中國老年人慢性病多病共存模式的研究

【摘要】 背景 隨著人口老齡化及壽命延長，慢性病的多病共存日益普遍。疾病種類多且病情復雜，為老年人健康管理提出挑戰。共病模式作為研究的必要問題，國內研究相對缺乏。目的 研究中國老年人常見慢性病的多病共存模式，幫助政策制定者、研究人員和臨床醫生更好地了解多病共存現狀。方法 選取中國健康養老追蹤調查（CHARLS）2018年數據中60歲及以上被訪者，選擇人口特征學部分數據及健康狀況的14種慢性病數據。采用關聯規則、聚類分析、主成分分析、潛在類別分析4種方法對中國老年人的共病模式進行探索，并對比不同方法所得結果。結果 最終共納入10 800例被訪者數據。4種方法所得模式有所差異，但存在一致性的共病模式：（1）高血壓、糖尿病或血糖升高、血脂異常；（2）慢性肺部疾患和哮喘；（3）關節炎或風濕病、胃部疾病或消化系統疾?。唬?）中風、與記憶相關的疾病。結論 不同方法得到的一致性的共病模式所包含的慢性病病因關系關聯明顯；4種方法得到的共病模式存在差異的原因是包含的病因關系復雜，且方法的原理不同。

【關鍵詞】 慢性??；慢性病共病；共病現象；關聯規則；系統聚類；潛在類別分析

【中圖分類號】 R 36 【文獻標識碼】 A DOI：10.12114/j.issn.1007-9572.2023.0186

【引用本文】 潘曄，劉志輝，胡倩倩，等. 中國老年人慢性病多病共存模式的研究［J］. 中國全科醫學，2023，

26（29）：3608-3615. DOI：10.12114/j.issn.1007-9572.2023.0186. ［www.chinagp.net］

PAN Y，LIU Z H，HU Q Q，et al. Patterns of coexistence of multiple chronic conditions among Chinese elderly［J］. Chinese General Practice，2023，26（29）：3608-3615.

Patterns of Coexistence of Multiple Chronic Conditions among Chinese Elderly PAN Ye1，LIU Zhihui2，HU Qianqian3，WANG Liuyi2*

1.Henan Integrative Medicine Hospital，Zhengzhou 450004，China

2.Department of General Practice，Henan Provincial People's Hospital，Zhengzhou 450003，China

3.Henan University People's Hospital，Zhengzhou 450003，China

*Corresponding author：WANG Liuyi，Chief physician；E-mail：wly2000@126.com

【Abstract】 Background With the aging and longer survival of the population，comorbid chronic diseases is increasingly common. The variety and complexity of diseases pose challenges to the health management of the elderly. There is a relative lack of multimorbidity pattern researches in China，which are necessary issues for research. Objective To investigate the patterns of coexistence of common multiple chronic conditions among the elderly in China，in order to help policymakers，researchers，and clinicians better understand the current status of multimorbidity among Chinese elderly. Methods Data on the demographic characteristics and health status of 14 chronic diseases were extracted from the respondents aged 60 years and above in the China Health and Retirement Longitudinal Study（CHARLS）2018，association rules，cluster analysis，principal component analysis，latent class analysis were used to explore the multimorbidity patterns of Chinese elderly，and the results of different methods were compared. Results The data from a total of 10 800 respondents were eventually included，there were differences among the patterns obtained by four methods. However，the consistent multimorbidity patterns were identified：hypertension，diabetes or elevated blood glucose，dyslipidemia；chronic lung disease and asthma；arthritis or rheumatism，stomach diseases or digestive diseases；stroke，memory-related diseases. Conclusion The consistent patterns obtained by different methods contain chronic diseases with significant relationships of etiologies. The reasons of differences in results are complex etiologic relationships and different method principles.

【Key words】 Chronic disease；Multiple chronic conditions；Comorbidity；Association rules；Clustering analysis；Latent class analysis

