一种基于入院情况的简单风险评估模型，用于预测老年人住院期间的残疾风险

《European Geriatric Medicine》：A simple admission-based risk score for hospital-associated disability in older adults

　　**摘要**
**主要结论**
**目的**
开发一种简单的入院风险分层规则，以识别有医院相关残疾（HAD）风险的老年住院患者。

**研究发现**
一个包含四个项目的规则（年龄≥80岁、临床虚弱评分（CFS）≥5、Mini-Mental State Examination（MMSE）≤23、急诊入院）能够有效分层HAD风险（AUC为0.80）。低分表示患者风险非常低，而高分则表明患者风险显著增加。

**信息提示**
这一床边规则支持有针对性地使用全面的老年评估和个性化的管理，同时避免对低风险患者进行不必要的干预。

**背景**
医院相关残疾（HAD）是住院老年患者的常见并发症，并与不良后果相关。由于预防性干预需要大量资源，因此需要高效地识别出入院时的高风险患者。我们利用常规可获得的入院信息，开发了一种简单的基于入院的临床决策规则，用于早期风险分层。

**方法**
在一项多中心回顾性队列研究中，纳入了2019年10月至2025年3月期间入住急性护理医院的65岁及以上的成年人。HAD定义为从入院到出院期间Barthel指数下降5分或以上。候选预测因素包括年龄、入院类型、临床虚弱评分（CFS）和Mini-Mental State Examination（MMSE）。通过多变量逻辑回归模型生成了一个简化的评分系统；通过AUC评估区分能力，通过自助法校正的校准进行校准，并通过包含2000次自助重抽样的决策曲线分析评估临床效用。

**结果**
在1,292名患者（平均年龄82.9±6.7岁，58.2%为女性）中，26.2%发生了HAD。最终评分（0-8分）包括急诊入院、虚弱（CFS≥5）、认知障碍（MMSE≤23）和年龄≥80岁。该评分系统的区分能力良好（AUC 0.796；95%置信区间0.771–0.820），校准也足够准确。HAD发病率从最低风险组的<5%升至最高风险组的约50%，决策曲线分析显示在不同阈值下具有净临床效益。

**结论**
这一床边规则支持有针对性地使用全面的老年评估和个性化的管理，同时避免对低风险患者进行不必要的干预。

**摘要**
**主要结论**
**目的**
开发一种简单的入院风险分层规则，以识别有医院相关残疾（HAD）风险的老年住院患者。
**研究发现**
一个包含四个项目的规则（年龄≥80岁、临床虚弱评分（CFS）≥5、Mini-Mental State Examination（MMSE）≤23、急诊入院）能够有效分层HAD风险（AUC为0.80）。低分表示患者风险非常低，而高分则表明患者风险显著增加。
**信息提示**
这一床边规则支持有针对性地使用全面的老年评估和个性化的管理，同时避免对低风险患者进行不必要的干预。
**背景**
医院相关残疾（HAD）是住院老年患者的常见并发症，并与不良后果相关。由于预防性干预需要大量资源，因此需要高效地识别出入院时的高风险患者。我们利用常规可获得的入院信息，开发了一种简单的基于入院的临床决策规则，用于早期风险分层。
**方法**
在一个多中心回顾性队列研究中，纳入了2019年10月至2025年3月期间入住急性护理医院的65岁及以上的成年人。HAD定义为从入院到出院期间Barthel指数下降5分或以上。候选预测因素包括年龄、入院类型、临床虚弱评分（CFS）和Mini-Mental State Examination（MMSE）。通过多变量逻辑回归模型生成了一个简化的评分系统；通过AUC评估区分能力，通过自助法校正的校准进行校准，并通过包含2000次自助重抽样的决策曲线分析评估临床效用。
**结果**
在1,292名患者（平均年龄82.9±6.7岁，58.2%为女性）中，26.2%发生了HAD。最终评分（0-8分）包括急诊入院、虚弱（CFS≥5）、认知障碍（MMSE≤23）和年龄≥80岁。该评分系统的区分能力良好（AUC 0.796；95%置信区间0.771–0.820），校准也足够准确。HAD发病率从最低风险组的<5%升至最高风险组的约50%，决策曲线分析显示在不同阈值下具有净临床效益。

