維持性血液透析病人衰弱風險預測模型的范圍綜述

Risk prediction models for frailty in maintenance hemodialysis patients ：a scoping review MA Bingying1，MA Mingzhu2，XU Sujia3*

1.SchoolofNursing，Dali University，Yunnan 6710oo China;2.SchoolofNursing，Yunnan Universityof Chinese Medicine;3.The Third People'sHospital of Yunnan Province

*CorrespondingAuthor XU Sujia，E-mail：ynssynxsj@163.comKeywordsmaintenance hemodialysis; frailty; risk prediction model; scoping review; nursing

摘要目的：對維持性血液透析病人衰弱風險預測模型進行范圍綜述。方法：系統檢索中國知網、萬方數據庫、維普數據庫、中國生物醫學文獻服務系統、PubMed、Web ofScience、EMbase、the Cochrane Library、Scopus、CINAHL數據庫中有關維持性血液透析病人衰弱風險預測模型的研究，對納入文獻進行文獻偏倚風險評估，提取并總結維持性血液透析病人衰弱患病率、模型預測因子、模型性能等信息。結果：共納入11篇文獻，涉及11個衰弱風險預測模型，維持性血液透析病人衰弱患病率為 17.25%～74.06% 。模型性能總體較好，但模型構建方式較為單一。年齡、抑郁、營養、Charlson合并癥指數、性別是維持性血液透析病人發生衰弱的重要預測因子。結論：護理人員應重視維持性血液透析病人發生衰弱的高危因素，未來研究可結合人工智能技術構建預測模型，進一步完善模型驗證方式，提高模型預測效能，為臨床護理決策提供最佳的預測工具。

關鍵詞 維持性血液透析；衰弱；風險預測模型；范圍綜述；護理

doi：10.12102/j.issn.2095-8668.2025.09.008

截至202O 年，慢性腎臟病（chronic kidney disease，CKD）全球患病率為 10%～13%^（1] 。維持性血液透析（maintenancehemodialysis，MHD）是終末期腎病的主要治療方法[2]。截至2021年，中國MHD病人數達73.5萬例次，位居全球前列3。隨著MHD病人生存時間的延長，在多種因素的共同作用下，他們易出現磷鈣代謝紊亂、能量和蛋白質消耗、肌肉減少等并發癥，使病人發生衰弱的風險增加[4]。衰弱是一種復雜的與年齡相關的疾病，其特征是器官、系統的生理功能下降，增加了相應壓力源的易感性[5]。有研究指出，MHD病人衰弱的患病率為 46%^[6] 。衰弱的MHD病人全因死亡率比非衰弱病人高3.9倍，增加了MHD病人殘疾、住院和死亡的風險[。構建具有良好性能的MHD病人衰弱風險預測模型可及時篩查高危病人并進行干預，對延緩衰弱進程、降低死亡率、再入院率具有較好的效果。目前，有關MHD病人衰弱風險預測模型的研究不斷增加，但其預測因子、模型性能等方面存在差異。本研究通過對國內外MHD病人衰弱預測模型構建與驗證、性能比較、呈現形式等方面進行歸納，以期為未來臨床護理工作和研究提供借鑒。

一 資料與方法

1.1 明確研究問題

明確研究具體問題：有哪些維持性血液透析病人衰弱風險預測模型？常見的預測因子有什么？是否進行了內外部驗證，預測性能如何？有什么不足和對未來有什么啟示？

1.2 文獻檢索

計算機檢索中國知網、萬方數據庫、讀秀、維普數據庫、中國生物醫學文獻服務系統（SinoMed）數據庫中的中文文獻，檢索詞為維持性血液透析、腎透析、血液透析、血透、體外透析、衰弱、衰弱綜合征、虛弱、脆弱、體弱、風險評估、風險預測、風險因素、預測模型、預測、模型、列線圖。在PubMed、WebofScience、EMbase、the CochraneLibrary、Scopus、CINAHL中檢索英文文獻，檢索詞為：renal dialysis、hemodialysis*、maintenance hemodialysis*、extracorporeal dialyses*、blooddialysis、hemodiafiltration、MHD、frailty、frail*、frailty syndrome、weakness、debility、riskprediction、riskevaluation、riskassessment、riskprofile、predictionmodel、riskfactors、validat*、predict*、model*、nomograms。以主題詞和自由詞相結合的方式進行檢索，檢索時限為建庫至2024年5月21日，以PubMed為例，檢索策略如下。