WHO對于多病共存（multimorbidity）的定義為：一個人同時患有兩種或多種疾?。?］。城鎮化及老齡化使老年人疾病譜發生了顯著變化，越來越多的人同時患有多種疾病。多病共存涉及疾病的病因關系多樣，疾病類型沒有限定，并不明確哪一種疾病為索引疾病［2］。國內外多病共存模式研究常用的方法有：多病個數統計［3］、聚類分析［4］、因子分析［5］及相關分析［6］。研究數據來源為：調查數據、臨床數據或醫療數據，涉及疾病有些是常見疾病，有些是罕見疾病。孫至佳等［7］選取2次中國慢性病前瞻性研究數據，采用個數統計及系統聚類對10個地區被訪者的共病模式進行分析；劉貝貝等［8］選取中國健康與養老追蹤調查（China Health and Retirement Longitudinal Study，CHARLS）數據采用關聯規則探索常見慢性病的共病組合模式；OLAYA等［9］采用潛在類別分析（LCA）區分“Edad con Salud”調查被訪者共病模式并進行預后分析，涉及疾病包含常見慢性病及白內障。既往研究選取數據、疾病及使用方法不同，得到的共存模式研究結果各異，可信度較低，很少有對同一數據采取多種方法，并對比結果來確保研究成果的可靠性。

本研究旨在采用多種方法探索中國老年人常見慢性病的多病共存模式，并分析不同方法所得結果的差異性與一致性。選取CHARLS 2018年的數據，應用4種方法探索多病模式，避免了不同數據導致結果無法比較的問題，通過比較不同方法所得結果的一致性，從而得出穩定的多病模式。

1 資料與方法

1.1 數據來源 CHARLS旨在收集代表中國45歲及以上中老年人家庭和個人的高質量微觀數據，用以分析我國人口老齡化問題，推動老齡化問題的跨學科研究［10-12］。選擇經過數據清洗的Harmonized_CHARLS_D版本，從中篩選2018年的數據進行分析，選取人口特征學部分數據及健康狀況的14種慢性病數據。

1.2 數據處理 由于Harmonized_CHARLS_D版本經過數據清洗，質量較高。為了保證研究數據與總體的一致性，僅篩選年齡60歲及以上的被訪者，不刪除缺失值，最終得到10 800份被訪者數據。14種慢性病數據的缺失值較少，通過眾數填補。人口特征學數據未參與模式分析故不做處理，在描述時以缺失值展示。

1.3 數據定義方法 CHARLS數據選取的14種慢性病為：高血壓，糖尿病或血糖升高（包括糖耐量異常和空腹血糖升高），癌癥等惡性腫瘤（不包括輕度皮膚癌），慢性肺部疾患如慢性支氣管炎或肺氣腫、肺心病（不包括腫瘤或癌，后簡稱慢性肺部疾患），心臟?。ㄈ缧募」Ｋ?、冠心病、心絞痛、充血性心力衰竭和其他心臟疾?。?，中風，情感及精神方面問題，關節炎或風濕病，血脂異常（高血脂或低血脂），肝臟疾?。ǔ靖?、腫瘤或癌外），腎臟疾?。ú话[瘤或癌），胃部疾病或消化系統疾?。ú话[瘤或癌），哮喘，與記憶相關的疾?。ㄈ缋夏臧V呆癥、腦萎縮、帕金森癥）。

人口特征學數據包括：性別（男、女），年齡，家庭居住地類型（城市、農村），被訪者戶口類型（城市戶口、農村戶口），受教育程度（小學以下、小學及初中學歷、高中及職業培訓、大專及以上）及婚姻狀況（已婚、分居或離婚、喪偶、未婚）。

1.4 研究方法 數據處理及所用方法通過R語言編程實現，運用多個R語言包完成4種分析。數據的一般情況包含被訪者人群的概況統計，14種慢性病的發病率、共病率、平均共病種數，以此了解被訪者人群的特征及14種慢性病的發病情況。

1.4.1 關聯規則 采用關聯規則發現常見兩病及三病組合，支持度為疾病組合的觀察發病率，提升度為獨立性判斷指標，在兩病組合中與觀察發病率/期望發病率相同。設置關聯規則前項集與后項集的例數，支持度最小值可以得到觀察發病率較高的組合。計算組合預期發病率并結合提升度判斷疾病的獨立性。

1.4.2 聚類分析 聚類分析根據某些數量特征將觀察對象分類，根據聚類對象的不同，可以分為個案聚類和變量聚類。反映個案或者變量間性質遠近的統計量稱為距離，有多種計算方法。將被訪者的14種慢性病數據處理為01形式，即被訪者患有此疾病時為1，未患有此疾病時為0。處理完成的14種慢性病數據可以看成一個n×p的01矩陣，其中n是被訪者的例數

