252A (zh) * | 2022-02-09 | 2022-03-25 | 山东第一医科大学附属省立医院(山东省立医院) | 一种预测痴呆发生风险的模型及其应用 |
Also Published As
Publication number | Publication date |
---|---|
CN113593705B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nofuji et al. | Associations of walking speed, grip strength, and standing balance with total and cause-specific mortality in a general population of Japanese elders | |
Harber et al. | Impact of cardiorespiratory fitness on all-cause and disease-specific mortality: advances since 2009 | |
Ng et al. | Frailty in older persons: multisystem risk factors and the Frailty Risk Index (FRI) | |
Reddigan et al. | Relation of physical activity to cardiovascular disease mortality and the influence of cardiometabolic risk factors | |
Kamaleri et al. | Number of pain sites is associated with demographic, lifestyle, and health-related factors in the general population | |
Laukkanen et al. | Prognostic relevance of cardiorespiratory fitness as assessed by submaximal exercise testing for all-cause mortality: a UK Biobank prospective study | |
Kaminsky et al. | Determining cardiorespiratory fitness with precision: compendium of findings from the FRIEND registry | |
Rockwood et al. | How should we grade frailty in nursing home patients? | |
Johansen et al. | Comparison of self-report− based and physical performance− based frailty definitions among patients receiving maintenance hemodialysis | |
den Ouden et al. | Identification of high-risk individuals for the development of disability in activities of daily living. A ten-year follow-up study | |
Glavinovic et al. | CKD and sedentary time: results from the Canadian health measures survey | |
Riedel et al. | A simplified (modified) Duke Activity Status Index (M-DASI) to characterise functional capacity: a secondary analysis of the Measurement of Exercise Tolerance before Surgery (METS) study | |
Bowling et al. | Prevalence of activity limitations and association with multimorbidity among US adults 50 to 64 years old | |
CN107153774A (zh) | 慢性病风险评估双曲线模型的构建及应用该模型的疾病预测系统 | |
Robinson-Cohen et al. | Assessment of physical activity in chronic kidney disease | |
Klaren et al. | Comprehensive profile of cardiopulmonary exercise testing in ambulatory persons with multiple sclerosis | |
Mohandas et al. | Current and future directions in frailty research | |
Petek et al. | Normative cardiopulmonary exercise data for endurance athletes: the C ardiopulmonary H ealth and E ndurance E xercise R egistry (CHEER) | |
Goldman et al. | Performance-based measures of physical function as mortality predictors: Incremental value beyond self-reports | |
Arvanitaki et al. | Quality of life is related to haemodynamics in precapillary pulmonary hypertension | |
CN113593705B (zh) | 社区老年人衰弱进展预测的列线图模型系统 | |
Jaeger et al. | Quantification of metabolic equivalents (METs) by the MET-REPAIR questionnaire: a validation study in patients with a high cardiovascular burden | |
Dong et al. | Development and validation of a nomogram to predict frailty progression in nonfrail chinese community-living older adults | |
CN111028948A (zh) | 一种基于相关风险因素的中风风险评估方法及系统 | |
Bello et al. | Development of a physiological frailty index for the World Trade Center General Responder Cohort |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |