护理研究

项目	分类	人数	无衰弱组（n=992）	衰弱组（n=374）	χ²值	P
性别	男	675	498（50.2）	177（47.3）	0.898	0.343
	女	691	494（49.8）	197（52.7）
年龄	60~64岁	329	232（23.4）	97（25.9）	7.345	0.119
	65~69岁	380	274（27.6）	106（28.3）
	70~74岁	365	272（27.4）	93（24.9）
	75~79岁	172	117（11.8）	55（14.7）
	≥80岁	120	97（9.8）	23（6.2）
文化程度	文盲	407	304（30.6）	103（27.5）	5.164	0.160
	小学	651	479（48.4）	172（46.0）
	初中	267	183（18.4）	84（22.5）
	高中及以上	41	26（2.6）	15（4.0）
婚姻状况	已婚	1 063	769（77.5）	294（78.6）	0.167	0.666
	未婚/离异/丧偶	303	223（22.5）	80（21.4）
家庭构成	与配偶居住	517	357（36.0）	160（42.8）	7.901	0.048
	与子女和配偶居住	442	341（34.4）	101（27.0）
	与子女居住	313	226（22.7）	87（23.2）
	其他	94	68（6.9）	26（7.0）
家庭月收入	<1 000元	978	727（73.3）	251（67.1）	5.091	0.024
	≥1 000元	388	265（26.7）	123（32.9）
收入来源	经营性收入	128	97（9.8）	31（8.3）	17.134	0.001
	工资性收入	495	389（39.2）	106（28.3）
	财产性收入	109	74（7.5）	35（9.4）
	转移性收入	634	432（43.5）	202（54.0）
体质指数（BMI）	消瘦	46	29（2.9）	17（4.5）	3.407	0.333
	标准	446	318（32.1）	128（34.2）
	超重	479	350（35.3）	129（34.5）
	肥胖	395	295（29.7）	100（26.8）
是否吸烟	否	1 176	864（87.1）	312（83.4）	3.062	0.080
	是	190	128（12.9）	62（16.6）
是否饮酒	否	1 225	893（90.0）	332（88.8）	0.459	0.498
	是	141	99（10.0）	42（11.2）
自评健康状况	非常好	44	36（3.6）	8（2.2）	9.049	0.060
	好	433	329（33.1）	104（27.8）
	一般	498	362（36.5）	136（36.4）
	差	332	226（22.9）	106（28.3）
	非常差	59	39（3.9）	20（5.3）
营养状况	正常	1 122	816（82.3）	306（81.8）	0.275	0.872
	存在营养风险	219	159（16.0）	60（16.0）
	营养不良	25	17（1.7）	8（2.2）
共病程度	轻度	852	631（63.6）	221（59.1）	2.362	0.124
	重度	514	361（36.4）	153（40.9）
视力	正常	597	477（48.1）	120（32.1）	28.257	<0.001
	下降	769	515（51.9）	254（67.9）
听力	正常	705	530（53.4）	175（46.8）	4.789	0.029
	下降	661	462（46.6）	199（53.2）
握力	正常	675	490（49.4）	185（49.5）	0.001	0.982
	下降	691	502（50.6）	189（50.5）
小腿围	正常	747	553（55.7）	194（51.9）	1.645	0.200
	下降	619	439（44.3）	180（48.1）
SPPB	优秀	811	591（59.6）	220（58.8）	8.216	0.042
	正常	455	340（34.3）	115（30.7）
	轻度受限	87	54（5.4）	33（8.8）
	严重受限	13	7（0.7）	6（1.7）
牙齿数量	≤10颗	572	431（43.4）	141（37.7）	3.688	0.158
	11~20颗	476	336（33.9）	140（37.4）
	≥21颗	318	225（22.7）	93（24.9）
是否佩戴假牙	是	882	651（65.6）	231（61.8）	1.769	0.183
	否	484	341（34.4）	143（38.2）
吞咽功能	正常	1 173	865（87.2）	308（82.4）	5.254	0.022
	异常	193	127（12.8）	66（17.6）
跌倒风险	无	713	583（58.8）	130（34.8）	62.754	<0.001
	有	653	409（41.2）	244（65.2）
睡眠质量	正常	910	756（76.2）	154（41.2）	149.895	<0.001
	异常	456	236（23.8）	220（58.8）
认知状况	正常	884	640（64.5）	244（65.2）	0.062	0.803
	异常	482	352（35.5）	130（34.8）
焦虑状况	正常	1 311	981（98.9）	330（88.2）	87.760	<0.001
	中度	32	11（1.1）	21（5.6）
	重度	23	0（0.0）	23（6.2）
抑郁状况	正常	1 293	967（97.5）	326（87.2）	57.118	<0.001
	异常	73	25（2.5）	48（12.8）
社会支持水平	低	14	10（1.0）	4（1.0）		0.317^①
	中等	1 029	737（74.3）	292（78.1）
	高	323	245（24.7）	78（20.9）

项目	分类	人数	无衰弱组（n=992）	衰弱组（n=374）	χ²值	P
性别	男	675	498（50.2）	177（47.3）	0.898	0.343
	女	691	494（49.8）	197（52.7）
年龄	60~64岁	329	232（23.4）	97（25.9）	7.345	0.119
	65~69岁	380	274（27.6）	106（28.3）
	70~74岁	365	272（27.4）	93（24.9）
	75~79岁	172	117（11.8）	55（14.7）
	≥80岁	120	97（9.8）	23（6.2）
文化程度	文盲	407	304（30.6）	103（27.5）	5.164	0.160
	小学	651	479（48.4）	172（46.0）
	初中	267	183（18.4）	84（22.5）
	高中及以上	41	26（2.6）	15（4.0）
婚姻状况	已婚	1 063	769（77.5）	294（78.6）	0.167	0.666
	未婚/离异/丧偶	303	223（22.5）	80（21.4）
家庭构成	与配偶居住	517	357（36.0）	160（42.8）	7.901	0.048
	与子女和配偶居住	442	341（34.4）	101（27.0）
	与子女居住	313	226（22.7）	87（23.2）
	其他	94	68（6.9）	26（7.0）
家庭月收入	<1 000元	978	727（73.3）	251（67.1）	5.091	0.024
	≥1 000元	388	265（26.7）	123（32.9）
收入来源	经营性收入	128	97（9.8）	31（8.3）	17.134	0.001
	工资性收入	495	389（39.2）	106（28.3）
	财产性收入	109	74（7.5）	35（9.4）
	转移性收入	634	432（43.5）	202（54.0）
体质指数（BMI）	消瘦	46	29（2.9）	17（4.5）	3.407	0.333
	标准	446	318（32.1）	128（34.2）
	超重	479	350（35.3）	129（34.5）
	肥胖	395	295（29.7）	100（26.8）
是否吸烟	否	1 176	864（87.1）	312（83.4）	3.062	0.080
	是	190	128（12.9）	62（16.6）
是否饮酒	否	1 225	893（90.0）	332（88.8）	0.459	0.498
	是	141	99（10.0）	42（11.2）
自评健康状况	非常好	44	36（3.6）	8（2.2）	9.049	0.060
	好	433	329（33.1）	104（27.8）
	一般	498	362（36.5）	136（36.4）
	差	332	226（22.9）	106（28.3）
	非常差	59	39（3.9）	20（5.3）
营养状况	正常	1 122	816（82.3）	306（81.8）	0.275	0.872
	存在营养风险	219	159（16.0）	60（16.0）
	营养不良	25	17（1.7）	8（2.2）
共病程度	轻度	852	631（63.6）	221（59.1）	2.362	0.124
	重度	514	361（36.4）	153（40.9）
视力	正常	597	477（48.1）	120（32.1）	28.257	<0.001
	下降	769	515（51.9）	254（67.9）
听力	正常	705	530（53.4）	175（46.8）	4.789	0.029
	下降	661	462（46.6）	199（53.2）
握力	正常	675	490（49.4）	185（49.5）	0.001	0.982
	下降	691	502（50.6）	189（50.5）
小腿围	正常	747	553（55.7）	194（51.9）	1.645	0.200
	下降	619	439（44.3）	180（48.1）
SPPB	优秀	811	591（59.6）	220（58.8）	8.216	0.042
	正常	455	340（34.3）	115（30.7）
	轻度受限	87	54（5.4）	33（8.8）
	严重受限	13	7（0.7）	6（1.7）
牙齿数量	≤10颗	572	431（43.4）	141（37.7）	3.688	0.158
	11~20颗	476	336（33.9）	140（37.4）
	≥21颗	318	225（22.7）	93（24.9）
是否佩戴假牙	是	882	651（65.6）	231（61.8）	1.769	0.183
	否	484	341（34.4）	143（38.2）
吞咽功能	正常	1 173	865（87.2）	308（82.4）	5.254	0.022
	异常	193	127（12.8）	66（17.6）
跌倒风险	无	713	583（58.8）	130（34.8）	62.754	<0.001
	有	653	409（41.2）	244（65.2）
睡眠质量	正常	910	756（76.2）	154（41.2）	149.895	<0.001
	异常	456	236（23.8）	220（58.8）
认知状况	正常	884	640（64.5）	244（65.2）	0.062	0.803
	异常	482	352（35.5）	130（34.8）
焦虑状况	正常	1 311	981（98.9）	330（88.2）	87.760	<0.001
	中度	32	11（1.1）	21（5.6）
	重度	23	0（0.0）	23（6.2）
抑郁状况	正常	1 293	967（97.5）	326（87.2）	57.118	<0.001
	异常	73	25（2.5）	48（12.8）
社会支持水平	低	14	10（1.0）	4（1.0）		0.317^①
	中等	1 029	737（74.3）	292（78.1）
	高	323	245（24.7）	78（20.9）