（10 800），p為慢性病種數（14）。被訪者的聚類是個案聚類，依據14種慢性病的發病情況計算得到的n×n距離矩陣進行分類。對14種慢性病的系統聚類通過慢性病在被訪者中的共現情況，得到一個p×p距離矩陣并由此分類。本研究對被訪者采用k-medoids算法，對14種慢性病采用系統聚類以區分多病共存模式。

01數據距離的選擇取決于正匹配（同為1）和負匹配（同為0）的相對權重，而相對權重又取決于正匹配和負匹配的相對重要性。本研究采用01數據常用的Jaccard距離和Yule's Q距離，Yule's Q是一種能體現兩種慢性病負匹配及未匹配時信息的相似度計算方法，較好地反映01數據所有相關信息［13］，Jaccard距離僅突出正匹配［14］。共病模式中側重于慢性病正匹配，即共同發病，并且被訪者中存在健康者（全0數據），Yule's Q在1個數據為全0時無法計算。對比兩個距離計算方法的效果，并考慮其臨床意義后，最終采用Yule's Q距離進行慢性病的系統聚類分析；采用Jaccard距離進行被訪者的k-medoids聚類。系統聚類的分類個數通過譜系圖結合臨床意義確定，聚類方法為類平均法；被訪者的k-medoids聚類個數通過factoextra包中的fviz_nbclust函數確定。

1.4.3 主成分分析 每個變量在不同程度上反映了某些信息并存在有一定的相關性。變量太多會增加計算量及分析問題的復雜性，主成分分析通過恰當的數學變換，使新變量為原變量的線性組合，并選取少數幾個在變差總信息量中比例較大的主成分來分析事物。本研究采用最大方差旋轉的主成分分析方法，使用方差貢獻度確定主成分個數并將14個多病化簡為少數疾病組合，以載荷系數絕對值gt;0.36選擇主成分包含的慢性病。

1.4.4 LCA LCA根據被訪者在14種慢性病的患病情況對其分類。與聚類分析類似，LCA通過個體間相似性區分類別，但不定義類別之間的距離，也不選擇分類方法，根據個體所有變量的觀測變量概率進行分類。遍歷所有的分類，比較指標得到最優分類個數。常用于判別最優模型的指標是：Likelihood-ratio，G2 statistic，Bayesian Information Criterion（BIC）等，采用R語言的poLCA包進行LCA分析，最終類別判定指標為BIC值。

2 結果

2.1 被訪者人群特征 最終得到10 800例60歲及以上的被訪者，被訪者中女性稍多（51.3%），居住在農村的被訪者較多（60.3%），農村戶口被訪者較高（74.0%）。被訪者受教育程度普遍較低，90.7%的被訪者未接受高中及以上教育，由于CHARLS訪談以家庭為單位進行，已婚被訪者較多（77.9%），這與國內人口總體特征一致［15］。86.2%的被訪者患有1種及以上的慢性病，49.0%的被訪者患有2～4種慢性?。ū?）。

14種慢性病共病率均高于85%（表2），發病率較高的是高血壓（47.14%，5 091/10 800），平均共病種數較多的是情感及精神方面問題（4.16種）及與記憶相關的疾病（4.17種）。中風、肝臟疾病及腎臟疾病的發病率較低，但平均共病個數較高。

2.2 關聯規則分析 表3展示了支持度gt;10%的所有兩病組合，表4展示了支持度gt;5%的三病組合。僅從支持度考慮，關聯規則得到的共病組合僅是共同發生，例如：關節炎或風濕病與高血壓在老年人群中共同發病率較高，但病因相對獨立，故觀察發病率/期望發病率接近于1。血脂異常與心臟病共同發病率高，結合觀察發病率與期望發病率的比值發現關聯，兩者病因有關。

三病組合選取觀察發病率與期望發病率的比值及提升度來判斷疾病間的聯系。（1）心臟病，血脂異常及高血壓；（2）糖尿病或血糖升高，血脂異常及高血壓；兩個病組的觀察發病率/期望發病率高，提升度較高，在病因學關系及致病因素上存在關聯。

2.3 聚類分析 通過分析14種常見慢性病系統聚類的譜系圖（圖1），通過距離接近程度將慢性病分為6類，以不同顏色區分。Yule'S Q距離體現了慢性病在人員中的發病信息，距離較近慢性病即在被訪者中共同發病率較高，發病因素多有所關聯，如哮喘與慢性肺部疾患同為呼吸系統疾病，血脂異常、糖尿病或血糖升高、中風與高血壓同為血管循環系統疾病，與記憶相關的疾病、情感及精神方面問題為精神心理疾病，胃部疾病或消化系統疾病與關節炎或風濕病同為代謝系統疾病。心臟病與與記憶相關的疾病、情感及精神方面問題為精神心理疾病距離接近，三者可以聚為一類，癌癥等惡性腫瘤獨立于其他疾病，單獨為一類。

