社区老年人肌少症临床预测模型的研究进展

陈海青，贾星玲，陈 静*，孙 嘉，张 涵

1.鹤壁职业技术学院，河南 458000；2.郑州大学

肌少症是与增龄相关的肌肉量减少、肌肉力量下降和（或）躯体功能减退的老年综合征[1]。肌少症会导致老年人生活质量下降[2]，增加老年人跌倒、住院和死亡的风险[3]。研究显示，我国社区居民肌少症的患病率为8.9%～38.8%，80 岁及以上老年人肌少症患病率则高达67.1%[4]。因此，随着我国老龄化社会的到来，肌少症将是我国老年人面临的重大健康问题。肌少症起病隐匿，进展缓慢，常以跌倒、失能等严重并发症为首要表现，易被忽视[5]。因此，早期识别和预防至关重要。临床预测模型是指利用多因素模型估算患有某病的概率或者将来某结局发生的概率[6]。肌少症临床预测模型可以帮助医护人员提前识别可能发生肌少症的高危老年人，从而制定适当的医疗、护理决策[7]。目前已有数个肌少症临床预测模型，但由于各模型构建方法不同、评估指标各异、评估内容不统一，造成了不同的预测结果。鉴于此,本研究对国内外肌少症临床预测模型进行总结、分析，以期为临床实践和后续模型开发提供参考。

1 肌少症临床预测模型的类型

1.1 肌少症筛查问卷

目前，使用最广泛的肌少症筛查问卷有肌少症五条目问卷(Strength、Assistance in Walking，Rise from a Chair，Climb Stairs and Falls，SARC-F）、SARC-F 联合小腿围（SARC-F combined with Calf Circumference，SARC-CalF）和微型肌少症风险评估问卷（Mini Sarcopenia Risk Assessment，MSRA）等。SARC-F 问卷由力量、行走辅助、从椅子上站起来、爬楼梯和跌倒5 个条目组成[8]。多项研究显示，SARC-F 具有较低的敏感性[9-13]，说明该问卷识别肌少症病人的能力较弱，且有学者认为该问卷中除跌倒史外，其他4 个问题的答案均存在主观性，结果可能受老年人生活态度及心理因素的影响，导致结果存在偏倚[14]。尽管存在上述局限性，但是考虑到该问卷较为简单且筛查成本较低，通过评分可以及早发现肌少症，因此，仍被一些学者推荐用于肌少症的筛查[15]。2016年，巴西学者Barbosa-Silva等[16]将SARC-F 问卷和小腿围指标结合形成了SARC-CalF。2020 年，Mo 等[17]的研究结果显示，基于2 种不同的国际金标准，SARC-CalF 均具有中度敏感性和高特异性，与Yang 等[18]的研究结果一致。MSRA问卷包括MSRA-7 和MSRA-5 2 个版本，MSRA-7 问卷由年龄、体力活动水平、住院、体重减轻、每日膳食数、乳制品消费和蛋白质消费方面相关的7 个条目组成，去除每日膳食数及乳制品消费2 个条目,形成MSRA-5[19]。Yang 等[20]基于4 种国际肌少症诊断标准，比较了上述问卷在我国养老院277 名老年人中的应用效果，结果显示，在不同国家金标准下，SARC-CalF的受试者工作特征（ROC）曲线下面积（AUC）最大，表明SARC-CalF 更适用于筛查养老院老年人肌少症。2020 年，波兰学者Krzymińska-Siemaszko 等[21]比较了以上4 个问卷在波兰社区老年人肌少症筛查中的应用效果，结果也表明，SARC-CalF 筛查肌少症的能力最强。但该研究认为，肥胖是小腿围的一个混杂因素，可能会影响SARC-CalF的诊断能力。因此，虽然SARC-F、SARC-CalF、MSRA 是常用的肌少症筛查问卷，但结果易受老年人生理、心理及生活态度等多种因素的影响，其准确性和客观性有待进一步考量。