模型	分类	AUC	AUPRC	分类正确率	灵敏度	特异度	阳性预测值	阴性预测值	F1分数
RF	训练集	0.776 [0.752,0.799]	0.653 [0.623,0.683]	0.829 [0.804,0.852]	0.951 [0.935,0.964]	0.504 [0.471,0.537]	0.836 [0.811,0.859]	0.795 [0.757,0.830]	0.890 [0.872,0.906]
	内部验证集	0.783 [0.746,0.820]	0.668 [0.627,0.709]	0.819 [0.779,0.855]	0.963 [0.935,0.981]	0.438 [0.383,0.494]	0.819 [0.779,0.855]	0.817 [0.757,0.868]	0.885 [0.855,0.912]
XGBoost	训练集	0.835 [0.814,0.855]	0.718 [0.690,0.745]	0.835 [0.811,0.857]	0.947 [0.931,0.960]	0.538 [0.505,0.571]	0.845 [0.821,0.867]	0.792 [0.754,0.827]	0.893 [0.876,0.909]
	内部验证集	0.829 [0.793,0.865]	0.695 [0.653,0.737]	0.829 [0.789,0.865]	0.956 [0.928,0.976]	0.491 [0.436,0.546]	0.833 [0.792,0.870]	0.809 [0.748,0.862]	0.890 [0.860,0.917]
LR	训练集	0.806 [0.784,0.828]	0.635 [0.605,0.665]	0.815 [0.790,0.838]	0.940 [0.923,0.954]	0.485 [0.452,0.518]	0.829 [0.804,0.853]	0.751 [0.711,0.788]	0.881 [0.862,0.899]
	内部验证集	0.792 [0.754,0.830]	0.624 [0.582,0.666]	0.804 [0.763,0.842]	0.953 [0.924,0.974]	0.411 [0.357,0.467]	0.811 [0.769,0.849]	0.767 [0.704,0.822]	0.876 [0.845,0.904]
SVM	训练集	0.819 [0.798,0.840]	0.633 [0.603,0.663]	0.819 [0.794,0.842]	0.940 [0.923,0.954]	0.500 [0.467,0.533]	0.833 [0.808,0.856]	0.757 [0.717,0.794]	0.883 [0.864,0.901]
	内部验证集	0.827 [0.791,0.863]	0.633 [0.591,0.675]	0.804 [0.763,0.842]	0.953 [0.924,0.974]	0.411 [0.357,0.467]	0.811 [0.769,0.849]	0.767 [0.704,0.822]	0.876 [0.845,0.904]
ANN	训练集	0.842 [0.822,0.861]	0.733 [0.706,0.760]	0.836 [0.812,0.858]	0.947 [0.931,0.960]	0.542 [0.509,0.575]	0.846 [0.822,0.868]	0.793 [0.755,0.828]	0.893 [0.876,0.909]
	内部验证集	0.825 [0.789,0.861]	0.715 [0.674,0.756]	0.831 [0.791,0.867]	0.956 [0.928,0.976]	0.500 [0.445,0.555]	0.835 [0.794,0.872]	0.812 [0.752,0.864]	0.892 [0.862,0.918]

模型	分类	AUC	AUPRC	分类正确率	灵敏度	特异度	阳性预测值	阴性预测值	F1分数
RF	训练集	0.776 [0.752,0.799]	0.653 [0.623,0.683]	0.829 [0.804,0.852]	0.951 [0.935,0.964]	0.504 [0.471,0.537]	0.836 [0.811,0.859]	0.795 [0.757,0.830]	0.890 [0.872,0.906]
	内部验证集	0.783 [0.746,0.820]	0.668 [0.627,0.709]	0.819 [0.779,0.855]	0.963 [0.935,0.981]	0.438 [0.383,0.494]	0.819 [0.779,0.855]	0.817 [0.757,0.868]	0.885 [0.855,0.912]
XGBoost	训练集	0.835 [0.814,0.855]	0.718 [0.690,0.745]	0.835 [0.811,0.857]	0.947 [0.931,0.960]	0.538 [0.505,0.571]	0.845 [0.821,0.867]	0.792 [0.754,0.827]	0.893 [0.876,0.909]
	内部验证集	0.829 [0.793,0.865]	0.695 [0.653,0.737]	0.829 [0.789,0.865]	0.956 [0.928,0.976]	0.491 [0.436,0.546]	0.833 [0.792,0.870]	0.809 [0.748,0.862]	0.890 [0.860,0.917]
LR	训练集	0.806 [0.784,0.828]	0.635 [0.605,0.665]	0.815 [0.790,0.838]	0.940 [0.923,0.954]	0.485 [0.452,0.518]	0.829 [0.804,0.853]	0.751 [0.711,0.788]	0.881 [0.862,0.899]
	内部验证集	0.792 [0.754,0.830]	0.624 [0.582,0.666]	0.804 [0.763,0.842]	0.953 [0.924,0.974]	0.411 [0.357,0.467]	0.811 [0.769,0.849]	0.767 [0.704,0.822]	0.876 [0.845,0.904]
SVM	训练集	0.819 [0.798,0.840]	0.633 [0.603,0.663]	0.819 [0.794,0.842]	0.940 [0.923,0.954]	0.500 [0.467,0.533]	0.833 [0.808,0.856]	0.757 [0.717,0.794]	0.883 [0.864,0.901]
	内部验证集	0.827 [0.791,0.863]	0.633 [0.591,0.675]	0.804 [0.763,0.842]	0.953 [0.924,0.974]	0.411 [0.357,0.467]	0.811 [0.769,0.849]	0.767 [0.704,0.822]	0.876 [0.845,0.904]
ANN	训练集	0.842 [0.822,0.861]	0.733 [0.706,0.760]	0.836 [0.812,0.858]	0.947 [0.931,0.960]	0.542 [0.509,0.575]	0.846 [0.822,0.868]	0.793 [0.755,0.828]	0.893 [0.876,0.909]
	内部验证集	0.825 [0.789,0.861]	0.715 [0.674,0.756]	0.831 [0.791,0.867]	0.956 [0.928,0.976]	0.500 [0.445,0.555]	0.835 [0.794,0.872]	0.812 [0.752,0.864]	0.892 [0.862,0.918]

模型	AUC	AUPRC	分类正确率	灵敏度	特异度	阳性预测值	阴性预测值	F1分数
RF	0.780[0.736,0.824]	0.569[0.522,0.616]	0.749[0.709,0.787]	0.767[0.690,0.834]	0.743[0.698,0.785]	0.833[0.779,0.878]	0.626[0.575,0.676]	0.799[0.738,0.852]
XGBoost	0.797[0.754,0.840]	0.601[0.554,0.648]	0.692[0.650,0.732]	0.679[0.601,0.751]	0.765[0.721,0.806]	0.815[0.744,0.873]	0.549[0.497,0.600]	0.741[0.664,0.809]
LR	0.762[0.717,0.807]	0.576[0.529,0.623]	0.756[0.716,0.794]	0.777[0.701,0.842]	0.717[0.668,0.763]	0.834[0.781,0.879]	0.636[0.584,0.686]	0.805[0.745,0.857]
SVM	0.751[0.705,0.797]	0.556[0.509,0.603]	0.752[0.712,0.790]	0.770[0.693,0.836]	0.735[0.689,0.778]	0.833[0.779,0.878]	0.629[0.577,0.679]	0.801[0.741,0.854]
ANN	0.676[0.628,0.724]	0.458[0.412,0.504]	0.690[0.648,0.731]	0.695[0.616,0.768]	0.682[0.633,0.729]	0.801[0.729,0.862]	0.549[0.497,0.600]	0.744[0.667,0.812]

模型	AUC	AUPRC	分类正确率	灵敏度	特异度	阳性预测值	阴性预测值	F1分数
RF	0.780[0.736,0.824]	0.569[0.522,0.616]	0.749[0.709,0.787]	0.767[0.690,0.834]	0.743[0.698,0.785]	0.833[0.779,0.878]	0.626[0.575,0.676]	0.799[0.738,0.852]
XGBoost	0.797[0.754,0.840]	0.601[0.554,0.648]	0.692[0.650,0.732]	0.679[0.601,0.751]	0.765[0.721,0.806]	0.815[0.744,0.873]	0.549[0.497,0.600]	0.741[0.664,0.809]
LR	0.762[0.717,0.807]	0.576[0.529,0.623]	0.756[0.716,0.794]	0.777[0.701,0.842]	0.717[0.668,0.763]	0.834[0.781,0.879]	0.636[0.584,0.686]	0.805[0.745,0.857]
SVM	0.751[0.705,0.797]	0.556[0.509,0.603]	0.752[0.712,0.790]	0.770[0.693,0.836]	0.735[0.689,0.778]	0.833[0.779,0.878]	0.629[0.577,0.679]	0.801[0.741,0.854]
ANN	0.676[0.628,0.724]	0.458[0.412,0.504]	0.690[0.648,0.731]	0.695[0.616,0.768]	0.682[0.633,0.729]	0.801[0.729,0.862]	0.549[0.497,0.600]	0.744[0.667,0.812]