#1\"renal dialysis\"[MeSH]OR\"hemodialysis\"[Title/ Abstract]OR\"maintenancehemodialysis\"[Title/Abstract]OR \"extracorporeal dialyses\" [Title/Abstract]OR \"blood dialysis\" [Title/Abstract]OR\"hemodiafiltration\"[Title/Abstract]OR \"MHD\"[Title/Abstract]

#2\"frailty\"[MeSH]OR \"frail\"[Title/Abstract]OR \"frailtysyndrome\"[Title/Abstract]OR \"weakness\"[Title/ Abstract]OR\"debility\"[Title/Abstract]

#3\"riskprediction\"[Title/Abstract]OR \"risk evaluation\" [Title/Abstract]OR \"risk assessment\"[Title/Abstract]OR \"riskprofile\"[Title/Abstract]OR\"predictionmodel\"[Title/ Abstract] OR\"riskfactors\"[Title/Abstract]OR \"validat\" [Title/Abstract]OR\"predict\"[Title/Abstract]OR \"model\" [Title/Abstract]OR \"nomograms\"[Title/Abstract]

#4 #1 AND #2 AND #3

1.3文獻納入與排除標準

納入標準：研究對象為維持性血液透析病人，年齡 ?18 歲；研究內容為構建或驗證維持性血液透析病人衰弱的風險預測模型；研究類型可為橫斷面研究、病例對照研究、隊列研究等。排除標準：非中英文發表的文獻；綜述、會議論文等；重復發表、無法獲取全文的文獻；高偏倚風險的文獻。

1.4文獻篩選與數據提取

將檢索到的文獻導人EndNoteX2O進行去重，由2名系統學習過循證課程的研究者嚴格按照納入及排除標準對文獻進行篩選，通過閱讀文獻題目及摘要對文獻進行初篩，再系統閱讀全文完成復篩，若有分歧與第三方交流討論。本研究根據預測建模研究系統回顧的批判性評估和數據提取的檢查表（CHARMS）清單8和基本信息制訂標準化表格對文獻內容進行提取，包括作者、發表年份、研究類型、樣本來源、樣本量、發生率、構建方法、預測因子、呈現形式、驗證方式及模型性能。

1.5 質量評價

由2名研究者按照預測模型偏倚風險評估工具PROBAST）9對納人文獻的方法學進行獨立的質量評價，包括數據來源、參與者、預測結局、篩選因子、樣本量、缺失數據、模型建立、模型性能、模型評價、結果、解釋和討論11個方面。

2 結果

2.1文獻篩選流程及結果

共檢索出文獻1207篇，去除重復文獻298篇，閱讀題目和摘要，根據納人及排除標準排除文獻871篇，閱讀全文后，排除文獻31篇，最終納入11篇文獻[10-20]。文獻篩選流程及結果見圖1。

2.2文獻質量評價結果

本次納入研究偏倚風險較低，僅存在少數高風險，文獻質量評價結果整體較好，模型整體適應性較好，文獻質量評價結果見表1。

2.3MHD病人衰弱風險預測模型的構建及驗證

2.3.1 模型構建情況

構建11個MHD病人衰弱風險預測模型，包括6項橫斷面研究[10-12.15-16.18]，3項病例對照研究[13-14.19]，2項回顧性研究[17.20]。樣本量為 62～485 例。MHD病人衰弱風險預測模型的構建方法：Logistic回歸9項[10-5.17-19]，隨機森林模型1項[16]，支持向量機、自適應增強、樸素貝葉斯模型1項[20]。見表2。

2.3.2 模型的預測因子

納入的MHD病人衰弱風險預測模型包括4～7個模型預測因子，見表3。為能夠更好地比較MHD病人衰弱風險預測模型中不同預測因子對模型的貢獻，研究小組將不同預測因子分成5類，包括社會人口學資料（年齡、性別、居住方式等）實驗室指標及輔助檢查（血清清蛋白、空腹血糖等）疾病相關因素（睡眠質量、合并癥、并發癥、營養等）健康生活狀況（吸煙史、日常生活能力、抑郁等）。11個模型中出現頻次前5位的分別是年齡、抑郁、營養、Charlson合并癥指數（CCI）、性別；其中在受試者工作特征曲線下面積 （AUC）?0.8 的10個模型中，有6個模型將年齡作為預測因子。

