本發(fā)明涉及一種老年人體能狀態(tài)量化等級計算方法，屬于生物醫(yī)學技術(shù)領(lǐng)域。

背景技術(shù)：

2014年底，我國65歲以上人口數(shù)量達到1.37億，比2013年增加594萬，老年人口比重首次超過10％，我國進入人口老齡化社會已逾14年，老年人健康成為家庭和社會共同面對的問題。體能在老年人健康的影響因素中占據(jù)重要地位，它與老年人的生活自理能力與身體活動能力緊密聯(lián)系。在第六次全國人口普查中，60歲以上生活不能自理的老年人口達到10.5萬。為此，對老年人體能進行深入研究，利用科學技術(shù)衡量老年人體能狀態(tài)，有助于及時采取措施預防體能下降及健康狀態(tài)惡化，不僅改善老年人健康狀況，對國家和社會也有重要的醫(yī)療經(jīng)濟學意義。

體能下降與年齡增長密切相關(guān)，個體在衰老的過程中，首先經(jīng)歷體能的自然下降，其次是體能下降導致的健康狀態(tài)惡化，同時致使體能進一步下降。研究表明，通過體能訓練，老年人健康狀態(tài)惡化速率會在一定程度上降低，甚至會發(fā)生健康狀態(tài)改善的情況。為了提升老年人生活質(zhì)量，節(jié)約有限的醫(yī)療資源，采取科學規(guī)范的方法對體能進行量化等級計算是很有必要的。

總結(jié)現(xiàn)有的研究成果可以發(fā)現(xiàn)，對體能狀態(tài)進行量化計算可通過分別計算生活自理能力和身體活動能力來完成。

1.生活自理能力的量化計算

(1)Barthel指數(shù)：該標準包含的評定項目依次為進食、洗澡、梳妝、穿脫衣服、排便控制、排尿控制、如廁、移位、步行、上下樓，每個項目對應若干狀態(tài)描述選項，每個選項賦予一個分值，計算各項目總得分后，可將生活自理能力分為完全依賴、嚴重依賴、中度依賴、輕度依賴、完全獨立5個等級。

(2)Katz指數(shù)：評定項目依次為洗澡、穿衣、如廁、床椅間移動、大小便控制、進食，每個項目對應三個狀態(tài)描述選項。Katz指數(shù)將生活自理能力劃分為A-G七個等級，A等級表示六個功能均可完全自理，G等級表示六個功能均需他人協(xié)助。

2.身體活動能力的量化計算

身體活動能力的量化計算主要用到SPPB方法：該方法通過累計椅子坐立測試、平衡測試(雙腳合并站立、半前后站立、雙腳前后站立)、步態(tài)速度測試的得分完成身體活動能力的量化計算。

綜上所述，現(xiàn)有方法僅針對生活自理能力或身體活動能力進行量化計算。然而，生活自理能力在人群中較難喪失，大多數(shù)人的生活自理能力健全；身體活動能力的量化計算需要測量握力、步速等，測量過程需要相應儀器和環(huán)境。此外，在對生活自理能力或身體活動能力進行量化計算時大多選取運動項目作為依據(jù)，均未綜合考慮其他影響體能狀態(tài)的重要屬性，如年齡、認知功能、生活方式等。因此，上述方法不夠理想，有待進一步改進。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的：解決目前老年人體能狀態(tài)量化計算方法中測試項目繁瑣、參考依據(jù)不全面等問題，提出一種基于boruta算法的多層次老年人體能狀態(tài)量化等級計算方法，達到有針對性地對老年人體能狀態(tài)進行分類的目的。

本發(fā)明的設(shè)計原理：首先，分析影響體能狀態(tài)的重要屬性，由于步速是直接影響體能狀態(tài)的屬性，可基于步速對人群進行分層，利用boruta算法提取出與老年人步速相關(guān)的重要屬性；然后以與步速相關(guān)的重要屬性為自變量，構(gòu)建用于計算體能狀態(tài)量化等級的邏輯回歸模型，完成老年人體能狀態(tài)量化等級計算。本發(fā)明可以針對個體狀態(tài)給出一個量化等級，給體能篩查工作提供方法依據(jù)。

本發(fā)明的技術(shù)方案是通過如下步驟實現(xiàn)的：

步驟1，以步速作為參考依據(jù)將人群分為四類，分別為：較高步速人群(A人群)、普通步速人群(B人群)、較低步速人群(C人群)和未分層的全部人群，具體實現(xiàn)方法為：

步驟1.1，對全部人群的步速從高到低進行排序，將步速最高的25％歸為較高步速人群(A人群)，將步速最低的25％歸為較低步速人群(C人群)，同時精確步速的取值到0.1m/s，將步速中間狀態(tài)的50％歸為普通步速人群(B人群)。