**引言**
医院相关残疾（HAD）是指患者住院期间日常生活活动能力的下降，是老年患者中常见且严重的并发症。多达三分之一的住院老年患者会出现无法仅由急性疾病解释的功能下降[1]。HAD与住院时间延长、机构化护理和死亡率增加有关[2, 3]。因此，预防HAD已成为老年住院护理的核心目标[4]。

**脆弱性和认知障碍**
脆弱性和认知障碍一直被确定为HAD的主要风险因素，反映了生理储备的减少和对医院相关压力的抵抗力降低[5,6,7,8]。然而，HAD的预防性干预（如早期活动和全面老年评估）需要大量临床资源，无法实际应用于所有住院老年患者。因此，有效预防取决于在入院时识别出最脆弱的 patients。

**方法**
**研究设计和参与者**
这项多中心回顾性队列研究使用了2019年10月至2025年期间入住参与急性护理医院的老年患者的数据（日本医院相关并发症研究[J-HAC研究]）。符合条件的患者为65岁及以上、入住老年病房的成年人[17, 18]。J-HAC研究在日本四个学术老年医学部门进行。所有参与机构均为提供高级医疗护理的三级急性护理中心，接收计划内和急诊入院的患者。其中一个参与机构是专门从事老年护理和研究的国家级中心，作为三级转诊中心。研究方案得到了所有参与机构的机构审查委员会的批准（批准编号2019–0260），并从患者或其法定代理人处获得了书面知情同意。

**数据收集和基线评估**
基线人口统计学和临床数据从电子病历和标准化评估表中提取。数据由受过培训的医疗专业人员在入院后48小时内收集。收集的变量包括年龄、性别、入院类型、住院时间和基线功能状态。基线功能状态使用Barthel指数[19]进行评估，由医生根据患者入院前约两周的功能状态确定。
脆弱性使用临床虚弱评分（CFS）根据入院前的功能状态进行评估[20, 21]。认知功能在患者临床稳定后48小时内使用Mini-Mental State Examination（MMSE）进行评估[22, 23]。入院和出院时的功能状态均进行了评估。所有评估均由受过培训的医生或医疗专业人员进行，使用标准化评估程序。

**结果**
在1,292名患者（平均年龄82.9±6.7岁，58.2%为女性）中，26.2%发生了HAD。最终评分（0-8分）包括急诊入院、虚弱（CFS≥5）、认知障碍（MMSE≤23）和年龄≥80岁。该评分系统的区分能力良好（AUC 0.796；95%置信区间0.771–0.820），校准也足够准确。HAD发病率从最低风险组的<5%升至最高风险组的约50%，决策曲线分析显示在不同阈值下具有净临床效益。

**结论**
这一床边规则支持有针对性地使用全面的老年评估和个性化的管理，同时避免对低风险患者进行不必要的干预。

**引言**
医院相关残疾（HAD）是指住院期间日常生活活动能力的下降，是老年患者中常见且严重的并发症。多达三分之一的住院老年患者会出现新的功能下降，这无法仅用其急性疾病来解释[1]。HAD与住院时间延长、机构化护理和死亡率增加有关[2, 3]。因此，预防HAD已成为老年住院护理的核心目标[4]。

**主要结论**
**目的**
开发一种简单的入院风险分层规则，以识别有医院相关残疾（HAD）风险的老年住院患者。
**研究发现**
一个包含四个项目的规则（年龄≥80岁、临床虚弱评分（CFS）≥5、Mini-Mental State Examination（MMSE）≤23、急诊入院）能够有效分层HAD风险（AUC为0.80）。低分表示患者风险非常低，而高分则表明患者风险显著增加。
**信息提示**
这一床边规则支持有针对性地使用全面的老年评估和个性化的管理，同时避免对低风险患者进行不必要的干预。