被訪者的聚類使用簇內平方誤差和確定最佳的簇數為4個，聚類后每個被訪者有1個分類，對4個分類的患病情況及疾病個數統計如表5。由于k-medoids聚類選取Jaccard距離，側重于體現同時發病信息。分類1包含了所有的無慢性病及患有1～2種共病率較低的慢性病的被訪者，相對健康。分類2中呼吸系統疾病、胃部疾病或消化系統疾病的發病率遠高于總體，關節炎或風濕病發病率略高于總體，系統聚類中呼吸系統疾病為一類，與其他疾病相對獨立。胃部疾病或消化系統疾病、關節炎或風濕病發病也獨立于其他疾病，這4種慢性病組合隨機共存的患者多在分類2中。分類3中3～5種共病被訪者占比較高，其中心臟病、血脂異常的發病率遠高于總體，而高血壓、中風等疾病的發病率略高于總體。常見的3～5種共病多為心血管疾?。ǜ哐獕骸⑻悄虿』蜓巧?、血脂異常、心臟?。梢酝茰y分類3為包含這幾個疾病的共病組合。分類4中被訪者均患有高血壓，但是平均共病種數為1.82種，并且除高血壓之外的慢性病發病率均低于總體，可以推測分類4包含僅患有高血壓的被訪者及高血壓與非心血管疾病組合的

患者。

2.4 主成分分析 通過碎石圖（圖2）確定主成分個數為5個，設定載荷系數gt;0.36得到各主成分不重疊的代表慢性病，同一主成分的代表疾病關聯性較強。第一主成分包含高血壓，糖尿病或血糖升高，心臟病，血脂異常；第二主成分包含慢性肺部疾患與哮喘，第三主成分包含關節炎或風濕病，胃部疾病或消化系統疾病；第四主成分包含中風，情感及精神方面問題，與記憶相關的疾?。坏谖逯鞒煞职┌Y等惡性腫瘤，肝臟疾病，腎臟疾病，主成分分類見表6。

2.5 LCA 通過最小的BIC指標確定最優的分類個數為5個，分析潛在類別的條件概率分布圖（圖3）及各類別與慢性病及慢性病個數的交叉表（表7）。分類5為相對健康組，包含了所有的無慢性病及只有1種慢性病的被訪者、大部分兩病的被訪者，14種慢性病的發病率均低于總體。分類1為代謝系統疾病組，關節炎或風濕病、胃部疾病或消化系統疾病的發病率高；分類2為血管循環疾病（高血壓、糖尿病或血糖升高、心臟病、血脂異常）組；分類3為多病組，有5種以上的慢性病，人數較少，多個慢性病的發病率高于總體；分類4為呼吸系統疾病組，呼吸系統疾?。苑尾考不既缏灾夤苎谆蚍螝饽[、肺心病、哮喘）的患病率較高。

3 討論

3.1 不同研究方法所得共病模式的差異及一致性 共病概念說法不一，本研究特指“Multimorbidity”，為“同一個體共存的急性病或慢性病”［2］，強調共存，病因學關系上有可能相關也可能獨立。本研究得到的有一致性的幾種共病模式是：（1）高血壓、糖尿病或血糖升高血脂異常；（2）慢性肺部疾患、哮喘；（3）關節炎或風濕病、胃部疾病或消化系統疾??；（4）中風、與記憶相關的疾病。不同方法得到組合有所差異，例如心臟病在主成分分析及潛在類別分析中與模式（1）關系緊密，但在系統聚類中關聯較遠。惡性腫瘤在多個方法中均獨立于其他疾病，情感及精神方面問題發病率較低，這兩者在某些方法中與其他疾病有一些關聯，但是沒有明顯及穩定的共病組合。腎臟疾病、肝臟疾病雖然多種分類中有所體現，但兩者的病因學關系相對獨立。

