论文部分内容阅读
基于电子病历和机器学习构建老年住院病人电子衰弱指数背景:推动“健康老龄化”是我国积极应对人口老龄化的关键举措,而衰弱作为老年人健康生活的阻碍,需要尽早识别并尽快干预。当前,利用电子病历识别老年住院患者衰弱状态是解决这一问题的有效方法。因此,本研究拟联合机器学习和电子病历技术构建老年住院病人电子衰弱指数。方法:本研究入组2013年7月至2019年9月期间年龄≥65岁首次入院患者47349例作为训练集和验证集,并构建独立前瞻性老年住院患者综合评估队列993例作为测试集,纳入电子病历数据库中175个变量,以衰弱相关院内不良事件（长住院、日常生活活动能力下降、院内死亡）作为结局变量,采用XGBoost算法筛选变量,并依据“衰弱缺陷累积模型”构建电子衰弱指数（Electronic Frailty Index,eFI）。在测试集中评价eFI对衰弱相关院内不良事件及出院后1年不良事件（全因死亡、全因再入院、意外跌倒）发生风险的预测能力,并验证eFI与经典衰弱指数相关程度。结果:根据XGBoost模型变量重要性排序,共筛选出66个变量构成eFI。eFI与院内不良事件发生风险显著相关（长住院OR=1.923,95%CI:1.886-1.961,p<0.001;ADL 评分下降 OR=2.19,95%CI:2.124-2.259,p<0.001;院内死亡 OR=2.255,95%CI:2.050-2.363,p<0.001;复合终点 OR=2.217,95%CI:2.171-2.261,p<0.001）。eFI与出院1年不良事件发生风险显著相关（全因死亡HR=2.830,95%CI:1.935-4.138,p<0.001;全因再入院 HR=1.431,95%CI:1.263-1.621,p<0.001;意外跌倒 HR=1.417,95%CI:1.137-1.766,p=0.002;复合终点 HR=1.492,95%CI:1.332-1.672,p<0.001）。eFI与老年综合评估衰弱指数（CGA-FI）显著相关（相关性系数=0.679,95%CI:0.612-0.684,p<0.001）。根据多个终点事件诊断性ROC曲线的最大约登指数综合分析,确定eFI诊断衰弱最佳切点为0.258,诊断衰弱ROC 曲线下面积 0.821（95%CI:0.794-0.848）,敏感度 0.794（95%CI:0.746-0.836）,特异度0.718（95%CI:0.682-0.752）。通过eFI诊断电子病历队列中衰弱患者占比为27.0%（n=12774）。相较于非衰弱患者,衰弱患者发生衰弱相关院内不良事件风险明显增高（长住院 OR=3.611,95%CI:3.442-3.780,p<0.001;ADL 评分下降OR=7.646,95%CI:6.992-8.354,p<0.001;院内死亡 OR=5.010,95%CI:4.361-5.757,p<0.001;复合终点 OR=4.693,95%CI:4.482-4.916,p<0.001）,且衰弱是老年住院患者出院1年内不良事件的独立预测因子（全因死亡HR=6.72,95%CI:2.84-15.94,p<0.001;全因再入院 HR=2.16,95%CI:1.69-2.76,p<0.001;意外跌倒 HR=2.01,95%CI:1.30-3.11,p=0.0019;复合终点 HR=2.33,95%CI:1.86-2.91,p<0.0001）。结论:基于电子病历和机器学习构建的电子衰弱指数能较好地预测老年住院患者住院期间及出院后1年内的不良事件发生风险,这为医疗健康机构识别衰弱患者提供了技术支持,也为实现精准、高效干预衰弱这一目标打下了基础。基于机器学习和结构方程模型识别衰弱临床亚型研究背景:衰弱作为老年人非健康衰老的重要表现,及时有效的干预可以改善或逆转衰弱状态,进而避免不良事件发生并节约相应的医疗资源。但现有的衰弱干预手段缺乏针对性,并不能对改善衰弱或降低不良预后风险。随着对衰弱发病机制认识的加深,人们逐渐发现由不同病生理机制主导的衰弱亚型在临床特征和预后等方面差异明显,这说明衰弱临床亚型的识别不仅可以更好地预测衰弱患者预后,而且可以使衰弱干预更有效率和针对性。本研究目标是从衰弱病生理机制角度出发,利用机器学习和结构方程模型识别衰弱临床亚型并明确不同亚型的临床特征及预后特点。方法:本研究将电子病历队列中衰弱人群（n=12774）作为训练集,衰弱综合评估队列衰弱人群（n=245）作为测试集。通过主成分分析、层次聚类分析等方法分析衰弱人群特征变量间的关系,采用偏最小二乘法建立衰弱结构方程模型。通过偏最小二乘法结构方程模型（PLS-SEM）识别并量化衰弱相关潜变量,并通过测试集评价潜变量与相应临床指标相关程度。其后,量化衰弱相关潜变量并采用K-means方法识别衰弱临床亚型,通过Kaplan-Meier生存曲线分析、多因素Logistic回归分析及多因素COX分析回归明确不同亚型的临床特征及预后特点。