基于机器学习算法的农村老年人衰弱风险预测模型的构建与评价

于珊 ¹^,² , 车雅洁 ²^,³ , 苏比伊努尔·麦麦提 ² , 王梦瑶 ² , 仝逸辉 ² , 颜萍 ²^,³^,^*^,^*

护理研究 | 科研论著 2026,40(12): 2001-2012

收起

护理研究 |科研论著 2026 , 40 (12) : 2001 -2012

基于机器学习算法的农村老年人衰弱风险预测模型的构建与评价

全屏

于珊¹^,², 车雅洁²^,³, 苏比伊努尔·麦麦提², 王梦瑶², 仝逸辉², 颜萍²^,³^,^*^,^*

作者信息

¹新疆医科大学第五附属医院，新疆 830011

²新疆医科大学护理学院

³新疆区域人群疾病与健康照护研究中心

通讯作者:

颜萍，E-mail：yanping@xjmu.edu.cn

YAN Ping， E-mail： yanping@xjmu.edu.cn

作者简介:

于珊，护师，硕士研究生

Construction and evaluation of a frailty risk prediction model based on machine learning algorithms for the rural elderly

Shan YU¹^,², Yajie CHE²^,³, SUBIYINVER·Maimaiti², Mengyao WANG², Yihui TONG², Ping YAN²^,³

Affiliations

¹The Fifth Affiliated Hospital of Xinjiang Medical University, Xinjiang 830011 China

²School of Nursing,Xinjiang Medical University

³Health Care Research Center for Xinjiang Regional Population

出版时间: 2026-06-25 doi: 10.12102/j.issn.1009-6493.2026.12.001

文章导航

摘要

收起

目的

调查农村老年人发生衰弱的影响因素，并基于多种机器学习算法构建、验证与比较衰弱风险预测模型，为早期识别与精准预防衰弱提供科学依据。

方法

于2023年7月—9月，采用多阶段分层整群随机抽样策略，选取13个农村的1 366名老年人作为研究对象，按7∶3比例随机分为训练集957人和内部验证集409人；于2024年7月选取491名农村老年人作为外部验证集。以是否发生衰弱为因变量，通过单因素分析与LASSO回归完成变量筛选，进而运用随机森林、极限梯度提升算法、人工神经网络、支持向量机及Logistic回归分析5种机器学习方法构建预测模型。以灵敏度、特异度、受试者工作特征曲线下面积、分类准确率为核心评价指标，采用临床决策曲线评估模型的临床实用性，综合研判各衰弱风险预测模型性能，确定最优模型。

结果

农村老年人衰弱发生率为27.4%。LASSO回归纳入睡眠质量、抑郁状况、焦虑状况、跌倒风险及躯体能力作为关键预测因子。经内部与外部验证及多指标综合评价，极限梯度提升算法模型表现最优。

结论

农村老年人衰弱发生率较高，影响因素较多。基于极限梯度提升算法构建的衰弱风险预测模型具有最佳性能，可为衰弱风险筛查及精准干预提供科学有效的工具，具备较高的临床应用价值。

关键词

老年人 / 农村 / 衰弱 / 预测模型 / 机器学习

Abstract

收起

Objective

To investigate the influencing factors of frailty among rural elderly people,and to construct,verify and compare frailty risk prediction models based on multiple machine learning algorithms,so as to provide a scientific basis for the early identification and precise prevention of frailty.

Methods

From July to September 2023,using a multi-stage stratified cluster random sampling strategy,a total of 1 366 elderly people from 13 rural areas were selected as the research subjects.They were randomly divided into the training set(n=957) and the internal validation set(n=409) at a ratio of 7∶3.In July 2024,a total of 491 rural elderly people were selected as the external validation set.In this study,whether frailty occurs was used as the dependent variable.Variable selection was completed through single-factor analysis and LASSO regression.Then five machine learning methods including random forest(RF),extreme gradient boosting algorithm(XGBoost),artificial neural network(ANN),support vector machine(SVM),and Logistic regression(LR) were used to construct the prediction model.The core evaluation indicators were sensitivity,specificity,area under the receiver operating characteristic curve,and classification accuracy rate.The clinical practicality of the model was evaluated by the decision curve analysis.The performance of each frailty risk prediction model was comprehensively evaluated to determine the optimal model.

Results

The incidence rate of frailty among rural elderly people was 27.4%.LASSO regression ultimately included sleep quality,depression status,anxiety status,fall risk and physical condition as key predictors.After internal and external verification and comprehensive evaluation by multiple indicators,the XGBoost model performed the best.

Conclusions

The incidence of frailty among rural elderly people is relatively high.There are numerous influencing factors.The frailty risk prediction model based on XGBoost algorithm has the best performance.It could provide a scientific and effective tool for frailty risk screening and precise intervention.It has high clinical application value.

Key words

the elderly / rural areas / frailty / prediction model / machine learning

引用本文

于珊, 车雅洁, 苏比伊努尔·麦麦提, 王梦瑶, 仝逸辉, 颜萍. 基于机器学习算法的农村老年人衰弱风险预测模型的构建与评价. 护理研究, 2026 , 40 (12) : 2001 -2012 . DOI: 10.12102/j.issn.1009-6493.2026.12.001

Shan YU, Yajie CHE, SUBIYINVER·Maimaiti, Mengyao WANG, Yihui TONG, Ping YAN. Construction and evaluation of a frailty risk prediction model based on machine learning algorithms for the rural elderly[J]. Chinese Nursing Research, 2026 , 40 (12) : 2001 -2012 . DOI: 10.12102/j.issn.1009-6493.2026.12.001

正文

收起

我国作为全球老年人口规模较大的国家，老龄化形势日趋严峻。截至2024年年末，我国60岁及以上人口已达 3.10亿人，占全国总人口的22.0%^[1]。当前我国人口老龄化呈现明显的城乡分化特征，农村地区老龄化程度明显高于城市地区，且农村老年人整体健康状况普遍较差^[2-3]。衰弱作为一种与增龄密切相关且最具有临床意义的老年综合征，具有一定的动态性、可逆性及多维性^[4]。因此，精准识别并早期预警衰弱风险，对改善老年人整体健康状况、提高生活质量以及减轻社会养老负担具有重要的现实意义。风险预测可识别高风险个体，实现精准预防，是延缓老年人衰弱进程的首要环节，其精准度与科学性直接影响后续系统性干预措施和管理策略的制定^[5]。国外关于老年人衰弱的研究起步较早，巴西^[6]、日本^[7]、意大利^[8]、新加坡^[9]等国已研发衰弱风险预测模型。由于我国与上述国家在社会人口学特征、经济水平、医疗保障覆盖率、养老资源配置及老年人生活方式、基础疾病谱等方面的差异，其模型在我国的适用性仍需验证。国内的研究虽已取得一定进展^[10-12]，尚存在以下不足：一是模型构建多依赖传统统计方法（如Logistic回归），难以处理变量间非线性交互作用；二是部分研究采用单一机器学习算法，泛化能力较弱；三是抽样方法以便利抽样为主，且多数模型未开展外部验证，导致模型的临床推广与应用价值受限。因此，本研究基于Gobbens衰弱整合模式理论^[13]筛选潜在风险因素，采用多种机器学习算法进行模型构建与效能评估，通过内部与外部双重验证，择优建立适用于农村老年人的衰弱风险预测模型，旨在为后期开展精准评估、健康教育及制定个性化干预措施提供科学依据。

1　对象与方法

收起

1.1　研究对象

纳入标准：年龄≥60岁；具有农村户籍，且每年在当地居住时间不少于6个月；具备基本的认知沟通能力，可顺利完成调查；对研究内容知情同意，自愿参与并签署知情同意书。排除标准：患有严重精神类疾病、重度失能且无法配合完成调查者^[14]。本研究已通过新疆医科大学伦理委员会审批（批号：XJYKDXR 20220725029）。

1.1.1　训练集与内部验证集

采用多阶段分层整群随机抽样方法，构建“地区-县-乡-村-个体”抽样框架，以2023年7月—9月为调查周期，选取来自13个农村社区的老年人为研究对象。第1阶段（地区层）：依据南疆、北疆及中部三大地理片区进行划分，综合考虑地理环境、人口规模及经济水平等因素，从每个层级中随机抽取1个地级市（州）；第2阶段[县（区）层]：以所选地级市（州）的全部县（区）作为抽样总体，通过概率比例规模抽样随机确定3个县（区）作为调查点；第3阶段（乡镇层）：在每个抽中的县（区）中，以所有乡（镇）为抽样框，随机抽取1个乡（镇）；第4阶段（村居层）：在每个入选乡（镇）中，以全部村（居）委会为抽样框，随机抽取3~5个村（居）委会；第5阶段（个体层）：以抽中村（居）委会的户籍名单为抽样框，运用系统随机抽样法，从各村（居）委会满足纳入标准的老年人中抽取50~100人纳入本次研究。

