分类号： R18
学号： 2019110908
重 庆 医 科 大 学
硕 士 学 位 论 文
（学术学位）
论文题目
基于 IADL 轨迹分析的中国社区老年人 MCI 风险识别
作者姓名
张洋畅
指导教师姓名（职称、单位名称）
雷迅副教授
重庆医科大学公共卫生与管理学院
一级学科名称
公共卫生与预防医学
二级学科名称
流行病与卫生统计学
论文答辩年月
万方数据
2022 年 5 月
万方数据
目
录
符号说明 ..................................................................................................................... 1
摘要 ............................................................................................................................. 2
ABSTRACT................................................................................................................ 4
基于 IADL 轨迹分析的中国社区老年人 MCI 风险识别 ....................................... 7
前言 ......................................................................................................................7
1
研究内容和研究方法 ................................................................................. 11
2
结果 .............................................................................................................23
3
讨论 .............................................................................................................34
对策与建议 ............................................................................................................... 40
参考文献 ................................................................................................................... 42
文献综述 ................................................................................................................... 48
致谢 ........................................................................................................................... 58
攻读学位期间发表论文 ........................................................................................... 60
万方数据
重庆医科大学硕士研究生学位论文
符号说明
英文缩写
英文全称
中文全称
GBTM
Group based trajectory model
群组轨迹模型
LCM
Latent Class Model
潜在类别模型
LPA
Latent Profile Analysis
潜在剖面分析
ADL
Activities of Daily Living
日常生活活动能力
Instrumental Activities of Daily
工具性日常生活活动能
Living
力
MMSE
Mini-mental State Examination
简易智力状态检查量表
MCI
Mild Cognitive Impairment
轻度认知损害
OR
Odds Ratio
比值比
HR
Hazards Ratio
风险比
CI
Confidence Interval
置信区间
IADL
1
万方数据
重庆医科大学硕士研究生学位论文
基于 IADL 轨迹分析的中国社区老年人
MCI 风险识别
摘要
背景 社区老年人认知功能损害已经成为医学界亟须解决的重大公共卫生
问题。认知衰退通常始于中老年，是大脑中不可逆转的病理变化过程。认知能
力加剧下降则可能导致痴呆以及身体残疾和死亡。轻度认知损害（MCI）为认
知正常衰退和痴呆症的中间阶段，此阶段的患者保留了一定的认知能力和可塑
性。虽然目前还没有针对认知衰退的有效治疗方案，但是如果能早期识别轻度
认知损害，则有助于减少和延缓痴呆事件的发生。工具性日常生活活动能力
（IADL）是一项反映了社区老年人在独立生活、社会交际和完成家庭任务的社
会化角色能力的评估工具，在以往的研究中均报告具有预测社区老年人认知损
害的潜在效能。然而，目前 IADL 工具在实际使用中存在一定的争议，如项目
的计分方式和阈值划分等，以及在随时间变化中，老年人的 IADL 呈现复杂多
样的轨迹模式。因此，在本研究中，我们采用了潜变量模型的方法对 IADL 进
行亚组和轨迹识别，以期发现 MCI 的 IADL 高风险组。
方法 基于中国健康与长寿队列数据库（CLHLS）2002 年至 2018 年共 6 轮
固定队列数据库，共纳入中国社区 65 岁以上老年人 16064 人。年龄小于 65 岁，
基线 MMSE 和 IADL 数据缺失的老年人从样本当中排除。收集随访者每年的一
般社会人口学信息、生活方式、健康报告、心理和认知状态等。在 2002 年的基
线横断面数据中，利用潜在剖面分析（LPA）对 IADL 的项目进行划分，并用
Logistic 回归探究 MCI 的潜在风险因子。在 2002 年至 2018 年的队列数据当中，
利用群组轨迹模型（GBTM）对 IADL 的得分轨迹进行识别，并利用 Cox 回归
模型探究不同轨迹在 MCI 事件上的发生风险。进一步在亚组分析当中分析社会
不平等修饰 IADL 轨迹对 MCI 事件的发生风险。最后，我们通过敏感性分析，
进一步验证了结果的稳健性。
2
万方数据
重庆医科大学硕士研究生学位论文
结果 经过条件筛查，13385 名中国社区 65 岁以上老年人被纳入分析，平
均年龄为 84.9±11.5 岁，其中男性有 5906 人，占比 44.1%，女性有 7479 人，占
比 55.9%。在 LPA 模型中，根据模型拟合指标和经验判断，将 IADL 模式分为
3 组，分别为“IADL 正常组”（61%）、“IADL 部分依赖组”（23%）和“IADL 完
全依赖组”（16%）。在基线 MCI 风险的多因素 Logistic 回归分析中，以“IADL
正常组”为参考组，“IADL 部分依赖组”发生 MCI 的优势比是“IADL 正常组”的
3.21 倍（OR=3.21，95%CI：2.71-3.79），“IADL 完全依赖组”发生 MCI 的优势
比是“IADL 正常组”的 5.70 倍（OR=5.70，95%CI：4.74-6.85）。在基于纵向数据
结构的群组轨迹模型分析中，基线 11044 名调查对象被纳入到研究当中。在
GBTM 对 IADL 轨迹识别中，将中国社区 65 岁以上的老年人 IADL 轨迹分为
“IADL 低风险组”（41.1%）、“IADL 风险增加组”（28.5%）和“IADL 高风险组”
（30.4%）。在多因素 Cox 模型校正其他协变量情况下，“IADL 风险增加组”发
生 MCI 的风险比是“IADL 低风险组”的 4.49 倍（HR=4.49，95%CI：3.82-5.28）；
“IADL 高风险组”发生 MCI 的风险比是“IADL 低风险组”的 2.52 倍（HR=2.52，
95%CI=2.08-3.05）。在交互效应分析中，年龄和居住地是可能的风险调节因子
（P for interaction <0.05）。在敏感性分析当中，我们的结果仍然具有稳健性
（P<0.05）。
结论（1）IADL 题项存在内部群体异质性，可划分为“IADL 正常组”、“IADL
部分依赖组”和“IADL 完全依赖组”。
（2）IADL 轨迹存在动态变化的特征，可划
分为“IADL 低风险组”、“IADL 风险增加组”和“IADL 高风险组”。
（3）IADL 受
损对 MCI 发病风险的影响受到年龄和居住地的调节作用。高龄老人和居住在城
市中的老年人可能 IADL 受损导致 MCI 发病风险更高。（4）通过敏感性分析，
排除“悖论干扰”，提示 IADL 轨迹作为 MCI 风险预测因子效应稳健。
关键词：群组轨迹模型，工具性日常生活活动能力，轻度认知损害，潜在
剖面分析
3
万方数据
重庆医科大学硕士研究生学位论文
THE IDENTIFICATION FOR MCI RISK OF THE
ELDERLY IN CHINESE COMMUNITY BASED ON
IADL TRAJECTORY ANALYSIS
ABSTRACT
Background The cognitive impairment of the elderly in the
community has become a major public health problem that must be solved
in the medical field. Cognitive decline usually begins in the middle-aged
group and elderly, which is an irreversible pathological process in the
brain. Increased cognitive decline can lead to dementia, physical
disability, and death. Mild cognitive impairment (MCI) is the
intermediate stage between normal cognitive decline and dementia.
Patients at this stage retain certain cognitive ability and plasticity.
Although no effective treatment has been found for cognitive decline,
early diagnosis of MCI will reduce and delay the occurrence of dementia.
Instrumental activities of daily living (IADL) is an assessment tool that
reflects the ability of the elderly in the community to live independently,
communicate socially, and complete housework. In previous studies,
IADL has been reported to have potential efficacy to predict the cognitive
impairment of the elderly in the community. However, some disputes
have been identified in the actual use of IADL tools, such as the scoring
method and threshold division of items, and the IADL of the elderly
presents complex and diverse trajectory patterns over time. Therefore, we
used the latent variable model to identify the subgroups and trajectories
of IADL and investigate the IADL high-risk group of MCI.
Methods Based on six-cycle longitudinal data from the Chinese
4
万方数据
重庆医科大学硕士研究生学位论文
Longitudinal Healthy Longevity Survey between 2002 and 2018, a total
of 16,064 community-dwelling Chinese older people were included in the
sample pool. Participants with age under 65 years or with missing data of
MMSE and IADL were excluded from the study. The individual
information of sociodemographic characteristics, lifestyle, health
condition, and psychological and cognitive status were collected in each
cycle. In the 2002 cross-sectional study, the items of IADL were divided
using latent profile analysis (LPA), and the logistic model was used to
investigate the potential risk factors of MCI. In the 2002–2018
longitudinal study, the group-based trajectory model (GBTM) was used
to identify the trajectory of the IADL score, and the Cox regression model
was used to explore the hazard ratio (HR) of different trajectories at the
onset of MCI. In addition, subgroup analysis was used to analyze social
modification between the IADL trajectories and the onset of MCI. Finally,
we further adopted sensitivity analysis to verify the robustness of the
results.
Results After inclusion and exclusion, 13,385 community-dwelling
Chinese older people were included in final analysis, with an average age
of 84.9±11.5 years, 5906 men (44.1%), and 7479 female (55.9%). In the
LPA model, the type of IADL was classified into three groups, namely,
“normal IADL” (61%), “partial dependence for IADL” (23%), and
“complete dependence for IADL” (16%), based on the goodness-of-fit
testing for model and experimental judgment. In multivariable logistic
regression analysis at baseline, the odds ratio was 3.21 (OR=3.21, 95%CI:
2.71–3.79) for the “partly dependent IADL group” and 5.70 (OR=5.70,
95% CI: 4.74–6.85) for the “completely dependent IADL group”
compared with the “normal IADL group.” In the longitudinal study using
the GBTM, 11,044 participants at baseline were included in the study. The
5
万方数据
重庆医科大学硕士研究生学位论文
trajectories of the community-dwelling Chinese elderly were divided into
the “low-risk IADL group” (41.1%), “IADL group with increasing risk”
(28.5%), and “high-risk IADL group” (30.4%). Using the multivariable
Cox model after adjusting for covariates, the HR of “IADL with
increasing risk” was 4.49 (HR=4.49, 95% CI: 3.82–5.28), whereas that of
the “high-risk IADL group” was 2.52 (HR=2.52, 95% CI=2.08–3.05).
Interaction analysis results showed that age and residence were
significant moderators (P for interaction <0.05). Based on sensitivity
analysis, our results were still robust (P<0.05).
Conclusion (1) IADL items have internal group heterogeneity, which
can be divided into “normal IADL,” “partial dependence for IADL,” and
