《International Journal of Environmental Research and Public Health》：The FIT–FRAIL–DISABLE Framework: A Multidimensional CGA-Based Model for Proportional Treatment of Older Adults Across Speciality Care
编辑推荐：
衰弱、认知障碍、抑郁、功能依赖、低体能表现和营养不良在因癌症治疗、心血管介入、神经学治疗和骨科手术而转诊的老年人中高度普遍，并且每一项均可独立预测治疗毒性、术后并发症和死亡。老年综合评估（Comprehensive Geriatric Assessment,
衰弱、认知障碍、抑郁、功能依赖、低体能表现和营养不良在因癌症治疗、心血管介入、神经学治疗和骨科手术而转诊的老年人中高度普遍，并且每一项均可独立预测治疗毒性、术后并发症和死亡。老年综合评估（Comprehensive Geriatric Assessment, CGA）是老年患者治疗结局最准确的预测工具，但在大多数专科路径中仍结构性缺失，导致对生物学衰弱患者的过度治疗和对生物学健壮患者的治疗不足。在本观点文章中，研究人员提出并操作化FIT–FRAIL–DISABLE多维老年分层模型，作为将CGA结果转化为肿瘤学、心脏病学、神经老年医学和骨科老年医学领域内按比例、专科特异性治疗推荐的概念框架。该模型整合了六种经过验证的CGA工具——简明精神状态检查（Mini-Mental State Examination, MMSE）、15项老年抑郁量表（15-item Geriatric Depression Scale, GDS-15）、基本和工具性日常生活活动能力（Activities of Daily Living, ADL；Instrumental Activities of Daily Living, IADL）、简易体能状况量表（Short Physical Performance Battery, SPPB）和微型营养评定简表（Mini Nutritional Assessment Short Form, MNA-SF）——将结果分为三个可操作类别（FIT, FRAIL, DISABLE），分别与全强度、风险适应和症状聚焦照护相对应，并明确将其定位于与基于缺陷的衰弱范式和WHO内在能力（Intrinsic Capacity, ICOPE）框架的关系中，该模型是对两者的补充而非替代。研究人员指定了一个临时、先验的决策规则来组合各领域得分，并描述了每个分层类别应如何为共同决策过程中目标一致的治疗强度提供信息——而非支配决策。FIT–FRAIL–DISABLE被呈现为一个提议的、产生假设的框架：其复合阈值和领域权重尚未经过经验推导，模型也未经过前瞻性验证。在GERIA-NET研究联盟内正在设计基于现有CGA队列的回顾性校准和前瞻性多中心验证。如果经过验证，该框架有潜力减少接受积极治疗的老年人中过度治疗相关的伤害和治疗不足相关的治疗剥夺。
**论文解读：FIT–FRAIL–DISABLE框架——构建老年人专科医疗的比例治疗范式**
全球人口老龄化速度空前，预计到2050年65岁以上人口将超过15亿。老年人已构成癌症治疗、心脏手术、经导管主动脉瓣植入术（TAVI）、脆性骨折修复和神经介入治疗的主要人群，然而这些决策框架大多源于更年轻、更健康人群，且仍锚定于肿瘤分期、射血分数、骨密度等疾病特异性参数，无法捕捉生物学衰老中多维脆弱性的本质。衰弱、认知障碍、抑郁、功能依赖、低体能表现和营养不良在老年人中高度普遍，且每一项均可独立预测治疗毒性、术后并发症和死亡。老年综合评估（Comprehensive Geriatric Assessment, CGA）已被验证为预测老年患者治疗结局最准确的工具，但在多数专科路径中仍结构性缺失，造成生物学衰弱患者被系统性过度治疗、生物学健壮患者被系统性治疗不足的“双向失败”。针对这一结构性缺口，研究人员在Ravenna多学科老年评估单元内提出了FIT–FRAIL–DISABLE多维老年分层模型，旨在将CGA结果转化为可操作、专科特异性的比例治疗建议，为老年医学与肿瘤学、心脏病学、神经老年医学和骨科老年医学提供共享语言，最终减少过度治疗相关伤害和治疗不足相关治疗剥夺。
该模型整合了六种已获验证的CGA工具：简明精神状态检查（MMSE）、15项老年抑郁量表（GDS-15）、基本和工具性日常生活活动能力量表（ADL、IADL）、简易体能状况量表（SPPB）和微型营养评定简表（MNA-SF）。六项得分通过一个先验定义的混合关键域决策规则转换为三个分层类别：FIT（保留生物学储备，适合全强度治疗）、FRAIL（中度受损，需风险适应调整）和DISABLE（严重多维受损，默认采用目标一致的低强度路径）。模型明确与基于缺陷的衰弱范式以及WHO内在能力（ICOPE）框架互补，而非替代。
