基于时间分层的农村老年人群认知障碍风险预测模型构建与验证：CHARLS队列的Nomogram开发及应用

本研究基于CHARLS队列数据，开发并验证了针对中国农村老年人群的认知障碍风险预测列线图（Nomogram）模型。该研究通过LASSO回归筛选出年龄、教育水平、饮酒、收缩压、握力及抑郁症状6个关键预测因子，模型在训练集（AUC=0.849）、内部验证集（AUC=0.852）和外部验证集（AUC=0.806）均表现出优异判别力与校准度。决策曲线分析（DCA）证实其临床实用性，为农村地区早期筛查提供了低成本、高效率的工具。

　　

Highlight

认知障碍与非认知障碍组的特征比较

研究共纳入1,560名农村老年人，中位年龄66.0岁（四分位距IQR: 62.0–72.0），其中229人（14.68%）存在认知障碍。两组人群特征存在显著差异：认知障碍组表现出握力减弱、体重指数（BMI）和腰围较低、身体功能评分下降等特征（所有P值<0.05）。此外，该组人群年龄更大、教育水平更低、抑郁症状更严重，且更可能患有高血压（所有P值<0.05）。这些发现突出了功能衰退、代谢指标和心理健康状况在认知障碍中的潜在作用。

讨论

本研究利用2011年中国健康与养老追踪调查（CHARLS）数据进行了模型训练与内部验证，并采用2013年数据作为独立外部验证队列。模型在不同时间数据集间表现一致，证明了其在农村老年人认知障碍风险识别中具有鲁棒性和时间泛化能力。通过整合易获取的临床指标（如握力、收缩压）与可干预的生活方式因素，该模型为资源有限地区提供了实用的初级筛查工具。其优势在于兼顾预测性能与临床可操作性，有望促进基层医疗中的风险分层管理。

结论

总之，本研究开发并验证了一个临床可解释的列线图（Nomogram），用于预测中国农村老年人的认知障碍风险。模型基于常规可获取的人口学、功能性和行为指标，在内部和外部验证队列中均表现出强大的判别力和校准度。该工具成本低、可扩展，有助于基层医疗工作者识别高风险个体，优化筛查资源分配，并为推动分级诊疗体系提供数据支持。

Funding

本研究获得以下项目资助：青年岐黄学者培训计划（项目编号：2022.256）、安徽省自然科学基金（项目编号：2308085MH297）、安徽省高校自然科学基金（项目编号：2023AH040099和2023AH052540）以及安徽中医药大学科研基金（项目编号：2024LC085）。

Declaration of generative AI and AI-assisted technologies in the writing process

我们在本文起草过程中使用了大型语言模型—ChatGPT—进行语法和语言润色。

CRediT authorship contribution statement

Fei Wang: 原始起草、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。

Xiang Shang: 原始起草、验证、资源、调查、形式分析、数据整理。

Weiran Li: 验证、调查、形式分析。

Meixia Wang: 评审编辑、监督、资源、项目管理、方法论、概念化。

Fei Li: 评审编辑、监督、资源、项目管理、资金获取、概念化。