“complete dependence for IADL.” (2) IADL trajectories have the
characteristics of dynamic change, which can be divided into the “lowrisk IADL group,” “IADL group with increasing risk,” and “high-risk
IADL group.” (3) The effect of IADL impairment on the onset of MCI is
modified by age and residence. Results showed that the aging people and
older people living in cities might suffer from impaired IADL, which will
lead to the onset of MCI. (4) Sensitivity analysis was used to exclude the
noise of “paradox inference,” indicating that IADL trajectories have a
robust estimation as an indicator of MCI risk.
Keywords: Group trajectory model, Instrumental activities of daily
living, Mild cognitive impairment, latent profile analysis
6
万方数据
重庆医科大学硕士研究生学位论文
基于 IADL 轨迹分析的中国社区老年人 MCI 风险识
别
前言
老年人轻度认知功能损害（Mild cognitive impairment, MCI）是全世界公认
的重大社会和公共卫生问题，并且随着社会人口老龄化该问题日益严峻。根据
中国国家统计局在 2021 年发布的《第七次全国人口普查公报解读》，2020 年大
陆地区 60 岁以上的老年人口总量为 2.64 亿人，已占到总人口的 18.7%[1]。自中
国 2000 年步入老龄化社会以来的 20 年间，老年人口比例增长了 8.4 个百分点
[1]
。同时，根据荟萃分析结果，中国 55 岁以上社区居民的 MCI 的患病率为 12.2%
（95%CI：10.6-14.2）和遗忘性 MCI（amnesic MCI, aMCI）的患病率为 10.9%
（95%CI：7.7-15.4）[2]。从诊断工具标准来看，美国精神病学协会诊断工具标
准（The American Psychiatric Association’s Diagnostic tool, DSM-IV）、彼得森标
准（Petersen criteria）和国家老年痴呆症协会标准（The National Institute on Aging
Alzheimer’s Association, NIA-AA）得出的 MCI 患病率分别为 13.5%，12.9%和
10.3% [2]。在另一项针对中国社区 65 岁以上老年人的 MCI 流行病学调查中，总
体 MCI 患病率为 20.8% [3]。另外，女性、农村居民、独居和受教育程度低的人
的 MCI 患病率显著高于其他群体[2,3]。MCI 是指利用主观和客观证据表明认知
功能明显下降，代表从正常预期的认知衰退到痴呆的临床前过度阶段，尽管
20%-30%的 MCI 患者在随访中发现认知能力得到恢复，但其中约 10%到 20%
的 MCI 患者在诊断后 1 年内进展为痴呆, 远远高于每年在一般人群中 1%-2%
的发病率[4-6]。另外，有学者发现大约 50%的 MCI 患者在 5 年内有发展成为痴
呆高风险[6]。综上所述，MCI 满足了医学界关于疾病临床“窗口期”的条件，在
此阶段中通过“早发现”“早治疗”“早干预”能够延缓患者进展为痴呆，从而提高
老年人的生存质量[7]。因此，在大规模研究中通过构建风险预测新工具，尽早
筛查 MCI 并刻画高危老年人的风险行为特征，对于提前进行风险预警，实现精
准化和个性化认知损害干预有积极现实意义和社会价值。
7
万方数据
重庆医科大学硕士研究生学位论文
老年人 MCI 伴随着不同程度的认知和记忆功能障碍。记忆功能主要表现位
近期记忆能力衰退，认知功能则主要表现在复杂的日常和社会化生活能力的不
同程度降低，如理财、出行和购物等[8]。工具性日常生活活动能力（Instrumental
Activities of Daily Living，IADL）反映了社区老年人在独立生活、社会交际和
完成家庭任务的社会化角色能力，如果该老年人 IADL 依赖性较高，则表明其
社会参与能力受损严重[9]。目前，IADL 评估主要采用 Lawton IADL 量表，主要
包括评估个体完成家务、外出购物、家中做饭、理财、交通出行和清洗衣物等
能力[10]。IADL 包含更加复杂的日常生活活动能力评估项目，从而被认为是基
本日常生活活动能力（Basic Activities of Daily Living, BADL）的扩展，并且该
工具在改善老年人的生活质量方面上有明显优势。当社会老龄化普遍时，约 18%
的 75 岁以上的老年人需要 1 项或多项 IADL 协助，近 11%的人需要 BADL 的
帮助
[11]
。既往研究发现，MCI 患者和痴呆患者均出现不同程度的 IADL 降低，
其受试者的 IADL 均分情况分别为痴呆组 > MCI 组 > 正常组（得分越高受限
越严重）
，并且三组受试者在 IADL 均分存在显著统计学差异[12]。同时，个体的
复杂社会化活动能力随着认知能力受损呈现水平动态下降的趋势，率先表现为
计算能力、判断能力、逻辑思维能力较高的工具性活动，如理财、购物功能受
损，再对认知能力要求较低的工具性活动，如洗衣和完成家务等受损[13]。因此，
既往研究认为 IADL 具有对认知损害动态检验效力，即认知损害患者在不同的
发展阶段 IADL 具有不同的表现特征，总体表现为认知受损越严重，其 IADL
失能程度越明显，表明 IADL 在评估认知能力中具有动态监测的作用[14]。从特
异性上看，IADL 在大多数主观认知衰退的患者上得到了很好的保留。然而，如
果患者一旦存在 IADL 困难，其发展为痴呆的风险会显著增加。因此，有研究
认为筛查 IADL 损害可代替传统生物标志物，作为经济上可行的评估主观认知
衰退造成额外痴呆风险的替代指标[15]。欧洲积极健康老龄化创新伙伴关系声明
（The European Innovation Partnership for Active and Healthy Ageing, EIPAHA）
强烈建议将 IADL 纳入到老年 MCI 的评估体系设计当中[16]。然而目前对老年人
MCI 的识别和预测研究迫在眉睫，但限于心理和行为科学研究的复杂性。目前
仍缺乏有效的理论、假设、模型研究或指南能完全真正准确的预测和识别老年
人认知受损的风险的方法。同时，鉴于 IADL 在认知损害上的广泛应用和其具
8
万方数据
重庆医科大学硕士研究生学位论文
有丰富和多样的日常生活活动能力评估维度，为动态的评估和预测老年人认知
损害风险提供了新的研究方向。
尽管目前有大量来自不同人群和研究设计的研究探讨了 IADL 和 MCI 的研
究，但很少有研究考虑到了 IADL 在数据中的人群异质性问题。随着方法学的
发展，以变量为中心的研究方法逐渐向以个体为中心的方法向融合。以变量为
中心的研究方法如因素分析（Factor Analysis, FA），主要用于解释外显变量之间
的相关性。按照假设指标间相关是因为有潜在共同因子，如果这个共同因子被
提取，那么指标间的相关将不复存在，即实现局部独立性。通过因素分析可以
将众多指标简化为少数几个因子，为辨析现象提供了量化工具[17]。如先前研究
将 BADL 和 IADL 的探索性因素分析（Explore factor analysis，EFA）， 将提取
公因子命名为“自理能力”、“家务能力”和“躯体活动能力”[18]。此外，潜在类别
分析（Latent Class Analysis, LCA）以个体为中心，通过间断的潜变量即潜在类
别变量来解释外显指标的关联，使外显指标间的关联通过潜在类别变量来解释，
进而维持其局部独立性的方法。该方法利用潜在混合模型的分类，通过讲群体
分布看作有多个具有相同均值和方差分布的同质总体混合，利用最大似然估计
潜在类别的概率和组内后验总体分布参数。该模型识别分类的不确定性，将观
察个案最终纳入最大后验概率的亚组[19]。跟传统聚类分析以“人为中心”的统计
方法，LCA 放宽了聚类分析的限制性条件，该无监督算法更为灵活和允许对替
代模型进行估计。LCA 另外一个优点为该模型提供了许多适应性指标，分类参
考更为科学，避免过于武断确定分类数量。因此，划分类别为潜在的，即基于
每个典型潜在类别的相似程度为所有受试者分配一个成为亚组类别的可能性
[19]
。当响应变量为连续性变量时，LCA 模型演化为潜在剖面分析（Latent Profile
Analysis, LPA）。LPA 与 LCA 相似，采用更为严格稳健的统计效应值来确定剖
面数量，更为客观和可信，该方法主要广泛适用于分析不同类型量表的数据，
并且数据不需要进行转换，通过概率将个体分布在各个子群体上[20,21]。该方法
的劣势为对于大样本数据可能存在分类较多或者难以收敛的情况，以及在非线
性情况下，可能会拟合过量的多项式方程，从而形成多个数量的潜在剖面。最
后因为 LPA 提供的指标较多，可能会存在多个模型比较的过程中，各个拟合指
标冲突，从而难以确定最后的剖面数量[20,21]。综上，因为潜类别模型主要假设
9
万方数据
重庆医科大学硕士研究生学位论文
是基于不同分布形态的个体混合造成的指标的相关性，在解释个体的具体行为
上更符合理论构建，故采用潜变量模型对 IADL 和轻度认知损害进行探索性关
联研究进行构建更为合理。
老年人认知功能损害是一个复杂的发展过程，其发生可能受到社会文化、
基因、行为习惯、生活环境等因素影响。同时，老年人的 IADL 也是一个不断
动态和发展的内容，IADL 不同亚型可能对老年人认知的影响产生不同的结局
影响。想要准确识别和预测老年人认知功能损害结局，深入探究其应用价值，
必须基于纵向数据的研究方法，通过建立识别程度高、样本外推能力好的切实
有效的老年人认知损害风险预测模型。目前，基于群组轨迹模型（Group based
trajectory model, GBTM）顺应了目前关于 IADL 潜在类别的轨迹聚类和对认知
损害风险预测的大数据研究的迫切需求。在 LCA 的基础上，近年来 GBTM 得
到了一定的发展，广泛应用在心理学、预防医学、精神医学和管理学等领域[22,23]。
在 过去的追踪数据的 研究中，应用较为广 泛的模型有重复测量 方差分析
（ Repeated Measure for ANOVA[24] 、 广 义 估 计 方 程 （ Generalized Estimating
Equations, GEE）[25]、生长曲线模型（Latent Growth Curve Models, LGCM）[26]
和多水平模型等（Hierarchical linear Model, HLM）[27]。以上的模型尽管在对数
据总体的趋势估计上有一定的优越性，但缺乏对趋势的异质性把控。GBTM 模
型的优点有以下几点[28]：（1）GBTM 模型更加关注受试者在各亚组的异质性，
能够基于最大似然法（likelihood Methods, LM）识别类似发生发展轨迹的个体，
并识别组基的典型和非典型的演变过程。（2）基于贝叶斯的后验概率对轨迹组
进行划分，并不是基于常规的人口统计学指标进行组别划分，统计效能更高，
能够对真实世界资料的真实方差变异和随机方差变异进行区分。（3）特别是在
干预研究中，能够通过拟合不同的曲线方程（截距，线性，二次项，三次项）
考察干预前后的曲线转折及不同的轨迹组的变化和影响。近年来，GBTM 在流
行病学研究中得到了不断的发展，在对特别是面板数据的异质性拟合上有良好
的优势，该模型主要应用于慢性疾病和传染病预防的预测，如膳食摄入轨迹与
慢性疾病，酒精摄入与癌症、睡眠轨迹和精神状态等[29-31]。鉴于老年人 IADL 的
丧失是一个逐渐缓慢发展的过程，将 GBTM 应用于 IADL 不同亚型的聚类拟
合，对 MCI 进行动态预测，可以对老年人进行早期风险识别和预警，为老年认
10
万方数据
重庆医科大学硕士研究生学位论文
知功能损害的积极预防和尽早干预提供研究证据。
基于以上总结，本研究依托一项大型中国社区 65 岁以上老年人随访调查
队列，首先在 2002 年横断面研究中，通过 LPA 模型对 IADL 条目进行聚类，
进一步采用 Logistic 回归探讨 IADL 潜类别亚组和 MCI 风险的相关性，以期提
供 IADL 潜在剖面为 MCI 风险因子的初步证据。随后标记出 IADL 从 2002 年
至 2018 年 6 次随访记录的队列人群，运用 GBTM 识别动态 IADL 潜在分类，
形成 IADL 轨迹模型组。进一步使用多因素 Cox 比例风险回归模型，以 IADL
轨迹模型组为关键自变量，构建 MCI 风险预警模型，从而通过动态刻画个体
IADL 变化特征，从而发现潜在高危人群，为提前实施 MCI 护理和干预提供科
学循证依据。
1 研究内容和研究方法
1.1 研究目标
（1）采用潜在剖面分析对基线 IADL 条目聚类和分组。
（2）采用群组轨迹模型对中国社区老年人 IADL 轨迹动态分组。
（3）采用多因素 Cox 模型对中国社区老年人轻度认知损害风险评估预测。
1.2 研究主要内容
基于前面的研究假设和研究目标，本项目以 “基于群体轨迹模型的中国社
区老年人 IADL 轨迹和轻度认知损害的风险预测”为核心，通过 LPA 评估 IADL
作为预测早期认知损害的工具变量可行性，GBTM 厘清 IADL 的纵向轨迹分组，
继而进行回顾性队列研究，探究 IADL 潜类别亚组发生早期认知损害的预测风
险。其需要完成的研究内容如下：
1.2.1 采用潜在剖面模型对 IADL 进行条目聚类和个体分组
对 2002 年中国健康与长 寿队列数据库（Chinese Longitudinal Healthy
Longevity Survey, CLHLS）社区老年人基线数据包括患者的 IADL 评分、MMSE
评分、以及对认知功能和生活活动能力有调节影响的协变量（包括人口统计学
资料、生活方式和体检数据等）进行收集。采用 LPA 模型，其原理为通过最大
11
万方数据
重庆医科大学硕士研究生学位论文
似然法对 IADL 的项目以条件概率进行聚类，并对符合纳排标准的受试老年人
以贝叶斯后验概率进行分组，再拟合最佳的 k 类模型后，分析 IADL 潜在类别
亚组在各分组的差异性。
1.2.2 采用轨迹模型对中国社区老年人 IADL 纵向亚组轨迹分析
从 2002 年基线数据开始，对受试者 3 年、6 年、9 年、12 年、16 年 5 个时
间点 IADL 得分轨迹进行统计并使用群组轨迹模型进行分级。群组轨迹模型的
拟合由两步进行完成，第一步对亚组组内的动态轨迹进行曲线拟合和叠加，从
而更加真实反映同质群体内的 IADL 轨迹演变情况，第二部对亚组数进行聚类
和比较，以期得到分类准确率高，泛化性好、易于科学解释的轨迹亚组。
1.2.3 基于多因素 Cox 模型建立早期认知损害风险模型
在完成群组轨迹模型的基础上，对符合基线 MMSE 评分≥24 分的社区受试
老年人建立固定队列，在基线数据采集后的 5 个时间点的纵向随访数据进行搜
集。随访内容包括：IADL 动态评分、MMSE 动态评价、社会人口学指标、生
活方式、健康状况等指标等。通过构建多因素 Cox 模型对 IADL 潜类别亚型和
早期认知损害发生进行风险预测，通过交互效应分析发现可能的修饰效应。进
一步地，4 个敏感性分析被采用验证结果的稳健性，包括多重插补方法、排除
第一轮随访死亡对象、排除基线罹患慢性疾病对象和广义线性混合效应模型等。
1.3 研究方法
1.3.1 研究对象
研究对象来源于 CLHLS，该项目由北京大学健康老龄化发展研究中心和中
国疾控中心联合开展调查，主要探究社会环境变迁中老年人生活方式和健康状
况等变化，采集信息包括一般社会人口学信息、性格特质、心理状态、认知功
能、经济状况、生活方式、健康状态、居住环境和死亡数据等。CLHLS 目前以
及开展了八轮全国代表性样本调查，分别开始于 1998 年、2000 年、2002 年、
2005 年、2011 年、2014 年和 2018 年。调查省份达到 21 个，覆盖全国约 85%
的人口，并且每个省约一半的市或县被选为初级调查单位，具体为安徽、北京、
重庆、福建、广东、广西、河北、黑龙江、河南、湖北、江苏、江西、吉林、
辽宁、陕西、山西、山东、四川、天津和浙江。CLHLS 采用多阶段分层随机抽
12
万方数据
重庆医科大学硕士研究生学位论文
样的方法，在初级抽样单位当中，从同一条街、村庄或镇上追踪 1 个九旬老人、
1 个八旬老人和 3 个 65-79 岁之间的老人，并且保证其性别和年龄是随机的，
以使得老年参与者在年龄段和性别上均衡。CLHLS 调查在 1998 年和 2000 年
以年龄大于 80 岁的高龄老人为调查对象，从 2002 年开始纳入 65 岁到 79 岁的
老年人。综合考虑本研究的研究目标需要考察长时间 IADL 变化对早期认知损
害的风险预测，因此我们的研究对象以年龄≥65 岁的社区老年人为主，故我们
选取了从 2002 年开始的固定队列，该固定队列总共纳入了 16064 个研究对象。
关于 CLHLS 抽样设计可在官网进行查询：http://www.icpsr.umich.edu/icpsrweb/
NACDA/studies/36179.
1.3.2 纳入排除标准
纳入标准：
（1）年龄≥65 岁的中国社区认知老年人；
（2）基线认知能力正常，
无痴呆或轻度认知损害；（3）受访对象以自愿原则以书面签署知情同意书。排
除标准：（1）基线生活能力信息缺失；（2）基线认知功能测量信息缺失。
根据本研究的纳入排除标准，在 2002 年共 16064 名老年人调查对象人群
中，首先排除小于 65 岁个案 44 名，排除基线 MMSE 信息缺失 2606 名，排除
生活能力信息缺失 29 人，基线共有 13385 名对象老年人符合横断面的数据要
求。进一步地，我们排除基线早期认知损害的个案 2341 名构建纵向随访队列，
共有 11044 名调查对象进入分析 (图 1)。CLHLS 项目由北京大学伦理委员会批
准审核（IRB00001052-13074）。所有调查对象老年人签署或由直系亲属签署知
情同意书。
13
万方数据
重庆医科大学硕士研究生学位论文
图 1. 研究队列的纳入排除流程图
Figure 1. The flow chart of sample selection in the longitudinal study
14
万方数据
重庆医科大学硕士研究生学位论文
1.3.3 关键技术路线
图 2 研究关键技术路线图
Figure 2 The flow chart for study design
1.3.4 质量控制
本研究涉及到的问卷和量表均采用国际通用标准，包括简易智力状态检验
量表（MMSE）和 IADL 条目和计算标准。该项目由中国国家疾控中心进行指