**背景**
医院相关残疾（HAD）是住院老年患者的常见并发症，并与不良后果相关。由于预防性干预需要大量资源，因此需要高效地识别出入院时的高风险患者。我们利用常规可获得的入院信息，开发了一种简单的基于入院的临床决策规则，用于早期风险分层。

**方法**
**研究设计和参与者**
这项多中心回顾性队列研究使用了2019年10月至2025期间入住参与急性护理医院的老年患者的数据（日本医院相关并发症研究[J-HAC研究]）。符合条件的患者为65岁及以上、入住老年病房的成年人[17, 18]。J-HAC研究在日本四个学术老年医学部门进行。所有参与机构均为提供高级医疗护理的三级急性护理中心，接收计划内和急诊入院的患者。其中一个参与机构是专门从事老年护理和研究的国家级中心，作为三级转诊中心。研究方案得到了所有参与机构的机构审查委员会的批准（批准编号2019–0260），并从患者或其法定代理人处获得了书面知情同意。

**数据收集和基线评估**
基线人口统计学和临床数据从电子病历和标准化评估表中提取。数据由受过培训的医疗专业人员在入院后48小时内收集。收集的变量包括年龄、性别、入院类型、住院时间和基线功能状态。基线功能状态使用Barthel指数[19]进行评估，由医生根据患者入院前约两周的功能状态确定。

**结果**
**结论**
这一床边规则支持有针对性地使用全面的老年评估和个性化的管理，同时避免对低风险患者进行不必要的干预。根据回归系数的相对大小为各点分配了数值，并进行了简化以便于临床使用。风险评分的开发过程中，回归系数被转化为一个简化的床边评分系统（分数范围为0–8分）（表3）。该评分系统包括以下因素：年龄≥80岁（+1分）、临床虚弱量表评分≥5分（+2分）、MMSE评分≤23分（+2分）以及急诊入院（+3分）。表3显示了HAD风险评分的全貌。

观察到的HAD发病率在不同评分类别中表现出明显的临床风险分层（图1）。评分在0–2分的患者功能下降的概率较低（<10%），评分在3–5分的患者具有中等风险（大约10–30%），而评分≥6分的患者的风险显著增加，超过40%。图1中的替代文本可能是通过人工智能生成的。

根据入院时HAD风险评分的分类，观察到的医院相关残疾的发病率呈现逐步上升的趋势，这表明了有效的临床风险分层。

该风险评分显示出可接受的区分度，AUC值为0.796（95% CI 0.771–0.820）（补充图S2）。使用自助法重采样的内部验证显示模型的过度拟合程度很小（≈0.003），表明缺失数据对模型性能的影响可以忽略不计。多重插补分析也得出了类似的结果，只是区分度略有下降（AUC 0.766），这表明缺失数据并未对模型性能产生实质性影响。校准分析显示，在预测风险和实际风险之间有良好的一致性，并且在自助法修正后偏差很小（图2）。重要的是，该模型在低风险患者中并未系统性地高估风险。

当评分≥3分时，该评分表现出高敏感性（0.96）和阴性预测值0.97，表明其排除HAD的能力很强（表4）。表4展示了在临床相关阈值下入院HAD风险评分的诊断性能。

使用更高的评分阈值（≥6分）可以提高特异性（0.75），并产生阳性预测值0.51，从而识别出功能下降风险显著增加的亚组，这些患者适合进行有针对性的干预。

决策曲线分析显示，在与预防性决策相关的不同阈值概率范围内，该评分系统表现出一致的临床效益（补充图S3）。在合理的干预阈值范围内，该风险评分的表现优于全部治疗和不治疗策略，表明其使用可以减少不必要的预防性干预，同时仍能识别出功能下降高风险的患者。