1.2 Ishii 评分（Ishii Score Chart）

2014 年，日本学者Ishii 等[22]通过调查日本的1 971名功能独立的65 岁及以上的社区居民，构建了Ishii 评分。根据成本、测量的方便性和设备的可用性来选择候选变量，模型最终纳入了年龄、握力和小腿围3 个预测因子，并按性别进行了分层，具体计算公式为：男性得分=0.62×（年龄-64）-3.09×（握力-50）-4.64×（小腿围-42)；女性得分=0.80×（年龄-64）-5.09×（握力-34）-3.28×（小腿围-42)，最佳截断值为男性105 分、女性120 分，男性女性的敏感性分别是84.9%、75.5%，特异性分别是88.2%、92.0%，ROC 曲线下面积分别为0.939，0.909。内部效度评估表明，模型在相似人群中预期良好（男性为0.937，女性为0.907）。2018 年，李敏等[23]应用Ishii 评分对122 例符合标准的社区老年人进行肌少症评估，结果表明，Ishii评分敏感性为男性88.2%、女性82.3%，特异性为男性73.4%、女性71.0%，ROC 曲线下面积男性为0.917、女性为0.859。2021 年，Chen 等[24]以亚洲肌少症工作组（AWGS）2019 版肌少症诊断标准为标准，验证该模型在社区老年人中的预测准确性，结果显示，Ishii 评分预测肌少症的ROC 曲线下面积为0.84，其中女性为0.80～0.89，男性为0.75～0.86。按原始截断值计算（男性105 分，女性120 分），男性、女性的灵敏度分别为64.94%和46.91%；特异度分别为85.46%和93.22%。在新的截断值下（男性和女性分别大于95 分和102分），男性、女性的敏感度分别为70.65%和75.31%；特异度分别为81.35%和79.9%。综上所述，Ishii 评分对于预测社区老年人肌少症具有较高的预测价值。且模型纳入的指标具有客观、易采集和无创的特点，因此可能是简单、可行的肌少症的筛查模型。但由于该模型在不同人群中的截断值不同，因此未来需要进一步扩大样本量来确定在我国社区老年人中应用的最佳截断值。

1.3 肌少症评分评估模型（SarSA-Mod）

2021 年，Shafifiee 等[25]调查收集了2 211 名60 岁及以上老年人的数据开发了SarSA-Mod。其中，开发集（n=1 499）和验证集（n=712），根据测量成本、待测量变量的可行性和可用性以及双变量分析的结果选择候选变量，且所有分析均按性别分层，最终纳入了年龄、体重和小腿围3 个预测因子。模型的具体计算公式为：男性得分=(1.4×年龄)-(1.2×小腿围)-(0.5×体重)-37.42；女性得分=(0.2×年龄)-(1.7×小腿围)-(体重+92.56)。结果显示，该模型的ROC 曲线下面积男性为0.82、女性为0.87。男性和女性最佳截断值分别为-19.07 和-14.19，男性敏感性为85.4%、特异性为64.8%，女性敏感性为84.3%、特异性为76.0%。内部验证结果：模型的性能在开发和验证数据集中没有显著差异。同时，该研究还比较了模型与SARC-F、SARCF-Calf(31 cm)和SARCF-Calf(33/34 cm) 在总人口中的不同性别的ROC 曲线下面积，结果显示，SarSA-Mod 的ROC 曲线下面积大，女性为0.88、男性为0.83。表明SarSA-Mod 作为一种简单、无创、可行的肌少症预测模型，具有较高的灵敏度和准确性，在筛查肌少症方面优于SARC-F 和SARC-Calf。但是，目前尚未见SarSA-Mod 模型的临床验证，缺乏外部验证结果的支持，今后尚需扩大样本量，以验证其适用性、预测性能及一致性，缩小偏倚，并应用外部验证结果进一步完善预测模型。