导，监测站点覆盖全国多个省、市、县、区等多级疾控中心，统一协调，共同
开展现场调研工作。各省市和抽样区县单位，根据当地具体情况遵照中国国家
疾控中心方案和内容进行修订和改进，从而保证调研工作顺利实施开展。所有
问卷数据、体检数据的调查员均经过统一培训，以确保调查标准一致且程序正
确。在调查开始时，初级调研单位由上级督导进行实地指导，对问卷条目中失
应答、逻辑错误、错填或异常值、以及因为设备问题导致突发状况进行核查和
协调。问卷数据收集后，核查员对问卷数据再次进行核对，对问卷回答存在错
15
万方数据
重庆医科大学硕士研究生学位论文
误不清的地方及时联系调查对象进行补充和更正，从而尽量确保数据的完整、
真实和可信。在以往的实证研究当中表明，CLHLS 的数据质量非常好，包括年
龄报告、死亡率、自我报告发病率的可靠性和有效性[32-33]。
1.3.5 缺失值处理
CLHLS 团队在对数据错填漏填进行校验后，对于无法弥补的问题以数值 9
代表“缺失”，8 代表“不能回答”。在本研究中缺失值的处理主要针对关键预测变
量 IADL 条目和预测风险变量 MMSE 条目。在 IADL 条目中，没有校验到“不
能回答”的标记，以数值 9 代表“缺失”。因此，我们在基线中删除了 IADL 缺失
条目。在 MMSE 条目中，涉及到认知功能测量，我们依旧剔除 9 代表的“缺失
值”，重编码“不能回答”的数值 8 为 0，提示患者该子项得分为 0 分。
1.3.6 IADL 指标测量和定义
在本研究中 IADL 主要作为关键自变量纳入模型，该指标主要对中国社区
老年人的社会化能力相关的健康状况进行测量。IADL 主要以 8 个子条目组成，
包括：（1）能够独立到邻居家拜访；（2）能够独立外出购买生活物品；（3）能
够独立完成做饭；
（4）能够能力独立清洗衣物；
（5）能够独立举起 5 公斤物品；
（6）能够一次性完成 2 公里路程：
（7）连续完成蹲下站立 3 次；
（8）能后独立
乘坐交通工具出行。在 CLHLS 调查当中，该 8 个问题的回答选项分别为 3 代
表“是的，受到很大限制”，2 代表“是的，一定程度上受到限制”，1 代表“没有
受到限制”。在过去的实证研究中，IADL 的 8 项指标都“没有受到限制”，提示
该老年人 IADL 功能完全自理，如过出现一项及以上条目不能自理提示 IADL
失能[34]。在本研究中，在 IADL 总体水平我们以总体得分进行表示，得分越高
即表示该个体 IADL 失能的水平越高，得分范围为 8-24 分[35]。
1.3.7 MCI 指标测量和定义
MCI 指标测量选用 MMSE 量表进行划分，该量表由 Folstein 的国际 MMSE
量表进行改编，被广泛应用于筛查和评估老年人的认知精神状态和认知损害[3637]
。MMSE 量表包含了 11 个问题，分别包括时间和地点定位能力、反应能力、
注意力、计算力、记忆力和语言能力[36]。在中国化版本的 MMSE 量表中，7 个
问题被修订以适应中国社区老年人的社会文化背景[38,39]。在 CLHLS 随访调查
16
万方数据
重庆医科大学硕士研究生学位论文
当中，MMSE 题项必须由老年人亲自回答，不能由亲属进行代理回答，从而提
高了认知功能测量的可靠性。在评估过程中，由一名护士和一名调查人员对调
查对象进行基本认知功能评估。如果患者不能回答该问题，则标记为“不能回答”，
在计算时记录为 0 分。MMSE 的得分范围为 0 到 30 分，分值越高则提示被调
查者认知功能越好。在老年流行病调查中，MCI 通过使用 MMSE 量表和彼得
森标准，以教育程度进行分层的方式进行划分[40,41]：从未接收教育的老年人，
MMSE≤17 分被判断为 MCI；接受 1~6 年教育者，MMSE≤20 分被判断为 MCI；
接受 6 年以上教育者，MMSE≤24 分被判断为 MCI。各教育程度中，得分高于
其阈值则视为认知功能正常。MCI 随访自 2002 年开始后以每 3 年随访一次，
直到 MCI 事件发生或者随访时间终止（2018 年）。
1.3.8 死亡数据测量
从随访开始，每轮健在的受访者填写“生存问卷”，即包含个体的一般信息、
生活方式、健康状况等。如果受访者去世，调查员则使用“死亡问卷”询问其家
人或亲属关于受访者的死因及上一轮调查以来的健康状况和健康服务利用的情
况[42]。其中，受访者的死因别死亡率较难以获得和甄别，在先前的研究中并没
有得到广泛使用。在本研究中我们选用了患者的死亡时间来识别患者生存史。
1.3.9 其他变量测量和定义
（1）一般社会人口学：年龄定义为≥65 岁为老年人，≥80 岁为高龄老人；
性别分为“男性”和“女性”；居住地分为“农村”和“城市”；教育水平根据受教育年
限分为“文盲”、“小学”和“初中及以上”；婚姻状态分为两类，1 类是“离婚/丧偶
/独居”，1 类是“已婚且与配偶同住”；收入水平根据三分位数划分为“低水平”、
“中等水平”和“高水平”。
（2）生活方式：吸烟史被划分为 3 类，“从不吸烟”、“过去吸烟”和“现在吸
烟”；饮酒史被划分为 3 类，“从不饮酒”、“过去饮酒”和“现在饮酒”；“社会活动
参与”被划分为 3 类，“从不参与”、“偶尔参与”和“经常参与”；“规律的身体锻炼”
被划分为三类。“从不参与”、“过去参与”和“经常参与”。
（3）心理和身体健康状态：抑郁水平被一系列问题询问：① 总是看到事物
好的一面；②感到担忧和害怕；③ 能够自我做决定；④ 感觉年龄大了无用；
⑤ 和年轻时一样感到幸福。该部分问题为 5 分计分，1 分为总是，2 分是经常，
17
万方数据
重庆医科大学硕士研究生学位论文
3 分是有时，4 分为偶尔和 5 分是从不。通过对问题②和④的反向计分进行纠
正，该部分的总分计分范围为 5 到 25 分，得分越高则表示受访者抑郁水平越
低，得分越低则表示受访者抑郁水平越高。我们在基线水平的调查中，还纳入
了受访者的基础性日常生活能力（Basic Activities of Daily Living, BADL），该指
标反映是受访者独立生存必需能力的受损情况，一旦 BADL 出现受损则意味着
患者需要护理人员或家属进行长期照护才能保证基本的生活需求满足。在
CLHLS 研究中，BADL 的问项来自于 Katz 的指数法[43]，该方法主要由 6 项作
为评价的主要指标，分别包括①洗澡时是否需要他人帮助；②穿衣时是否需要
他人帮助；③上厕所时是否需要他人帮助；④室内活动时是否需要他人帮助；
⑤是否能控制大小便；⑥吃饭时是否需要他人帮助。每个问题计分为 1-3 分，
分数越高表示患者 BADL 失能得程度更严重，总分范围为 6-18 分。受访者得
体重为脱去外套后站在电子计数称上获得，单位为千克。另外，如果受访者自
报患有高血压、糖尿病、心血管疾病、慢性肺炎和肺结核其中一个，则认为受
访者有“慢性疾病”，编码为 1“有”，否则编码为 0“无”。变量编码表见表 1。
表 1 变量编码表
Table 1 Code of study variables
变量
年龄（岁）
65-79
≥80
性别
男性
女性
居住地
农村
城市
受教育年限
文盲
小学
初中及以上
婚姻状态
离婚/独居/丧偶
已婚且与配偶同住
收入水平
低收入
中等收入
编码
0
1
0
1
0
1
0
1
2
0
1
0
1
18
万方数据
重庆医科大学硕士研究生学位论文
高收入
吸烟史
从不吸烟
过去吸烟
现在吸烟
饮酒史
从不饮酒
现在饮酒
过去饮酒
社会活动参与
从不参与
偶尔参与
经常参与
规律的身体锻炼
从不参与
过去参与
经常参与
抑郁水平
慢性疾病
否
是
BADL
IADL
MMSE
MCI
否
是
2
0
1
2
0
1
2
0
1
2
0
1
2
连续变量
0
1
连续变量
连续变量
连续变量
0
1
1.3.10 数据分析
1.3.10.1 描述性分析
在本研究中，调查对象得基线特征进行描述性统计分析，连续性变量以均
数±标准差（standard deviation, SD）进行表示，分类变量以频数和构成比进行表
示。
1.3.10.2 潜在剖面分析
LPA 模型是根据个体在观测指标上的反应模式即不同的联合概率来进行参
数估计的统计方法，其逻辑是对以个体为中心，在观测项目上的反应模式将其
分类。参数估计的方法以最大似然法为基础的牛顿 -拉夫森算法（NewtonRaphson）进行演算，迭代算法为首先从初始值为起点进行估计获得最大值，随
后用第一阶段的估计最大值再次估计，直到模型达到设定的聚合标准[44,45]。LPA
19
万方数据
重庆医科大学硕士研究生学位论文
的模型构建原理为首先将连续指标的方差分解为剖面间和类别方差，即公式 4.1：
𝐾
𝐾
2
𝜎𝑖2 = ∑ 𝑃(𝑐𝑖 = 𝑘)(𝜇𝑖𝑘 − 𝜇𝑖 )2 + ∑ 𝑃(𝑐𝑖 = 𝑘)𝜎𝑖𝑘
𝑘=1
4.1
𝑘=1
2
在上面公式中，𝜇𝑖𝑘 和𝜎𝑖𝑘
为剖面
k 内指标 i 的均值和方差。P（𝑐𝑖 =k）为类别
概率，即每个亚组类别个体在样本中占全体的比例。当局部独立性和同质假设
被满足时，上述公式可简化为公式 4.2：
𝐾
𝑓(𝑦𝑖 ) = ∑ 𝑃(𝑐𝑖 = 𝑘)𝑓(𝑦𝑖 |𝑐𝑖 = 𝑘)
4.2
𝑘=1
一旦最优的 LPA 模型拟合成功，就需要对每个个体归入不同的潜在类别。
即确定每个个体的潜类别属性（Class Membership）。在 LPA 中，采用的分类依
据是贝叶斯后验概率（Posterior Probability），其公式 4.3 如下：
𝑝(𝑐𝑖 = 𝑘|𝑦𝑖 ) =
𝑝(𝑐𝑖 = 𝑘)𝑓(𝑦𝑖 |𝑐𝑖 = 𝑘)
𝑓(𝑦𝑖 )
4.3
模型后验概率分类概率是根据个体的作答类型，在 LPA 拟合后计算出来，
其值表示个体属于某一类别的概率。
LPA 的模型比较为从零模型开始，不断叠加加分类亚组数，并对比 k 模型
和 k-1 模型的拟合优度，其评价赤池信息准则（Akailke’s Information Criterion，
AIC）和贝叶斯信息准则（Bayesian Information Criterion，BIC）, AIC 和 BIC 值
越低提示 k 类模型优于 k-1 类模型。在本研究中，LPA 模型分类数的确认标准
为：
（1）AIC 和 BIC 值较低；
（2）考虑每个潜在类别有足够的观察数（>5%）；
（3）考虑潜在类别的科学解释性和易用性。
1.3.10.3 群组轨迹模型
GBTM 可刻画时变变量随随访次数增加发生的特征动态变化，其同时将群
体分为若干潜类别组，并在每个类别组内建立增长曲线模型（latent growth class
model）描述组内个体随时间变化的情况。同时存在两种潜变量：
（1）连续潜变
量：用于描述初始差异和发展趋势的随机截距和随机斜率因子；（2）类别潜变
量：通过将群体分成互斥的潜类别亚组来描述群体的异质性。因此，该模型不
仅能够揭示不同潜在轨迹之间的关系，还可以刻画轨迹内的波动变化情况，从
而更加真实对指标进行分组和开展预测研究[46,47]。
20
万方数据
重庆医科大学硕士研究生学位论文
针对群组轨迹模型的两个基本构成：亚组预测轨迹和总体个体成员归属某
组的概率，对 GBTM 进行如下理论建模[46,47]：
首先𝑌𝑖 = {𝑦𝑖1 , 𝑦𝑖2 , 𝑦𝑖3 ....𝑦𝑖𝑇 }表示个体 i 在时间 T 内 IADL 的随访测量值。假
设在研究总体中，存在有 j 个独立、离散的潜在类别亚组。用 P（Yi）表示在每
组的概率，即公式 4.4：
𝐽
𝑃(𝑌𝑖) = ∑ 𝜋𝑗 𝑃𝑗 (𝑌𝑖 )
4.4
𝑗
上面公式中𝜋𝑗 表示总体中随机抽取的个体属于 j 组的概率，𝑃𝑗 (𝑌𝑖 ) 表示成
员在该组时 Yi 的概率，即服从于 Yi 的概率分布密度函数。
GBTM 方法假设该连续性变量值在随访过程中具有条件独立性，满足亚组
轨迹 j 中的个体在 t 时间的变量值 y it 独立于之前的测量值 y
it-1。故给定个体在
j 组时 yit 的概率密度分布函数为：
𝑇
𝑃𝑗 (𝑌𝑖 )
= ∏ 𝑝 𝑗𝑡 (𝑦𝑖𝑡 )
4.5
𝑡=1
一般 GBTM 的参数估计方法采用极大似然估计的方法（maximum likelihood
estimate，MLE）迭代数据。在本研究当中，公式 5 中𝑃𝑗 (𝑌𝑖 )的分布形式我们采
用了删截正态高斯分布，因为主要随访指标为数值型的 IADL 变量。其链接函
数的表示公式为：
𝑗
𝑗
𝑗
𝑦𝑖𝑡∗ = 𝛽0 + 𝛽1 𝐼𝐴𝐷𝐿𝑖𝑡 + 𝛽𝑘 𝐼𝐴𝐷𝐿𝑘𝑖𝑡 + 𝜀𝑖𝑡
4.6
其中 IADLit 为成员 i 在时间 t 时刻的 IADL 值，残差服从标准正态分布，β
和 k 为决定轨迹的形状参数。
根据删截正态分布，命名数据最小值为 Smin 和最大值为 Smax，根据正态分
布累积密度函数得到 Pj 在最小值、均值和最大值的概率分布：
𝑆𝑚𝑖𝑛 − 𝛽 𝑗 𝑥𝑖𝑡
𝑃𝑗 (𝑦𝑖𝑡 = 𝑆𝑚𝑖𝑛 ) = 𝜙 (
)
𝜎
4.7
1
𝑦𝑖𝑡 − 𝛽 𝑗 𝑥𝑖𝑡
𝑃𝑗 (𝑦𝑖𝑡 ) = 𝜙 (
) (𝑆𝑚𝑖𝑛 ≤ 𝑦𝑖𝑡 ≤ 𝑆𝑚𝑎𝑥 )
𝜎
𝜎
4.8
𝑆𝑚𝑎𝑥 − 𝛽 𝑗 𝑥𝑖𝑡
𝑃𝑗 (𝑦𝑖𝑡 = 𝑆𝑚𝑎𝑥 ) = 1 − 𝜙 (
)
𝜎
4.9
组成员 i 遵循组 j 轨迹概率的公式表示如下：
21
万方数据
重庆医科大学硕士研究生学位论文
𝜋𝑗 =
𝑒𝜃 𝑗
∑𝐽𝑗=1 𝑒 𝜃 𝑗
4.10
其中𝜃𝑗 为代估计参数，以保证𝜋𝑗 取值在 0 和 1 之间并且所有𝜋𝑗 取值总和为
1。
GBTM 轨迹方程从 Null 模型进行拟合，每个模型内部从低次项向高次项进
行拟合。在模型内部拟合完成后，在依次对 k 类模型进行比较。主要基于以下
标准选择最佳拟合模型：
（1）估计类别概率和𝜋𝑗 后验概率结果应该类似；
（2） 𝜋𝑗 置信区间应尽量窄；
（3）平均验后概率（the average posterior probability, AvePP）> 0.7；
1.3.10.4 MCI 风险因子识别模型
在前面构建了 LPA 模型得到 IADL 聚类亚组和个体的分类概率，我们进一
步利用横断面数据构建 Logistic 方法的 MCI 风险因子识别模型，以探究 IADL
亚组是否可能是 MCI 潜在风险因子。Logistic 回归模型函数表达式为[48]：
𝑃=
exp(𝛽1 𝑋1 + 𝛽2 𝑋2 … + 𝛽𝑝 𝑋𝑝 )
1 + exp(𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑝 𝑋𝑝 )
4.11
其中，𝛽1，𝛽2 和𝛽𝑥 为风险因子的回归系数，P 为 MCI 的风险概率。采用
logit 链接函数使得函数残差服从标准正态分布，即：
𝑝
) = 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑝 𝑋𝑝
𝐿𝑜𝑔𝑖𝑡(𝑃) = ln (
1−𝑝
4.12
研究风险因子的偏回归系数大小通过优势比（Odds Ratio, OR）和 95%置信区间
（confidence interval, CI）表示。
1.3.10.5 基于 IADL 轨迹亚组的 MCI 风险预测模型构建
在 GBTM 中获得个体在总体中分到各亚组的概率，从而在数据中可创立新
的变量—IADL 轨迹亚组，并构建哑变量，纳入到多因素的 COX 回归分析当中。
半参数 Cox 模型的基本原理为在基线风险基础上采用乘积式得到风险概率。半
参数 Cox 模型弥补了传统的参数模型 Kaplan-Meier survival estimate 作为单因
素分析的缺陷和不能分析连续变量的不足。经典 Cox 模型代数定义式如下[49,50]:
ℎ(𝑡|𝑥𝑗 ) = ℎ0 (𝑡) 𝑒𝑥𝑝( 𝑥𝑗 𝛽𝑗 )
22
万方数据
4.13
重庆医科大学硕士研究生学位论文
上式中𝑥𝑗 为与生存 Time 相关的自变量或影响因素，ℎ(𝑡)为个体 i 在 t 时刻
的风险函数（Hazard function）。ℎ0 (𝑡)为基准风险函数，𝛽𝑥 为各自变量的偏回归
系数。半参数 Cox 模型的主要计算个体间的风险比（hazard ratio，HR），其代
数方程式为[18,19]：
𝐻𝑅 = exp[𝛽1(𝑋𝑖1 − 𝑋𝑗1 ) + 𝛽2(𝑋𝑖2 − 𝑋𝑗2 ) + ⋯ + 𝛽𝑝 (𝑋𝑖𝑝 − 𝑋𝑗𝑝 )]
4.14
i,j=1,2,......n
在本研究当中，IADL 亚组对 MCI 结局的风险系数大小用上式的风险比（HR）
和 95%置信区间进行表示。
1.3.10.6 敏感性分析
在数据的敏感性分析中，我们主要采用了以下几种敏感性分析方法：
（1）排
除第一轮随访死亡的受访者；（2）排除基线患有慢性疾病的受访者；（3）采用
多重插补的方法。在多重插补中，使用链式算法（Chained equation approach）,
指定插补变量分布为高斯正态分布，使用连续迭代插补方法插补缺失值，共计
插补 5 套数据，并分别进行回归运算，最后对 5 套回归模型的回归系数和标准
误进行合并[51]。
（4）采用广义线性混合模型，以 IADL 轨迹亚组为关键自变量，
MMSE 得分为因变量，个体 ID 编码为第二层变量进行模型估计。
2 结果
2.1 CLHLS 调查对象基线社会人口学特征及一般状况
本研究纳入 CLHLS 调查对象的基线调查年份为 2002 年，共计 16064 人。
通过剔除首先排除小于 65 岁（n=44），排除基线 MMSE 信息缺失（n=2606），
排除生活能力信息缺失（n=29），最终有对象符合研究数据要求，进行基线描述
性分析。
本研究基线对象 13385 人中，平均年龄为 84.9±11.5 岁，男性占比 44.1%，
有 5906 例，女性占比 55.9%，有 7479 例。居住在农村的受试者有 7263 例，占
比 54.3%，居住在城市的受试者有 6122 例，占比 45.7%。从未接收小学教育的
人占比最大为 60.0%，有 8030 例，小学文化占比 29.0%，有 3887 例，初中及
以上文化占比 11.0%，有 1468 例。在婚姻状况中，未婚、丧偶或独居的老年人
23
万方数据
重庆医科大学硕士研究生学位论文
有 9050 例，约占 67.6%，已婚且配偶同住的老年人有 4335 人，约占 32.4%。
在收入状况上，低、中、高收入分别有 4895，4404 和 4086 例，约占 36.6%，
32.9%和 30.5%。在生活方式调查中，现在吸烟的老年人有 2601 例，约占 19.5%，
现在饮酒的老年人有 2874 例，约占 19.5%。大多数老年人缺乏规律的运动锻炼
和社会活动，现在有规律运动锻炼的老年人有 4662 例，约占 34.9%，现在经常
参与社交活动的老年人仅有 278 例，约占 2.1%。在心理和身体健康状况上，参
与调查者平均抑郁得分为 11.7±3.3 分，平均 IADL 得分为 13.0±5.5 分，平均
ADL 得分为 6.7±1.7 分，平均 MMSE 得分为 23.0±6.9 分，平均体重为 49.6±10.6
kg。在基线数据中，2341 例老年人出现 MCI，约占 17.5%，4498 例老年人有一
种及以上慢性疾病，约占 33.6%。详细信息见表 2。
表 2 CLHLS 调查对象基线特征（n=13385）
Table 2 The baseline information of subjects in CLHLS
研究变量
抑郁得分
IADL
ADL
MMSE
早期认知损害
无
有
年龄（岁）
性别
男性
女性
居住地
农村
城市