不同方法的原理不同。關聯規則通過控制前項集及后項集的個數，得到指定數量的疾病組合，提升度判斷獨立性以區分共存類型，但是支持度僅體現共病觀察發病率。系統聚類及主成分分析，側重于慢性病共現的關聯性，結果能較為清晰的體現病因關聯；k-medoids及LCA側重于通過人群反映共病組合，兩者的目的均是將個體分類。k-medoids聚類基于距離按空間位置進行分類，分類結果與所選距離算法有關；LCA相對客觀，是注重于個體在類別顯變量上的不同反應模式對個體進行分類、識別群體異質性的一種統計方法［16］。兩種方法通過人群發病率得到共病組合。

各方法所得結果的差異性可以解釋。例如關聯規則所得的兩病組合：高血壓與關節炎或風濕病，觀察發病率較高，但系統聚類、被訪者k-medoids聚類、主成分分析中均未被分為一類。這是由于高血壓與關節炎或風濕病在病因學關系上獨立，僅是隨機共存的概率較高。關聯規則中以高血壓為后項集得到的另外幾個兩病組合（血脂異常與高血壓、心臟病與高血壓、糖尿病或血糖升高與高血壓），觀察發病率與期望發病率的比值gt;1，病因學關系上并不獨立，致病因素相關，在其他幾種方法中也被分為一類。胃部疾病或消化系統疾病、關節炎或風濕病這一共病組合，觀察發病率與期望發病率的比值gt;1，這一共病組合在其他方法中也出現。關聯規則方法簡單直接但單純關注發病率會忽略一些關聯緊密而發病率較低的共病模式。慢性肺部疾患如慢性支氣管炎或肺氣腫、肺心病與哮喘，由于哮喘的發病率較低，共病率在人群中不高，但是其他幾種方法均能體現此

組合。

3.2 本研究與同類研究的差異及一致性 本研究結論與國內同類研究有差異也有一致。劉貝貝等［8］研究選取了同樣的數據及方法，但刪除了數據缺失的被訪者，年齡的選取范圍為45歲以上，得到發病率明顯較低。本研究保留缺失數據，得到結論更接近CHARLS被訪者總體及國內60歲及以上人群特征。數據差異但結論一致，與高血壓組合的疾病較多，血管循環系統兩病組合提升度較高。黎艷娜等［17］的研究也采用了2018年的CHARLS數據（數據版本不同，導致數據量有輕微差別），通過共現網絡圖得到了兩病及三病組合，本研究數據及結論與其一致。孫至佳等［7］的研究基于中國慢性病前瞻性研究（China Kadoorie Biobank，CKB）數據，以Yule's Q距離進行系統聚類，得到基線調查數據中，糖尿病、冠心病、中風及高血壓聚為一類的結論，本研究結果與之一致。但是第2次重復調查中，結論有所區別，本研究惡性腫瘤與其他慢性病的關系也與其不同。

同類研究結果的不一致在于疾病有所不同，也由于調查人員與被訪者的認知及對疾病的理解不同，訪談數據存在一定的誤差。本研究中多個方法均顯示惡性腫瘤與其他疾病并沒有明顯的共病特性，而孫至佳等［7］的研究中惡性腫瘤與其他疾病的關聯更緊密，這個差異可能是由于惡性腫瘤的定義不同以及被訪者人群不同。

3.3 本研究的獨特與不足 本研究的獨特之處在于數據總量在國內同類研究中相對較大，使用一系列方法進行多病分類，并嘗試新算法。除了系統聚類采用譜系圖與臨床結合的方法判別分類個數，被訪者k-medoids聚類采用了體現數據特性的方法進行個數判斷，主成分分析采用碎石圖確定個數，LCA采用遍指標法歷法選擇分類數，減少了主觀判斷。國內共病模式相關分析方法少，以慢性病距離算法為例，國外多采用Jaccard以及Yule's Q距離，國內較少采用。后兩種算法更能體現01數據包含的信息。

本研究嘗試通過對比結果來說明方法的適用性，得到的一致共病組合病因關聯明顯。主成分和系統聚類對慢性病分類，而k-medoids及LCA對人群分類，可以進一步關聯患者特征深入分析。聚類分析依賴于距離的計算方法，而LCA用的潛變量來解釋外顯指標之間的關聯，被潛變量解釋后的外顯指標間實現局部獨立性，更加客觀，保證了多病模式分類的穩定性。多病研究需要根據研究目的進行選擇模式分析方法，或者使用多種方法得到具有一致性的穩定分類。

本研究的不足之處在于為了保證數據客觀性及樣本數量，通過眾數填充多病缺失數據，會影響發病率的準確度，導致發病率低于總體。保留了缺失的被訪者人口特征學數據并沒有進行處理，雖然分類到被訪者個人，但未結合人群的各種特征進一步研究，未分析危險因素及預后，內容不夠貼近臨床。

作者貢獻：王留義提出研究選題方向和總體研究目標，對研究進行可行性分析，對文章整體負責，監督管理；潘曄負責數據清洗、處理和統計學分析、R語言編程、繪制圖表；潘曄、劉志輝、胡倩倩負責結果分析與解釋，撰寫論文初稿；潘曄、劉志輝負責論文的修訂。

本文無利益沖突。

參考文獻

World Health Organization.The World Health Report 2008——primary health cared （ now more than ever）［M］. New York：World Health Report，2008：148.