2.3.3 模型性能

11個模型中都有明確的呈現模式，且多數以各預測因子的OR值得出衰弱發生概率 P 的計算公式。模型的驗證方法多為內部驗證，僅1項為外部驗證，2項為內部和外部驗證，且有2項未被驗證；11個模型報告AUC為 0.819～0.998 ，僅有1個模型的AUC在0.8以下，表明模型的整體預測性能較理想。但有7個模型的Hosmer-Lemeshow擬合優度檢驗 Pgt;0.05 ，提示模型預測值與實際觀測值沒有差異，模型具有較好的校準能力。

3 討論

3.1重視MHD病人衰弱風險因素

本研究發現，MHD病人衰弱患病率為 17.25%～ 74.06% ，跨度范圍較大，可能與樣本量有關。與江山秀[12（患病率最高）的研究相比，李克佳等[14]研究因樣本量較少或患病人群較為分散，研究結果存在偏倚，導致患病率與其他研究相比較低。有研究表明，MHD衰弱平均患病率為 50%^[21] ，提示MHD病人是發生衰弱的高危人群，嚴重威脅MHD病人的健康狀況，需引起醫務人員的重視，早期識別MHD病人衰弱的發生。本研究11個模型中，預測因子出現頻次前5位的分別為年齡、抑郁、營養、CCI、性別，與王麗娟等22]研究結果相似，說明這些影響因素可能是導致MHD病人發生衰弱的主要特征。于新濤等23研究發現，年齡越大，衰弱水平越高，高齡MHD病人因衰弱出現不良事件和死亡的概率明顯上升。Sy等24調查發現，抑郁的MHD病人發生衰弱的概率較無抑郁的MHD病人高2.14倍。研究發現，產生抑郁的原因涉及諸多方面，如睡眠、透析方式、社會人口學因素、合并癥等[25]。杜蘭玉等2研究指出，營養不良會引起衰弱，由于透析過程中病人食欲下降或飲食限制，導致其營養攝入不足，加之透析過程中可能會導致營養物質丟失，營養狀況較差的病人更容易出現衰弱。周雨婷等[27研究顯示，合并多病的老年MHD病人衰弱程度更加嚴重，其中合并心血管疾病[28]糖尿病[29]、痛風[30]等是MHD病人發生衰弱的潛在因素。Takeuchi等[31研究表明，女性MHD病人更易出現衰弱，這可能是由于睪酮在肌肉組織中發揮重要作用，女性辜酮水平低于男性，故更易發生衰弱。醫護人員應注重對MHD病人進行衰弱評估，關注導致病人發生衰弱的因素，根據影響因素制定個性化干預措施，延緩甚至逆轉衰弱的發生發展，提高MHD病人生存質量，降低病死率。血肌酐、血清鎂、C反應蛋白等實驗室指標的預測因子僅出現在個別研究中，未來需要進一步開展大樣本、多中心的前瞻性研究，證明MHD病人衰弱預測模型的準確性及推廣性，對實現早期識別、減少并發癥的發生，有效促進MHD病人的疾病管理、節約社會醫療資源具有重要意義。

3.2MHD病人衰弱風險預測模型有待進一步完善

本研究11個模型中最早發表于2022年，文獻總體較新，提示MHD病人衰弱預測模型還在發展階段。在驗證組中，有2個模型未被驗證，僅以建模組測試結果證明模型的性能，可能會增加模型過度擬合的風險，影響模型的推廣度。AUC作為體現模型區分性能的關鍵指標，11個模型中均作了報道，且AUC值均≥0.7，各模型預測性能總體較理想。各模型中有關Hosmer-Lemeshow擬合優度檢驗的報道，多數研究報道了模型預測值與實際值一致程度。僅有3個模型進行了外部驗證，且所納入的研究中多數采用單中心、小樣本研究，可能存在地域性局限，無法證明模型的泛化能力及外推性，存在模型評價不完整的問題，其模型的外推性還有待考究。提示未來應采用多中心、大樣本的研究構建模型，通過多方驗證來充分證明模型的有效性和實用性[32]。目前，多數有關MHD病人衰弱風險預測模型的研究中，均以Logistic回歸作為主要的建模方式。研究表明，與傳統Logistic回歸分析比較，機器學習方法往往產生更高的準確性[33]，隨著人工智能及大數據等領域的快速發展，機器學習方法在未來具有廣闊的發展前景，繼續深入對機器學習方法的研究，發現更高效且科學的預測模型將是未來研究的主流方向[34]。因此，可以嘗試運用隨機森林、神經網絡等機器學習方法構建MHD病人衰弱風險預測模型，探索更多導致衰弱的預測因子，并提高其預測性能。未來研究可進一步完善評價模型性能的方式，并以簡便易懂的方式呈現，便于臨床選用恰當的模型預測衰弱的發生。