1.1.2　外部验证集

于2024年7月进行抽样，从上述已抽取的3个县（区）中随机选定1个县（区）作为抽样区域；为避免样本重叠，本阶段排除2023年已调查的村（居）委会，随机选取3~5个村（居）委会，对其中所有符合条件的老年人进行整群抽取。

1.1.3　样本量估算

以衰弱患病率作为结局指标，依据横断面研究设计的样本量计算公式进行估算：N=（t²_1-_α_/2Q）/E²P，取α=0.05，则t_1-_α_/2=1.96，E=0.1。参照Zhao等^[15]研究结果，我国农村老年人衰弱患病率为23.7%，即P=23.7%，则Q=76.3%，计算需要1 237人，考虑10%~15%无效样本，最终确定样本量为1 360~1 422人。本研究2023年7月—9月共收集有效样本量1 366人，按照分配原则采用7∶3比例纳入957人为训练集，纳入409人为内部验证集；2024年7月共收集有效样本量491人纳入外部验证集，符合样本量要求。

1.2　研究指标

1.2.1　一般情况

由课题组自行编制一般情况调查表^[14]，调查内容涵盖老年人的年龄、性别、婚姻状况、文化程度等项目。

1.2.2　衰弱

采用FRAIL量表评定老年人是否衰弱。该量表由国际营养与老龄化协会提出^[16]，并在《老年人衰弱预防中国专家共识（2022）》^[4]中推荐使用，共5个条目。回答“是”计1分，“否”计0分，总分0~5分，得分0~2分为无衰弱，3~5分为衰弱。该量表Cronbach' s α系数为0.826^[17]。本研究测得该量表Cronbach' s α系数为0.730。

1.2.3　生理健康状况

1）视力与听力：采用“健康档案核验+自我报告”评估视/听力下降。健康档案：近1年检查报告显示“视力<0.5”“听力筛查未通过”或有视/听力疾病诊断，判定为下降。自我报告：视力回答问题“您能看清书报标准字体吗？”“能看清”为正常，“看不清/完全看不见”为下降；听力回答“您日常交流、听电视/电话/门铃如何？”“能正常听清”为正常，“交流困难/完全听不见”为下降。档案或自我报告任一异常即判定为下降。2）微型营养评定简表（Mini-Nutritional Assessment Short-Form，MNA-SF）：由Rubenstein等^[18]制定，共6个条目，总分0~14分，≥12分为营养状况正常，8~11分为存在营养风险，0~7分为营养不良，得分越高提示营养状况越好^[14]。本研究中测得量表Cronbach's α系数为0.737。3）查尔森合并症指数（Charlson Comorbidity Index,CCI）^[19]：根据疾病种类与严重程度进行加权赋分，其中脑血管病、结缔组织病、糖尿病、轻微肝脏疾病、冠心病、周围性血管疾病、消化性溃疡、充血性心力衰竭、慢性肺病各计1分；淋巴瘤、白血病、痴呆、近5年内恶性肿瘤、偏瘫、伴器官损害糖尿病、中重度肾脏疾病各计2分；中重度肝脏疾病计3分；艾滋病、转移性实体肿瘤各计6分。总分≥2分为重度共病，0~1分为轻度共病，得分越高提示合并疾病种类越多、病情越复杂^[14]。本研究测得量表Cronbach's α系数为0.757。4）匹兹堡睡眠质量指数（Pittsburgh Sleep Quality Index,PSQI）：由Buysse等^[20]制定，共18个条目，分为7个维度，每个维度采用0~3分的4级评分法，总分0~21分，≥11分为睡眠质量差，6~10分为睡眠质量中等，≤5分为睡眠质量良好，得分越高提示睡眠问题越突出^[14]。本研究测得量表Cronbach's α系数为0.748。5）进食评估工具（Eating Assessment Tool，EAT-10）：由Belafsky等^[21]制定，共10个条目，采用0~4分的5级评分法，总分0~40分，≥3分为吞咽异常，≤2分为正常，得分越高提示吞咽困难症状越严重^[14]。本研究测得量表Cronbach's α系数为0.824。6）简易精神状态检查表（Minimum Mental State Examination，MMSE）：由Katzman等^[22]制定，共30个条目，总分0~30分，按文化程度划分异常界值，初中及以上≤24分、小学组≤20分、文盲组≤17分为认知异常^[14]。本研究测得量表Cronbach's α系数为0.762。7）老年人跌倒风险自评量表（Self-rated Fall Risk Questionnaire，FRQ）：由苏清清等^[23]汉化，共12个条目，总分0~14分，≥4分判定为存在跌倒风险，得分越高提示跌倒风险越高。本研究测得量表Cronbach's α系数为0.689。

1.2.4　社会支持状况

采用社会支持评定量表（Social Support Rating Scale,SSRS），由肖水源^[24]制定，共10个条目，总分为12~64分，≥45分为高水平，23~44分为中等水平，≤22分为低水平，得分越高提示社会支持水平越高^[14]。本研究测得量表Cronbach's α系数为0.774。

1.2.5　心理健康状况

1）简版老年抑郁量表（Geriatric Depression Scale-15,GDS-15）：由Sheikh等^[25]制定，共15个条目，总分0~15分，≥10分为中重度，5~9分为轻度，0~4分为正常，得分越高提示抑郁症状越显著^[14]。本研究测得量表Cronbach's α系数为0.791。2）广泛性焦虑量表（Generalized Anxiety Disorder-7，GAD-7）：由Spitzer等^[26]制定，共7个条目，采用0~3分的4级评分法，总分0~21分，≥15分为重度，10~14分为中度，0~9分为正常，得分越高提示焦虑症状越显著^[14]。本研究测得量表Cronbach's α系数为0.915。

1.2.6　身体测量

1）简易躯体能力测试（Short Physical Performance Battery,SPPB）：由Guralnik等^[27]制定，包括平衡测试、4 m步行速度、5次坐站试验3项内容，总分0~12分，≥10分为运动能力优秀，7~9分为正常，4~6分为轻度受限，0~3分为运动能力严重受限^[14]。2）握力：受试者以优势手紧握握力计连续测量3次，每次间隔不少于15 s，取最大值作为最终结果；判定标准参考《中国肌肉减少症诊疗指南（2024版）》^[28]，女性≥18 kg、男性≥28 kg为正常。3）小腿围：受试者取坐位并屈膝屈髋呈90°，使用无弹性软尺测量小腿最膨隆处周径，连续测量2次取平均值；判定标准参考《中国肌肉减少症诊疗指南（2024版）》^[28]，女性≥33 cm、男性≥34 cm为正常。

1.3　资料收集方法

研究团队编制统一的研究者指导手册，对当地基层医务工作者及团队成员开展标准化培训，统一量表测评、体格测量及数据记录的操作规范；通过与基层社区工作人员、医务工作者协作，依托当地村卫生院搭建调查场地，保障调查空间的独立性，减少外界干扰；为参与调查的老年人发放礼品，以提升其参与积极性，保障问卷调查的完整性与数据质量^[14]。采用双人双录入模式，若发现遗漏选项，立即电话咨询。本研究共发放问卷1 468份，回收有效问卷1 366份，有效回收率为93.1%。

1.4　统计学方法

采用EpiData 3.1软件建立数据库，R4.3.3进行构建及评价模型。

1.4.1　数据预处理

将数据缺失≥10%的样本视为无效样本予以剔除；缺失<10%的样本按数据类型进行缺失值填补，连续变量缺失值处理方法采用均数代替法，分类变量采用多重插补法，减少因缺失数据导致的偏差。

1.4.2　特征筛选

符合正态分布的定量资料采用t检验、方差分析，非正态分布的定量资料采用秩和检验；定性资料采用χ²检验，当理论频数<5时，采用Fisher精确概率法。将单因素分析有统计学意义的变量调用glmnet包基于LASSO回归筛选变量。所有检验均为双侧检验，以P<0.05为差异有统计学意义。

1.4.3　模型构建

采用R4.3.3 xgboost程序包、e1071程序包、randomForest程序包、nnet程序包及stats程序包分别构建极限梯度提升算法（XGBoost）、支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）及Logistic回归分析（LR）模型。

1.4.4　模型评价与最佳模型确定标准

通过Bootstrap法进行模型内部验证，空间验证法进行外部验证。区分度采用受试者工作特征（ROC）曲线下面积（AUC）、精确率-召回率曲线（PR）下的面积（AUPRC）；校准度采用Hosmer-Lemeshow拟合优度检验；分类性能采用分类正确率、灵敏度、特异度、阳性预测值、阴性预测值、F1分数；临床获益性采用决策曲线分析（DCA）。综合内部/外部验证结果，优先选取AUC及AUPRC值最高、Hosmer-Lemeshow检验拟合度最优，且分类正确率、灵敏度、特异度等分类性能指标均衡的模型作为最佳衰弱风险预测模型。所有检验均为双侧检验，以P<0.05为差异有统计学意义。

