基于中国CHARLS数据库的老年人跌倒风险预测模型

研究背景

随着全球老龄化加剧，跌倒成为65岁以上老年人伤害相关死亡的第二大原因。中国老年人群跌倒发生率（14.7%-34%）和死亡率（36.7每10万人）较高，但现有风险评估工具多基于欧美人群数据，缺乏针对中国人群的针对性研究。跌倒风险涉及复杂的多因素交互作用，包括生理功能下降、认知障碍、慢性疾病及药物使用等。尽管国际上有多种评估工具（如STRATIFY、功能性评估量表），但这些工具常依赖单一或有限变量，难以全面反映风险。此外，现有模型缺乏对中国人群遗传、环境和生活方式差异的考量。本研究首次基于CHARLS数据库，结合中国老年人群特征，创新性地引入列线图模型，整合多维度预测因子，以提供更精准的跌倒风险评估。

数据来源

研究数据来源于2015年中国健康与退休追踪调查（CHARLS），覆盖中国45岁及以上人群，由北京大学国家发展研究院管理。原始样本包含21,095名受访者，经严格筛选后纳入4,913名60岁及以上老年人。排除标准包括：跌倒记录缺失（183人）、人口学数据缺失（325人）、体格指标缺失（4,838人）、健康状态数据缺失（323人）、吸烟/饮酒数据缺失（15人）、睡眠数据缺失（202人）、ADL评分缺失（5,144人）、认知功能数据缺失（205人）、抑郁量表数据缺失（815人）、慢性病及用药数据缺失（58人）以及年龄未满60岁（4,074人）。最终纳入的变量涵盖生物因素（年龄、性别、肥胖程度、居住地、婚姻状况）、行为因素（吸烟、饮酒、睡眠质量、夜间睡眠时长）和健康状况（视力、听力、握力、疼痛、ADL评分、认知功能、抑郁状态、慢性病及用药）。

研究方法

研究采用回顾性队列设计，将样本随机分为训练集（70%，3,439人）和验证集（30%，1,474人）。首先通过LASSO回归（最小绝对收缩与选择算子）筛选变量，利用10折交叉验证确定最优λ值（λ=0.011），保留非零系数变量。随后，将筛选出的变量纳入多因素逻辑回归模型，计算比值比（OR）及95%置信区间，构建列线图模型。模型性能通过受试者工作特征曲线下面积（AUC）评估区分能力，校准曲线和Hosmer-Lemeshow检验评估预测与实际观测的一致性，决策曲线分析（DCA）评估临床实用性。

结果

研究人群的基线特征

本研究共纳入4913人其中男性2246人（45.7%），女性2667人（54.3%），6.7%年龄在80岁及以上。跌倒发生率为22.02% (1082/4913)。跌倒者与未跌倒者之间的性别、居住地、吸烟、睡眠质量、睡眠时间、视力、听力、握力、ADL评分、认知、健康、抑郁、高血压、糖尿病或高血糖、慢性肝病、肝病、心脏病、肾病、消化系统疾病、精神疾病、关节炎或风湿、哮喘和疼痛药物等几个因素存在显著差异(p  < 0.05)。

特征选择

LASSO回归筛选出9个预测因子：夜间睡眠时长（OR=0.957）、ADL评分（OR=0.782）、听力障碍（OR=0.715）、认知功能（OR=0.978）、抑郁状态（OR=1.475）、自评健康差（OR=0.694）、慢性肾病（OR=1.728）、止痛药使用（OR=1.388）及握力（OR=0.987）。多因素逻辑回归显示，上述变量均显著（P<0.05），其中抑郁状态（P=1.86×10⁻⁵）和慢性肾病（P=0.0002）关联性最强。

预测模型开发

使用LASSO回归分析筛选基于10倍交叉验证的最佳预测变量，并进行多变量逻辑回归以创建预测模型。预测模型由多变量逻辑回归中p值小于0.05的变量组成。这些变量包括睡眠时间、ADL评分、听力、握力、认知、抑郁、健康、肾脏疾病和疼痛药物作为预测因子。预测模型以列线图形式呈现，可用于定量预测老年人跌倒风险。

预测模型的验证

通过检查训练集和验证集中老年人群跌倒风险的发生率，计算区分AUC值来评估预测模型区分模型的能力。在训练集中，预测模型的AUC值为0.644（95％CI = 0.621–0.666），特异性为0.695，灵敏度为0.522。在验证集中，AUC值为0.644（95％CI = 0.611–0.678），特异性为0.629，灵敏度为0.577。这些数据表明，列线图具有一定的区分能力和预测价值，可以在一定程度上正确识别老年人群是否跌倒的风险。

预测模型的校准

 使用校准图和Hosmer-Lemeshow拟合优度检验(p > 0.05表明模型拟合度非常好)来评估列线图。检验结果表明，该模型对训练集(χ2 = 2.9609，df = 8，p  = 0.9368)和验证集(χ2 = 4.0294，df = 8，p  = 0.8545)均有很好的拟合度。基于多因素逻辑回归模型的校准曲线显示，训练和验证集中老年人跌倒的预测概率和实际概率之间高度一致。

临床效果评估

使用决策曲线分析（DCA）方法评估模型的临床效度，决策曲线显示，预测模型对于内部验证集的净收益高于两种极端情景，表明列线图模型具有更高的净收益和预测准确率。

总结

研究成功构建基于CHARLS数据库的中国老年跌倒风险预测列线图模型，涵盖睡眠、握力、抑郁等9个关键因素。模型区分度中等（AUC≈0.644），但校准度良好，具备临床实用性。该工具可帮助识别高风险个体，指导针对性干预，降低跌倒发生率。