提高对中国阿尔茨海默病及相关痴呆症负担的预测以及针对性政策的制定——回复

《Health Data Science》：Enhancing Alzheimer’s Disease and Related Dementia Burden Projections and Policy Targeting in China—Reply

本研究针对中国各省ADRDs的患病率及经济负担，采用基于CHARLS调查的认知功能评估和功能受限标准定义病例，未来计划整合生活方式及环境因素并探索政策干预模拟。

　　

我们感谢刘传乾博士对我们研究的深思熟虑和建设性评论，该研究预测了中国各省阿尔茨海默病及相关痴呆症（ADRDs）的患病率及经济负担[1]。我们非常感谢他对我们工作的积极评价，以及他在方法论和政策方面的宝贵建议，这些建议指出了未来研究中加强研究可重复性、改进模型以及提高实际应用价值的重要方向[2]。 在病例识别方面，我们研究中ADRD的定义采用了一种基于调查的算法，该算法要求同时具备认知障碍和功能受限的证据，或者有使用治疗记忆相关疾病的药物的记录。认知障碍的具体判定标准是：在时间定向、记忆和算术这三个认知领域中，至少有两个领域的表现低于平均水平的1.5个标准差；各教育阶层的阈值是分别计算的。这种方法遵循了“中国健康与退休纵向研究”（CHARLS）及先前基于人群的研究中的既定惯例[3,4], 并考虑到教育水平对认知测试结果的显著影响，旨在尽量减少误分类现象。我们同意提高透明度将有助于增强研究的可重复性；在未来的分析中，我们计划将按教育水平划分的具体临界值作为补充材料一并提供。 我们 also 感谢建议将可改变的风险因素（如体力活动、饮食和空气污染）纳入患病率预测中。由于不同调查阶段的生活方式数据不完整且测量标准不一致，这些因素并未包含在我们的基线模型中。尽管如此，大量证据（包括《柳叶刀》痴呆症预防委员会的研究结果）表明它们与ADRD风险密切相关[5]。CHARLS包含了关于生活方式的间歇性数据，而空气污染相关指标可以从公开的省级监测数据中获取。我们正在积极探索将这些因素纳入风险调整后的预测模型中的方法，以研究行为和环境条件的变化可能对未来ADRD的发展趋势产生的影响。 我们的预测旨在反映现状，因此并未明确模拟政策干预措施。我们认同，动态建模可以通过评估诸如扩大长期护理保险覆盖范围、开展早期痴呆筛查以及提供护理者支持等策略，显著提升政策的实际效果[6]。在现有研究的基础上，未来的研究可以采用微观模拟或系统动力学方法，来模拟政策实施如何影响各省的发病率、护理使用情况以及相关成本，从而在不同政策情景下进行成本效益的比较评估。 最后，我们认识到按ADRD亚型和护理环境细分成本的重要性。目前，CHARLS尚未提供详细的亚型诊断信息，且与临床记录的关联也较为有限。未来若能与三级医院合作，或许可以整合诊断数据，以区分阿尔茨海默病、血管性痴呆等不同亚型。此外，我们正在利用CHARLS中的功能状态指标和医疗利用数据，对不同的护理方式（如居家护理、社区服务和机构护理等）进行分类，以估算特定环境下的成本变化趋势，并更准确地反映护理需求的多样性。 再次感谢刘传乾博士的宝贵建议，这些建议将有助于指导我们未来工作的拓展，并为在中国各地制定公平有效的ADRD政策提供更坚实的依据。