1.4 肌少症列线图模型

2020 年，台湾学者Tseng 等[26]通过回顾台湾健康与福利(TIHW)研究的横断面数据，研发了肌少症风险评分模型。该评分模型通过逐步逻辑回归分析，将女性、年龄、领取社会救助养老金、缺乏运动、体重过轻、空腹血糖异常、肌酐异常作为风险预测因子。通过计算调整后的比值比来确定每个项目的权重。该模型在测试数据集上进行了验证，截断值为76 分,敏感度、特异度和ROC 曲线下面积分别为71.8%、71.1% 和0.757。表明该模型具有良好的敏感性和特异性，其评分结果可以帮助护士指导老年人进行肌少症的健康教育。但由于个别预测因子需要血液检验，这可能限制了模型在社区老年人中的应用。此外，目前也尚未见到该模型的临床验证，缺乏外部验证结果的支持，今后尚需扩大样本量进行外部验证，以验证其适用性、预测性及一致性。

列线图是临床预测模型的一种图形表示形式，被广泛应用于临床研究中[27-30]。列线图模型是基于个体预测变量的数值计算得分，然后根据得分计算某事件或生存概率的风险[31]。2022 年，莫懿晗等[32]通过调查居住在社区的1 050 名老年人的数据构建了肌少症的列线图预测模型，分为开发集(n=840)和验证集(n=210)。通过多变量回归模型纳入了年龄、体质指数、婚姻状况、体育活动习惯、久坐时间和饮食多样性等肌少症影响因素作为预测因子，结果显示，开发集和验证集的AUC 分别为0.827 和0.755，开发集的最佳截断值为0.286，灵敏度和特异度分别为68.1%和82.5%。在验证集中截断值为0.224，灵敏度和特异度分别为0.679和0.758，表明该模型具有良好的敏感性、特异性和预测性能，且与其他模型相比，该模型结果可清楚、直观地呈现，易于理解，且根据预测结果可以对肌少症进行低、中和高风险的分类，有助于促进肌少症分级健康管理，因此该模型具有良好的临床实用性，尤其适合在电脑使用受限的基层社区医疗机构中使用[33]。但由于模型未纳入共病、吸烟、饮酒等肌少症的危险因素，可能限制了模型的预测能力，因此未来需要纳入更多的预测因子，进一步提高模型的预测能力。

1.5 基于机器学习构建的肌少症预测模型

近年来，随着互联网和大数据的发展，利用大数据分析、机器学习算法预测及辅助临床疾病诊断等方面的研究逐渐成为热点[34-35]，由于机器学习算法在处理复杂数据问题时准确度较高[36]，也被研究者用于对肌少症的预测研究。

2019 年，Kang 等[37]根据韩国国家健康和营养检查调查收集了4 020 名≥65 岁参与者（男1 698 人、女2 322 人），通过对数据的管理，建立了基于逻辑回归、支持向量机、梯度增强和随机森林算法的肌少症临床预测模型。结果显示，男性重要的危险因素是体质指数、红细胞计数、血尿素氮、维生素D、铁蛋白、纤维素摄入量、原发性舒张压、白细胞计数、脂肪摄入量、年龄、谷丙酮转氨酶、烟酸摄入量、蛋白质摄入量、空腹血糖和水摄入量；女性重要的危险因素是体质指数、水摄入量、白细胞、红细胞计数、铁摄入量、尿素氮、高密度脂蛋白、蛋白质摄入量、纤维素摄入量、维生素C 摄入量、甲状旁腺激素、烟酸摄入量、胡萝卜素摄入量、钾摄入量、钙摄入量、钠摄入量、维生素A 摄入量和年龄。4种模型的AUC 分别为随机森林算法男性0.82、女性0.78；支持向量算法男性0.80、女性0.81；梯度提升算法男性女性均为0.81；逻辑回归算法男性0.82、女性0.80。因此，4 个模型的ROC 曲线下面积在性别上没有显著差异。但是该研究未报告外部验证的结果，而且模型未经临床应用，且该研究的结果是基于韩国老年人群，考虑到生活习惯、饮食习惯可能会影响研究结果。因此，该模型在我国老年人群中预测性能还需要进一步研究确定。