为了应对由于基线评估数据缺失可能导致的偏差，本文采用了链式方程的多重插补方法（20个数据集，预测均值匹配）。每个插补数据集中的HAD评分进行了重新计算，但评分规则没有修改。插补后的AUC值略有下降，但仍处于可比范围内，这支持了模型性能的稳健性。

在调整了入院时巴塞尔指数（Barthel Index）后的敏感性分析中，该模型的预测性能基本保持不变（AUC 0.813对比0.818，p = 0.12），表明该模型能够独立于基线功能状态来预测医院相关残疾。

使用分类预测因子进行的额外分析（年龄≥80岁、CFS评分≥5分、MMSE评分≤23分）显示，关联的方向和幅度与使用连续变量时观察到的结果一致（连续模型的AUC为0.802，分类模型的AUC为0.796；DeLong检验p = 0.29），这支持了简化评分系统的稳健性。

本研究的主要贡献不在于开发另一个预后模型，而在于为住院老年人提供了一个实用的入院级风险分层工具。在常规护理中，临床医生必须在患者初步稳定后尽快决定是开始结构化活动还是进行全面老年医学评估，但目前还缺乏指导这一决策的客观标准。目前的评分系统将常规可获得的入院信息转化为可直接对应于预防护理级别的风险类别。低风险患者可以安全地接受标准治疗，而高风险患者可以立即被识别出来，以便进行有针对性的干预。

通过CFS评估的虚弱状况与HAD密切相关，这支持了这样一个观点：生理储备的减少会增加患者对住院相关压力因素（如活动受限、环境变化和炎症反应）的敏感性。认知障碍进一步加剧了这种风险，可能通过影响康复参与度、增加谵妄风险以及在住院期间维持活动能力和自我护理行为的困难来实现[24, 25]。急诊入院是最具影响力的预测因子，表明疾病的突然发作和入院前的准备不足会显著导致功能下降[26, 27]。非计划的住院通常伴随着卧床休息、诊断程序和环境变乱，这些都会加速功能下降。这些发现支持在患者入院后尽早考虑进行活动化和老年医学评估，尤其是在高风险患者中。年龄作为一个单一因素，其决定作用不如虚弱或认知障碍强。这一观察结果与这样一个观点一致：生物脆弱性而非实际年龄是决定患者对急性住院适应能力的主要因素。因此，评分系统中包含年龄这一因素反映了累积风险，而不仅仅是独立的机制效应。

尽管基线功能状态与医院相关残疾高度相关，但在调整了入院时巴塞尔指数后，模型的预测性能并未显著提高。这表明所提出的评分系统能够捕捉到超出基线功能障碍之外的脆弱性。

先前的研究一致指出，高龄、基线功能受损和认知障碍是住院期间功能下降的风险因素[15, 16]。虽然已经提出了一些预测工具，但许多工具需要 multiple clinical 或实验室变量，或者需要入院时无法轻易获取的信息，这限制了它们在急性护理环境中的常规使用。相比之下，目前的评分系统仅使用常规收集的入院数据，可以在床边立即计算得出。通过结合年龄、虚弱状况、认知状态和入院类型，该评分系统提供了具有临床解释性的风险分层，并保持了可接受的预测性能。其简单性有助于将其整合到常规工作流程中，并支持早期针对性干预的制定。

评分较低（<3分）的患者发生医院相关残疾的概率非常低，通常可以接受标准治疗。评分在3–5分之间的患者可能受益于结构化的活动监测和早期预防措施，而评分≥6分的患者则属于风险显著增加的亚组，应考虑进行全面的老年医学评估和多学科干预（补充图S4）。因此，较低的评分阈值作为一个实用的排除标准，而较高的评分阈值则用于识别需要早期强化干预的患者。决策曲线分析支持了这种方法在一系列合理干预阈值下的临床实用性。通过利用常规可获取的信息快速进行入院级分层，该评分系统为分配有限的老年医学护理资源提供了一种实用的方法。此外，该评分系统还可以作为未来旨在预防HAD的干预研究的标准化分层框架。