教育水平
文盲
小学
初中及以上
婚姻状况
未婚/丧偶/独居
已婚且配偶同住
吸烟史
从不吸烟
过去吸烟
现在吸烟
饮酒史
24
万方数据
总计
N=13,385
11.7 （3.3）
13.0 （5.5）
6.7 （1.7）
23.0 （6.9）
11,035（82.5%）
2,341 （17.5%）
84.9 （11.5）
5,906 （44.1%）
7,479 （55.9%）
7,263 （54.3%）
6,122 （45.7%）
8,030 （60.0%）
3,887 （29.0%）
1,468 （11.0%）
9,050 （67.6%）
4,335 （32.4%）
8,597 （64.4%）
2,157 （16.2%）
2,601 （19.5%）
重庆医科大学硕士研究生学位论文
从不饮酒
过去饮酒
现在饮酒
规律的锻炼活动
没有
过去规律锻炼
现在规律锻炼
体重
收入
低
中
高
社会活动参与
没有
偶尔
总是
慢性疾病
无
有
8,859 （66.4%）
1,617 （12.1%）
2,874 （21.5%）
7,364
1,332
4,662
49.6
（55.1%）
（10.0%）
（34.9%）
（10.6）
4,895 （36.6%）
4,404 （32.9%）
4,086 （30.5%）
11,365（84.9%）
1,742 （13.0%）
278 （2.1%）
8,886 （66.4%）
4,498 （33.6%）
2.2 基于潜在剖面的 IADL 划分和 Logistic 回归分析
2.2.1 潜在剖面分析模型拟合
1-3 类的潜在剖面分析拟合情况见表 3。1 类潜在剖面模型 AIC 为 260688.3，
BIC 为 260808.3，2 类潜在剖面模型 AIC 为 185378.5，BIC 为 185566.1，3 类
潜在剖面模型 AIC 为 163606.4，BIC 为 163861.4。因此，随着潜在剖面模型分
类数的增加，AIC 和 BIC 呈现下降的趋势。在潜在剖面模型为 4 类时，模型无
法完成收敛。在综合考虑模型适配度，分类易解释性和分类样本量，我们选择
了 3 分类的潜在剖面模型对 IADL 进行划分。
表 3 潜在剖面模型拟合指标信息汇总表
Table 3 The summary information for LPA goodness-of-fit testing
Model
N
df
AIC
BIC
1 分类
13,385
16
260688.30
260808.30
2 分类
13,385
25
185378.50
185566.10
3 分类
13,385
34
163606.40
163861.40
注：N：例数，df：自由度，AIC：赤池信息准则，BIC：贝叶斯信息准则。
25
万方数据
重庆医科大学硕士研究生学位论文
在 3 分类潜在剖面模型中，各亚组的分类概率分别为 0.61（1 类），0.23（2
类）和 0.16（3 类）。在 1 类中，IADL 各项目的均值得分在 1.00—1.50 之间，
该组为分类概率最大的一组，被命名为“IADL 正常组”。在 2 类中，IADL 各项
目得分均高于 1 类。其中，“独立行走 1 千米”，“独立拿起 5kg 重物品”，“连续
蹲下站起三次”和“能否乘坐交通工具”均值得分高于 1 类对应题项 1 分以上，为
第二大分类概率组，被命名为“IADL 部分依赖组”。在第三类中，IADL 各子项
题目均高于 1 类 1.5 分以上，提示该组受试者 IADL 功能损失严重，被命名为
“IADL 完全依赖组”。关于 3 分类 LPA 对 IADL 的估计均值和分类概率见表 4，
图 3 为可视化 IADL 各子项得分在不同亚组中的条形图。
表 4 三分类潜在剖面模型估计均值和分类概率
Table 4 The predictive mean and probability of three classes in LPA
分类概率
均值得分
外出拜访邻居的能力
外出独立购物的能力
独立做饭的能力
独立洗衣物的能力
独立行走 1 千米
独立拿起 5kg 重物品
连续蹲下站起三次
能否乘坐交通工具
1类
0.61
1.01
1.05
1.09
1.11
1.13
1.18
1.23
1.29
26
万方数据
2类
0.23
1.13
1.97
1.98
1.96
2.32
2.26
2.35
2.64
3类
0.16
2.67
2.89
2.81
2.77
2.93
2.81
2.83
2.95
重庆医科大学硕士研究生学位论文
图 3 分类潜在剖面模型估计均值条形图
Figure 3 The bar graph for estimated mean of LPA
2.2.2 IADL 潜类别亚组和 MCI 风险的多因素 Logistic 回归
在基线 MCI 风险的多因素 Logistic 回归分析中，在校正协变量的情况下
（性别、年龄、居住地、收入、教育、吸烟、饮酒、锻炼、社交活动、体重、
抑郁、慢性疾病）。以“IADL 正常组”为参考组，“IADL 部分依赖组”发生 MCI
的优势比是“IADL 正常组”的 3.21 倍（OR=3.21，95%CI：2.71-3.79），“IADL 完
全依赖组”发生 MCI 的优势比是“IADL 正常组”的 5.70 倍（OR=5.70，95%CI：
4.74-6.85）（表 5）。
27
万方数据
重庆医科大学硕士研究生学位论文
表 5 IADL 潜类别亚组和 MCI 预测风险的多因素 Logistic 回归
Table 5 The Logistic regression for the association between IADL subgroups and MCI
IADL 潜在类别变
量
Odds
Standard
Ratio*
Error
P
95% CI
Value
IADL 正常组
1
—
—
—
IADL 部分依赖组
3.21
0.27
2.71-3.79
<0.001
IADL 完全依赖组
5.7
0.53
4.74-6.84
<0.001
*校正性别、年龄、居住地、收入、教育、吸烟、饮酒、锻炼、社交活动、体重、抑郁、慢
性疾病等协变量。Odds Ratio:比值比，Standard Error:标准误，CI：置信区间。
2.3 基于群组轨迹模型的 IADL 潜类别模型构建
在基于纵向数据结构的群组轨迹模型分析中，基线 11044 名调查对象被纳
入到研究当中。该 11044 名调查对象基线资料无早期认知损害，调查年份从 2002
年至 2018 年，调查终点为发生 MCI 损害或 2018 年调查终止。IADL 得分数据
呈现偏态分布，因此采用对数转换后在群组轨迹模型中使用删截正态分布进行
拟合。我们将 IADL 纵向潜分类轨迹分为 1 组、2 组、3 组，并对模型内亚组从
高阶多项式开始进行拟合，如该阶不显著，进行降阶拟合处理。模型拟合完成
后，根据模型拟合评价指标和轨迹模型图择最优的 IADL 潜在类别增长亚组。
根据表 6，IADL 增长轨迹亚组为 1 组时，其增长轨迹呈现三次方的波动趋
势（Cubic P<0.001）。当拟合 2 个模型亚组时，轨迹亚组 1 占比 59.8%，得分在
2.2-2.5 分左右，整体 IADL 得分较低，模型呈现非线性增加趋势（Quadratic
P<0.001）; 轨迹亚组 2 占比 40.2%，整体得分在 2.7-3.1 分之间，整体 IADL 得
分较高，该模型轨迹呈现先快速增加，再趋于平稳的趋势（Quadratic P<0.001）。
当拟合 3 个模型亚组时，轨迹亚组 1 占比 41.1%，整体得分在 2-2.5 分之间，轨
迹趋势呈现后段快速增加的非线性趋势（Quadratic P<0.001）; 轨迹亚组 2 占比
28.5%，整体得分在 2.3-3.1 之间，呈现线性增加的趋势（Linear P<0.001）；轨迹
亚组 3 占比 30.4%，整体得分约在 2.8-3.1 之间，呈现先缓慢增加后下降的非线
性趋势（Quadratic P<0.001）。图 4 为 3 组群体轨迹模型拟合的轨迹图（横坐标
0、3、6、9、12 和 15 分别代表随访基线、随访 3 年、随访 9 年、随访 12 年和
随访 15 年），分别用 A、B 和 C 三个子图进行表示。
28
万方数据
重庆医科大学硕士研究生学位论文
表 6 IADL 群组轨迹模型拟合过程
Table 6 The running process of IADL trajectory
分组
1组
2组
模型内各亚组
1
1
2
3组
1
2
3
拟合多项式参
数
Intercept
Linear
Quadratic
Cubic
Intercept
Linear
Quadratic
Intercept
Linear
Quadratic
Intercept
Linear
Quadratic
Intercept
Linear
Intercept
Linear
Quadratic
29
万方数据
系数估计
2.40
0.02
-0.003
0.0001
2.19
0.007
0.001
2.70
0.05
-0.002
2.18
-0.01
0.002
2.257
0.06
2.83
0.058
-0.003
标准误
0.003
0.003
0.001
0.001
0.004
0.002
0.001
0.006
0.003
0.001
0.004
0.002
0.001
0.006
0.001
0.006
0.004
0.001
T值
663.47
6.33
-5.21
5.49
586.30
4.49
7.61
469.56
18.81
-6.82
543.47
-8.34
16.93
371.85
59.35
459.36
16.42
-8.01
P
＜0.001
＜0.001
＜0.001
＜0.001
＜0.001
＜0.001
＜0.001
＜0.001
＜0.001
＜0.001
＜0.001
＜0.001
＜0.001
＜0.001
＜0.001
＜0.001
＜0.001
＜0.001
重庆医科大学硕士研究生学位论文
图 4 IADL 群组轨迹模型曲线图
Figure 4 The trajectory plots of IADL subgroups
注：A) 代表模型拟合 1 条轨迹曲线；B) 代表模型拟合 2 条轨迹曲线；C) 代表模型拟合
3 条轨迹曲线
在表 7 当中，1、2 和 3 组的 AIC、BIC 值呈现不断下降趋势，平均验后概
率均大于 0.70，提示分类可信度较高。根据群体轨迹模型拟合信息和轨迹图，
发现 2 分组和 3 分组均为可能的潜在类别轨迹。但是 3 分类模型轨迹更加多样
化且合理，AIC 和 BIC 值较 2 分组更优。因此，在综合考虑情况下，我们选择
30
万方数据
重庆医科大学硕士研究生学位论文
3 分组的 IADL 群组轨迹模型纳入到后面的 Cox 风险模型构建当中。3 分类模
型第 1 亚组整体 IADL 得分在 2.5 以下，命名为“IADL 低风险组”；第 2 亚组整
体 IADL 得分呈现快速增加的趋势，命名为“IADL 风险增加组”；第 3 亚组整体
IADL 均位于高值，命名为 “IADL 高风险组”。
表 7 IADL 群组轨迹模型拟合指标信息汇总表
Table 7 The summary information on good-of-fit of IADL trajectory
分组
AIC
BIC
1组
-11814.78
-11833.05
2组
-8630.77
-8660.01
3组
-7201.28
-7241.49
注：AIC：赤池信息准则，BIC：贝叶斯信息准则。
平均验后概率
亚组 1
亚组 2
1
0.918
0.899
0.751
0.801
亚组 3
0.882
2.4 基于 IADL 群组轨迹类别的 MCI 风险预测模型
2.4.1 基于嵌套 Cox 多因素模型的 MCI 风险预测模型构建
如表 8 所示，我们构建 4 个嵌套 Cox 模型去评估 IADL 群体轨迹模型亚组
对 MMSE 发生风险的影响。在模型 1 中我们校正了性别与年龄，在模型 2 中我
们进一步校正了其他社会人口学特征，在模型 3 中我们进一步校正了生活方式
变量，在模型 4 中我们进一步校正了健康状况变量。在模型 1 中，“IADL 风险
增加组”发生 MCI 的风险比是 “IADL 低风险组” 的 4.44 倍（HR=4.44，95%CI：
3.78-5.20）；“IADL 高风险组”发生 MCI 的风险比是“IADL 低风险组”的 2.38 倍
（HR=2.38，95%CI：1.99-2.84）。在模型 2 中，“IADL 风险增加组”发生 MCI 的
风险比是“IADL 低风险组”的 4.39 倍（HR=4.39，95%CI：3.74-5.15），“IADL 高
风险组”发生 MCI 的风险比是“IADL 低风险组”的 2.41 倍（HR=2.41，95%CI：
2.01-2.89）。在模型 3 中，“IADL 风险增加组”发生 MCI 的风险比是“IADL 低风
险组”的 4.45 倍（HR=4.45，95%CI：3.79-5.22）；“IADL 高风险组”发生 MCI 的
风险比是“IADL 低风险组”的 2.49 倍（HR=2.49， 95%CI：2.07-2.99）。在模型
4 中，“IADL 风险增加组”发生 MCI 的风险比是“IADL 低风险组”的 4.49 倍
（HR=4.49，95%CI：3.82-5.28）；“IADL 高风险组”发生 MCI 的风险比是“IADL
低风险组”的 2.52 倍（HR=2.52，95%CI=2.08-3.05）。
31
万方数据
重庆医科大学硕士研究生学位论文
表 8 基于嵌套 Cox 多因素模型的 MMSE 风险预测
Table 8 Nested Cox model for hazard ratio of MMSE
IADL 群体轨迹模型亚组, HR （95% CI）
IADL 低风险组
IADL 风险增加组
IADL 高风险组
1.00
4.44
2.38
模型 1
（3.78 - 5.20）
（1.99 - 2.84）
1.00
4.39 （3.74 - 5.15） 2.41 （2.01 - 2.89）
模型 2
1.00
4.45 （3.79 - 5.22） 2.49 （2.07 - 2.99）
模型 3
1.00
4.49 （3.82 - 5.28） 2.52 （2.08 - 3.05）
模型 4
注：模型 1 校正了年龄和性别；模型 2 进一步校正教育水平、收入状况、婚姻状况、居住
模型
地；模型 3 进一步校正吸烟、饮酒、身体活动和社会交往活动；模型 4 进一步校正了体重、
抑郁和慢性疾病。
2.4.2 基于多因素 Cox 模型的 MCI 风险交互效应探究
我们进一步拟合了社会学分层变量和 IADL 轨迹模型亚组对 MCI 的交互效
应模型。我们发现不同年龄段对 IADL 轨迹模型亚组和 MCI 发生风险存在交互
效应（交互项 P＜0.01）。在年龄≤80 岁的人当中，“IADL 风险增加组”发生 MCI
的风险比是“IADL 低风险组”的 3.27 倍（HR=3.27，95%CI：2.65-4.04），“IADL
高风险组”发生 MCI 风险的风险比是“IADL 低风险”的 2.05 倍（HR=2.05，95%CI：
1.44-2.94）。在年龄＞80 岁的人当中，“IADL 风险增加组”发生 MCI 的风险比是
“IADL 低风险组”的 7.49 倍（HR=7.49，95%CI：5.55-10.12），“IADL 高风险组”
发生 MCI 的风险比是“IADL 低风险组”的 3.93 倍（HR=3.93，95%CI：2.91-5.30）。
因此，在高龄老人中，IADL 处于高风险，更可能导致 MCI 事件的发生。另外，
我们发现居住在城市的老年人，相对于农村老年人，其 IADL 风险增加，MCI
事件发生的可能性更大（交互项 P＜0.05）。具体地，城市老年人群体中，“IADL
风险增加组”发生 MCI 事件的风险比是“IADL 低风险组”的 5.99 倍（HR=5.99，
95%CI：4.53-7.92），“IADL 高风险组”发生 MCI 事件的风险比是“IADL 低风险
组”的 2.85 倍（HR=2.85，95%CI：2.06-3.94）；在农村老年人群体中，“IADL 风
险增加组”发生 MCI 事件的风险比是“IADL 低风险组”的 3.81 倍（HR=3.81，
95%CI=3.12-4.66），“IADL 高风险组”发生 MCI 事件的风险比是“IADL 低风险
组”的 2.36 倍（HR=2.36，95%CI：1.87-2.99）。此外，在控制协变量的情况下，
分组变量性别、教育水平、收入和婚姻状况没有交互效应被发现（交互项 P＞
32
万方数据
重庆医科大学硕士研究生学位论文
0.05）（表 9）。
表 9 IADL 轨迹模型亚组和 MCI 预测风险交互作用分析
Table 9 Interaction analysis of hazard ratio of IADL trajectory on MCI
变量
IADL 群体轨迹模型亚组, HR（95% CI）
IADL
IADL
IADL
低风险组
风险增加组
高风险组
交互项
P值
年龄
＜0.001
≤80 岁
1.00
3.27
（2.65 - 4.04）
2.05 （1.44 - 2.94）
＞80 岁
1.00
7.49
（5.55 -10.12）
3.93 （2.91 - 5.30）
性别
0.89
男性
1.00
4.61
（3.63 - 5.85）
2.53 （1.86 - 3.43）
女性
1.00
4.39
（3.51 - 5.49）
2.49 （1.94 - 3.20）
教育水平
0.18
文盲
1.00
3.90
（3.14 - 4.84）
2.42 （1.90 - 3.07）
小学文化
1.00
5.18
（3.84 - 6.98）
2.69 （1.85 - 3.92）
初中及以上
1.00
5.82
（3.80 - 8.91）
2.35 （1.26 - 4.38）
居住地
0.02
农村
1.00
3.81
（3.12 - 4.66）
2.36 （1.87 - 2.99）
城市
1.00
5.99
（4.53 - 7.92）
2.85 （2.06 - 3.94）
收入
0.40
低水平
1.00
4.03
（3.16 - 5.13）
2.50 （1.88 - 3.33）
中等水平
1.00
4.29
（3.22 - 5.71）
2.17 （1.55 - 3.04）
高水平
1.00
5.85
（4.15 - 8.25）
3.22 （2.17 - 4.80）
婚姻状况
0.27
离婚/丧偶/
1.00
4.99
（4.01 - 6.21）
2.79 （2.20 - 3.53）
独居
已婚和 配偶
1.00
3.78
（2.94 - 4.86）
2.21 （1.54 - 3.16）
同居
注：校正了年龄、性别、教育水平、收入状况、婚姻状况、吸烟、饮酒、身体活动、社会
交往活动、体重、抑郁和慢性疾病（除去分组变量）
。HR：Hazard Ratio，危险比。
2.4.3 敏感性分析
在敏感性分析中，我们采取了 4 种敏感性分析方案：①多重插补法 ② 排
除第一轮随访死亡的对象 ③ 排除基线患有慢性疾病的调查对象 ④ 采用混合
效应线性模型，结果被汇总在表 9。
在多重插补法 Cox 结果显示，