2　结果

收起

2.1　农村老年人衰弱发生情况及单因素分析

农村老年人年龄60~100（69.76±6.46）岁；女691人（50.6%）；已婚1 063人（77.8%）；衰弱发生率为27.4%，女性衰弱发生率为28.5%，男性衰弱发生率为26.2%。农村老年人发生衰弱影响因素的单因素分析见表1。

2.2　LASSO回归筛选变量

以是否衰弱（否=0，是=1）为因变量，将单因素分析中组间差异有统计学意义（P<0.05）的指标作为自变量重新编码，纳入LASSO回归模型，以Lambda.1se=0.025 2时筛选出变量集，睡眠质量、焦虑状况、抑郁状况、SPPB及跌倒风险作为最佳特征集用于后续预测模型的构建，详见图1、图2。

2.3　风险预测模型的构建与验证

对训练集和验证集各变量进行比较。结果显示，除视力、握力及自评健康状况外，两组其他变量比较差异均无统计学意义（P>0.05），基线可比。基于LR、SVM、RF、ANN及XGBoost的5种机器学习算法构建农村老年人衰弱风险预测模型并对模型进行内部验证、外部验证及效能评估。综合各项指标来看，XGBoost模型在农村老年人衰弱预测模型任务中展现出最佳的整体性能，详见表2、表3、图3~图7。对最优模型XGboost模型变量特征重要性排序结果见图8，决策曲线见图9。

3　讨论

收起

3.1　农村老年人衰弱现状

本研究共纳入农村老年人1 366人，衰弱发生率为27.4%，这一结果高于Zhao等^[15]在系统性综述及荟萃分析中报道的我国农村老年人衰弱发生率。原因分析如下：一方面可能与衰弱评估工具的选取差异有关，不同评估工具的信效度、测量要求及环境资源状况等存在一定差异^[29]；另一方面，农村地区医疗卫生保障能力相对较弱、老年人健康素养不足及健康信息获取不畅，亦是导致衰弱高发的重要原因^[30]。偏远农村老年人受文化程度、经济状况及生活环境所限，健康行为与生活方式普遍欠佳，进一步增加了衰弱发生风险。加之我国农村地区老龄化明显高于城市，空巢老年人比例高、养老服务需求大，但养老资源短缺、机构建设滞后、服务水平不足等问题突出，共同推动了农村老年人衰弱风险上升^[31]。因此，重视农村老年人的衰弱状况，开展早期筛查与识别，具有重要的公共卫生意义。建议在基层医疗卫生机构中积极推广衰弱评估工作，实现早发现、早干预、早治疗。针对衰弱前期和衰弱期的老年人，应制定包括营养支持、运动指导、慢性病管理等多维度的个性化健康管理方案，以延缓衰弱进程，改善老年人健康状况，提升生活质量，促进健康老龄化^[4]。

3.2　农村老年人衰弱的影响因素

本研究基于XGBoost模型的农村衰弱老年人风险预测模型显示，自变量重要性从高到低依次为睡眠质量、跌倒风险、抑郁状况、焦虑状况及躯体功能。

3.2.1　睡眠质量

本研究结果显示，衰弱组老年人睡眠质量异常比例达58.8%。睡眠质量异常可引发激素分泌失调（如代谢功能紊乱、胰岛素抵抗等）和激发炎症反应（如炎性细胞因子和白细胞介素-6水平升高），进而增加衰弱发生风险^[32]。长期睡眠质量不佳还会导致老年人身体疲乏、精力减退，更易出现焦虑、抑郁、孤独等负面情绪，这与农村地区娱乐社交资源相对匮乏、老年人心理排解途径有限密切相关^[33-34]。

3.2.2　跌倒风险

本研究结果显示，衰弱组老年人存在跌倒风险比例达65.2%。骨骼肌减少症作为衰弱的核心特征，会导致平衡与步态稳定性下降，而跌倒后限制活动又加剧肌肉失用性萎缩^[35]。农村老年人常因健康状况不佳、慢性病及药物副作用，导致跌倒风险更高，叠加农村环境中不平整路面、缺乏适老化改造（如防滑地面、扶手、充足照明）等因素，进一步增加跌倒发生概率^[36]。一旦发生跌倒，农村医疗资源相对匮乏导致救治不及时，易引发骨折等严重后果，进而长期卧床、活动受限，快速肌肉流失与营养不足，推动衰弱进展；即使未发生跌倒，高跌倒风险带来的恐惧心理也会促使老年人主动减少活动，形成“恐惧-活动减少-功能减退”的闭环，加速衰弱^[37]。

3.2.3　抑郁状况

本研究结果显示，衰弱组老年人存在抑郁症状的比例达12.8%。长期抑郁可能会导致老年人神经内分泌系统失调，增加皮质醇等应激激素分泌，抑制免疫系统功能，降低机体抵抗力，加速身体机能衰退^[38]。抑郁还会使老年人减少社交互动，丧失生活动力与兴趣，伴随消极自我认知和低自尊，加重孤独感和无助感。这种负面情绪会进一步削弱其主动参与体力活动、营养摄入及健康管理的意愿，导致肌肉量流失、功能衰弱等衰弱核心症状加重，而衰弱带来的身体机能下降、生理自理能力减退又单向强化抑郁老年人的无助感和消极认知，形成“抑郁-行为退缩-衰弱进展-抑郁加剧”的恶性循环^[39]。

3.2.4　焦虑状况

本研究结果显示，衰弱组老年人存在焦虑状况的比例达11.8%。研究表明，长期焦虑会持续激活老年人下丘脑-垂体-肾上腺轴与交感神经系统，导致肾上腺素、皮质醇等应激激素及白细胞介素-6等炎症因子的升高，既抑制免疫功能，又直接损伤骨骼肌细胞，引发肌肉量流失与肌力下降^[40]。同时，应激激素会影响睡眠质量及营养吸收，进一步削弱老年人身体储备能力，增加衰弱风险^[41]。此外，焦虑情绪伴随的过度担忧、恐惧及自卑等负面思维模式，会降低老年人参与田间劳动、日常锻炼及社交活动的意愿，导致机体抵抗力减弱，促进衰弱发展。

3.2.5　躯体功能

本研究结果显示，衰弱组老年人躯体功能受限比例达10.4%。农村地区生活环境复杂性和适老化改造的缺乏可能导致农村老年人因担心摔倒而减少日常活动，这种“活动回避”行为可能引发骨骼肌减少和骨代谢失衡，进一步促进骨量流失和肌肉功能下降^[42-43]。步伐较慢的农村老年人通常参与的有氧运动较少，心肺功能较弱，身体疲劳感明显。此外，农村老年人常需从事一定的体力性劳动，下肢力量不足不仅影响劳动能力和自理能力，还可因长期依赖他人协助导致身体机能进一步退化。

3.3　农村老年人衰弱风险预测模型评价与应用

本研究基于Gobbens衰弱整合模型理论，从社会人口学特征、生理健康状况、心理健康状况及社会支持状况等多个维度探讨了农村老年人衰弱的潜在风险因素。为构建适用于农村老年人衰弱风险预测模型，本研究采用RF、SVM、XGBoost、LR及ANN机器学习算法构建模型。为确保模型具有良好的稳健性和泛化能力，本研究采取内部验证与外部验证相结合的策略，并通过多种综合评价指标，从不同层面全面衡量模型的性能表现。衰弱发病机制复杂，与社会人口学特征、社会因素、心理状态、生理健康以及医疗水平等多因素有关^[4]。目前我国农村老年人衰弱风险预测模型研究较少且缺乏外部验证，衰弱发病机制复杂、地区风险因素差异大，国外模型适用性需审慎验证，而模型泛化能力（跨数据集稳定表现）是实际应用的核心前提^[11]。本研究基于XGBoost构建模型在多指标维度表现卓越，尤其在外部验证集上稳定出色，泛化能力强，对农村老年人衰弱预测具有重要意义。

XGBoost性能最优源于其算法特性：一是以“梯度提升决策树+正则化”捕捉风险因素的非线性关联，同时通过正则化抑制过拟合，适配多维度因素的复杂作用；二是支持缺失值自动处理，适配农村调研数据的少量缺失；三是精准学习特征重要性，减少无关特征干扰，这也是其外部验证稳定的关键。同时，为推动模型落地，未来可探索2类转化形式：一是针对农村基层医疗条件，将模型核心指标转化为轻量化纸质评分工具，按风险赋值分级，配套“风险-干预”速查表，快速完成问询评估；二是对有信息化条件的机构，将模型嵌入电子健康档案系统，实现数据自动抓取、实时预测及个性化干预方案生成。这两类形式可解决农村老年人衰弱识别与干预痛点，衔接《老年人衰弱预防中国专家共识（2022）》，为区域政策制定、多中心数据整合提供标准化工具，提升模型公共卫生价值。

4　小结

收起

本研究结果显示，农村老年人衰弱发生率较高，睡眠质量、抑郁状况、焦虑状况、跌倒风险及躯体功能是农村老年人发生衰弱的主要影响因素。提示基层社区卫生服务机构应结合上述危险因素，定期开展老年人衰弱筛查工作，并制定具有针对性的干预措施。干预措施应着重于优化经济保障、加强基层医疗服务及提供适老化服务，以预防或延缓衰弱的进程，进而有效提高老年人的生活质量，并积极应对健康老龄化的挑战。本研究存在一定的局限性：属于横断面研究，预测因子以“状态型”变量为主，可能影响模型解释力；数据收集跨时1年，受医疗资源调配、健康意识变化等影响可能存在时间漂移。尽管本研究进行了外部验证，但未完全模拟多中心、大样本的临床环境，模型在我国不同地域农村人群中的普适性仍需进一步验证。未来将通过前瞻性设计补充变量、扩大多区域样本、开展多中心临床验证，进一步提升模型的科学性与推广价值。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

民政部,全国老龄办.2024年度国家老龄事业发展公报[EB/OL].[2025-08-28].https://www.mca.gov.cn/n152/n166/c1662004999980006135/content.html.