步驟1.2，確定較高步速人群與普通步速人群、普通步速人群與較低步速人群的切點，進而得到四種人群的相應步速范圍，以及各部分人群占全部人群的實際比例。

步驟1.3，根據(jù)人群劃分結(jié)果對各個子人群進行標定，其中較高步速人群標為0，普通步速人群標為1，較低步速人群標為2，獲得標定后的數(shù)據(jù)S。

步驟2，對于數(shù)據(jù)集S采用boruta算法對四種人群的步速進行擬合，通過對提取出的屬性進行重要性排序，以出現(xiàn)次數(shù)為依據(jù)篩選重要屬性，具體實現(xiàn)方法為：

步驟2.1，設(shè)定參數(shù)，對步驟1獲得的數(shù)據(jù)集S創(chuàng)建混合副本屬性，并進行重排，得到重組數(shù)據(jù)集S'，為給定的數(shù)據(jù)集增加隨機性。

步驟2.2，在數(shù)據(jù)集S'的基礎(chǔ)上，采用bootstrap方式抽取樣本集D，未被抽取到的作為袋外數(shù)據(jù)D'，構(gòu)建包含m棵樹的隨機森林。

步驟2.3，訓練分類回歸樹，并計算每棵樹對應袋外數(shù)據(jù)的均方殘差MSE_t，其中t(0＜t≤m)，則m棵樹的原始袋外數(shù)據(jù)均方殘差向量可以表示為[MSE₁,MSE₂,...,MSE_m]。

步驟2.4，基于步驟2.3得到的原始袋外數(shù)據(jù)均方殘差向量[MSE₁,MSE₂,...,MSE_m]，計算對應屬性的Z值，篩選Z值最大的副本屬性，以及比該屬性數(shù)值更大的屬性，融合得到重要屬性，將比該屬性數(shù)值小的屬性歸為非重要屬性，刪除非重要屬性及副本屬性。

步驟2.5，重復執(zhí)行步驟2.1至步驟2.4，到達到預設(shè)終止條件為止。

步驟2.6，根據(jù)boruta算法的計算結(jié)果，將針對各人群提取出的前30名重要屬性中出現(xiàn)兩次及以上的屬性作為該人群的重要屬性，依照一定規(guī)則并結(jié)合專家意見確定老年人步速的重要屬性。

步驟3，對三種步速等級的人群進行體能狀態(tài)分級，基于老年人步速重要屬性，構(gòu)建邏輯回歸判別模型，計算不同人群中體能狀態(tài)較好的概率，構(gòu)建老年人體能狀態(tài)量化等級計算模型，具體實現(xiàn)方法為：

步驟3.1，利用后驗概率P(y＝1|X)對m條n維的訓練樣本進行二元分類，構(gòu)建邏輯回歸模型，采用最大似然估計方法計算各屬性系數(shù)?；貧w方程如下：

f(x)＝b₀+b₁x₁+b₂x₂+...+b_nx_n

步驟3.2，以A人群與B人群、B人群與C人群為訓練集得到兩種回歸方程，即A-B邏輯回歸方程與B-C邏輯回歸方程，其中A-B邏輯回歸方程的輸出為某樣本劃分為A類的概率，B-C邏輯回歸方程的輸出為某樣本劃分為B類的概率。

步驟3.3，以最大化敏感性與特異性之和為原則，參考理論最佳切點，結(jié)合各重要屬性的系數(shù)、標準誤差、自由度、P值、OR值，確定各模型的理論最佳切點值。

步驟3.4，在兩個理論最佳切點周圍每隔0.01進行一次各人群比例的統(tǒng)計，依照切點選擇規(guī)則確定最終切點值，在符合實際情況的基礎(chǔ)下提高該模型的擬合程度。

步驟4，基于A-B邏輯回歸模型和B-C邏輯回歸模型，通過共同決策方法，完成老年人體能狀態(tài)等級劃分，得到老年人體能狀態(tài)量化等級，具體實現(xiàn)方法為：

步驟4.1，通過A-B邏輯回歸模型完成A人群的量化等級計算，將較高步速人群(A人群)分為較高步速人群中體能狀態(tài)較好人群(A1)和較高步速人群中體能狀態(tài)較差人群(A2)。

步驟4.2，通過B-C邏輯回歸模型完成C人群的量化等級計算，將較低步速人群(C人群)分為較低步速人群中體能狀態(tài)較好人群(C1)和較低步速人群中體能狀態(tài)較差人群(C2)。

步驟4.3，計算B人群的量化等級需要完成A-B邏輯回歸模型和B-C邏輯回歸模型共同決策，最終得到普通步速人群中體能狀態(tài)較好人群(B1)、普通步速人群中體能狀態(tài)一般人群(B2)和普通步速人群中體能狀態(tài)較差人群(B2)。