常峰，張冉，路云，等. 共病概念體系研究分析與設計［J］. 中國全科醫學，2018，21（3）：256-260. DOI：10.3969/j.issn.1007-9572.2017.00.219.

WU F，GUO Y F，KOWAL P，et al. Prevalence of major chronic conditions among older Chinese adults：the study on global AGEing and adult health （SAGE） wave 1［J］. PLoS One，2013，8（9）：e74176. DOI：10.1371/journal.pone.0074176.

CORNELL J E，PUGH J A，WILLIAMS J W，et al. Multimorbidity clusters：clustering binary data from multimorbidity clusters：clustering binary data from a large administrative medical database［J］. Appl Multivar Res，2009，12（3）：163. DOI：10.22329/amr.v12i3.658.

SCH?FER I，VON LEITNER E C，SCH?N G，et al. Multimorbidity patterns in the elderly：a new approach of disease clustering identifies complex interrelations between chronic conditions［J］. PLoS One，2010，5（12）：e15941. DOI：10.1371/journal.pone.0015941.

GARCíA-OLMOS L，SALVADOR C H，ALBERQUILLA á，et al. Comorbidity patterns in patients with chronic diseases in general practice［J］. PLoS One，2012，7（2）：e32141. DOI：10.1371/journal.pone.0032141.

孫至佳，樊俊寧，余燦清，等. 中國10個地區成年人共病流行特征分析［J］. 中華流行病學雜志，2021，42（5）：755-762. DOI：10.3760/cma.j.cn112338-20200305-00259.

劉貝貝，田慶豐，郭金玲. 我國中老年人群慢性病患病現狀及共病模式分析［J］. 醫學與社會，2022，35（8）：58-61，66.

OLAYA B，MONETA M V，CABALLERO F F，et al. Latent class analysis of multimorbidity patterns and associated outcomes in Spanish older adults：a prospective cohort study［J］. BMC Geriatr，2017，17（1）：186. DOI：10.1186/s12877-017-0586-1.

ZHAO Y H，STRAUSS J，YANG G H，et al.（2013）. China Health and Retirement Longitudinal Study：2011-2012 National Baseline User's Guide，National School of Development，Peking University.

ZHAO Y H，STRAUSS J，CHEN X X，et al. （2020）. China Health and Retirement Longitudinal Study Wave 4 User's Guide，National School of Development，Peking University.

ZHAO Y，HU Y，SMITH J P，et al. Cohort profile：the China health and retirement longitudinal study （CHARLS）［J］. Int J Epidemiol，2014，43（1）：61-68. DOI：10.1093/ije/dys203.

LLOYD B P，KENNEDY C H，YODER P J. Quantifying contingent relations from direct observation data：transitional probability comparisons versus yule's Q［J］. J Appl Behav Anal，2013，46（2）：479-497. DOI：10.1002/jaba.45.

A note on the triangle inequality for the Jaccard distance［J］. Pattern Recognit Lett，2019，120：36-38. DOI：10.1016/j.patrec.2018.12.007.

楊涵墨. 中國人口老齡化新趨勢及老年人口新特征［J］. 人口研究，2022，46（5）：104-116. DOI：10.3969/j.issn.1000-4149.2019.01.006.

溫忠麟，謝晉艷，王惠惠. 潛在類別模型的原理、步驟及程序［J］. 華東師范大學學報（教育科學版），2023，41（1）：1-15. DOI：10.16382/j.cnki.1000-5560.2023.01.001.

黎艷娜，王藝橋. 我國老年人慢性病共病現狀及模式研究［J］. 中國全科醫學，2021，24（31）：3955-3962，3978. DOI：10.12114/j.issn.1007-9572.2021.00.295.

（收稿日期：2023-02-24；修回日期：2023-05-10）

（本文編輯：賈萌萌）