我国老年人衰弱的发展轨迹：基于潜变量增长模型的分析

郭凯林 ，王世强 *，李丹 ，王一杰 ，王少堃 ，胥祉涵

1 为何开展本研究？

随着老龄化态势的进一步加剧，衰弱已成为影响老年人健康的重要社会问题。近年来国内对衰弱的研究逐渐增多，但面对这一议题的探讨还不够完善，相关研究仍以小范围的横断面调查为主，这类研究虽提供了大量有价值的信息，但忽略了衰弱的发展轨迹以及个体差异。

2 如何开展本研究？

本研究运用中国健康与养老追踪调查（CHARLS）数据识别衰弱并分析衰弱的发展轨迹以及个体差异如何影响衰弱的变化，从而掌握我国老年人衰弱的发展规律，为我国积极应对老龄化和推动形成老年人群体的非医疗健康干预模式提供理论依据。

联合国发布的《世界人口展望——2019》指出，全球65岁以上的老年人到2050年将超过15亿，每6个人中将有1个老年人，全球老龄化态势进一步加剧［1］。衰弱正是在老龄化背景下所提出的，是健康老龄化的重要挑战［2］。衰弱所引发的不良事件［3］，给患者本身、家庭和社会带来了巨大负担［4］。关于衰弱的研究首先在国外兴起，从衰弱概念的探讨［5］，再到衰弱评估工具的开发［6］，目前国外已有多项研究采用纵向追踪数据对老年人衰弱进行了考察，指出衰弱有不同的发展轨迹［7-8］。而我国在衰弱领域的研究起步较晚，目前主要以衰弱评估、影响因素以及综述类研究为主。研究显示我国老年人的衰弱发生率有逐年升高的趋势［9］，农村老年人的衰弱发生率高于城市［10-11］，医院及养老院等特定机构老年人的衰弱发生率则更高［12］。老年人衰弱影响因素研究主要围绕人口学因素［13-14］及生活方式［15-16］开展，且多为横断面研究。通过文献梳理，发现还存在以下不足：（1）我国关于衰弱的研究多采用小范围的横断面数据，尽管这类研究提供了大量有价值的信息，但所得结论不适合外推且无法反映衰弱的发展轨迹以及个体之间的差异。（2）既往研究多基于横断面数据考察人口学特征及生活方式对衰弱的影响，忽略了这些因素在衰弱发展过程中的作用。（3）体力活动（PA）作为预防和延缓衰弱最有效的首选方式，在我国还鲜有关于PA与衰弱关系的研究，尤其缺乏基于纵向追踪数据观察PA对衰弱影响方面的研究。

鉴于上述发现，本研究基于中国健康与养老追踪调查（China Health and Retirement Longitudinal Study，CHARLS）的全国性抽样数据，采用衰弱指数（frailty index，FI）评估我国老年人的衰弱水平，通过构建潜变量增长模型（latent growth model，LGM）考察老年人衰弱的发展轨迹，并在了解衰弱发展轨迹的基础上，进一步纳入性别、教育程度作为时间恒定因素，PA、吸烟、饮酒、睡眠作为时间变化因素，构建条件LGM，从而对衰弱过程中表现出的个体差异进行解释。一方面丰富我国在老年人衰弱领域的研究，另一方面也通过全国范围内的纵向追踪数据识别影响衰弱的因素，为我国老年人的衰弱干预实践提供较横断面研究更具说服力的证据。

1 资料与方法

1.1 资料来源 本研究的资料来源于CHARLS 2011年、2013年、2015年、2018年数据，该调查于2011年开展，随后每2～3年追踪1次，调查结束1年后数据对外公开（http://charls.pku.edu.cn/）。CHARLS由北京大学国家发展研究院主持，首创了电子绘图软件（CHARLS-GIS）技术，用地图法制作村级抽样框，采用多阶段PPS抽样，对我国28个省级行政区的中老年人群进行家户调查，范围覆盖150个县级单位、450个村级单位。其中2011年为全国基线调查，2013年、2015年和2018年为全国追踪调查。调查问卷的设计参考了国际标准，访问应答率和数据质量在世界同类项目中位居前列，数据在学术界得到了广泛的应用和认可［17］。