评分中包含的预测因子表明，HAD可能反映了基线脆弱性和急性疾病压力之间的相互作用。评分的四个组成部分——年龄、虚弱状况、认知障碍和急诊入院——代表了风险的不同维度：生物储备、功能储备、认知韧性和急性疾病负担。它们共同构成了一个临床上连贯的框架，用于识别入院时可能功能下降的患者。尽管在急诊入院时可能无法立即进行MMSE评估，但在许多临床环境中，MMSE评估通常会在住院早期进行。因此，评分中包含MMSE反映了入院后不久即可获得的信息。在所有纳入的变量中，急诊入院与HAD的关联最为强烈，然而，没有任何单一因素足以涵盖住院老年人脆弱性的多因素性质。所提出的评分系统整合了包括虚弱状况、认知障碍、年龄和急性疾病负担在内的多个维度，从而提供了比单一因素更为平衡和具有临床意义的Risk分层。

本研究有几个优点。首先，多中心设计和大样本量增强了研究结果的普遍适用性。其次，候选预测因子是基于临床相关性预先指定的，最终评分系统仅依赖于常规可获得的入院信息，支持了实际床边应用的可行性。第三，使用自助法重采样的内部验证表明模型性能稳定，且过度拟合程度很小。

然而，我们无法根据特定的入院途径（例如，通过救护车运送与其他途径）来分析差异，这些途径可能反映了急性疾病严重程度的不同。未来的研究应该纳入更详细的入院途径分类。出院安排和住院时间长短可能会影响功能状态的观察变化，因为提前出院回家的患者可能较少出现功能下降，而需要转到其他机构的患者可能表现出更严重的临床轨迹。虽然本研究中的HAD定义是基于出院时的巴塞尔指数变化，但在解释研究结果时应该考虑这些因素。

重要的是，功能评估是在入院后不久进行的，且该队列的住院时间表明存在一个临床上有意义的窗口期，可以在此期间实施预防策略，如早期活动化和全面老年医学评估。然而，风险导向干预的有效性需要在前瞻性研究中得到验证。在一些专门的老年医学环境中，患者大多年龄非常大（例如≥80岁或≥90岁），年龄的区分作用可能由于变异性的减少而受限。然而，所提出的评分系统包含了多个脆弱性维度，包括虚弱状况、认知障碍和急性疾病严重程度，这些因素在不同临床环境中都具有重要意义。因此，即使年龄的贡献减弱，该评分系统的整体实用性预计仍然可以得到保留。

未来的研究应该在独立的医疗系统和不同的临床环境中对外部验证HAD风险评分系统的泛化能力。需要进行实施研究，以探讨如何通过将评分系统整合到电子健康记录中来实现自动计算和实时的临床决策支持。此外，需要前瞻性干预研究来确定以风险为导向的预防策略（如针对高风险患者的早期活动化或全面老年医学评估）是否能够减少医院相关残疾的发生率并改善以患者为中心的结局。

最后，尽管目前的评分系统基于入院数据以最大化实用性，但未来的研究可以探索结合住院期间动态数据的动态预测方法，以进一步细化风险估计。我们建立了一个具有临床解释性的入院风险评分系统，能够在早期识别出可能受益于结构化活动支持或全面老年医学评估的老年患者。通过使用常规可获得的入院数据——年龄、虚弱状况、认知状态和入院类型——该评分系统能够实现风险分层的临床可解释性，同时保持良好的预测性能。其简单性有助于将其整合到常规工作流程中，并支持早期针对性干预的制定。

评分较低（<3分）的患者发生医院相关残疾的概率非常低，通常可以通过标准治疗进行管理。评分在3–5分之间的患者可能从结构化的活动监测和早期预防措施中受益，而评分≥6分的患者属于风险显著增加的亚组，应考虑进行全面的老年医学评估和多学科干预（补充图S4）。因此，较低的评分阈值作为一个实用的排除标准，而较高的评分阈值则用于识别需要早期强化干预的患者。决策曲线分析支持了这种方法在一系列合理干预阈值下的临床实用性。通过利用常规可获取的信息快速进行入院级分层，该评分系统为分配有限的老年医学护理资源提供了一种实用的方法。此外，该评分系统还可以作为未来旨在预防HAD的干预研究的标准化分层框架。