“IADL 风险增加组”发生 MCI 风险比是“IADL
低风险组”的 4.46 倍（HR=4.46，95%CI：3.79，5.24）；“IADL 高风险组”发生
MCI 风险比是“IADL 低风险组”的 2.48 倍（HR=2.48，95%CI：2.05，3.00）。在
排除第一轮随访死亡的研究对象后，“IADL 风险增加组”发生 MCI 风险比是
33
万方数据
重庆医科大学硕士研究生学位论文
“IADL 低风险组”的 3.13 倍（HR=3.13，95% CI：2.65，3.70）；“IADL 高风险
组”发生 MCI 的风险比是“IADL 低风险组”的 3.15 倍（HR= 3.15，95%CI：2.60，
3.82）。在排除基线罹患慢性疾病的调查对象后，“IADL 风险增加组”发生 MCI
的风险比是“IADL 低风险组”4.55 倍（HR= 4.55， 95% CI：3.75，5.23）；“IADL
高风险组”发生 MCI 的风险比是“IADL 低风险组”的 2.59 倍（HR= 2.59，95%
CI：2.05，3.27）。在使用广义线性混合效应模型方法后，发现“IADL 风险增加
组”平均 MMSE 得分比“IADL 低风险组”低 1.33 分（β=-1.33，95% CI：-1.47，
-1.19）；“IADL 高风险组”平均 MMSE 得分比“IADL 低风险组”低 2.29 分（β=2.29，95% CI：-2.45，-2.13）（表 10）。
表 10 基于群组轨迹模型的 MCI 预测风险敏感性分析
Table 10 The sensitivity analysis of hazard risks of IADL trajectory on MCI
IADL 轨迹 模型 1，HR
模型 2，HR
模型 3，HR
模型 4，β
a
b
c
模型亚组
（95%CI）
（95%CI）
（95%CI）
（95%CI）d
IADL 低风
险组
1
1
1
1
IADL 风险
4.46（3.79，
3.13（2.65，
4.55（3.75，
-1.33（-1.47，
增加组
5.24）
3.70）
5.23）
-1.19）
IADL 高风
2.48（2.05，
3.15（2.60，
2.59（2.05，
-2.29（-2.45，
险组
3.00）
3.82）
3.27）
-2.13）
注：a）:多重插补后多因素 Cox 回归结果；b）
：排除第一轮死亡患者后的多因素 Cox 回归
结果；c）
：排除基线患有慢性疾病的患者的 Cox 回归结果；d）
：采用广义混合效应模型。
所有敏感性分析中，年龄、性别、教育水平、收入状况、婚姻状况、吸烟、饮酒、身体活
动、社会交往活动、体重、抑郁和慢性疾病等协变量被同时校正。HR：Hazard Ratio，危险
比。
3 讨论
MCI 主要是指个体思维和记忆能力轻微但明显的变化。罹患 MCI 的老年
人可能会经常丢失东西，难以回忆名字或词语，错过邀约，并且在找到过去熟
悉的地方和记住重要的日期更为困难。这些变化往往是循序渐进地，直到足以
让患者本人或家属、朋友注意到，但 MCI 并不会严重干扰患者日常生活或者独
立活动能力。MCI 主要分为遗忘型轻度认知障碍和非遗忘型轻度认知障碍，前
34
万方数据
重庆医科大学硕士研究生学位论文
者主要表现为记忆力的显著降低，后者主要表现为思维活动能力的衰退。MCI
的发生发展不仅具有长期性和隐匿性，还具有复杂性和不规律性。MCI 涉及到
复杂的神经认知科学研究，其影响因素不仅包括患者的一般个体特征，还包括
患者的生活方式，心理和躯体状态等。因此，在老年人的生命历程中，其个体、
社会和环境特征动态变化都会对 MCI 的发生风险带来影响。利用随访调查数
据，能够最大利用变量的动态时点测量值，从而评估在长期变化中影响因素的
平均影响效应。此外，随着随访次数的增加，调查结果产生偏倚的可能性也不
断上升，寻求灵敏度高、稳健性强和容错率高的风险因子指标则十分重要。IADL
通过询问受试者社会化生活能力，包括“自理能力”、“家务能力”、“躯体能力”和
“社会化能力”等，评估维度全面，信息内涵丰富，区分度较好，对于构建多层
次老年人失能模型有良好的发展潜力，因此在本研究中作为一个关键的研究变
量被使用。然而 IADL 对于失能老人的计算方式尚存在争议，故在本研究中我
们首先在横断面研究中尝试对 IADL 进行潜剖面聚类，从而完成了对 IADL 条
目的分级量化；次者考虑 IADL 指标在动态随访过程中的波动性和多样性，我
们采用 GBTM 模型划分不同轨迹亚组；进一步在 COX 多因素风险模型中，验
证不同轨迹亚组对 MCI 的平均风险效应，该方法对于构建新颖的 MCI 早期预
警模型、提供 IADL 失能标准参照依据、促进老年人认知健康管理和提高生存
质量有一定的理论价值。
在基线调查中，我们发现中国社区 65 岁以上老年人 MCI 患病率为 17.5%。
根据先前中国的现况调查，在彼得森标准下 65 岁以上中国老年人 MCI 患病率
分别为 6.63%、11.33%、14.60%和 20.80%[52-55]。虽然 MCI 患病率的调查结果
因为研究设计不同、社会背景差异和抽样误差等展现出异质性，但在 Meta 分析
中，中国 55 岁以上老年人 MCI 的合并患病率仍然有 12.2%
[2]
。该结果表示中
国社区老年人的 MCI 患病率呈现一个潜在发展的态势。因此必要的评估工具和
预防延缓 MCI 发生的策略则是必要的。
在 LPA 聚类分析当中，IADL 潜类别亚组 3 组，占比最多为“IADL 正常组”
（61%），其次为“IADL 部分依赖组（23%）”，最后为“IADL 完全依赖组（16%）”。
该结果与前人的研究结果较为一致，IADL 未受损的占大多数，从部分受损到
完全受损人数不断递减，显示了 IADL 失能的“金字塔”态势。在日本的针对社
35
万方数据
重庆医科大学硕士研究生学位论文
区 65 岁以上妇女的横断面调查中，IADL 被聚类为 5 类，“IADL 完全依赖组”
（1.8%），“IADL 部分依赖组”（3.0%），“IADL 手机使用和财务管理部分依赖
组”（5.1%），“IADL 完全独立组”（83.6 %）和“IADL 家务、自理和交通出行能
力部分依赖组”（6.6%）[56]。在该研究中作者使用了 10 个题项的 IADL 量表，
其中包括了手机使用和财务管理，从而在考察老年人逻辑思维能力上更为全面。
但在 CLHLS 的 IADL 调查中，研究人员主要关注社区老年人在“躯体活动”、
“社交能力”、“生活自理”和“家务能力”的功能，只有一个题项“独立外出购物”能
反映社区老年人的逻辑思考和运算能力。因此，相较于其他的 IADL 聚类分析，
我们能够聚类的数目更为有限。
在进行 MCI 风险相关性研究中，在本研究中我们划分的三个潜类别亚组
中，与 MCI 的优势比大小为“IADL 完全依赖组”＞ “IADL 部分依赖组” ＞
“IADL 正常组”。在本研究中，“IADL 部分依赖”主要表现在老年人的行走能力、
躯体功能和交通出行能力受损，“IADL 完全依赖”则在“IADL 部分依赖的基础”
上，加上老年人自理和社交能力受损。这一结论与先前的研究报告较为一致
[57-
59]
。在一项对基线认知正常的 1595 名日本老年人长达 4 年的随访研究当中，约
11.2%的人发展成为 MCI。个体在基线 IADL 题项中“独立乘坐交通工具出行”
和“使用地图去不熟悉的地方”功能受损与认知损害和 MCI 发病风险显著相关
[57]
。在美国一项 524 受试者的临床队列研究中，IADL 题项“记住约会时间”和
“财务管理”在区分认知风险正常的老年人和 MCI 的老年人区分度最好，并且
“理解电视节目”、“支付账单”和“记得加热水和关掉炉子”预测 MCI 的风险更大
[58]
。另外，有研究指出，存在 IADL 失能的 MCI 患者更有可能在 2 年内发展成
为痴呆，并且 IADL 失能的 MCI 认知功能恢复正常的几率也远远低于 IADL 正
常的 MCI 患者[59]。
在我们的研究中，我们发现在“IADL 部分依赖组”中，主要以老年人的躯体
活动和出行交通功能为主。该发现提示在“IADL 正常组”和“IADL 高危组”之间，
老年人的躯体活动和出行交通功能受损可能是潜在的“IADL 受损”升高的警示。
同时提示我们在筛查出该部分老年人后应该重点采取护理措施以预防 MCI 的
发生。这当中的潜在机制可能是“IADL 部分依赖组”包括了的“外出行为”和“躯
体活动”功能和“活动锻炼能力”相关。有研究指出社区老年人经常日常外出能协
36
万方数据
重庆医科大学硕士研究生学位论文
助语言表达能力，主要跟外出激活和增加前额叶皮质功能有关[60]。此外，Meta
分析结果指出，体育活动锻炼促进了 MCI 个体的身体结构和功能的改善[61]。因
此基于循证医学的证据，该研究指出建议 MCI 患者进行体育锻炼，并且强调了
在康复训练中采用国际标准的活动功能、失能和健康指标进行指导 [61]。此外，
一定的规律身体活动可以调节老年人的神经递质、增加脑源性神经因子和改善
脑部血管的可塑性，从而激发海马体齿状回神经再生，作用于海马体神经元成
熟、形态和连接性等特性，整合海马体神经元通路，增加传入新生神经元和细
胞突触数量，最后保持和提高认知功能[62]。此外，更高的“生活空间”会降低 MCI
发生的风险，并且其中很大一部分是由于身体活动扮演着中介因素 [63]。综上，
“独立行走 1 千米”和“能否乘坐交通工具”可能对 MCI 患病风险产生显著影响通
过“外出行为”，包括“生活空间”和“身体锻炼”等[64]。此外，在国外的一些研究
中，对乘坐交通工具出行的种类进行了细化，包括乘坐出租车，巴士或自驾出
行等，并且认为“乘坐公共交通工具”能力受损比“自驾或外出旅行拜访邻居”与
MCI 患病风险更相关[57,58]。逻辑思维能力和计算能力高的工具性活动受损，被
认为对认知功能造成的影响更大，如外出购物、管理钱财和使用电器等[64,65]。
我们的发现是上述活动受损效应是“相加”在“IADL 部分依赖”之上，从而进一步
加大 MCI 的受损风险。由于先前研究与我们都采用了横断面研究的设计方式，
可能依然存在反向因果的可能性，仍然需要进一步进行纵贯研究的探索。
在 GBTM 的纵向研究中，我们将 IADL 得分进行轨迹分组，从而拟合了三
个不同的轨迹组：“IADL 低风险组”、“IADL 风险增长组”和“IADL 高风险组”。
大多数针对老年人生活能力轨迹研究主要集中在 ADL 当中，目前对中国老年
人的 IADL 发展轨迹研究，发现中国社区老年人的 IADL 发展轨迹呈现低起点
快速下降型和高起点缓慢下降型[66]，在该研究中因为 IADL 得分越高提示日常
生活能力状况越佳，故轨迹呈现下降趋势提示 IADL 恶化。我们的研究发现在
划分出“高风险”和“低风险”后，又聚类出风险线性增加组，从而实现了对 IADL
在随访过程中的动态（线性变化）和静态（水平恒定）的刻画，满足了不同状
况老年人的 IADL 实际变化需求。在三个轨迹亚组中，其发生 MCI 的风险比为
“IADL 风险增长组”＞ “IADL 高风险组”＞“IADL 低风险组”。英国健康与退休
研究结果显示，通过潜在增长曲线模型发现年龄在 50 岁至 64 岁的中年人，表
37
万方数据
重庆医科大学硕士研究生学位论文
现出更差的 ADL 和 IADL 功能与认知障碍（非痴呆）和预测晚年痴呆密切相关
[67]
。另外，在本研究中，“IADL 风险增加组”发生 MCI 的风险比高于“IADL 高
风险组”。潜在原因可能是处于基线高 IADL 风险的人群的失能特征明显不可忽
视，从而采取了相应的护理和医疗措施，然而失能得分线性增加组表现具有隐
匿性和功能代偿性，从而更加不容易被甄别和发现。虽然失能与增加的医疗保
健利用成本、过早死亡和老年人生活质量受损有关[68-70]，然而，“残疾悖论”指
出，有自我报告严重失能的人仍然可能自述生活质量较高，即该“悖论”受到个
人社会背景与外部环境因素的统一影响[71]。此外，更复杂的情况失能具有动态
性，即老年人的失能状态存在“进入”或者“退出”机制，在不同残疾状态之间进
行转换。如一项针对中国社区老年人残疾转变的多模态模型分析了 4 个模态之
间的转换率：无残疾、轻度残疾、重度残疾和死亡[72]。研究发现从残疾状态到
非残疾状态的转变率随着年龄的增长而显著下降。从社会分层来看，农村轻度
残疾康复率高于城市[72]。在国外的报告中，社区 85 岁以上老年人的向更严重
残疾过渡比残疾改善更加常见[73]。因此基于老年人失能状态受到个体和社会、
内部和外部的统一，我们对一般社会人口学特征进行了分层分析。
在分层分析当中，我们发现年龄大于 80 岁的社区老年人和居住在城市的
老年人，相对于年龄在 80 岁以下，居住在农村的老年人，当 IADL 风险增加，
其发生 MCI 事件的可能性更大（交互性 P＜0.05）。农村地区的医疗卫生保健服
务水平更低，距离优质的医疗救护单位更远，同时农村老年人在医学知识上比
较匮乏，共同导致农村地区老年人寿命跟城市居民相比更短[74,75]。另外，农村
居民在缺乏及时的健康宣教和锻炼设施的情况下，规律性的身体锻炼自我报告
率较低，从而导致心血管疾病的发生[76]。但在本研究中，我们发现农村居民在
IADL 下降过程中发生 MMSE 风险显著更低，体现社区老年人居民失能受到了
环境调节。我们认为该结果与 “生存选择” 机制有一定的关系，即因为农村地
区医疗服务可及性更弱，从而本身 “虚弱农村老年人” 可能会被选择性从存活
人口中过早去世，留下的老年人会存在一些对抗“残疾”更坚强的特质（如遗传
基因和行为等），从而形成了 IADL 失能作用于 MCI 的地区不平等[77]。从个体
来看，年龄是调节 IADL 的一个重要因子。高龄老年人免疫功能、身体活动能
力和恢复能力较年轻老年人状况更差，从而从失能恢复的可能性更低[78]。另外，
38
万方数据
重庆医科大学硕士研究生学位论文
在本研究中，我们尚不能确认老年人的“健康-生存悖论”，即男性似乎比女性更
健康，但去世更早[79]。因此对于这一块的研究仍然进一步进行探索和研究。为
了限制选择悖论带来的影响，我们在敏感性分析中分别排除了“基线慢性疾病者”
和“第一轮随访死亡”的人群，我们发现结果依然稳健，从而再次验证了我们的
结论，即 IADL 失能会导致 MCI 风险增加，并且“IADL 风险增加组”风险高于
“IADL 高风险组”。
本文的局限性主要有以下几点。首先因为受访对象为老年人群体，在随访
过程中存在死亡和失访，从而损失了一部分的样本信息去估计模型。再者在本
研究中，许多变量主要靠问卷自我报告获得，特别是慢性疾病信息。在进一步
的研究当中，需要考虑纳入更多的体检或者实验室的客观指标，以减少“霍桑效
应”的产生。最后对于 MCI 的测量，我们应用了 MMSE 量表手段。虽然该方法
在人群研究中得到一定的验证，但是在临床诊断中，该方法不是专业的诊断方
式，一些更加客观的手段如分子靶标和影像学的方法更加有助于我们明确 MCI
诊断。
39
万方数据
重庆医科大学硕士研究生学位论文
对策与建议
1 多层次老年人重点人群健康服务保障
社会健康不平等对老年人健康状况和生活方式具有调节作用。在本研究中，
我们发现年龄和居住地区对日常生活活动能力与 MCI 发生风险具有调节作用。
因此本文建议在 MCI 管理上更需要将基础医疗卫生服务保健向高龄老人和城
镇老人进行支持。高龄老人往往罹患多种慢性疾病，生活方式不便，并且我国
大部分机构养老机构缺乏配套的康复配套服务。因此，需要进一步完善《健康
中国 2030》中关于提升医疗服务水平和质量的举措，即推进老年医疗卫生服务
体系建设，健全医疗卫生机构与养老机构开展医疗服务，推动医养结合，促进
慢性病全程防治为老年人提供一体化的健康和养老服务。同时，城市老年人中，
“空巢老人”问题亟须关注，满足城市居家老年人长期照护需求，鼓励正式照护
和非正式照护相结合的模式。国家政府兜底对经济困难的高龄、失能老人补贴，
完善多层次长期护理报账制度。
2 多维度生命历程健康管理体系构建
现代医学科学的宽度和广度决定了生命健康管理需要以多维度的方式进行
发展。从健康管理的理念来看，从过去的重临床医疗为主转为“大健康”理念下
提倡科学的健康生活方式和积极自我健康管理监测。MCI 为患者从正常认知衰
退到痴呆的重要过渡期，在该过渡期如果能对 MCI 做到“早识别”、“早预防”和
“早护理”，能够保障老年人高质量的享受老年生活。从健康管理的时间历程来
看，我们研究发现日常生活活动能力的损失存在时间轨迹的群组异质性，这提
示我们需要在一个更长的“生命历程”中去探索个体、社会和环境因素对认知损
害的影响。从健康管理的形式来看，我们发现日常生活活动能力轨迹变化从正
常到恶化具有一定的滞后性，提示我们在健康管理形式需要多方面和多角度，
包括社区健康教育、健康体检和慢性病监测、健康随访和评估及健康护理和干
预，满足老年人的基本公共卫生服务需求。
3 全方位培养和引导老年人日常生活方式素养
工具性日常生活活动能力与个体因素、行为因素、个人情绪和躯体健康方
40
万方数据
重庆医科大学硕士研究生学位论文
式密切相关。因此老年人健康日常生活方式素养对于促进良好的日常生活活动
能力，降低认知损害，减少致残率和死亡率有重要意义。本文对于此观点提出
以下建议：（1）培养健康合理膳食模式，提高社区老年人营养水平。社区老年
人存在机体功能衰退、营养不良和膳食结构不合理的问题。因此建议制定和引
导老年人群特点的营养膳食指南，形成科学的膳食习惯。对于重点区域和重点
人群，可以营养干预以解决营养素摄入不足或高热量、高脂肪和高碳水食物摄
入过多的问题。形成健康的膳食模式能够为社区老年人提供坚实的体质基础，
从而提高日常生活活动能力水平。（2）完善健康运动配套设施，培养健康的兴
趣方式。日常生活活动能力不仅包括老年人的身体活动能力，还包括老年人的
社交能力。积极健康的集体活动不仅可以营造良好的运动氛围，还可以激发老
年人的运动兴趣，甚至缓解“空巢老人”问题带来的心理压力和孤独情绪。同时
可以增加合适老年人的运动活动场所和运动设施，设立和组件运动团体，开展
运动比赛。（3）拓展老年人获取健康信息的渠道，提高老年人健康知识素养。
利用“互联网 +”的巨大优势和潜力，制作老年人喜闻乐见，易于理解的健康科
普视频，普及慢性疾病的危险因素和前驱症状，以及预防和治疗方式，从而尽
早的减少生活活动能力减少对慢性疾病造成的影响。另外，积极开展同伴教育
和社区健康教育讲座，与“义诊”方式相结合，从而通过“线上”和“线下”的方式，
综合实现疾病预防的策略。
41
万方数据
重庆医科大学硕士研究生学位论文
参考文献
[1] 国家统计局. 第七次全国人口普查公报解读 [EB/OL]
http://www.stats.gov.cn/xxgk/jd/sjjd2020/202105/t20210512_1817342.html
[2] Lu Y, Liu C, Yu D, Fawkes S, Ma J, Zhang M, Li C. Prevalence of mild cognitive
impairment in community-dwelling Chinese populations aged over 55 years: a meta-analysis and
systematic review[J]. BMC Geriatr. 2021, 21(1):10.