结果:衰弱PLS-SEM模型包含营养不良、代谢失衡、疾病、炎症反应、多重用药及功能衰退6个潜变量,其中功能衰退与衰弱间路径系数较大,约为0.49（95%CI:0.48-0.50,p<0.0001）。测试集中,潜变量营养不良、代谢失衡、炎症反应及功能衰退分别与MNA-SF评分、HbA1c、hs-CRP及SPPB体能评分具有相关性（p<0.0001）。依据最大簇内方差变化情况等方法确定最佳分类数目为3,并通过K-means聚类识别3个衰弱临床亚型,即:“炎症-代谢型”、“炎症-营养-功能衰退型”和“共病型”。多因素Logistic回归分析校正年龄、性别、教育程度及入院科别后,相较于其他亚型,“炎症-营养-功能衰退型”与院内不良事件发生风险增高显著相关（院内死亡OR=2.992,95%CI:2.512-3.564,p<0.0001;长住院 OR=2.846,95%CI:2.557-3.170,p<0.0001;ADL 评分下降 OR=1.330,95%CI:1.155-1.532,p<0.0001;复合终点 OR=2.622,95%CI:2.349-3.924,p<0.0001）。多因素 COX 回归分析提示,校正年龄、性别、教育程度及入院科别后,“炎症-营养-功能衰退型“出院1年全因再入院、意外跌倒及复合终点发生风险较其他亚型显著增高（全因死亡HR=2.296,95%CI:0.814-6.475,p=0.116;全因再入院 HR=1.831,95%CI:1.121-2.989,p=0.015;意外跌倒 HR=1.452,95%CI:1.196-3.166,p<0.001;复合终点 HR=1.706,95%CI:1.083-2.688,p=0.021）。结论:功能衰退、炎症反应、疾病、代谢失衡、营养不良和多重用药是导致衰弱发生发展的潜在机制。衰弱人群存在3个临床亚型,即“炎症-代谢型”、“炎症-营养-功能衰退型”和“共病型”,这3个亚型临床特征和预后特点显著不同。进一步的研究可以尝试对不同衰弱临床亚型实施精准干预,从而更有针对性地改善衰弱并降低衰弱相关不良事件发生风险。肠道菌群代谢物氧化三甲胺与老年心血管患者衰弱相关性及预后价值研究背景:肠道菌群代谢产物氧化三甲胺（Trimethylamine N-oxide,TMAO）参与多种心血管病的病生理过程,越来越多研究提示TMAO在机体衰老过程中发挥重要作用。衰弱作为多系统器官衰老的综合表现,与老年心血管病人不良预后显著相关。目前多项研究结果提示肠道菌群失调可能诱发或加速衰弱,但相关机制或效应因子仍未阐明。TMAO作为近年来微生态领域关注度最高的肠道菌群代谢产物之一,与肠道菌群失调明确相关,但TMAO与衰弱的关系尚未有研究证明。本研究通过建立前瞻性老年心血管病患者综合评估队列,探讨老年心血管患者中TMAO与衰弱的相关性。方法:本研究连续入选2018年9月至2019年2月间就诊于北京医院心血管内科的451位65岁及以上完成综合老年评估的心血管病患者,由48个变量组成的衰弱指数被用来评估患者衰弱状态,并同时评估患者体能衰弱及认知衰弱情况。静脉血清中TMAO浓度通过同位素稀释超高效液相色谱及串联质谱测得。根据血清TMAO浓度水平将受试者分为四分组或高低双水平组,采用多因素Logistic回归分析血清TMAO浓度与衰弱的相关性,多因素COX回归用于评价血清TMAO浓度对老年心血管病患者预后的影响。本研究终点是出院1年内全因死亡、全因再入院、意外跌倒及其复合终点事件。结果:本研究中衰弱患者占比为29.9%（135/451）。衰弱组血清TMAO浓度显著高于非衰弱组（4.04[2.84-7.01]vs.3.21[2.13-5.03]μM,p<0.001）。高水平血清TMAO浓度与衰弱风险独立相关（OR=2.12,95%CI:1.01-4.38,p=0.046）。剂量-反应分析提示血清TMAO浓度与衰弱风险呈线性正相关。血清TMAO浓度的增高与体能衰弱和认知衰弱显著相关（OR=1.21,95%CI:1.01-1.45,p for trend 0.04）。血清TMAO高水平组（TMAO≥6.91μM）较低水平组1年复合终点事件发生风险显著增高（p=0.019）,1年全因死亡风险差异无统计学意义（p=0.24）,1年全因再入院风险显著增高（p=0.022）,1年跌倒风险增高但差异无统计学意义（p=0.077）。多因素COX回归分析中,高水平血清TMAO浓度（TMAO≥6.91μM）是老年心血管病人复合终点事件（全因死亡、全因再入院、意外跌倒）的独立危险因素（HR=1.63,95%CI:1.02-2.6,p=0.04）。衰弱组中,复合终点发生风险随血清TMAO浓度增加而增加;非衰弱组中,复合终点发生风险随TMAO浓度增加的趋势不显著。结论:老年心血管病患者中,血清TMAO浓度与衰弱状态正相关,血清TMAO浓度增加与衰弱风险上升显著相关,且血清TMAO浓度增高与体能衰弱和认知衰弱风险正相关。长期随访中,高水平血清TMAO浓度是老年心血管病患者不良预后的独立危险因子。高水平血清TMAO浓度可增加老年心血管病患者复合终点事件风险显著增高,且衰弱患者不良预后风险随TMAO浓度增加的程度更加显著。