有益效果

與SPPB等身體活動能力的評分方法相比，本專利提出的方法利用反映身體活動能力最直接的因素——步速，采用boruta算法提取老年人步速的關(guān)鍵影響因素，提升了老年人體能量化計算工作的有效性、合理性，在生物醫(yī)學領(lǐng)域有很好的發(fā)展前景。

與Barthel指數(shù)和Katz指數(shù)等生活自理能力量化計算方法相比，本發(fā)明提出的基于boruta算法的多層次體能狀態(tài)量化等級計算方法，通過邏輯回歸算法完成老年人體能狀態(tài)等級劃分，為老年人體能狀態(tài)的量化等級計算提供了方法依據(jù)。

附圖說明

圖1為本發(fā)明提出的多層次老年人體能狀態(tài)量化等級計算方法原理圖；

圖2為本發(fā)明提出的老年人步速重要屬性提取原理圖；

圖3為本發(fā)明提出的普通步速人群體能狀態(tài)等級劃分原理圖；

圖4為具體實施方式中，最終各等級人群步速均值折線圖。

具體實施方式

為了更好的說明本發(fā)明的目的和優(yōu)點，下面結(jié)合附圖和實施例對本發(fā)明方法的實施方式做進一步詳細說明。

以下所有測試均在同一臺計算機上完成，具體配置為：Intel雙核CPU(主頻3.0G)，4G內(nèi)存，Windows 7操作系統(tǒng)。

測試采用的原始數(shù)據(jù)來源于于2011～2012年間北京醫(yī)院聯(lián)合全國7省市13家醫(yī)院調(diào)查數(shù)據(jù)，調(diào)查問卷由中國衛(wèi)生部行業(yè)基金老年健康綜合評估課題組和中國老年人保健及疾病防治聯(lián)盟聯(lián)合設(shè)計，包括個人基本信息、軀體健康評估、軀體功能評估、生活行為與社會功能評估、認知功能、醫(yī)療情況、心理健康、失能等級評估、輔助檢查，采集數(shù)據(jù)共482維，包含9503條數(shù)據(jù)。

基于Boruta算法的多層次老年人體能狀態(tài)量化等級計算方法原理圖如圖1所示。

1.基于步速的子人群劃分

針對9503條，482維原始數(shù)據(jù)進行預處理，篩選出可用于實驗的3060條，59維數(shù)據(jù)。

基于步速劃分子人群時所遵循的規(guī)則如下：

1)將步速最高的25％歸為較高步速人群(A人群)，將步速最低的25％歸為較低步速人群(C人群)，將步速中間狀態(tài)的50％歸為普通步速人群(B人群)；

2)精確步速的取值到0.1m/s，同時調(diào)整各子人群比例。

根據(jù)步速劃分人群的結(jié)果見表1：

表1依據(jù)步速進行人群劃分

由表1可以看出，較低步速人群與普通步速人群的切點為0.65m/s，較高步速人群與普通步速人群的切點為1m/s，較低步速人群與較高步速人群在總?cè)巳褐械恼急染蛔?5％，約為23％。步速是直接影響體能狀態(tài)的屬性，從整體上看，較高步速人群的體能狀態(tài)優(yōu)于普通步速人群，普通步速人群的體能狀態(tài)優(yōu)于較低步速人群。

2.老年人步速重要屬性篩選

在進行屬性選擇時，將較低步速人群、普通步速人群、較高步速人群與所有人群分別通過boruta算法，依據(jù)重要性排序結(jié)果選擇最終確定老年人步速的重要屬性，原理圖如圖2所示。具體實施步驟如下：

步驟1，復制變量的數(shù)據(jù)，構(gòu)建并重排副本屬性，獲得擴展數(shù)據(jù)集。

步驟2，基于擴展數(shù)據(jù)集，采用bootstrap方式抽取樣本集，未被抽取到的作為袋外數(shù)據(jù)，構(gòu)建隨機森林分類器。

步驟3，訓練分類回歸樹，并計算每棵樹對應袋外數(shù)據(jù)的均方殘差MSE₁,MSE₂,...,MSE_t，其中t(0＜t≤m)，則m棵樹的原始袋外數(shù)據(jù)均方殘差向量可以表示為[MSE₁,MSE₂,...,MSE_m]。

步驟4，基于步驟3得到的原始袋外數(shù)據(jù)均方殘差向量[MSE₁,MSE₂,...,MSE_m]，計算對應屬性的Z值，篩選Z值最大的副本屬性，以及比該屬性數(shù)值更大的屬性，融合得到重要屬性，將比該屬性數(shù)值小的屬性歸為非重要屬性，刪除非重要屬性及副本屬性。