评分中包含的预测因子表明，HAD可能反映了基线脆弱性和急性疾病压力之间的相互作用。评分的四个组成部分——年龄、虚弱状况、认知障碍和急诊入院——代表了风险的互补领域：生物储备、功能储备、认知韧性和急性疾病负担。它们共同构成了一个临床上连贯的框架，用于识别入院时可能功能下降的患者。虽然可能在急诊入院时无法立即进行MMSE评估，但在许多临床环境中，MMSE评估通常会在住院早期进行。因此，评分中包含MMSE反映了入院后不久即可获得的信息，而不仅仅是紧急分诊时的情况。在所有纳入的变量中，急诊入院与HAD的关联性最强，然而，没有任何单一因素能够单独捕捉到住院老年人的多因素脆弱性。所提出的评分系统整合了包括虚弱状况、认知障碍、年龄和急性疾病负担在内的多个维度，从而提供了比单一因素更平衡和具有临床意义的风险分层。

本研究有几个优点。首先，多中心设计和大样本量增强了研究结果在不同急性护理环境中的适用性。其次，候选预测因子是基于临床相关性预先指定的，最终评分系统仅依赖于常规可获得的入院信息，支持了实际的床边应用。第三，使用自助法重采样的内部验证表明模型性能稳定，且过度拟合程度很小。

然而，我们无法根据具体的入院途径（例如通过救护车运送与其他途径）来分析差异，这些途径可能反映了急性疾病严重程度的不同。未来的研究应该纳入更详细的入院途径分类。出院安排和住院时间长度可能会影响功能状态的变化，因为提前出院回家的患者可能较少出现功能下降，而需要转诊到其他机构的患者可能表现出更严重的临床轨迹。尽管本研究中的HAD定义是基于出院时的巴塞尔指数变化，但在解释研究结果时应该考虑这些因素。

重要的是，功能评估是在入院后不久进行的，且该队列的住院时间表明存在一个临床上有意义的窗口期，可以在此期间实施预防策略，如早期活动化和全面老年医学评估。然而，风险导向干预的有效性需要在前瞻性研究中得到验证。在一些专门的老年医学环境中，患者主要是非常高龄（例如≥80岁或≥90岁），年龄的区分作用可能由于变异性的减少而受到限制。然而，所提出的评分系统纳入了多个脆弱性维度，包括虚弱状况、认知障碍和急性疾病严重程度，这些因素在不同临床环境中仍然具有相关性。因此，即使年龄的贡献减弱，该评分系统的整体效用预计仍然可以得到保持。

未来的研究应该在不同医疗系统和不同的临床环境中对外部验证HAD风险评分系统的泛化能力。需要进行实施研究，以探讨如何通过将评分系统整合到电子健康记录中来实现自动化计算和实时的临床决策支持。此外，需要前瞻性干预研究来确定以风险为导向的预防策略（如针对高风险患者的早期活动化或全面老年医学评估）是否能够减少医院相关残疾的发生率并改善以患者为中心的结局。

最后，尽管目前的评分系统基于入院数据以最大化实用性，但未来的研究可以探索结合住院期间动态数据的动态预测方法，以随着时间的推移 refinement 风险估计。我们建立了一个具有临床解释性的入院风险评分系统，能够早期识别出可能受益于结构化活动支持或全面老年医学评估的老年患者。通过使用常规可获得的入院数据——年龄、虚弱状况、认知状态和入院类型——该系统能够早期识别出可能受益于针对性预防干预的患者。这一工具可以支持老年医学护理资源的有效分配，并为未来旨在预防HAD的干预研究提供了实用框架。