[3] Jia J, Zhou A, Wei C, et al. The prevalence of mild cognitive impairment and its etiological
subtypes in elderly Chinese. Alzheimers Dement. 2014,10(4):439-447.
[4] Petersen RC, Roberts RO, Knopman DS, et al. Mild cognitive impairment: ten years later[J].
Arch Neurol. 2009, 66(12):1447-55.
[5] Sanford AM. Mild cognitive impairment[J]. Clin Geriatr Med. 2017,33(3):325–337.
[6] Morley JE. An overview of cognitive impairment[J]. Clin Geriatr Med. 2018,34(4):505–513.
[7] Anderson ND. State of the science on mild cognitive impairment (MCI)[J]. CNS Spectr.
2019;24(1):78–87.
[8] 简文佳, 时晶, 倪敬年,等. 日常生活能力量表鉴别痴呆与轻度认知损害[J]. 中国老年
学杂志, 2014, 34(004):865-868.
[9] Jekel K, Damian M, Wattmo C, et al. Mild cognitive impairment and deficits in instrumental
activities of daily living: a systematic review[J]. Alzheimers Res Ther, 2015, 7(1):17.
[10] Vergara I, Bilbao A, Orive M, et al. Validation of the Spanish version of the Lawton IADL
Scale for its application in elderly people[J]. Health Qual Life Outcomes, 2012,10:130.
[11] Centers for Disease Control and Prevention
[EB/OL]https://www.cdc.gov/mmwr/volumes/65/wr/mm6501a6.htm
[12] Kalligerou F, Fieo R, Paraskevas GP, et al. Assessing functional status using the IADLextended scale: results from the HELIAD study[J]. Int Psychogeriatr, 2020, 32(9):1045-1053.
[13] Hsiung GY, Alipour S, Jacova C, et al. Transition from cognitively impaired not demented
to Alzheimer’s disease: an analysis of changes in functional abilities in a dementia clinic cohort
[J]. Dement Geriatr Cogn Disord, 2008, 25(6): 483-490.
[14] Di Carlo A, Baldereschi M, Lamassa M, et al. Daily function as predictor of dementia in
cognitive impairment, no dementia (CIND) and mild cognitive impairment (MCI): an 8-year
follow-up in the ILSA study [J]. J Alzheimers Dis, 2016,
53(2): 505-515.
[15] Roehr S, Riedel-Heller SG, Kaduszkiewicz H, et al. Is function in instrumental activities of
daily living a useful feature in predicting Alzheimer's disease dementia in subjective cognitive
decline?[J]. Int J Geriatr Psychiatry, 2019, 34(1):193-203.
[16] Apostolo J, Holland C, O'Connell MD, et al. Mild cognitive decline. A position statement of
the Cognitive Decline Group of the European Innovation Partnership for Active and Healthy
42
万方数据
重庆医科大学硕士研究生学位论文
Ageing (EIPAHA)[J]. Maturitas, 2016, 83:83-93.
[17] Brown T A. Confirmatory factor analysis for applied research[M]. New York: Guilford
publications, 2015.
[18] 乐章, 马珺. 城市空巢老人日常行动能力及其影响因素研究——基于 CLHLS 数据的
实证分析[J]. 西北人口, 2018, 39(5):7.
[19] Lanza S T, Rhoades B L. Latent class analysis: an alternative perspective on subgroup
analysis in prevention and treatment[J]. Prevention science, 2013, 14(2): 157-168.
[20] 尹奎,彭坚,张君.潜在剖面分析在组织行为领域中的应用[J].心理科学进
展,2020,28(07):1056-1070.
[21] 张莹,张剑,陈春晓.基于“以人为中心”视角的目标内容对员工工作结果的影响研究[J].
管理学报,2020,17(02):225-233.
[22] 吕浥尘 , 赵然 . 群组发展模型——干预研究的新方法[J]. 心理学探新, 2018.
[23] 冯国双, 于石成, 刘世炜. 轨迹分析模型在追踪数据分析中的应用[J]. 中国预防医学
杂志, 2014, 15(003):292.
[24] 冯国双. 重复测量数据的常用统计分析方法[J]. 中华预防医学杂志, 2020, 54(07):804812.
[25] 靳永涛, 尹长明, 吴迪. GEE 下经验似然估计的渐近正态性质[J]. 四川理工学院学报
(自然科学版), 2019.
[26] 宋秋月, 伍亚舟. 纵向数据潜变量增长曲线模型及其在 Mplus 中的实现 [J] . 中华流
行病学杂志,2017,38( 08 ): 1132-1135.
[27] 付连国, 马军, 王海俊,等. 儿童青少年超重、肥胖对其身体机能影响的多水平分析
[J]. 北京大学学报(医学版), 2012(03):359-363.
[28] Nagin D S , Odgers C L . Group-based trajectory modeling in clinical research.[J]. Annu
Rev Clin Psychol, 2010, 6(1):109-138.
[29] Xie C, Xian J, Zeng M, et al. Regional Difference in the Association between the Trajectory
of Selenium Intake and Hypertension: A 20-Year Cohort Study[J]. Nutrients, 2021;13(5):1501.
[30] Bassett JK, MacInnis RJ, Yang Y, et al. Alcohol intake trajectories during the life course and
risk of alcohol-related cancer: a prospective cohort study[J]. Int J Cancer, 2022;
[31] Gui Y, Deng Y, Sun X, et al. Early Childhood Sleep Trajectories and Association with
Maternal Depression: A Prospective Cohort Study[J]. Sleep. 2022;zsac037.
[32] Y. Zeng, D.L. Poston, D.A. Vlosky, and D. Gu. Healthy Longevity in China:Demographic,
Socioeconomic, and Psychological Dimensions[M]. Dordrecht：The Netherlands: Springer
Publisher, 2008, 61-79.
[33] Y. Zeng, D.L. Poston, D.A. Vlosky, and D. Gu. Healthy Longevity in China:Demographic,
Socioeconomic, and Psychological Dimensions[M]. Dordrecht：The Netherlands: Springer
43
万方数据
重庆医科大学硕士研究生学位论文
Publisher, 2008, 101-117
[34]陈娜,王长青.老年人口日常生活自理能力城乡差异研究——基于 CLHLS(2014)数据的
实证分析[J].人口与发展,2021,27(01):135-144.
[35]Zhang Y , Xiong Y , Yu Q , et al. The Activity of Daily Living (ADL) subgroups and Health
impairment among Chinese elderly:A Latent Profile Analysis[J]. BMC Geriatr, 2021, 21(1):30.
[36]Folstein M F , Folstein S E , Mchugh P R . "Mini-mental state": A practical method for
grading the cognitive state of patients for the clinician[J]. journal of psychiatric research, 1975,
12(3):0-198.
[37]Gagnon, Michèle, Letenneur L , Dartigues J F , et al. Validity of the Mini-Mental State
examination as a screening instrument for cognitive impairment and dementia in French elderly
community residents.[J]. Neuroepidemiology, 1990, 9(3):143-150.
[38]Zhang Z , Gu D , MD Hayward. Early Life Influences on Cognitive Impairment Among
Oldest Old Chinese[J]. Journals of Gerontology, 2008, 63(1):S25.
[39]Ming W , Gu D . The Effects of Childhood, Adult, and Community Socioeconomic
Conditions on Health and Mortality among Older Adults in China[J]. Demography, 2011,
48(1):153-181.
[40]Zhang M Y , Katzman R , Salmon D , et al. The prevalence of dementia and Alzheimer's
disease in Shanghai, China: impact of age, gender, and education.[J]. Annals of Neurology,
1990, 27(4):428-437.
[41]Cui GH, Yao YH, Xu RF, et al. Cognitive impairment using education-based cutoff points
for CMMSE scores in elderly Chinese people of agricultural and rural Shanghai China[J]. Acta
Neurol Scand. 2011, 124(6):361-7.
[42]Ji JS, Liu L, Yan L, Zeng Y. Comparing Effects of FOXO3A and Residing in Urban Areas on
Longevity: A Gene-Environment Interaction Study[J]. J Gerontol A Biol Sci Med Sci. 2021, 362.
[43] KATZ S, FORD AB, MOSKOWITZ RW, JACKSON BA, JAFFE MW. STUDIES OF
ILLNESS IN THE AGED. THE INDEX OF ADL: A STANDARDIZED MEASURE OF
BIOLOGICAL AND PSYCHOSOCIAL FUNCTION[J]. JAMA. 1963, 185:914-9.
[44] Beattie MM, Konttinen HM, Volanen SM, Hankonen NE. Latent profile analysis as a
method for process evaluations: Discovering response subgroups in a mindfulness
intervention[J]. Soc Sci Med. 2022, 296:114748.
[45] Magson NR, van Zalk N, Mörtberg E, Chard I, Tillfors M, Rapee RM. Latent stability and
change in subgroups of social anxiety and depressive symptoms in adolescence: A latent profile
and transitional analysis[J]. J Anxiety Disord. 2022, 87:102537.
[46] 张晨旭,谢峰,林振,贺佳,金志超.基于组轨迹模型及其研究进展[J].中国卫生统
计,2020,37(06):946-949.
[47] Kiadaliri A, Englund M. Variability in end-of-life healthcare use in patients with
osteoarthritis: a population-based matched cohort study[J]. Osteoarthritis Cartilage. 2021,
44
万方数据
重庆医科大学硕士研究生学位论文
29(10):1418-1425.
[48]王倩,李风军.Logistic 回归模型的变量选择[J].统计与决策,2021,37(16):48-51.
[49] Lei Q, Tian H, Xiao Z, Wu W, Liang X, Zhao Q, Ding D, Deng W. Association Between
Body Mass Index and Incident Dementia Among Community-Dwelling Older Adults: The
Shanghai Aging Study[J]. J Alzheimers Dis. 2022, pp.1-11.
[50]Yang Y, Du Z, Liu Y, Lao J, Sun X, Tang F. Disability and the risk of subsequent mortality in
elderly: a 12-year longitudinal population-based study[J]. BMC Geriatr. 2021, 21(1):662.
[51] Beesley LJ, Bondarenko I, Elliot MR, Kurian AW, Katz SJ, Taylor JM. Multiple imputation
with missing data indicators[J]. Stat Methods Med Res. 2021;30(12):2685-2700.
[52]Jia J, Wei C, Chen S, et al. The cost of Alzheimer's disease in China and re-estimation of
costs worldwide[J]. Alzheimers Dement, 2018, 14(4):483-491.
[53]Ma F, Wu TF, Zhao JG, et al. Prevalence of mild cognitive impairment and its subtypes
among Chinese older adults: role of vascular risk factors[J]. Dement Geriatr Cogn Disord,
2016;41(5–6):261–272.
[54]Rao DP, Luo X, Tang MN, et al. Prevalence of mild cognitive impairment and its subtypes in
community-dwelling residents aged 65 years or older in Guangzhou[J]. China Arch Gerontol
Geriatr, 2018;75:70–75.
[55]Yin LY. Investigation and diagnosis of mild cognitive impairment [D].HeBei：HeBei
University. 2010.
[56]Park J, Lee YJ. Patterns of instrumental activities of daily living and association with
predictors among community-dwelling older women: A latent class analysis[J]. BMC Geriatr,
2017;17(1):158.
[57]Makino K, Lee S, Bae S, et al. Relationship between instrumental activities of daily living
performance and incidence of mild cognitive impairment among older adults: A 48-month
follow-up study[J]. Arch Gerontol Geriatr, 2020;88:104034.
[58]Marshall GA, Zoller AS, Lorius N, et al. Functional Activities Questionnaire Items that Best
Discriminate and Predict Progression from Clinically Normal to Mild Cognitive Impairment[J].
Curr Alzheimer Res, 2015;12(5):493-502.
[59]Pérès K, Chrysostome V, Fabrigoule C, Orgogozo JM, Dartigues JF, Barberger-Gateau P.
Restriction in complex activities of daily living in MCI: impact on outcome. Neurology. 2006
Aug 8;67(3):461-6. doi: 10.1212/01.wnl.0000228228.70065.f1. PMID: 16894108.
[60]Makizako H, Doi T, Shimada H, et al. Relationship between going outdoors daily and
activation of the prefrontal cortex during verbal fluency tasks (VFTs) among older adults: a nearinfrared spectroscopy study[J]. Arch Gerontol Geriatr, 2013;56(1):118-123.
[61]Braz de Oliveira MP, Moreira Padovez RFC, Serrão PRMDS, et al. Is physical exercise
effective at improving body structure & function and activity outcomes in individuals with Mild
Cognitive Impairment? a systematic review with quality of evidence assessment[J]. Disabil
45
万方数据
重庆医科大学硕士研究生学位论文
Rehabil, 2022,1-13.
[62]陈艳林, 徐 琳, 徐盛嘉. 身体活动对海马体可塑性和认知功能的影响[J]. 中国组织工
程研究, 2020, 24(5): 773-779
[63] Crowe M, Andel R, Wadley VG, et al. Life-space and cognitive decline in a communitybased sample of African American and Caucasian older adults[J]. J Gerontol A Biol Sci Med Sci,
2008,63(11):1241-1245.