朱少锋.老龄化背景下中国农村养老服务人才队伍建设现状及对策[J].社会与公益,2020(11):79-81.

陆杰华,孙杨.性别差异视角下乡村人居环境对农村老龄健康的影响探究[J].浙江大学学报(人文社会科学版),2025,55(5):5-18.

中华医学会老年医学分会,《中华老年医学杂志》编辑委员会.老年人衰弱预防中国专家共识(2022)[J].中华老年医学杂志,2022,41(5):503-511.

奚婧,孟红燕,施旻昊,等.中国老年人群认知衰弱风险预测模型系统评价[J].护理学杂志,2024,39(2):23-27.

Closs

V E

,Ziegelmann

P K

,Flores

J H F

,et al.Anthropometric measures and frailty prediction in the elderly:an easy-to-use tool[J].Curr Gerontol Geriatr Res,2017,2017:8703503.

Doba

,Tokuda

,Goldstein

N E

,et al.A pilot trial to predict frailty syndrome:the Japanese Health Research Volunteer Study[J].Experimental Gerontology,2012,47(8):638-643.

Di Bari

,Profili

,Bandinelli

,et al.Screening for frailty in older adults using a postal questionnaire:rationale,methods,and instruments validation of the INTER-FRAIL study[J].Journal of the American Geriatrics Society,2014,62(10):1933-1937.

T P

,Feng

,Nyunt

M S

,et al.Frailty in older persons:multisystem risk factors and the Frailty Risk Index(FRI)[J].Journal of the American Medical Directors Association,2014,15(9):635-642.

陈红爽,王琴潞,邹海欧.衰弱风险预测模型的范围综述[J].护理研究,2024,38(2):293-298.

秦源,吕苗华,郝晓楠,等.社区老年人衰弱风险预测模型的研究进展[J].护理研究,2022,36(20):3674-3677.

王娇,商临萍.社区老年人衰弱风险预测模型的研究进展[J].护理研究,2022,36(9):1598-1600.

Gobbens

R J J

,van Assen

M A L M

.The prediction of quality of life by physical,psychological and social components of frailty in community-dwelling older people[J].Quality of Life Research,2014,23(8):2289-2300.

于珊,车雅洁,苏比伊努尔·麦麦提,等.城乡老年人社会衰弱现状及对比研究[J].护理学杂志,2025,40(15):6-12.

Zhao

X X

,Zhu

,Chen

,et al.Effect of frailty status on mortality risk among Chinese community-dwelling older adults:a prospective cohort study[J].BMC Geriatrics,2023,23(1):150.

Morley

J E

,Malmstrom

T K

,Miller

D K

.A Simple Frailty Questionnaire(FRAIL) predicts outcomes in middle aged African Americans[J].The Journal of Nutrition,Health & Aging,2012,16(7):601-608.

卫尹,曹艳佩,杨晓莉,等.老年住院患者衰弱风险筛查工具的汉化及信效度研究[J].中国实用护理杂志,2018,34(20):1526-1530.

Rubenstein

L Z

,Harker

J O

,Salva

,et al.Screening for undernutrition in geriatric practice:developing the Short-Form Mini-Nutritional Assessment(MNA-SF)[J].The Journals of Gerontology Series A:Biological Sciences and Medical Sciences,2001,56(6):M366-M372.

Charlson

M E

,Pompei

,Ales

K L

,et al.A new method of classifying prognostic comorbidity in longitudinal studies:development and validation[J].Journal of Chronic Diseases,1987,40(5):373-383.

Buysse

D J

,Reynolds

C F

,Monk

T H

,et al.The Pittsburgh Sleep Quality Index:a new instrument for psychiatric practice and research[J].Psychiatry Research,1989,28(2):193-213.

Belafsky

P C

,Mouadeb

D A

,Rees

C J

,et al.Validity and reliability of the Eating Assessment Tool(EAT-10)[J].The Annals of Otology,Rhinology,and Laryngology,2008,117(12):919-924.

Katzman

,Zhang

M Y

,Qu

O Y

,et al.A Chinese version of the Mini-Mental State Examination:impact of illiteracy in a Shanghai dementia survey[J].Journal of Clinical Epidemiology,1988,41(10):971-978.

苏清清,蒋天裕,皮红英,等.中文版老年人跌倒风险自评量表的信效度评价[J].解放军医学院学报,2018,39(10):885-888.

肖水源.《社会支持评定量表》的理论基础与研究应用[J].临床精神医学杂志,1994(2):98-100.

Sheikh

J I

,Yesavage

J A

,Brooks

J O

,et al.Proposed factor structure of the Geriatric Depression Scale[J].International Psychogeriatrics,1991,3(1):23-28.

Spitzer

R L

,Kroenke

,Williams

J B W

,et al.A brief measure for assessing generalized anxiety disorder:the GAD-7[J].Archives of Internal Medicine,2006,166(10):1092.

Guralnik

J M

,Winograd

C H

.Physical performance measures in the assessment of older persons[J].Aging Clinical and Experimental Research,1994,6(5):303-305.

中华医学会老年医学分会,国家老年疾病临床医学研究中心.中国肌肉减少症诊疗指南(2024版)[J].中华医学杂志,2025,105(3):181-203.

秦兰芳,郭文熙,王瑞,等.骨科住院老年患者衰弱评估工具的范围综述[J].中国全科医学,2023,26(23):2864-2870.

田鹏,杨宁,郝秋奎,等.中国老年衰弱患病率的系统评价[J].中国循证医学杂志,2019,19(6):656-664.

罗朝阳,吴迪.积极应对人口老龄化[J].宏观经济管理,2023(10):26-34.

Wen

,Yan

,Ren

,et al.Association between insomnia and frailty in older population:a meta-analytic evaluation of the observational studies[J].Brain and Behavior,2023,13(1):e2793.

郭妩仪,裘田田,吴群华,等.社区老年人焦虑在睡眠障碍与衰弱间的中介效应分析[J].全科护理,2022,20(25):3472-3475.

郑芳,陈长香,崔兆一.衰弱和睡眠质量对农村老年人家庭支持和跌倒风险的链式中介作用研究[J].中国全科医学,2021,24(9):1071-1075.

皮红英,高远,候惠如,等.老年人跌倒风险综合管理专家共识[J].中华保健医学杂志,2022,24(6):439-441.

邓潇,李德威,伍祯,等.农村老年高血压患者跌倒警觉度现状及影响因素研究[J].护理学杂志,2024,39(22):103-106.

田文雯,李善玲,李维果.社区老年人跌倒预防自我管理体验的Meta整合[J].护理学杂志,2024,39(10):102-106.

孟翔菲,李闺臣,华珊珊,等.老年人衰弱和抑郁相关性的研究进展[J].解放军护理杂志,2018,35(16):46-49.

刘宇婷,仇丽霞,李育玲.衰弱对中国老年人认知功能的影响:有调节的链式中介效应研究[J].中国全科医学,2025,28(17):2119-2126.

于珊,陈凤辉,车雅洁,等.新疆农村老年人衰弱现状及影响因素分析[J].中国医药导报,2024,21(22):16-21.

林延敏,薛务程,曹文兴,等.山西省吕梁市黄河沿岸农村老年人生存质量现状及影响因素分析[J].健康教育与健康促进,2024,19(2):122-124.

Lauretani

,Ticinesi

,Gionti

,et al.Short-Physical Performance Battery(SPPB) score is associated with falls in older outpatients[J].Aging Clinical and Experimental Research,2019,31(10):1435-1442.

Soh

,Chang

W W

.Sex differences in association between body composition and frailty or physical performance in community-dwelling older adults:erratum[J].Medicine,2021,100(8):e25059.