步驟5，重復執(zhí)行步驟1至步驟4，到達到預設(shè)終止條件為止。

步驟6，根據(jù)boruta算法的計算結(jié)果，依照一定的篩選規(guī)則，結(jié)合專家意見確定老年人步速的重要屬性。

篩選規(guī)則如下：

1)某屬性是兩個及兩個以上人群的重要屬性，其中，選擇前30的屬性中出現(xiàn)兩次的屬性作為各類人群的重要屬性；

2)將采集代價較大的血檢指標刪去，如總膽固醇、血糖；

3)將可代替指標刪去，如：BMI可以通過身高、體重計算，將BMI刪去；

4)將重復指標刪去，如：保留收縮壓，刪去舒張壓。

四個人群中，排名前30且出現(xiàn)兩次及兩次以上的屬性共18個，見表2：

表2四種人群中重要屬性出現(xiàn)次數(shù)

通過篩選，保留11維重要屬性：健康狀況自評、年齡、是否有關(guān)節(jié)病、認知功能、食肉情況、是否體檢、體重、身高、臀圍、腰圍以及收縮壓。

3.老年人體能狀態(tài)量化等級計算模型構(gòu)建

采用邏輯回歸方法構(gòu)建A-B邏輯回歸模型和B-C邏輯回歸模型。A-B邏輯回歸模型表示由較高步速人群(A人群)與普通步速人群(B人群)訓練得到的“較高-普通”步速邏輯回歸模型，輸出是劃分為較高步速人群的概率。B-C邏輯回歸模型表示由普通步速人群(B人群)與較低步速人群(C人群)訓練得到的“普通-較低”步速邏輯回歸模型，輸出是劃分為普通步速人群的概率。

在選擇切點時遵循以下三條規(guī)則：

1)特異性與敏感性的和最大化；

2)邏輯回歸模型的劃分結(jié)果需滿足較低步速人群的占比略大于原占比；

3)邏輯回歸模型的劃分結(jié)果需滿足較高步速人群的占比略小于原占比。

采用t檢驗分別對A-B邏輯回歸模型與B-C邏輯回歸模型系數(shù)進行顯著性檢驗，兩種邏輯回歸模型結(jié)果見表3和表4：

表3.A-B邏輯回歸模型結(jié)果

表4.B-C邏輯回歸模型結(jié)果

通過計算兩個回歸模型ROC可以得到A-B邏輯回歸模型與B-C邏輯回歸模型的理論最佳切點分別為0.30和0.66，根據(jù)最佳切點選擇規(guī)則最終選擇0.37為A-B邏輯回歸模型的切點，選擇0.64為B-C邏輯回歸模型的切點。

4.老年人體能狀態(tài)等級劃分

較高步速人群(A人群)可由A-B邏輯回歸模型進行決策，較低步速人群(C人群)可由B-C邏輯回歸模型進行決策，而普通步速人群(B人群)需要結(jié)合A-B邏輯回歸模型與B-C邏輯回歸模型完成決策，如圖3。

A人群通過A-B邏輯回歸模型可被分為A人群或者B人群，因此可將A等級分為A1級(較高步速中體能狀態(tài)較好人群)與A2級(較高步速中體能狀態(tài)較差人群)；C人群通過B-C邏輯回歸模型可被分為B人群或者C人群，因此可將C人群分為C1級(較低步速中體能狀態(tài)較好人群)和C2級(較低步速中體能狀態(tài)較差人群)，見表5：

表5.較高和較低步速人群模型輸出結(jié)果與體能狀態(tài)等級對照表

對普通步速人群的體能狀態(tài)等級劃分按照如下過程進行：當A-B邏輯回歸模型與B-C邏輯回歸模型的輸出均為1時定義該體能狀態(tài)等級為B1；當A-B邏輯回歸模型與B-C邏輯回歸模型的輸出至少一個為1時定義該體能狀態(tài)等級為B2；當A-B邏輯回歸模型與B-C邏輯回歸模型的輸出均為0時定義該體能狀態(tài)等級為B3。沿用此方法可將老年人體能狀態(tài)劃分為A1、A2、B1、B2、B3、C1、C2共七個等級。

普通步速人群(B人群)經(jīng)A-B邏輯回歸模型與B-C邏輯回歸模型的輸出結(jié)果見表6：

表6.普通步速人群模型輸出與體能狀態(tài)等級對照表

在利用A-B邏輯回歸模型和B-C邏輯回歸模型對人群進行體能狀態(tài)等級劃分時，通過計算判別概率并與切點比較，可將全部人群分為較高步速人群、普通步速人群和較低步速人群，各等級人群步速均值折線圖可見圖4所示。

較高、普通和較低步速人群邏輯回歸劃分結(jié)果對照表見表7：

表7.較高、普通和較低步速人群邏輯回歸等級劃分結(jié)果對照表