1.2 研究方法

1.2.1 变量构建 性别（赋值：0=女，1=男）、教育程度（赋值：1=未受过教育，2=小学，3=初中及以上）作为时间恒定因素纳入。PA、吸烟（赋值：0=不吸烟，1=吸烟）、饮酒（赋值：0=不饮酒，1=饮酒）及睡眠（赋值：0=＜6 h/d，1=≥6 h/d）作为时间变化因素纳入，其中PA评估则根据每天从事每种水平PA的时间、1周的天数及每种PA方式的代谢当量（MET）（低PA MET赋值为3.3，中PA MET赋值为4.0，高PA MET赋值为8.0）［18］计算得出1周总的消耗能量，公式为：1周PA能量消耗=MET×每天活动时间×1周活动天数（其中MET=∑METn×hn/∑h）［19］，并依据国际体力活动量表（IPAQ）评判标准［20］，将老年人PA水平分为低（赋值：0=＜600 METs/周）、中高（赋值：1=≥600 METs/周）。

采用FI对老年人的衰弱状况进行评估。FI对评估和预测老年人健康状况具有较高的有效性和稳定性，近年来被广泛用于老年学、人口学和社会学等研究，也常用于流行病学等大规模人群调查，已有多项研究证实其具有良好的效度和信度［21-22］。根据构建FI的标准［23］，即变量必须与健康相关；变量不能过早使人口饱和；变量必须涵盖体内的一系列系统。其中FI的指标可以在遵循健康缺陷选取原则的基础上根据需求进行程序性自由构建，数量可以存在差异（一般为30～92个），但至少应该包含30条健康缺陷条目［24］。参考既往研究［9，25-26］，从数据中选择39个变量构建了本研究的FI评估量表。包括：（1）疾病：13种慢性疾病、2种残疾、2类视听情况以及与上次调查相比的健康变化（赋值：0=健康，1=变差）。（2）失能：包括6个躯体生活自理量表（BADL）项目、5个工具性日常生活活动能力量表（IADL）项目、3个移动能力指标和5个肌肉能力指标。（3）抑郁：采用流调用自评抑郁量表（CESD-10）评定，该量表分为积极和消极两因子结构，相关系数为0.56，可以有效地测量CHARLS数据中老年人的抑郁水平［27］，该量表得分范围为0～30分，得分＞10分，健康缺陷赋值为1，否则为0。（4）认知能力：通过认知功能电话评定问卷修订版（TICS-m）评估，得分范围为0～21分，将认知赋值为实际分/21。除认知能力外，以上各维度的评价根据变量类型对健康变量赋值为0、1（0=不存在健康缺陷，1=存在健康缺陷），以此类推。FI的计算方法为存在健康缺陷的数目除以纳入总数（本研究为39个），其范围为0～1，数值越大表明越衰弱。因考虑FI的数值较小，参照KULMINSKI等［28］研究，将FI进行1%单位的转换。FI及健康缺陷分布见表1。

表1 FI健康缺陷及分布（n=2 267）Table 1 Frailty index and the distribution of health defects in participants by the wave of CHARLS

1.2.2 缺失值处理 CHARLS数据中疾病维度的变量与认知维度的变量存在较多缺失。鉴于CHARLS在追踪调查时对回访者不再询问疾病，只询问前一期调查中所回答的疾病是否正确，因此这部分的缺失数据可由前一期的数据进行填补。认知维度的评估变量均存在不同程度的缺失，因此要选择合适的填补方式，多重填补法在应对缺失率高达25%的数据时参数估计仍具有准确性［29］，其前提是假设数据属于随机缺失，本研究的缺失数据经little检验后结果显著（P＜0.05），表明数据不是完全随机缺失，可能为随机缺失或非随机缺失。继续为每个变量生成一个额外的二分类变量表示缺失与否，并作为χ2检验的分组，与其他目标变量进行χ2检验，结果显示与年龄、性别、教育程度等存在差异，表明缺失数据依赖于其他变量，属于随机缺失类型，适合运用多重填补法进行填补。参考既往研究［30］，将性别、年龄、教育程度作为认知维度的解释变量，用以预测认知能力，并经以下3个步骤：首先用一系列可能的值对每个缺失值进行替换，然后用标准的统计分析程序分别对多次替换后产生的多个数据集进行分析，最后将来自各数据集的统计结果进行合并。通过以上缺失值的处理，并排除死亡、失访者的数据，最后将4期数据通过个人编码匹配合并，最终形成4期调查均参与的2 267例60岁及以上老年人作为研究样本。

