基于异质性轨迹的老年人内在能力衰退风险预测：动态在线列线图的构建与验证

这篇研究通过分析CHARLS队列1801名老年人的纵向数据，采用K-means聚类识别出内在能力(IC)的高/低损伤轨迹，运用LASSO回归和多元logistic回归筛选出10个独立预测因子（包括退休状态、疼痛等），构建了具有良好区分度（训练集AUROC=0.789）的动态在线列线图(nomogram)。该模型通过1000次bootstrap内部验证，校准曲线和决策曲线分析(DCA)证实其临床实用性，为早期识别高风险人群提供了可视化工具。

　　

Highlight

本研究亮点在于首次结合内在能力(IC)异质性轨迹分析与动态在线列线图(nomogram)技术，为老年人功能衰退风险预测提供了创新性解决方案。

Results of the Clustering Analysis

通过多维度评估方法（包括NbClust综合评估、Calinski-Harabasz指数[CH=1456.92]和轮廓系数分析[平均0.369]），确定内在能力衰退轨迹最佳聚类数为2类：高IC损伤轨迹组和低IC损伤轨迹组。肘部法则进一步验证该分类方案的合理性。

Discussion

鉴于老年人内在能力的动态特性及其快速衰退与不良健康结局的显著关联，本研究突破性地将轨迹分析与预测模型相结合。通过识别疼痛、自评健康状况等10个关键预测因子，构建的交互式动态列线图实现了：1）可视化风险预测；2）促进医疗资源合理配置；3）为个性化干预提供量化依据。相较于传统静态模型，在线工具更能适应临床实践需求。

Conclusion

基于4年三期CHARLS数据，本研究不仅揭示了内在能力"高/低损伤"的异质性轨迹，更创新开发了具有良好区分度（验证集AUC=0.758）的动态预测工具。该模型通过校准曲线证实预测概率与实际观察值高度一致，DCA分析显示其具有显著临床净收益，为推进老年健康精准管理提供了新范式。