3.3 對未來的啟示

首先，醫護人員應加強對MHD病人進行衰弱篩查，早期識別MHD病人衰弱的高危人群，降低其發生率，對改善MHD病人預后，節約社會醫療資源具有重要意義；其次，年齡、抑郁、營養、CCI、性別等是MHD病人衰弱風險預測模型的重要預測因子，臨床應重點關注，并且要結合社會心理、認知功能、實驗室結果等多角度評估導致MHD病人發生衰弱的因素，制定個性化干預措施，延緩、甚至逆轉衰弱的發生、發展；最后，MHD病人衰弱風險預測模型比較后發現大多數缺乏外部驗證，要打破這一短板，對模型進行多中心、前瞻性的外部驗證，鼓勵探索更多方式的建模方法，全方位評價模型的預測性能（區分度、分類度、校準度等）[35]，為臨床醫護人員提供合適的衰弱風險預測模型。

4小結

本研究對納人的11項MHD病人衰弱風險預測模型性能及特征進行了系統的審查與分析。研究結果顯示，年齡、抑郁、營養、CCI、性別等是MHD病人衰弱風險預測模型的重要預測因子，在今后研究中可通過重要預測因子評價模型的性能，并對模型進行有效評價，選擇最合適的模型進行推廣，便于臨床醫護人員及時對高危人群開展針對性的干預。目前，MHD病人衰弱風險預測模型還處于發展階段，未來臨床工作者要關注MHD病人發生衰弱的高危因素，選擇性能較好的模型及早篩查高危病人，并根據模型指導臨床實踐。未來有關MHD病人衰弱風險預測模型的研究可結合人工智能技術，并運用廣泛的外部驗證，提高模型的預測效能。本研究不足之處在于所納人模型均來自國內，未納入外文文獻，未來研究者可擴大數據庫檢索范圍，對比國內外研究有何不同，以期進行更深入的研究。

參考文獻：

[1] AMMIRATIAL.Chronickidney disease[J].Rev AssocMed Bras， 2020，66（Suppl1）：s03-s09.

[2]LIUJ，ZHANGH，DIAOZ，etal.Epidemiological analysisof deathamong patients on maintenance hemodialysis：results from the BeijingBlood PurificationQuality Control and ImprovementCenter [J].BMCNephrol，2023，24（1）：236.

[3] ZHANG L，ZHAO MH，ZUO L，et al.CK-NET Work Group. China Kidney Disease Network（CK-NET） 2Ol6 annual data report [J].Kidney Int Suppl，2020，10（2）：e97-e185.

[4] WANG J，HUANG L，XU M，et al.Study on the clinical implicationsofNLRandPLRfordiagnosingfrailty inmaintenance hemodialysis patients and their correlations with patient prognosis [J].JHealthc Eng，2022，2022：1267200.

[5]LI Y，ZHANG D，MA Q，et al.The Impact of frailty on prognosis in elderly hemodialysis patients：a prospective cohort study[J].Clin IntervAging，2021，16：1659-1667.

[6]LEEHJ，SON Y J.Prevalence and associated factors of frailty and mortality in patients with end-stage renal disease undergoing hemodialysis： a systematic review and Meta-analysis[J]. Int J Environ ResPublic Health，2021，18（7）：3471.

[7]GUO Y，TIAN R，YE P，et al.Frailty in older patients undergoing hemodialysis and its association with all-cause mortality：a prospective cohort study[J].Clin Interv Aging，2022，17：265-275.

[8]MOONSKG，DE GROOTJA，BOUWMEESTER W，et al. Critical appraisal and data extraction for systematic reviewsof prediction modeling studies：the CHARMS checklist[J].PLoS Med，2014，11（10）：e1001744.

[9]WOLFFRF，MOONSKGM，RILEYRD，etal.PROBAST：a tool to assess therisk of bias and applicability of prediction model studies[J].Ann Intern Med，2019，170（1）：51-58.

[10］陳蝶.維持性血液透析患者衰弱影響因素分析及預測模型構 建[D].南充：川北醫學院，2023.

［11］姜媛.基于Gobbens衰弱整合理論構建維持性血液透析患者衰 弱風險預測模型[D].大連：大連醫科大學，2023.

[12］江山秀.維持性血液透析患者衰弱風險預測模型的構建[D].湖 州：湖州師范學院，2022.