1.3 统计学方法 采用Mplus 8.0构建LGM观察老年人衰弱的发展轨迹。LGM是结构方程模型的一种变式，可以对发展过程中的群组和个体变异同时进行估计［31］。LGM首先定义两个潜变量结构，即截距和斜率，然后用某一变量在不同时间点上的实际测量值估计模型中的两个潜变量结构，这种对变化轨迹进行简单描述的模型称为无条件LGM。在无条件LGM之后，如果截距或斜率的变异显著，则可以继续考察影响截距或斜率的因素，即构建条件LGM。如果某一变量与截距或斜率存在显著的共变关系，则可以确定该变量是影响截距或斜率的因素。变量相关性分析采用Spearman秩相关分析。以P＜0.05为差异有统计学意义。

2 结果

2.1 相关性分析 相关分析结果显示，FI与PA、吸烟、饮酒、睡眠、性别、教育程度有关（P＜0.05），见表2。

表2 各变量相关系数矩阵（rs值）Table 2 Correlation coefficient matrix of frailty index with PA，smoking，alcohol consumption，sleep，gender，and education level in Chinese older people

2.2 我国老年人衰弱的发展轨迹：无条件LGM 分别构建3类无条件LGM:（1）线性无条件LGM；（2）二次函数无条件LGM；（3）不定义曲线无条件LGM，见表3。从拟合指标可以看出，不定义曲线无条件LGM对数据的拟合优于线性无条件LGM和二次函数无条件LGM，为此，确定我国老年人的衰弱轨迹符合不定义曲线无条件LGM，表明我国老年人衰弱的发展轨迹呈曲线增长的趋势。从不定义曲线无条件LGM结果来看，老年人衰弱的初始水平显著＞0（截距=11.83，P＜0.01），衰弱在4次调查期间呈上升趋势（斜率=0.92，P＜0.01），此外，截距的变异（σ2=53.16，P＜0.01）、斜率的变异（σ2=1.13，P＜0.01）均显著＞0，表明老年人衰弱的起始水平存在显著的个体差异，并且随后的发展速度也存在显著的个体差异。截距和斜率之间显著相关（r=0.41，P＜0.01），表明我国老年人衰弱的发展速度和起始水平存在显著的相关性，见图1。

图1 我国老年人衰弱发展轨迹的不定义曲线无条件LGMFigure 1 Unconditional latent growth model with undefined curve for analyzing the developmental trajectory and associated factors of frailty in Chinese older people

表3 我国老年人衰弱发展轨迹的无条件潜变量增长模型的拟合指标Table 3 Fitting indices of the unconditional latent growth model for analyzing the developmental trajectory of frailty in Chinese older people

2.3 我国老年人衰弱的变化轨迹：条件LGM 为考察老年人衰弱发展轨迹是否存在性别及教育程度差异，以及PA、吸烟、饮酒及睡眠因素的影响，构建如图2所示的不定义曲线条件LGM。该条件模型较好地拟合了数据：χ2（19）=300.79，比较拟合指数（CFI）=0.947，非规范拟合指数（TLI）=0.925，近似均方根误差（RMSEA）=0.044，标准化均方根残差（SRMR）=0.058。老年人衰弱存在显著的个体差异（σ2=0.942，P＜0.01），其发展速度也存在显著的个体差异（σ2=0.923，P＜0.01）。此外，在对模型截距的预测中，男性和女性老年人在衰弱的初始水平上存在显著差异（β=-0.113，P＜0.01），男性老年人衰弱水平更低；老年人衰弱的初始水平也存在显著的教育程度差异（β=-0.173，P＜0.01），教育程度越高的老年人，其衰弱的初始水平越低。在对模型斜率的预测中，性别和教育程度均具有显著的负向预测作用（性别：β=-0.181，P＜0.01；教育程度：β=-0.151，P＜0.01），相比于男性和教育程度高的老年人，女性和教育程度低的老年人衰弱的发展速度更快。