2026年第40卷第12期

引用本文

BibTeX

文章信息

doi: 10.12102/j.issn.1009-6493.2026.12.001

接收时间：2025-09-19
首发时间：2026-10-30
出版时间：2026-06-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-09-19
修回日期：2026-05-25

基金

作者信息

¹新疆医科大学第五附属医院，新疆 830011

²新疆医科大学护理学院

³新疆区域人群疾病与健康照护研究中心

通讯作者:

颜萍，E-mail：yanping@xjmu.edu.cn

YAN Ping， E-mail： yanping@xjmu.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/hlyj/CN/10.12102/j.issn.1009-6493.2026.12.001

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

项目	分类	人数	无衰弱组（n=992）	衰弱组（n=374）	χ²值	P
性别	男	675	498（50.2）	177（47.3）	0.898	0.343
	女	691	494（49.8）	197（52.7）
年龄	60~64岁	329	232（23.4）	97（25.9）	7.345	0.119
	65~69岁	380	274（27.6）	106（28.3）
	70~74岁	365	272（27.4）	93（24.9）
	75~79岁	172	117（11.8）	55（14.7）
	≥80岁	120	97（9.8）	23（6.2）
文化程度	文盲	407	304（30.6）	103（27.5）	5.164	0.160
	小学	651	479（48.4）	172（46.0）
	初中	267	183（18.4）	84（22.5）
	高中及以上	41	26（2.6）	15（4.0）
婚姻状况	已婚	1 063	769（77.5）	294（78.6）	0.167	0.666
	未婚/离异/丧偶	303	223（22.5）	80（21.4）
家庭构成	与配偶居住	517	357（36.0）	160（42.8）	7.901	0.048
	与子女和配偶居住	442	341（34.4）	101（27.0）
	与子女居住	313	226（22.7）	87（23.2）
	其他	94	68（6.9）	26（7.0）
家庭月收入	<1 000元	978	727（73.3）	251（67.1）	5.091	0.024
	≥1 000元	388	265（26.7）	123（32.9）
收入来源	经营性收入	128	97（9.8）	31（8.3）	17.134	0.001
	工资性收入	495	389（39.2）	106（28.3）
	财产性收入	109	74（7.5）	35（9.4）
	转移性收入	634	432（43.5）	202（54.0）
体质指数（BMI）	消瘦	46	29（2.9）	17（4.5）	3.407	0.333
	标准	446	318（32.1）	128（34.2）
	超重	479	350（35.3）	129（34.5）
	肥胖	395	295（29.7）	100（26.8）
是否吸烟	否	1 176	864（87.1）	312（83.4）	3.062	0.080
	是	190	128（12.9）	62（16.6）
是否饮酒	否	1 225	893（90.0）	332（88.8）	0.459	0.498
	是	141	99（10.0）	42（11.2）
自评健康状况	非常好	44	36（3.6）	8（2.2）	9.049	0.060
	好	433	329（33.1）	104（27.8）
	一般	498	362（36.5）	136（36.4）
	差	332	226（22.9）	106（28.3）
	非常差	59	39（3.9）	20（5.3）
营养状况	正常	1 122	816（82.3）	306（81.8）	0.275	0.872
	存在营养风险	219	159（16.0）	60（16.0）
	营养不良	25	17（1.7）	8（2.2）
共病程度	轻度	852	631（63.6）	221（59.1）	2.362	0.124
	重度	514	361（36.4）	153（40.9）
视力	正常	597	477（48.1）	120（32.1）	28.257	<0.001
	下降	769	515（51.9）	254（67.9）
听力	正常	705	530（53.4）	175（46.8）	4.789	0.029
	下降	661	462（46.6）	199（53.2）
握力	正常	675	490（49.4）	185（49.5）	0.001	0.982
	下降	691	502（50.6）	189（50.5）
小腿围	正常	747	553（55.7）	194（51.9）	1.645	0.200
	下降	619	439（44.3）	180（48.1）
SPPB	优秀	811	591（59.6）	220（58.8）	8.216	0.042
	正常	455	340（34.3）	115（30.7）
	轻度受限	87	54（5.4）	33（8.8）
	严重受限	13	7（0.7）	6（1.7）
牙齿数量	≤10颗	572	431（43.4）	141（37.7）	3.688	0.158
	11~20颗	476	336（33.9）	140（37.4）
	≥21颗	318	225（22.7）	93（24.9）
是否佩戴假牙	是	882	651（65.6）	231（61.8）	1.769	0.183
	否	484	341（34.4）	143（38.2）
吞咽功能	正常	1 173	865（87.2）	308（82.4）	5.254	0.022
	异常	193	127（12.8）	66（17.6）
跌倒风险	无	713	583（58.8）	130（34.8）	62.754	<0.001
	有	653	409（41.2）	244（65.2）
睡眠质量	正常	910	756（76.2）	154（41.2）	149.895	<0.001
	异常	456	236（23.8）	220（58.8）
认知状况	正常	884	640（64.5）	244（65.2）	0.062	0.803
	异常	482	352（35.5）	130（34.8）
焦虑状况	正常	1 311	981（98.9）	330（88.2）	87.760	<0.001
	中度	32	11（1.1）	21（5.6）
	重度	23	0（0.0）	23（6.2）
抑郁状况	正常	1 293	967（97.5）	326（87.2）	57.118	<0.001
	异常	73	25（2.5）	48（12.8）
社会支持水平	低	14	10（1.0）	4（1.0）		0.317^①
	中等	1 029	737（74.3）	292（78.1）
	高	323	245（24.7）	78（20.9）