[64]Kim KR, Lee KS, Cheong HK, et al. Characteristic profiles of instrumental activities of
daily living in different subtypes of mild cognitive impairment[J]. Dement Geriatr Cogn Disord,
2009,27(3):278-285.
[65]Perneczky R, Pohl C, Sorg C, et al. Impairment of activities of daily living requiring
memory or complex reasoning as part of the MCI syndrome[J]. Int J Geriatr Psychiatry,
2006,21(2):158-162.
[66]伍小兰,刘吉.中国老年人生活自理能力发展轨迹研究[J].人口学刊,2018,40(04):59-71.
[67]Wu B, Toseef MU, Stickel AM, et al. Associations Between Midlife Functional Limitations
and Self-Reported Health and Cognitive Status: Results from the 1998-2016 Health and
Retirement Study[J]. J Alzheimers Dis, 2022,85(4):1621-1637.
[68]Fried LP, Ferrucci L, Darer J, et al. Untangling the concepts of disability, frailty, and
comorbidity: implications for improved targeting and care[J]. J Gerontol A Biol Sci Med Sci,
2004, 59(3):255-63.
[69]Walter LC, Brand RJ, Counsell SR, et al. Development and validation of a prognostic
index for 1-year mortality in older adults after hospitalization[J]. JAMA, 2001, 285(23):2987-94.
[70]Akosile CO, Mgbeojedo UG, Maruf FA, et al. Depression, functional disability and quality
of life among Nigerian older adults: Prevalences and relationships[J]. Arch Gerontol Geriatr.
2018, 74:39-43.
[71]Albrecht GL, Devlieger PJ. The disability paradox: high quality of life against all odds[J].
Soc Sci Med, 1999 Apr;48(8):977-88.
[72]Hou C, Ma Y, Yang X, et al. Disability Transitions and Health Expectancies among Elderly
People Aged 65 Years and Over in China: A Nationwide Longitudinal Study[J]. Aging Dis,
2019,10(6):1246-1257.
[73]van Houwelingen AH, Cameron ID, Gussekloo J, et al. Disability transitions in the oldest
old in the general population. The Leiden 85-plus study[J]. Age (Dordr), 2014, 36(1):483-93.
[74]Hairi NN, Bulgiba A, Mudla I, Hiong TG. Physical
function
in
older
people[M]. Croatia: InTech.
[75]Anand S, Fan VY, Zhang J, et al. China's human resources for health: quantity, quality, and
distribution[J]. Lancet, 2008, 372(9651):1774-81.
[76]Blair SN, Kohl HW 3rd, Barlow CE, Paffenbarger RS Jr, Gibbons LW, Macera CA. Changes
in physical fitness and all-cause mortality. A prospective study of healthy and unhealthy men[J].
46
万方数据
重庆医科大学硕士研究生学位论文
JAMA, 1995, 273(14):1093-8.
[77]Glymour MM, Weuve J, Chen JT. Methodological challenges in causal research on racial
and ethnic patterns of cognitive trajectories: measurement, selection, and bias[J]. Neuropsychol
Rev, 2008, 18(3):194-213.
[78]Bootsma-van der Wiel A, Gussekloo J, de Craen AJ, et al. Disability in the oldest old: "can
do" or "do do"?[J]. J Am Geriatr Soc, 2001, 49(7):909-14.
[79]Oksuzyan A, Juel K, Vaupel JW, Christensen K. Men: good health and high mortality. Sex
differences in health and aging[J]. Aging Clin Exp Res, 2008, 20(2):91-102.
47
万方数据
重庆医科大学硕士研究生学位论文
文献综述
社区老年人工具性日常生活能力和认知功能损
害相关性研究进展
人口老龄化问题对世界各国带来医疗、财政和社会影响，正成为广受关注的
公共卫生和人口学领域的热议话题[1]。根据中国国家统计局在 2019 年报告，中国
老年人口（65 岁以上）已经超过了17600 万人，约占中国总人口的12.6%[2] 。同时
，由于老龄化和慢性病发病风险呈正相关关系，世界卫生组织（WHO）提出平
均健康期望寿命概念比平均期望寿命更具有社会学价值[3] 。随着中国医疗卫生
和城镇化水平不断提高，从 2013年到 2017年，其男性的人均期望寿命从 71.8 岁
上升到 74.5岁，女性的平均期望寿命从 76.9岁上升到 79.9岁； 但健康期望寿命不
容乐观，男性的人均健康期望寿命从64.5岁缓慢上升到 66.6岁，女性的 人均健
康期望寿命从 67.5岁上升到 69.7岁[4] 。在平均健康期望寿命和平均期望寿命的
矛盾下，伴随着是老年人慢性非传染疾病的增加，失能或残障的发生率增加和认
知能力显著损害。为了更好的了解中国老年人的日常生活活动能力的动态变化和
认知能力损害的关系，本文就工具性日常活动能力这一切入点，对社区老年人的
工具性日常活动能力和认知能力损害的相关研究进行综述。
一
Alzheimer’s disease, AD 是一种好发于老年人群的以进行
性认知功能障碍和行为功能损害为主要特征的中枢神经性系统退行性病变。AD
早期的主要表现为近期记忆能力退化、不能独立完成家务、计算能力下降、理解
表达能力不清晰、时间观念减弱及迷路、负面情绪增加、理解力和判断力下降和
兴趣爱好的缺失[5] 。根据 2019 年国际阿尔兹海默症协会报告显示，65 岁以上老
年人和 80 岁以上的高龄老者的 AD 患病率分别为 10%和 32% [6]。在中国，王英
全等人通过系统综述和 Meta 分析发现，我国自 1985 年至 2018 年以 来，随机效
48
万方数据
重庆医科大学硕士研究生学位论文
应模型合并 AD 患病率为 3.9%（CI：3.4-4.4），近三年的合并患病率（2015 年
至 2018 年） 显著增长，为 6.6%（ CI: 4.7-8.6），通过年龄移算法发现在 2050
年，我国的 AD 患病人数将达到 3003 万[7]。病理生理学研究表明，老年人的
AD 发生生物学基础为大脑的神经炎斑块和神经纤维结产生[8, 9, 10, 11, 12, 13]。因此，
在此基础上，目前有三种理论用于解释老年人 AD 的潜在发生机制
[8, 9, 10, 12, 14, 15,
：
16]
（1）淀粉样蛋白学说：细胞外沉淀物的基本成分为 β-淀粉样蛋白，其形
成纤维聚集和 导致弥漫性斑块和神经炎斑块的发生发展。β-淀粉样蛋白是由
淀粉样前体蛋白（The amyloid precursor protein, APP）的异常裂解产生。一般
情况下， 其分泌酶 α 作用的产物是一种可溶的肽，能够容易从体内排出。但
对于 AD 患者，β- 和 γ- 分泌酶聚集产生不溶性肽，
这种肽类从神经元中清除。
当小胶质细胞未能成功将其清除，可能导致炎症和神经功能损害。
（2）Tau
：tau 蛋白是神经元细胞内沉积的主要成分，它是一种
微管相关蛋白。而微管作为一种细胞质结构，充分参与细胞骨架网络（包括神经元）
的组装功能。Tau 蛋白扮演着微管稳定剂的角色。对于 AD 病人，tau 蛋白过度
磷酸化组织了其与微管蛋白的结合，导致自聚集和神经元间神经毒性的聚集。
（3）胆碱能学说：胆碱能学说的研究人员认为 AD 患者的因其神经递质乙
酰胆碱水平 的降低会导致其神经功能连接功能的降低，除去以上三种常见的
AD 理论外，有其他的一些假说也试图解释 AD 的病因，如氧化应激假说和谷
氨酸介导的兴奋性毒性[12]。
除去以上三种常见的 AD 理论外，有其他的一些假说也试图解释 AD 的病
因，如氧化应激假说和谷氨酸介导的兴奋性毒性[12]。因为 AD 患者早期表现为
轻度认知功能的下降和改变（mild cognitive impairment, MCI），该阶段为正常老
化状态和痴呆症间的过渡阶段。因此早期对高危人群进行认知水平评估，有利
于发现潜在的 AD 患者并对疾病进行预防和干预，减少 AD 的发病率。目前国
际上应用较多的认知功能筛查量表为《简易智力状态量表》（Mini-mental State
Examination, MMSE）[17,18]。中文的 MMSE 量表在基于中国文化背景条件下进
行了一些条目的增删，主要包括 24 个条目和 5 个维度，分别测定了研究对象的
一般认知能力、反应能力、注意力和计算力、记忆力、语言和反应能力[19]。MMSE
49
万方数据
重庆医科大学硕士研究生学位论文
的得分范围为 0 到 30 分，患者得分越低就表示其越可能高风 险的认知损害
[20]
。目前 MMSE 在中国背景下的阈值划分存在一定的争议性，故目前对
MMSE 的认知损害划分一般采取国际标准进行研究。具体来讲，研究对象得分
≥24 作为认知功能正常组，研究对象得分< 24 分作为认知功能受损组[21]。但也
有研究指出，MMSE 对 健康患者和 AD 患者有良好的区分度，但对 MCI 和
正常老年人诊断缺乏一定的灵敏度和特异度，故目前临床上神经内科医生会采
用 Nasreddine 制定的《蒙特利尔认知功能评估量表》（ Montreal Cognitive
Assessment, MoCA），其常采用< 26 分作为截断值划分 MCI 患者和正常人(敏
感度：90%; 特异度：87%)
[44]
; 以及《安登布鲁克认知功能检查（修订版）》
（Addenbrooke’s Cognitive Examination-revised, ACE-R）被认为是另一种有应用
前景的 MCI 筛查量表，其以< 94 分作为分界值（敏感度：83%；特异度：73%）
[45]
。
老年人认知功能的影响因素主要为危险性因素和保护性因素。具体来讲，
危险因子分为固定效应因子，随机效应因子和环境因子[22-31]。固定效应因子包
括老年人逐渐增加的年龄，女性，遗传相关疾病（如染色体突变或基因突变），
父母文化程度较低和不良的家庭背景。随机效应因子包括个体本身处较低的教
育经历和社会阶层，肥胖，二型糖尿病，心血管疾病（高血压、动脉粥样硬化、
心脏病、心衰和高血脂），吸烟、中风、抑郁、酒精滥用和肺炎。环境因子包括
铝摄入超标、杀虫剂和环境污染等。保护性因素包括运动、高教育水平、智力
和社会活动、合适的酒精饮料消耗和地中海饮食等[24]。
二、工具性日常生活活动能力（IADL）概念、测量和应用
“成功老龄化”被认为是老年人高度的身体功能和认知功能独立[32]。功能依
赖被认为是影响老年人健康和生活质量的重要因素，不仅对老年人，对照料者
和其家属也是如此。工具性日常生活活动（IADL）是以测定老年人独立生活任
务为基础的，广泛用于评价老年人日常生活能力。IADL 主要应用于现代社会
老年人社会化活动及环境的决策和互动评价，最早由 Lawton 等研究学者提出，
并根据国家地域和应用学科不同进行拓展和修订，但其主要维度包括打电话、
购物、食物准备、家务、清洗衣物、交通方式、医疗行为和处理金融的能力[33]。
国内外的有关 IADL 的研究和应用主要集中在慢性疾病和重大疾病的预测和评
50
万方数据
重庆医科大学硕士研究生学位论文
价。美国杨百翰大学 Hopkins 等研究人员通过系统综述发现，ICU 患者在入院
前有不同程度的 IADL 损害（7%―85%），且多达七项研究表明（约占总研究
69%）发现重大疾病患者（ICU 患者）出现新发或严重的 IADL 依赖[34]。Neo
等 Meta 分析结果显示，在 19,246 名癌症病人中,多达 54.6%（95% CI：
46.5―62.3）报告了 IADL 残障，且最频繁报告的 IADL 依赖内 容有家务、购
物和交通方式[35]。Wong 等评估了全球糖尿病导致的残疾风险，在 26 项 Meta
分析发现了糖尿病和 IADL 参加的正相关关系（OR：1.71，95% CI：1.53―1.91；
RR：1.51，95%CI：1.38―1.64）[36]。此外，心血管疾病如中风和心衰等与 IADL
损害也广受关注，Blomgren 等七年随访结果显示,中风患者的 IADL 得分水平呈
现不断下降趋势,且对患者的工作和休闲能力带来显著的影响[37]。Jin 等人构建
整体心血管健康指数（CVH）和老年人残疾进行预测，在多因素 COX 回归结
果显示，CVH 评分每提高 1 分，其 IADL 残疾的风险则较低（HR=0.91）[38]。
在心理科学方面，IADL 被广泛认为与抑郁和认知功能相关。如 Nascimento 等
在巴西的横断面调查显示，抑郁和 IADL 损害呈现互相渗透和协同的作用，即
严重的抑郁状况可能增加患者的 IADL 的风险，同时较差 IADL 本身也可能带
来较差的抑郁状态[39]。在认知功能上，Armau 等人通过在农村初级保健中心的
随访结果发现，住院次数、认知障碍（OR=2.60, 95%CI: 1.39-4.92）和下肢功能
受限是是识别 IADL 功能丧失的独立相关因素。随着中国逐渐步入老龄化社会，
IADL 在中国社区老年人活动能力的评估得到应用。如胡明月等人通过研究 45
岁以上中老年人的抑郁和日常活动能力的文献，发现抑郁症患者发生日常功能
损害的几率比是正常人的 3 倍多（OR=3.30, 95%CI=1.35-8.11）[41]。冯丽娜等人
通过研究常见的非传染性慢性病（高血压、心脏病、脑卒中）和 IADL 的关系，
发现 IADL 的丧失在中国慢性疾病病人更为常见，主要表现为患者处理财务、
自理能力、做家务、做饭 菜等能力的下降
[42]
。另外，特别是针对脑卒中的预
后患者，IADL 比其他活动能力评估标准更能反映患者的生存质量和状态，以
及患者在家庭、工作和社会中的不同表现。如 Frenchay 活动量表和 Revermead
日常活动量表被逐渐引入国内，但考虑其社会制度、文化差异和人民生活活动
方式及习惯、信念等，需要进一步的改良和修订[43]。
51
万方数据
重庆医科大学硕士研究生学位论文
三、社区老年人 IADL 和认知功能损害的关联性
认知功能损害的病人（MCI 和 AD 病人）除了核心临床症状表现为近期记
忆力和认知功能减退，伴随着复杂的日常和社会化生活活动能力的不同程度的
减退。如对于某些多项认知功能损害的病人可能伴随基本生活需求的不平衡，
如吃饭、如厕、穿衣、吃饭等不能自理。对于轻微的认知功能损害的病人，虽
然没有严重到损害个体的基本生活能力，但可能导致个体的社会化活动能力减
退，如理财、出行和购物等。如 Jekel 等人发现，当个体出现认知功能受损时，
复杂的社会化活动能力均呈现水平下降趋势，特别是对计算能力和判断能力较
高的工具性活动，如理财等[46]。Hsiung 等人为了验证工具性日常活动能力是否
具有动态的检验效力，考察了 AD 患者不同阶段的 IADL 的改变。研究结果显
示，老年人从 MCI 到 AD 的过程中，其 IADL 能力不断呈现降低趋势，体现
IADL 在认知过程中的一个预测作用[47]。Di Carlo 在意大利八年的随访调查结
果表示，多达 21.43%（n=511）进展为 AD 患者[48]。值得注意的是，患者的 IADL
越低，其发展成为 AD 患者的可能性越大。另外，有研究结果显示，IADL 可
以良好的预测老年人的主观认知衰退（Subjective cognitive decline），为 AD 的
诊断提供新的预测路径[49]。欧洲积极健康老年化小组（EIPAHA）因此强烈建议
将 IADL 的测量纳入到老年人 AD 和 MCI 风险人群的评估当中[50]。通过对上
述研究进行总结，我们发现 IADL 在预测老年人个体的认知衰退上有一定的临
床价值，可进一步挖掘其新的特质和应用方向，以丰富神经科学的相关研究。
四、当前的研究方法的不足和展望
IADL 所定义的个体失能方式存在一定的争议性。如在目前的研究中，
IADL 残障的定义为量表所有题项有一条为依赖，则定义患者为 IADL 受损
[51]
。这种定义方案的优点在于清晰明了便于计算，但缺点在于扩大了 IADL 残
障的发病风险，以及很难区分轻微的 IADL 损害和严重程度的 IADL 损害。再
者，亦有学者对 IADL 采用连续性量表计分的方式，即分数越高患者罹患认知
功能受损更严重，但该方式缺乏明确的数值界点，不好对患者进行功能区分[52]。
鉴于 IADL 目前的测量缺点，有学者通过潜类别分析（Latent Class Analysis, LCA）
对 IADL 进行项目聚类，达到对 IADL 进行降维的目的[53]。但 LCA 的缺点在
52
万方数据
重庆医科大学硕士研究生学位论文
于主要应用于横断面的资料，缺乏对纵向资料刻画的能力，即不能反映各个亚
组个体随时间变化的趋势，群体轨迹模型（Group based trajectory model）、增长
混合模型（Growth mixed model）和潜类别增长模型（Latent class grow model）
提供了对纵向方向的潜类别资料分析机会[54]。再者，为了补充横断面的研究缺
陷，大量学者应用了 Cox 模型回归的方法，但以往的研究多集中在临床资料的
研究，尚不能得到真实世界的统计推断。且在真实世界的统计推断中，由于往
往存在数据嵌套的关系，更多需要对传统的 Cox 模型进行校正，如使用共享脆
弱 Cox 模型（shared frailty model），解决子组间个体寿命的相关性问题[55]。第
三，为了减少数据的选择性偏倚,目前流行了大量的权重校正参数，如逆概率加
权（Inverse proportion weight）、 倾向值匹配（Propensity score matching）、分层
匹配（Stratification matching）等[56,57]。总之，目前在处理 IADL 和认知功能损
害的统计学方法上，仍然存在一定的不精确和粗略的地方，需要进一步学习和
完善。
53
万方数据
重庆医科大学硕士研究生学位论文
[1]A research agenda for aging in China in the 21st century[J]. Aging Research Reviews,
2015,24:197-205.