图2 我国老年人衰弱发展轨迹的不定义曲线条件LGMFigure 2 Conditional latent growth model with undefined curve for analyzing the developmental trajectory and associated factors of frailty in Chinese older people

PA、吸烟、饮酒、睡眠作为时间变化因素纳入，结果显示，PA与睡眠对老年人衰弱具有显著的负向影响，这一影响在4期调查中表现一致，即老年人的PA水平越高，睡眠越充足，其衰弱水平越低，以2011年为例，相比低PA老年人，从事中高PA的老年人衰弱水平下降0.026个单位（2011年：β=-0.026，P＜0.05）；相比睡眠不足的老年人，睡眠充足的老年人衰弱水平下降0.077个单位（2011年：β=-0.077，P＜0.01），表明中高PA和保证睡眠时间有助于降低老年人衰弱水平。此外，尽管吸烟与饮酒对老年人的衰弱存在正向影响，即长期吸烟、饮酒过多将增加老年人的衰弱水平，但仅分别在2011年、2015年、2018年和2013年、2015年调查中存在显著的作用。

3 讨论

人口结构的改变使得衰弱人口的比例逐渐增加，预计在未来的几十年内衰弱的数量会成倍增长［32］。本研究基于CHARLS 2011年、2013年、2015年和2018年4期调查数据，对我国老年人的衰弱发展轨迹及影响因素进行了LGM的建立。结果显示，在4期的追踪调查阶段，我国老年人的衰弱呈曲线增长的发展轨迹，且衰弱的初始水平与随后的增长速度均有显著的个体差异，提示我国老年人的衰弱水平并非是随着年龄而直线上升，这给预防和延缓衰弱提供了可能［33-34］。本研究结论与STOLZ等［35］使用欧洲健康老龄化与退休调查（SHARE）数据的研究一致，该调查显示，老年人个体间的衰弱水平具有很大的异质性且以非线性增长的模式发展，但也与其他研究结论相左，STOW等［36］、AGUAYO等［37］的研究显示老年人的衰弱轨迹呈线性增长的趋势，可能与研究样本不一致有关，此外纵向数据含有较多的缺失数据，对缺失数据的处理方式不同可能也是造成结论存在差异的原因之一。

时间恒定因素中，本研究表明无论是衰弱的初始水平还是衰弱的发展速度，女性、教育程度低的老年人快于男性、教育程度高的老年人，提示临床要重点关注女性、教育程度偏低的老年人。一项应用老年综合评估构建的衰弱指数（FICGA）评估北京城乡居民FI的研究显示女性FI高于男性，既往国外研究结论也多为女性衰弱得分高于男性［38-39］，其原因可能是与雌激素水平有关，雌激素在女性绝经后迅速下降［40］，引起维生素D缺乏，从而使神经-肌肉平衡和肌肉力量及其他生理功能快速退化［41］，继而发生衰弱。而既往研究多采用横断面研究证实女性老年人更为严重，本研究从纵向的视角出发，不仅表明女性的衰弱初始水平高于男性，其随后的发展速度也快于男性，进一步证实了女性老年人衰弱的严重性。YANG等［42］的研究同样也指出衰弱方面的性别不平衡正在加剧，可见，女性作为弱势群体在衰弱方面也表现出了不容乐观的情况。此外，教育程度能够预测老年人的衰弱水平及发展速度，教育程度高的老年人衰弱初始水平和发展速度低于教育程度低的老年人，因此教育程度高是衰弱的保护因素［43］，BAKKER等［44］认为教育程度高的人群健康素养也较高，其在愿意的同时也有能力运用相关的健康知识来维持自身健康，从而降低衰弱发生率。另一方面，教育程度会影响老年人的认知功能［45］，解瑞宁等［46］认为大脑的中枢神经系统不会因为发育成熟而停滞发展，个体成熟之后，其接受的教育以及经历等内外因素会导致脑部结构以及功能的进一步发展，因此受教育水平越高的个体，其大脑的认知能力就越高。王会会等［47］研究发现教育能够通过认知水平来间接影响衰弱的发生，认知状况不仅影响老年人的记忆力，同时也是自理能力和社交活动的基础。可见教育所带来的认知、阶层、收入等短期效应外，从更长远的生命历程看，对老年期的健康保障也有着显著影响，这些由于教育带来的优势影响了衰弱的初始水平，更通过累积优势影响了衰弱的发展速度。