项目

分类

人数

无衰弱组（n=992）

衰弱组（n=374）

χ²值

性别

男

675

498（50.2）

177（47.3）

0.898

0.343

女

691

494（49.8）

197（52.7）

年龄

60~64岁

329

232（23.4）

97（25.9）

7.345

0.119

65~69岁

380

274（27.6）

106（28.3）

70~74岁

365

272（27.4）

93（24.9）

75~79岁

172

117（11.8）

55（14.7）

≥80岁

120

97（9.8）

23（6.2）

文化程度

文盲

407

304（30.6）

103（27.5）

5.164

0.160

小学

651

479（48.4）

172（46.0）

初中

267

183（18.4）

84（22.5）

高中及以上

26（2.6）

15（4.0）

婚姻状况

已婚

1 063

769（77.5）

294（78.6）

0.167

0.666

未婚/离异/丧偶

303

223（22.5）

80（21.4）

家庭构成

与配偶居住

517

357（36.0）

160（42.8）

7.901

0.048

与子女和配偶居住

442

341（34.4）

101（27.0）

与子女居住

313

226（22.7）

87（23.2）

其他

68（6.9）

26（7.0）

家庭月收入

<1 000元

978

727（73.3）

251（67.1）

5.091

0.024

≥1 000元

388

265（26.7）

123（32.9）

收入来源

经营性收入

128

97（9.8）

31（8.3）

17.134

0.001

工资性收入

495

389（39.2）

106（28.3）

财产性收入

109

74（7.5）

35（9.4）

转移性收入

634

432（43.5）

202（54.0）

体质指数（BMI）

消瘦

29（2.9）

17（4.5）

3.407

0.333

标准

446

318（32.1）

128（34.2）

超重

479

350（35.3）

129（34.5）

肥胖

395

295（29.7）

100（26.8）

是否吸烟

否

1 176

864（87.1）

312（83.4）

3.062

0.080

是

190

128（12.9）

62（16.6）

是否饮酒

否

1 225

893（90.0）

332（88.8）

0.459

0.498

是

141

99（10.0）

42（11.2）

自评健康状况

非常好

36（3.6）

8（2.2）

9.049

0.060

好

433

329（33.1）

104（27.8）

一般

498

362（36.5）

136（36.4）

差

332

226（22.9）

106（28.3）

非常差

39（3.9）

20（5.3）

营养状况

正常

1 122

816（82.3）

306（81.8）

0.275

0.872

存在营养风险

219

159（16.0）

60（16.0）

营养不良

17（1.7）

8（2.2）

共病程度

轻度

852

631（63.6）

221（59.1）

2.362

0.124

重度

514

361（36.4）

153（40.9）

视力

正常

597

477（48.1）

120（32.1）

28.257

<0.001

下降

769

515（51.9）

254（67.9）

听力

正常

705

530（53.4）

175（46.8）

4.789

0.029

下降

661

462（46.6）

199（53.2）

握力

正常

675

490（49.4）

185（49.5）

0.001

0.982

下降

691

502（50.6）

189（50.5）

小腿围

正常

747

553（55.7）

194（51.9）

1.645

0.200

下降

619

439（44.3）

180（48.1）

SPPB

优秀

811

591（59.6）

220（58.8）

8.216

0.042

正常

455

340（34.3）

115（30.7）

轻度受限

54（5.4）

33（8.8）

严重受限

7（0.7）

6（1.7）

牙齿数量

≤10颗

572

431（43.4）

141（37.7）

3.688

0.158

11~20颗

476

336（33.9）

140（37.4）

≥21颗

318

225（22.7）

93（24.9）

是否佩戴假牙

是

882

651（65.6）

231（61.8）

1.769

0.183

否

484

341（34.4）

143（38.2）

吞咽功能

正常

1 173

865（87.2）

308（82.4）

5.254

0.022

异常

193

127（12.8）

66（17.6）

跌倒风险

无

713

583（58.8）

130（34.8）

62.754

<0.001

有

653

409（41.2）

244（65.2）

睡眠质量

正常

910

756（76.2）

154（41.2）

149.895

<0.001

异常

456

236（23.8）

220（58.8）

认知状况

正常

884

640（64.5）

244（65.2）

0.062

0.803

异常

482

352（35.5）

130（34.8）

焦虑状况

正常

1 311

981（98.9）

330（88.2）

87.760

<0.001

中度

11（1.1）

21（5.6）

重度

0（0.0）

23（6.2）

抑郁状况

正常

1 293

967（97.5）

326（87.2）

57.118

<0.001

异常

25（2.5）

48（12.8）

社会支持水平

低

10（1.0）

4（1.0）

0.317^①

中等

1 029

737（74.3）

292（78.1）

高

323

245（24.7）

78（20.9）

模型	分类	AUC	AUPRC	分类正确率	灵敏度	特异度	阳性预测值	阴性预测值	F1分数
RF	训练集	0.776 [0.752,0.799]	0.653 [0.623,0.683]	0.829 [0.804,0.852]	0.951 [0.935,0.964]	0.504 [0.471,0.537]	0.836 [0.811,0.859]	0.795 [0.757,0.830]	0.890 [0.872,0.906]
	内部验证集	0.783 [0.746,0.820]	0.668 [0.627,0.709]	0.819 [0.779,0.855]	0.963 [0.935,0.981]	0.438 [0.383,0.494]	0.819 [0.779,0.855]	0.817 [0.757,0.868]	0.885 [0.855,0.912]
XGBoost	训练集	0.835 [0.814,0.855]	0.718 [0.690,0.745]	0.835 [0.811,0.857]	0.947 [0.931,0.960]	0.538 [0.505,0.571]	0.845 [0.821,0.867]	0.792 [0.754,0.827]	0.893 [0.876,0.909]
	内部验证集	0.829 [0.793,0.865]	0.695 [0.653,0.737]	0.829 [0.789,0.865]	0.956 [0.928,0.976]	0.491 [0.436,0.546]	0.833 [0.792,0.870]	0.809 [0.748,0.862]	0.890 [0.860,0.917]
LR	训练集	0.806 [0.784,0.828]	0.635 [0.605,0.665]	0.815 [0.790,0.838]	0.940 [0.923,0.954]	0.485 [0.452,0.518]	0.829 [0.804,0.853]	0.751 [0.711,0.788]	0.881 [0.862,0.899]
	内部验证集	0.792 [0.754,0.830]	0.624 [0.582,0.666]	0.804 [0.763,0.842]	0.953 [0.924,0.974]	0.411 [0.357,0.467]	0.811 [0.769,0.849]	0.767 [0.704,0.822]	0.876 [0.845,0.904]
SVM	训练集	0.819 [0.798,0.840]	0.633 [0.603,0.663]	0.819 [0.794,0.842]	0.940 [0.923,0.954]	0.500 [0.467,0.533]	0.833 [0.808,0.856]	0.757 [0.717,0.794]	0.883 [0.864,0.901]
	内部验证集	0.827 [0.791,0.863]	0.633 [0.591,0.675]	0.804 [0.763,0.842]	0.953 [0.924,0.974]	0.411 [0.357,0.467]	0.811 [0.769,0.849]	0.767 [0.704,0.822]	0.876 [0.845,0.904]
ANN	训练集	0.842 [0.822,0.861]	0.733 [0.706,0.760]	0.836 [0.812,0.858]	0.947 [0.931,0.960]	0.542 [0.509,0.575]	0.846 [0.822,0.868]	0.793 [0.755,0.828]	0.893 [0.876,0.909]
	内部验证集	0.825 [0.789,0.861]	0.715 [0.674,0.756]	0.831 [0.791,0.867]	0.956 [0.928,0.976]	0.500 [0.445,0.555]	0.835 [0.794,0.872]	0.812 [0.752,0.864]	0.892 [0.862,0.918]

模型

分类

AUC

AUPRC

分类正确率

灵敏度

特异度

阳性预测值

阴性预测值

F1分数

训练集

0.776
[0.752,0.799]

0.653
[0.623,0.683]

0.829
[0.804,0.852]

0.951
[0.935,0.964]

0.504
[0.471,0.537]

0.836
[0.811,0.859]

0.795
[0.757,0.830]

0.890
[0.872,0.906]

内部验证集

0.783
[0.746,0.820]

0.668
[0.627,0.709]

0.819
[0.779,0.855]

0.963
[0.935,0.981]

0.438
[0.383,0.494]

0.819
[0.779,0.855]

0.817
[0.757,0.868]

0.885
[0.855,0.912]

XGBoost

训练集

0.835
[0.814,0.855]

0.718
[0.690,0.745]

0.835
[0.811,0.857]

0.947
[0.931,0.960]

0.538
[0.505,0.571]

0.845
[0.821,0.867]

0.792
[0.754,0.827]

0.893
[0.876,0.909]

内部验证集

0.829
[0.793,0.865]

0.695
[0.653,0.737]

0.829
[0.789,0.865]

0.956
[0.928,0.976]

0.491
[0.436,0.546]

0.833
[0.792,0.870]

0.809
[0.748,0.862]

0.890
[0.860,0.917]

训练集

0.806
[0.784,0.828]

0.635
[0.605,0.665]

0.815
[0.790,0.838]

0.940
[0.923,0.954]

0.485
[0.452,0.518]

0.829
[0.804,0.853]

0.751
[0.711,0.788]

0.881
[0.862,0.899]

内部验证集

0.792
[0.754,0.830]

0.624
[0.582,0.666]

0.804
[0.763,0.842]

0.953
[0.924,0.974]

0.411
[0.357,0.467]

0.811
[0.769,0.849]

0.767
[0.704,0.822]

0.876
[0.845,0.904]

SVM

训练集

0.819
[0.798,0.840]

0.633
[0.603,0.663]

0.819
[0.794,0.842]

0.940
[0.923,0.954]

0.500
[0.467,0.533]

0.833
[0.808,0.856]

0.757
[0.717,0.794]

0.883
[0.864,0.901]

内部验证集

0.827
[0.791,0.863]

0.633
[0.591,0.675]

0.804
[0.763,0.842]

0.953
[0.924,0.974]

0.411
[0.357,0.467]

0.811
[0.769,0.849]

0.767
[0.704,0.822]

0.876
[0.845,0.904]

ANN

训练集

0.842
[0.822,0.861]

0.733
[0.706,0.760]

0.836
[0.812,0.858]

0.947
[0.931,0.960]

0.542
[0.509,0.575]

0.846
[0.822,0.868]

0.793
[0.755,0.828]

0.893
[0.876,0.909]

内部验证集

0.825
[0.789,0.861]

0.715
[0.674,0.756]

0.831
[0.791,0.867]

0.956
[0.928,0.976]

0.500
[0.445,0.555]

0.835
[0.794,0.872]

0.812
[0.752,0.864]

0.892
[0.862,0.918]

模型	AUC	AUPRC	分类正确率	灵敏度	特异度	阳性预测值	阴性预测值	F1分数
RF	0.780[0.736,0.824]	0.569[0.522,0.616]	0.749[0.709,0.787]	0.767[0.690,0.834]	0.743[0.698,0.785]	0.833[0.779,0.878]	0.626[0.575,0.676]	0.799[0.738,0.852]
XGBoost	0.797[0.754,0.840]	0.601[0.554,0.648]	0.692[0.650,0.732]	0.679[0.601,0.751]	0.765[0.721,0.806]	0.815[0.744,0.873]	0.549[0.497,0.600]	0.741[0.664,0.809]
LR	0.762[0.717,0.807]	0.576[0.529,0.623]	0.756[0.716,0.794]	0.777[0.701,0.842]	0.717[0.668,0.763]	0.834[0.781,0.879]	0.636[0.584,0.686]	0.805[0.745,0.857]
SVM	0.751[0.705,0.797]	0.556[0.509,0.603]	0.752[0.712,0.790]	0.770[0.693,0.836]	0.735[0.689,0.778]	0.833[0.779,0.878]	0.629[0.577,0.679]	0.801[0.741,0.854]
ANN	0.676[0.628,0.724]	0.458[0.412,0.504]	0.690[0.648,0.731]	0.695[0.616,0.768]	0.682[0.633,0.729]	0.801[0.729,0.862]	0.549[0.497,0.600]	0.744[0.667,0.812]

模型

AUC

AUPRC

分类正确率

灵敏度

特异度

阳性预测值

阴性预测值

F1分数

0.780[0.736,0.824]

0.569[0.522,0.616]

0.749[0.709,0.787]

0.767[0.690,0.834]

0.743[0.698,0.785]

0.833[0.779,0.878]

0.626[0.575,0.676]

0.799[0.738,0.852]

XGBoost

0.797[0.754,0.840]

0.601[0.554,0.648]

0.692[0.650,0.732]

0.679[0.601,0.751]

0.765[0.721,0.806]

0.815[0.744,0.873]

0.549[0.497,0.600]

0.741[0.664,0.809]

0.762[0.717,0.807]

0.576[0.529,0.623]

0.756[0.716,0.794]

0.777[0.701,0.842]

0.717[0.668,0.763]

0.834[0.781,0.879]

0.636[0.584,0.686]

0.805[0.745,0.857]

SVM

0.751[0.705,0.797]

0.556[0.509,0.603]

0.752[0.712,0.790]

0.770[0.693,0.836]

0.735[0.689,0.778]

0.833[0.779,0.878]

0.629[0.577,0.679]

0.801[0.741,0.854]

ANN

0.676[0.628,0.724]

0.458[0.412,0.504]

0.690[0.648,0.731]

0.695[0.616,0.768]

0.682[0.633,0.729]

0.801[0.729,0.862]

0.549[0.497,0.600]

0.744[0.667,0.812]