2022 年，岳益兵等[38]利用5 641 名人员的体检数据，通过使用K 近邻的方法填充缺失值，用5 折交叉验证法，将数据集均分为5 份，其中1 份作为测试集，4 份作为训练集进行5 折交叉训练，比较了LightGBM（Light Gradient Boosting Machine）、决策树、K 近邻、随机森林、支持向量机、朴素贝叶斯、人工神经网络和逻辑回归8 种机器学习模型在肌少症预测方面的性能。结果显示，肌少症的主要风险因素有12 个，分别为年龄、体重、身高、体质指数、腰围、臀围、舒张压、平均红细胞血红蛋白量、高密度脂蛋白、平均红细胞体积、红细胞、三酰甘油。在本研究评估的8 种模型中，LightGBM 模型、随机森林模型和逻辑回归算法模型在预测肌少症的总体性能指标方面优于其他模型，测试集ROC 曲线下面积分别为0.979，0.970，0.936。虽然该研究样本量较大，但研究方法只采用了一种过采样方法，而过采样后得到的数据并不是原始的真实数据，对预测结果会有一定的影响。因此该模型存在偏倚风险，未来需要进行外部验证，以明确模型的预测性能和临床应用价值。

2 肌少症临床预测模型的比较分析

2.1 肌少症临床预测模型的危险因素比较

2021 年，一项纳入了68 项研究、涉及98 502 例病人的Meta 分析显示，社区老年人肌少症的相关因素包括年龄、婚姻状况、日常生活活动能力（ADL）、体重不足、吸烟、缺乏体力活动、营养不良/营养不良风险、睡眠时间，独居、糖尿病、认知障碍、心脏病、呼吸道疾病、骨质疏松症、骨关节炎、抑郁、贫血等；未明确性别、超重/肥胖、高脂血症、癌症、疼痛和肾脏疾病是否与肌少症相关[39]。此研究中，6 项[22,25-26,32,37-38]研究纳入了年龄,5 项[25-26,32,37-38]研究纳入了体重/体质指数,2 项[26,32]研究纳入了体力活动情况,2 项[22,25]研究纳入了小腿围,2 项[26,37]研究纳入了空腹血糖进行分析，其他危险因素包括性别、握力、饮食习惯等。 由此可见，不同模型纳入的危险因素不同，每个危险因素在肌少症中发挥的作用也是不明确的，因此，无法明确危险因素与肌少症发生风险之间的关系。未来可能需要进一步开发验证基于多种危险因素的预测模型，以提高模型的预测性能。

2.2 肌少症临床预测模型的内部和外部验证比较

从内部验证分析，6 项[22,25-26,32,37-38]研究进行了内部验证，内部验证可减少模型过度拟合，从而得到更为可靠的模型预测准确性评估值。从外部验证分析，仅1项［22］研究报告了外部验证结果，外部验证主要是通过临床应用评价模型预测性能，并且利用外部验证新收集的资料和原有累积资料进行分析后重新建模，使模型动态更新，为模型的优化定型和大范围使用提供基础。由于未检索到大部分模型的外部验证，因此，无法评价预测性能和模型的优劣。未来需要在社区老年人群中进行研究。

3 小结及展望

国内外报道的肌少症临床预测模型均具有较好的预测效能和临床使用价值，但由于构建模型的人群、统计方法和纳入危险因素不同、收集资料受限、缺乏外部验证，使各种预测模型都有其局限性。医护人员需结合临床的实际情况，选择合适的预测模型进行肌少症的风险预测。未来在模型构建过程中应当遵循个体预后与诊断预测模型研究报告规范（TRIPOD）［40］，纳入更多肌少症生活行为相关的危险因素，为肌少症的早期筛查与医疗护理决策提供更可靠的理论依据。