时间变化因素中，PA与睡眠均在4期调查数据中对老年人的衰弱有显著的负向影响，表明PA水平越高，睡眠越充足，有助于老年人衰弱水平的降低。在国际衰弱和肌肉减少症研究协会（International Conference of Frailty and Sarcopenia Research，ICFSR）制订的2019版国际衰弱临床实践指南中，PA被认为是目前预防衰弱发生和延缓衰弱状态最有效的首选方式，处于“强推荐”层级［48］。PA能促进身体和心理健康的改善，逆转慢性病的有害影响，并保持老年人的功能自主性［49-50］，延缓老年人虚弱的发作，并抑制其进展［51］。PA以剂量依赖的方式更好地控制血压、胆固醇和腰围，降低了心血管和代谢疾病的风险［52］，有助于维持认知功能［53］，也有助于维持腿部肌肉的外周运动神经元的数量［54］，改善平衡和协调，以降低跌倒风险［55］。如果发生跌倒，经常锻炼的人不太可能骨折，因为其骨骼更强壮，骨密度更高［56］。睡眠不足是老年人衰弱的危险因素，有研究推测睡眠不足将导致体内分解代谢激素和合成代谢激素的不平衡，导致炎性因子增加，一定程度解释了睡眠与衰弱的关系［57］。此外，吸烟和饮酒分别在第1、3、4期和2、3期调查中对老年人的衰弱有显著的正向作用，长期吸烟不仅会加重动脉粥样硬化，而且会导致机体炎性因子增加，从而促使衰弱的发生［41］。而饮酒过多对衰弱的影响可能是乙醇的作用，导致骨量丢失、骨生成减少，从而引起骨质疏松，促使衰弱的发生［58］。

基于上述发现，提出以下建议：一是重视我国老年人衰弱问题。随着我国即将迈入中度老龄化时代，这种人口结构的改变使得老年人衰弱问题愈发严峻，衰弱所引发的一系列负面事件将严重影响老年人的生活质量。因此要借鉴国外的跨学科研究模式，通过老年医学、运动科学、人口学、护理学等多学科协作，共同开展衰弱的干预研究，形成社区、医院和养老院等不同场景下的衰弱干预处方。

二是要针对性地实施干预。我国老年人的衰弱存在显著的性别不平等与教育不平等问题，女性以及教育程度低的老年人衰弱水平与发展速度不容乐观。因此除重点针对女性及教育程度低的老年人进行衰弱筛查外，还要对老年人进行再教育，在社区、医院、养老院、家庭中对老年人进行健康素养普及，提高其认知能力，进而预防与延缓衰弱。

三是引导老年人养成健康的生活方式，减少吸烟与饮酒，并进行中高PA，提高睡眠质量。因此要广泛开展健康生活方式对防治衰弱的知识宣传，并提供适宜运动的建成环境和健身环境，积极引导广大老年人增加PA。

本研究虽然探讨了我国老年人衰弱的发展轨迹，丰富了我国衰弱领域的研究，但仍有诸多有待改进的地方。一方面，探讨影响老年人衰弱的因素不够全面，仅考察了4个时间变化因素（PA、吸烟、饮酒、睡眠）以及2个时间恒定因素（教育程度、性别）。另一方面在于未能更大程度地排除死亡老年人样本所造成的影响。因此未来的研究可以通过进一步纳入其他变量，综合考察这些因素对老年人衰弱的影响及机制；采用更为全面的模型以及统计方法，排除死亡老年人样本的影响，更深层次地挖掘数据背后的意义。

作者贡献：郭凯林进行文章的构思与设计、论文的撰写；王世强进行研究的实施与可行性分析、论文的撰写，对文章整体负责、监督管理；李丹、王一杰进行数据收集、整理与处理；王少堃进行结果的分析与解释；胥祉涵进行论文的修订。

本文无利益冲突。