论文部分内容阅读
目的1.了解成都市社区老年人衰弱现状,探讨成都市社区老年人衰弱及衰弱前期相关影响因素;2.构建成都市社区老年人衰弱及衰弱前期风险预测模型,为初级卫生保健人员评估社区老年人衰弱及衰弱前期风险提供科学依据,提高其对衰弱及衰弱前期的风险预警意识,为有针对性地预防衰弱及衰弱前期提供证据支持。方法本研究采用横断面科研设计,在2017年11月至2018年6月期间,采用多阶段分层随机抽样的方法,以成都市地域划分为分层因素,从成都市东部、西部、南部、北部和中部各选取1条街道,分别为十陵街道、柳城街道、桂溪街道、荷花池街道和人民北路街道,再分别从5条街道所下辖的社区中随机抽取1个社区,抽取的社区分别为华川社区、北街社区、双源社区、荷花池社区和花牌坊社区,在各社区以方便抽样的方法抽取老年人。根据多因素Logistic回归模型样本含量估算方法并考虑10%的无效样本,本研究至少需要样本550例,各社区需至少抽取110例老年人。调查员采用现场一对一调查的方式,采用自行设计的一般资料问卷、Charlson共病指数(Charlson comorbidity index,CCI)、匹兹堡睡眠质量指数(Pittsburgh sleep quality index,PSQI)、日常生活活动能力量表(Activities of daily living Scale,ADL)、微型营养评定简表(Mini Nutritional Assessment Short Form,MNA-SF)、修订版面部表情疼痛量表(Faces Pain Scale Revised,FPS-R)、焦虑自评量表(Self-rating Anxiety Scale,SAS)、简版老年抑郁量表(Geriatric Depression Sca-le-15,GDS-15)和社会支持评定量表(Social Support Rating Scale,SSRS)等调查工具收集资料,收集课题组前期拟定的涵盖社会人口学、生活方式、疾病用药、老年综合征和心理社会方面衰弱潜在风险因素30个。以收集资料作为建模数据集,对各风险因素进行单因素分析,将单因素分析有统计学意义(P<0.05)的变量进入多因素Logistic回归模型,采用backward LR进行变量筛选,筛选纳入标准为0.05,剔除标准为0.1。采用Hosmer-Lemeshow(H-L)拟合优度检验评价模型的拟合能力,采用受试者工作特征曲线(Receiver Operating Characteristic Curve,ROC)下面积(Area Under Curve,AUC)评价模型的区分能力。结果本次研究共发放问卷550份,回收问卷545份,回收率99.1%,其中有效问卷526份,有效回收率95.6%。1.衰弱现状526名老年人中衰弱、衰弱前期和非衰弱分别为49例(9.3%)、239例(45.4%)和238例(45.2%)。衰弱表型条目数由多到少依次为握力降低154例(29.3%)、自诉疲乏109例(20.7%)、步速减慢101例(19.2%)、躯体活动量降低66例(12.5%)和无意识体重下降31例(5.9%)。2.单因素分析结果将衰弱及衰弱前期的老年人与非衰弱老年人进行单因素分析。两组老年人在年龄、教育程度、退休前职业、CCI、多病共存、多重用药、应激史、自评健康状况(self-rated health,SRH)、步行辅助、跌倒史、疼痛、睡眠、日常生活活动能力、营养、焦虑、抑郁和社会支持方面差异有统计学意义(P<0.05);两组老年人在性别、民族、婚姻状况、居住情况、人均月收入、收支情况、医保、吸烟、饮酒、水果摄入、蔬菜摄入、手术史和BMI方面差异无统计学意义(P>0.05)。3.多因素分析结果多因素Logistic回归分析显示,共有8个变量进入最终的预测模型,退休前职业(OR=0.680,95%CI 0.460~1.007,P=0.054)、多重用药(OR=3.543,95%CI1.442~8.071,P=0.006)、步行需辅助设备(OR=11.434,95%CI 1.439~90.874,P=0.021)、自评健康状况差/一般(OR=1.974,95%CI 1.441~2.704,P<0.001)、营养不良(OR=3.543,95%CI 1.442~8.071,P=0.053)、睡眠问题(OR=1.508,95%CI1.011~2.248,P=0.044)、ADL下降(OR=3.580,95%CI 0.986~13.007,P=0.014)和社会支持(OR=0.951,95%CI 0.923~0.979,P=0.001)是社区老年人衰弱及衰弱前期的独立预测因子;未发现年龄、教育程度、CCI、多病共存、应激史、跌倒史、疼痛、焦虑和抑郁与社区老年人衰弱及衰弱前期的相关性。模型公式:Z=1.265×多重用药的赋值+2.437×步行辅助设备的赋值+0.680×自评健康状况的赋值+0.410×睡眠问题的赋值+1.275×营养不良的赋值+1.059×ADL评分的赋值-0.385×退休前职业的赋值-0.05×社会支持得分。4.模型性能H-L拟合优度检验显示模型预测的衰弱及衰弱前期与实际情况之间差异无统计学意义(χ~2=6.828,P=0.555>0.05);ROC曲线下面积AUC为0.749(95%CI=0.708~0.790,P<0.001)。当预测模型取最佳截断值0.468时,约登指数达到最大值0.365,此时的灵敏度为72.6%,特异度为63.9%。结论本研究通过横断面调查收集成都市社区老年人资料,采用Logistics回归建模的方法,初步建立了适合于成都市社区老年人的衰弱及衰弱前期风险预测模型,模型包含退休前职业、多重用药、步行需辅助设备、自评健康状况差/一般、营养不良、睡眠问题、ADL下降和社会支持8个独立预测因子,模型具有较好的预测性能,可为成都市社区老年人衰弱及衰弱前期风险筛查提供依据。