在研究方法上，研究人员采用了结构化叙述性文献回顾和专家共识。首先为每个候选领域选择验证最充分的工具，并直接采用其原始验证文献中的临床截断值；随后对四个专科（肿瘤老年学、心脏老年学、神经老年医学、骨科老年医学）的当代证据和国际共识声明进行叙述性回顾，以定义各分层对应的治疗强度建议；再通过作者共识先验确定将六域得分映射到三个类别的决策规则——即关键域覆盖规则（MMSE<18或ADL≤3时至少归入FRAIL，两者均严重或合并其他严重受损时归入DISABLE）和综合分类规则（六域众数，平局时倾向保守）。该规则被明确定义为待检验假设。模型的验证计划依托GERIA-NET研究联盟，该联盟由意大利帕尔马大学、博洛尼亚大学、那不勒斯费德里科二世大学、基耶蒂-佩斯卡拉大学以及卡罗林斯卡学院老化研究中心等组成，拟先在现有CGA队列中进行回顾性校准，再开展前瞻性多中心验证。
研究结果部分，模型框架与专科应用被系统阐述。3.1 从CGA到分层：图1和图2展示了六域如何通过决策规则整合为FIT、FRAIL、DISABLE三类，并统一用于四个专科背景，以支持老年医学与专科医师的共同语言。3.2 比例治疗路径：表3概括了每类对应的默认治疗方向——FIT为全强度/治愈性治疗，FRAIL为风险适应修改和老年优化，DISABLE为低强度、目标一致的方法，且明确类别不取代个体化判断。3.3 专科特异性应用：3.3.1 肿瘤老年学：GERABEL研究显示CGA决定因素（功能、认知、营养）独立预测放疗方案选择；FIT患者可行全剂量全身治疗和标准放疗，FRAIL患者需剂量调整或预康复，DISABLE患者采用低毒性目标一致治疗。3.3.2 心脏老年学：EACTS/EAPC/ESC联合共识强制要求术前衰弱评估，FRAILTY-AVR研究证实多维衰弱评估预后价值；模型分别对应标准干预、微创选择和以症状控制为主的路径。3.3.3 神经老年医学：MMSE和GDS-15识别认知与情绪障碍是治疗资格和依从性的关键决定因素；围手术期谵妄是跨专科的重要结局，通过术前CGA识别高危患者是框架的高产应用；GERIA-NET正探索小胶质细胞激活和灰质完整性生物标志物以预测谵妄和认知轨迹。3.3.4 骨科老年医学：共管理模式显著降低老年髋部骨折患者1年死亡率（Sabharwal和Wilson；Pankratz等）；对DISABLE患者，骨折手术常是有效姑息与护理手段，应进行手术-保守的明确讨论而非默认排除。3.4 类别提供信息而非指令：三项原则——可逆性（急性可逆损伤需先优化再评估）、目标一致与共同决策、双向成比例——确保分层防止虚无主义。3.5 动态再评估：类别并非静态，患者可在预康复、营养补充、抑郁治疗后改善，也可在重大应激后恶化；应在每次新治疗周期前、急性事件后等临床节点重复评估，GERIA-NET纵向臂将正式化再评估时间与阈值。
讨论部分围绕四个论点展开。第一，老年医学医生应成为多学科团队的结构性成员，而非仅在不确定时被召回的顾问，Ravenna模式通过专门老年衰弱病房实现。第二，模型不同于现有工具，如Fried表型仅关注身体衰弱，ICOPE框架面向社区初级预防，而FIT–FRAIL–DISABLE整合六域并提供可直接指导治疗强度的分类输出。第三，基于年龄的分配导致对称的双向失败，而储备导向的逻辑可同时纠正过度治疗和年龄歧视性治疗不足。第四，局限性包括：模型未经前瞻验证；复合决策规则和领域权重为专家推导而非经验校准；未经过外部专家评审或Delphi共识；未进行系统文献综述；与ICOPE的整合仍停留在领域对齐层面。未来方向包括在GERIA-NET中进行分阶段验证：先在现有CGA队列中回顾性推导权重和截断点，再进行多中心前瞻性验证，并计划将模型映射至完整ICOPE Step 1/Step 2/Step 3流程，以及引入AI纵向监测衰弱的动态变化。
结论翻译如下：研究人员提出了FIT–FRAIL–DISABLE，一种旨在将老年综合评估结果转化为肿瘤学、心脏病学、神经老年医学和骨科老年医学中按比例、专科特异性治疗决策的多维老年分层模型，并明确将其定位于与基于缺陷的衰弱范式和WHO内在能力框架的关系中。该模型解决了一个重要的结构性缺口——在积极治疗的老年人中系统性地未考虑多维脆弱性——并作为提议的、产生假设的框架而非验证工具而提供。其复合阈值和领域权重尚未经经验推导，且未经前瞻性验证；因此，实施只应在验证研究或严格监测的临床路径中进行，类别标签应始终通过目标一致性、共同决策应用，而非作为自动治疗命令。回顾性校准和前瞻性多中心验证正在GERIA-NET联盟内设计。如果经过验证，该框架有潜力减少过度治疗相关伤害和治疗不足相关治疗剥夺，并使治疗决策与衰老的生物学现实保持一致。