[13]楊亮，程潤，竇俊凱，等.維持性血液透析病人衰弱發生風險列線 圖模型的構建[J].蚌埠：蚌埠醫學院學報，2023，48（4）：538-543.

[14]李克佳，肖躍飛，胡軍，等.維持性血液透析患者衰弱風險預測模 型的構建研究[J].中國血液凈化，2022，21（4）：249-252；263

[15]卿偉，鄒兆華，易子涵，等.維持性血液透析病人衰弱及衰弱前期 風險預測模型的構建[J].護理研究，2024，38（2）：233-239.

[16］汪丹丹，姚侃斐，祝雪花.3種機器學習算法對維持性血液透析病 人衰弱風險預測性能比較[J].護理研究，2024，38（1）：8-16.

[17]肖宗清，董翠婷，張杰，等.維持性血液透析患者衰弱風險預測模 型的建立與驗證[J].臨床腎臟病雜志，2024，24（4）：265-270.

[18]應金萍，蔡根蓮，陳玲琳，等.維持性血液透析患者衰弱風險預測 模型的構建及應用研究[J].中華急危重癥護理雜志，2023，4（10）： 874-881.

[19］莊建紅，顧麗雅，林萍，等.維持性血液透析患者發生衰弱風險預 測模型的構建[J].護理管理雜志，2023，23（12）：936-940.

[20]LV W，LIAO H，WANG X，et al.A machine learning-based assistant tool forearly frailty screening of patientsreceivingmaintenance hemodialysis[J].Int UrolNephrol，2024，56（1）：223-235.

[21]吳淑琳，宋潔，肖萍，等.維持性血液透析患者衰弱發生率及影響 因素的系統評價[J].中華護理教育，2021，18（4）：352-357.

[22]王麗娟，張淼，張鑫，等.維持性血液透析患者衰弱影響因素的 Meta分析[J].中華護理教育，2024，21（3）：365-372.

[23]于新濤，常燕，于傳山，等.老年維持性血液透析患者衰弱變化軌 跡及影響因素分析[J].護理學雜志，2024，39（4）：25-28.

[24]SY J，MCCULLOCH C E，JOHANSEN K L.Depressive symptoms， frailty，andmortalityamong dialysispatients[J].Hemodial Int，2019， 23（2）：239-246.

[25］羅棉.維持性血液透析患者抑郁、焦慮現況及影響因素分析[D]. 百色：右江民族醫學院，2021.

[26]杜蘭玉，胡霞，王向弘，等.380例維持性血液透析患者衰弱現狀 及其對預后的影響[J].護理學報，2018，25（20）：37-41.

［27］周雨婷，蔡小霞，林亞妹，等.老年維持性血液透析患者衰弱及其 影響因素[J].中國老年學雜志，2021，41（8）：1667-1670.

[28]TONG KC，WEE K W.Cardiovascular disease as a risk factor for frailty indialysis patients[J].Kidney Int，2O24，106（3）：537-538.

[29]YE L，TANG X，ZHANG H，et al.Prevalence and risk factors of pre-frailtyand frailty in maintenance haemodialysis patientsin China：a cross-sectional study[J].J Adv Nurs，2023，79（9）：3522- 3534.

[30] CHENY T，LAI T S，TSAO H M，et al.Clinical implications of frailty in peritoneal dialysis patients --a prospective observational study[J].JFormosMed Assoc，2024，123（2）：248-256.

[31]TAKEUCHIH，UCHIDAHA，KAKIO Y，et al.The prevalence offrailty and its associated factors in Japanese hemodialysis patients[J].Aging Dis，2018，9（2）：192-207.

[32]ZOU Y，ZHAO L，ZHANG J，et al.Development and intermal validation of machine learning algorithms for end-stage renal disease risk prediction model of people with type 2 diabetes mellitus and diabetic kidney disease[J].Ren Fail，2O22，44（1）： 562-570.

[33] CHURPEK MM，YUEN TC，WINSLOWC，et al.Multicenter comparisonof machine learning methods and conventional regression for predicting clinical deterioration on the wards[J].Crit CareMed，2016，44（2）：368-374.

[34]楊飛，王晨威，張偉英.老年患者術后譫妄風險預測模型的范圍 綜述[J].上海護理，2024，24（8）：58-63.

[35］李靜，侯云霞，強萬敏.癌癥患者非計劃性再入院風險預測模型 的范圍綜述[J].中華護理雜志，2022，57（9）：1079-1087. （收稿日期：2024-08-26；修回日期：2025-04-06）