[2]National Bureau of Statistics. National economic and social development statistics bulletin of
the people's Republic of China in 2019. ［EB/OL］
http://www.stats.gov.cn/tjsj/zxfb/202002/t202002281728913.html.
[3]World Health Organization. World Health Report 1997.［EB/OL］
https://www.who.int/whr/1997/en/.
[4]殷鹏, 齐金蕾, 刘韫宁, 等. 2005 ～2017 年中国疾病负担研究报告[J]. 中国循环杂志,
2019(12).
[5]陈近近, 蒋秋焕, 陈超然, 等. 老年人认知衰弱的研究进展[J]. 护理研究, 2020, 34(4).
[6]Alzheimer’s-Association. 2018 Alzheimer's disease facts and figures[J]. Alzhmers &
Dementia, 2018, 14(3).
[7]王英全, 梁景宏, 贾瑞霞,等. 2020-2050 年中国阿尔茨海默病患病情况预测研究[J].
阿尔茨海默病及相关病, 2019, 000(001):289-298.
[8]Valenti, R., Pantoni, L. & Markus, H.S. Treatment of vascular risk factors in patients with a
diagnosis of Alzheimer’s disease: a systematic review [J]. BMC Med 12, 160 (2014).
[9]Timothy C. Durazzo, Niklas Mattsson, Michael W. Weiner. Smoking and increased
Alzheimer's disease risk: A review of potential mechanisms [J]. Alzheimer's & Dementia, 2014,
10 (3 Suppl): S122-45.
[10] Solch RJ, Aigbogun JO, Voyiadjis AG, et al. Mediterranean diet adherence, gut microbiota,
and Alzheimer's or Parkinson's disease risk: A systematic review. J Neurol Sci. 2022, 26 (434):
120166.
[11] Michelle L, Garcez, Ana Carolina B, et al. Alzheimer's Disease associated with Psychiatric
Comorbidities [J]. An Acad Bras Cienc, 2015, 87 (2 Suppl):1461-73.
[12]Butterfield D A, Domenico F D, Barone E. Elevated risk of type 2 diabetes for development
of Alzheimer disease: a key role for oxidative stress in brain [J]. Biochim Biophys Acta, 2014,
1842(9):1693- 1706.
[13]Podcasy JL, Epperson CN. Considering sex and gender in Alzheimer disease and other
dementias [J]. Dialogues Clin Neurosci. 2016,18(4):437-446.
[14]Demet, Yildiz, Nilüfer, et al. Malnutrition is associated with dementia severity and geriatric
syndromes in patients with Alzheimer disease [J]. Turkish journal of medical sciences, 2015,
45(5):1078-81
[15]Attems J, Jellinger K A. The overlap between vascular disease and Alzheimer's disease -lessons from pathology [J]. BMC Medicine, 12, 1(2014- 11- 11), 2014, 12(1):206.
54
万方数据
重庆医科大学硕士研究生学位论文
[16]Culqui D R, Linares C, Ortiz C, et al. Association between environmental factors and
emergency hospital admissions due to Alzheimer's disease in Madrid [J]. Sci of the
total environment, 2017, 592 (AUG. 15):451-457.
[17]Mary, Galea, Michael, et al. Mini-Mental State Examination (MMSE)[J]. Australian Journal
of Physiotherapy, 2005.
[18]Li H, Jia J, Yang Z, et al. Mini-Mental State Examination in Elderly Chinese: A
Population-Based Normative Study [J]. Journal of Alzheimers Disease, 2016, 53(2):487-496.
[19]Yi Z, Vaupel J W. Functional Capacity and Self–Evaluation of Health and Life of Oldest
Old in China [J]. Journal of Social Issues, 2010, 58(4):733-748.
[20] Lei X, Bai C. Cognitive function and mental health of elderly people in China: findings
from2018 CLHLS survey [J]. China Population and Development Studies, 2020, 3:343-351.
[21]顾大男, 仇莉. 中国高龄老人认知功能特征和影响因素分析[J]. 南京人口管理干部学
院学报, 2003, 019(002):3-9, 13.
[22]Nasreddine ZS, Phillips NA, Bédirian V, et al. The Montreal Cognitive Assessment, MoCA:
a brief screening tool for mild cognitive impairment [J]. J Am Geriatr Soc. 2005;53(4):695-699.
[23]Mathuranath PS, Nestor PJ, Berrios GE, et al. A brief cognitive test battery to differentiate
Alzheimer’s disease and frontotemporal dementia [J]. Neurology, 2000, 55(11): 1613- 1620.
[24]Oosterveld S M , Kessels R P C , Hamel R , et al. The Influence of Co-Morbidity and
Frailty on the Clinical Manifestation of Patients with Alzheimer's Disease[J]. Journal of
Alzhmer's disease: JAD, 2014, 42(2):501-509.
[25]Sebastian, Treusch, Shusei, et al. Functional links between Aβ toxicity, endocytic
trafficking, and Alzheimer's disease risk factors in yeast.[J]. Science, 2011, 334(6060):1241-5
[26]Attems J, Jellinger K A. The overlap between vascular disease and Alzheimer's disease lessons from pathology [J]. BMC Medicine, 2014, 12(1): 206.
[27]Dugger BN, Malek-Ahmadi M, Monsell SE, et al. A Cross-Sectional Analysis of Late-Life
Cardiovascular Factors and Their Relation to Clinically Defined Neurodegenerative Diseases
[J]. Alzheimer Dis Assoc Disord. 2016; 30 (3):223-229.
[28]Zhang M Y , Katzman R , Salmon D , et al. The prevalence of dementia and Alzheimer's
disease in Shanghai, China: impact of age, gender, and education [J]. Annals of Neurology,
2010, 27(4):428-437.
[29]Nucera A, Hachinski V. Cerebrovascular and Alzheimer disease: fellow travelers or partners
in crime? [J]. Journal of Neurochemistry, 2017, 144(5).
[30]Ringman J M , Sachs M C , Zhou Y , et al. Clinical Predictors of Severe Cerebral Amyloid
Angiopathy and Influence of APOE Genotype in Persons With Pathologically Verified
Alzheimer Disease[J]. Jama Neurology, 2014, 71(7):878.
[31]Kikis EA. The proteostatic effects of traffic-derived air pollution on Alzheimer's disease
risk [J]. Open Biol. 2020;10(8):200146.
55
万方数据
重庆医科大学硕士研究生学位论文
[32]Arvanitakis Z, Wilson R S , Bienias J L, et al. Diabetes Mellitus and Risk of Alzheimer
Disease and Decline in Cognitive Function [J]. Arch Neurol, 2004, 61(5):661-666.
[33] Jefferson AL, Beiser AS, Himali JJ, et al. Low cardiac index is associated with incident
dementia and Alzheimer disease: the Framingham Heart Study [J]. Circulation, 2015, 131 (15):
1333-9.
[34]Bowling, Ann, Dieppe, et al. What is successful ageing and who should define it? [J]. BMJ
British Medical Journal, 2005,331(7531):1548-51
[35]Lawton MP, Brody EM. Assessment of older people: self-maintaining and instrumental
activities of daily living [J]. Gerontologist. 1969;9(3):179- 186.
[36]Hopkins R O, Suchyta M R, Kamdar B B, et al. Instrumental Activities of Daily Living
after Critical Illness: A Systematic Review [J]. Annals of the American Thoracic Society,
2017,14(8):1332-1343.
[37]Neo J , Fettes L , Gao W , et al. Disability in activities of daily living among adults with
cancer: A systematic review and meta-analysis [J]. Cancer Treatment Reviews, 2017, 61:94.
[38]Wong E, Backholer K, Gearon E, et al. Diabetes and risk of physical disability in adults: a
systematic review and meta-analysis [J]. Lancet Diabetes Endocrinol. 2013,1(2):106-114.
[39]Charlotte Blomgre, Katarina Jood, Christina Jern, et al. Long-term performance of
instrumental activities of daily living (IADL) in young and middle-aged stroke survivors:
Results from SAHLSIS outcome [J]. Scandinavian Journal of Occupational Therapy, 2018,
25(2):119-126.
[40]Yichen J , Toshiko T , Yan M , et al. Cardiovascular Health Is Associated With Disability
Among Older Community Dwelling Men and Women [J]. Journal of Aging & Health, 2019
Sep;31(8):1339-1352.
[41]Nascimento C D M , Andréia Queiroz Ribeiro, Cotta R M M , et al. Factors associated with
functional ability in Brazilian elderly [J]. Archives of Gerontology & Geriatrics, 2012, 54(2):
e89-e94.
[42]胡明月, 熊大艳,胡恒瑜, 等.45 岁及以上人群抑郁对日常活动能力影响的 meta 分析
[J]. 中国心理卫生杂志,2020,34(5):416-422.
[43]冯丽娜, 陈长香, 李建民, 等. 社区老年人常见慢性病与日常活动能力的相关性[J]. 中
国 老年学杂志, 2016, 36(020):5132-5133.
[44]刘若琳, 王宁华. 工具性日常生活活动能力评定量表在脑卒中患者中的应用[J]. 中国
康 复医学杂志, 2011(02):93-96.
[45]Jekel K, Damian M, Wattmo C, et al. Mild cognitive impairment and deficits in
instrumental activities of daily living: a systematic review[J]. Alzheimers Res Ther.
2015;7(1):17.
[46]Hsiung GY, Alipour S, Jacova C, et al. Transition from cognitively impaired not demented
to Alzheimer’s disease: an analysis of changes in functional abilities in a dementia clinic cohort
56
万方数据
重庆医科大学硕士研究生学位论文
[J]. Dement Geriatr Cogn Disord, 2008, 25(6): 483-490.
[47]Antonio, Di Carlo, Marzia, et al. Daily Function as Predictor of Dementia in
Cognitive Impairment, No Dementia (CIND) and Mild Cognitive Impairment (MCI): An 8-Year
Follow-Up in the ILSA Study [J]. Journal of Alzheimer's disease, 2016,53(2):505-15.
[48]Roehr S , Riedel-Heller S G , Kaduszkiewicz H , et al. Is function in instrumental activities
of daily living a useful feature in predicting Alzheimer's disease dementia in subjective
cognitive decline? [J]. International Journal of Geriatric Psychiatry, 2019, 34(1):193-203.
[49]Apostolo J, Holland C, O'Connell MD, et al. Mild cognitive decline. A position statement of
the Cognitive Decline Group of the European Innovation Partnership for Active and Healthy
Ageing (EIPAHA) [J]. Maturitas, 2016,83:83-93.
[50]Tingting, Wu, Lu, et al. Factors Associated with Activities of Daily Life Disability among
Centenarians in Rural Chongqing, China: A Cross-Sectional Study[J]. International Journal
of Environmental Research & Public Health, 2017,14(11):1364.
[51]Jette AM. How measurement techniques influence estimates of disability in older
populations [J]. Social science & Medicine, 1994, 38(7):937.
[52]Park J, Lee Y J . Patterns of instrumental activities of daily living and association with
predictors among community-dwelling older women: A latent class analysis[J]. BMC Geriatrics,
2017, 17(1):158.
[53]王孟成. 潜变量建模与 Mplus 应用: 进阶篇 [M]. 重庆大学出版社, 2014.
[54]林静, 陈杰. 半参数共享脆弱性模型及其可靠性应用研究 [J]. 电子产品可靠性与环
境试 验, 2008(03):51-57.
[55]Shu D, Yoshida K, Fireman BH, Toh S. Inverse probability weighted Cox model in multisite studies without sharing individual-level data [J]. Stat Methods Med Res]. 2020;29(6):16681681.
[56]Austin P C, Jembere N, Chiu M. Propensity score matching and complex surveys [J]. Statal
Methods in Medical Research, 2018, 27(4):1240-1257.
57
万方数据
重庆医科大学硕士研究生学位论文
致谢
在短短的研究生三年学习过程中，充满了科研的艰辛和收获的喜悦。首先
十分感谢我的导师雷迅教授。所谓学高为师，身正为范，雷迅教授具备的独到
的专业见解、扎实的统计功力、卓越的论文写作能力以及学术上求真、严谨和
务实的精神，无时无刻激励着我。在生活上，雷迅教授关系学生的生活，还叮
嘱和鼓励我们在繁忙的科研和学习外，积极参与课外体育锻炼，以提高身体素
质，为今后一线工作打好坚实的体质基础。在整个课题的实施过程中，我在数
据清洗和模型构建当中均遇到不小的阻力。您总是和我们一起思考，从专业角
度提出可行性的参考方案供我进行选择和参考。通过您的指导，我不仅仅是解
决了具体的问题，更是形成了一套如何发现问题和解决方式的思维范式，从而
对于我以后参与科学研究工作无疑是大有裨益。另外，您具备深厚的论文写作
功力和地道的英语水平，对于我们课题组的论文都是一条条进行修改和批注，
使得论文的整体质量得到显著的提升。总之，作为您的学生，我感到十分幸运
和惭愧，幸运的是有机会能够向学术渊博的大师进行求学。惭愧的是能力有限，
很多东西只是浅尝辄止。作为您的学子，我会在以后深造或者工作当中，以您
为标杆，不断学习和发扬您优秀的人格品质。
感谢重庆医科大学医学与社会发展研究中心平台，该平台给予我们一个跟
顶尖的学者团队进行交流和学习的机会，拓展了我们的学术视野，深化了我们
的学术认知，锻炼了我们的学术本领，引领我们向一流的公共卫生学院和双一
流学科迈进。
感谢卡塔尔大学史祖民教授无私地分享数据清洗和分析的代码，使我论文
进度提升了不少。感谢重庆医科大学公共卫生学院统计学教研室叶孟良和食品
与营养卫生学教研室赵勇教授对我课题设计的支持。
感谢北京大学儿少研究所陈力博士在论文写作上的建议；感谢四川大学华
西医学院熊楊博士在论文选题和数据可视化上的帮助；感谢北京大学流病教研
室肖梦博士在流行病理论上的帮助；感谢协和医学院内分泌科何丽云博士的鼓
励和帮助；感谢中南大学湘雅医学院公共卫生学院成佩霞博士后对我的指导；
感谢华中科技大学夏鹏飞博士和李越硕士在数据清理上的建议；感谢我的同学
58
万方数据
重庆医科大学硕士研究生学位论文
王旭、王钰麒、邱洪芳、谢畅晓和李升平；感谢我的室友陈豪、陈宣吉和于青
松；感谢我的同门何海洋、李阳美、刘诗迪、万怡然和张淼；感谢本科同学沈
诗思、杨珈璐、陈曦睿、孟旭晨和卢妍君对我的协助。
感谢在百忙之中对本文进行答辩指导的各位专家教授。
投之以桃，抱之以李。在以后的人生道路上，我将永远心怀感激！
59
万方数据
重庆医科大学硕士研究生学位论文
攻读学位期间发表论文
[1] Zhang Y, Xiong Y, Yu Q, Shen S, Chen L, Lei X. The activity of daily living
(ADL) subgroups and health impairment among Chinese elderly: a latent profile
analysis [J]. BMC Geriatr, 2021, 21(1):30.
[2] Zhang Y, Xiong Y, Shen S, et al. Causal Association of Tea Consumption and
Kidney Function: A Mendelian Randomization Study (Publish online) [J]. Front Nutr.
[3] Zhang Y, Wu T, Shen S, et al. Association Between Drinking Water Sources and
Osteoarthritis Incidence in Chinese Elderly Population: National Population-Based
Cohort Study [J]. Front Med (Lausanne). 2022, 8:759514.
[4] Zhang Y, Fan J, Chen L, et al. Causal Association of Coffee Consumption and
Total, Knee, Hip and Self-Reported Osteoarthritis:
Mendelian Randomization Study
[J]. Front Endocrinol (Lausanne). 2021,12:768529.
[5] Zhang Y, Ye M, Zhao Y, et al. Higher Dietary Se Intake Is Associated With the
Risk of New-Onset Fracture: A National Longitudinal Study for 20 Years [J]. Front
Nutr. 2021;8:719147.
[6] Zhang Y, Lv S, Li C, Xiong Y, Zhou C, Li X, Ye M. Smartphone use disorder and
future time perspective of college students: the mediating role of depression and
moderating role of mindfulness [J]. Child Adolesc Psychiatry Ment Health. 2020 Jan
18,14:3.
60
万方数据