藥物過多，就診過頻：研究揭示老年人的潛在風險

——后附：

Age and Ageing 研究論文：潛在不當多重用藥是老年人30天內急診住院的重要預測因素：一項機器學習特征驗證研究；

綜述：老年人過度醫(yī)療的全球現(xiàn)狀與綜合干預策略：聚焦臨床危害與系統(tǒng)解決方案

英國巴斯大學的一項新研究表明，不當多重用藥——即過度或不必要地使用多種藥物——是導致65歲及以上成年人急診入院的主要驅動因素。

英國巴斯大學

研究人員希望他們的發(fā)現(xiàn)能為開發(fā)一種數(shù)字工具（例如應用程序）鋪平道路，以主動識別面臨藥物相關傷害風險的老年人，并在需要住院治療之前進行干預。

這項發(fā)表在《Age and Ageing》期刊上的研究，是首個利用數(shù)據驅動方法探索潛在不當多重用藥如何導致老年人短期住院的研究。

隨著這一人群的快速增長，并且面臨住院并發(fā)癥風險增加的問題，該研究結果進一步加劇了老年醫(yī)學界對過度處方危險的擔憂。

過度處方的隱患
老年人通常需要服用多種藥物來控制糖尿病、高血壓和關節(jié)炎等慢性疾病。這可能導致處方級聯(lián)效應，即用一種藥物的副作用通過額外藥物來治療，形成一個復雜性和風險不斷升級的循環(huán)。

例如，患者可能因疼痛管理被開具一種藥物，卻產生了高血壓的副作用，然后又被開具另一種藥物來治療這個新癥狀。久而久之，這可能導致形成一張復雜的處方網絡，帶來有害藥物相互作用的風險。

該研究的負責人、巴斯大學生命科學系博士生羅伯特·奧倫德 (Robert Olender) 在普拉薩德·尼什塔拉 (Prasad Nishtala) 博士和桑迪潘·羅伊 (Sandipan Roy) 博士的指導下進行此項研究，他表示：

隨著更多老年人采用復雜的藥物治療方案，我們需要積極主動的方法來減少可預防的急診住院。

盡管這項新研究聚焦于英國的數(shù)據，但眾所周知，老年人的多重用藥問題在全球范圍內日益嚴重。來自米國、澳大利亞、新西蘭以及整個歐洲國家的研究都一致表明，多重用藥與住院風險增加、藥物不良反應以及生活質量下降相關。

在巴斯團隊此前基于新西蘭數(shù)據集進行的另一項研究中，也發(fā)現(xiàn)老年人中高藥物負擔、飲酒和吸煙與30天內住院風險增加存在強烈相關性。

利用機器學習預測住院風險
該研究使用了一個大型英國數(shù)據集，開發(fā)了三種機器學習模型，能夠以約75%的準確率預測老年人30天內的急診住院風險。

這些模型中的一個關鍵變量是藥物負擔指數(shù) (Drug Burden Index, DBI)，它衡量了具有鎮(zhèn)靜和抗膽堿能特性藥物的累積效應。抗膽堿能藥物是一類用于治療各種慢性疾病的藥物，如癡呆癥、抑郁癥、尿失禁和慢性阻塞性肺病 (COPD)。

這些藥物的累積效應持續(xù)成為預測個體面臨急診住院風險的最強預測因子之一。其他預測因子包括行動不便、骨折和跌倒史、吸煙以及過量飲酒。

這項研究的獨特之處在于它聚焦于一個先前未被充分探索的數(shù)據集和年齡組，為一個長期存在的問題提供了新的見解。雖然多重用藥的危險眾所周知，但這項研究特別強調了多重用藥與短期住院之間的聯(lián)系。它也為開發(fā)一種潛在工具奠定了基礎，用于識別高危患者并引導他們接受更安全的護理。

從研究到現(xiàn)實影響
研究團隊設想為臨床醫(yī)生開發(fā)一款應用程序，通過一個簡單的問卷來評估患者的住院風險。問題可能包括當前處方、生活方式因素（如吸煙和飲酒）以及慢性疾病（如癌癥或高血壓）。該工具隨后會生成一個風險評分，使臨床醫(yī)生能夠實時做出明智決策。

這樣的工具可以作為一種低成本、高效益的干預措施，既能保障患者安全，又能為英國國家醫(yī)療服務體系 (NHS) 節(jié)省開支。通過及早識別高風險患者，臨床醫(yī)生可以調整藥物治療方案、鼓勵體育鍛煉或解決可改變的生活方式因素——這些簡單的步驟可能顯著降低個體急診入院的風險。

雖然該應用程序的開發(fā)可能相對較快，但將其整合到臨床工作流程中需要獲得監(jiān)管批準并進行試驗。然而，研究人員相信，其潛在益處——減少住院人數(shù)、提高患者安全以及降低醫(yī)療成本——使得這是一項極具吸引力的投資。

該團隊希望這樣的工具能提高醫(yī)療保健專業(yè)人員（尤其是初級保健、社區(qū)藥房和臨終關懷機構中的專業(yè)人員）的認識，在這些地方進行早期干預有助于預防急診入院。

奧倫德先生表示：

隨著全球人口老齡化，解決不當多重用藥已成為一項關鍵的公共衛(wèi)生優(yōu)先事項。我們的新研究通過采用先進的數(shù)據驅動方法，在英國背景下更深入地理解該問題的規(guī)模和后果，為國際證據庫做出了貢獻。

我們的目標是將研究結果轉化為一個有影響力的工具，以支持更安全的處方行為并改善老年人的護理。

尼什塔拉博士說：

不當多重用藥仍然是一個全球性問題，而不同研究中一致風險因素的識別突顯了當前調查的及時性和相關性。

一款有助于評估老年人住院風險的工具可能帶來實實在在的好處。它可能讓患者及其家人免于承受住院的壓力和干擾；通過讓人們遠離更易受感染和并發(fā)癥影響的環(huán)境來支持更健康的衰老；并最終幫助NHS節(jié)省寶貴的資源。

期刊文章

潛在不當多重用藥是老年人30天內急診住院的重要預測因素：一項機器學習特征驗證研究

Robert T. Olender1 , Sandipan Roy2 , Prasad S. Nishtala3

1藥學與藥理學系，巴斯大學，克拉弗頓唐，巴斯 BA2 7AY，英國

2數(shù)學科學系，巴斯大學，巴斯，英國

3藥學與藥理學系 & 治療創(chuàng)新中心，巴斯大學，巴斯，英國

通訊作者： Robert T. Olender，藥學與藥理學系，巴斯大學，克拉弗頓唐，巴斯 BA2 7AY，英國。 郵箱：[email protected]
Age and Ageing, 卷 54, 期 6, 2025年6月, afaf156, https://doi.org/10.1093/ageing/afaf156
發(fā)布日期：2025年6月6日?

摘要

背景
醫(yī)療保健領域的機器學習（ML）模型對于預測臨床結果至關重要，通過提高其準確性、可推廣性和可解釋性，可以顯著增強其有效性。為了在臨床實踐中得到廣泛采用，這些模型識別的風險因素必須在不同人群中進行驗證。

方法
在這項隊列研究中，使用了來自英國生物銀行（UK Biobank）數(shù)據庫的86,870名年齡≥65歲的社區(qū)居住老年人來訓練和測試三種ML模型，以預測30天內急診住院。這三種ML模型——隨機森林（RF）、XGBoost（XGB）和邏輯回歸（LR）——利用了所有提取的變量，包括人口統(tǒng)計學特征、老年綜合征、合并癥以及藥物負擔指數(shù)（DBI）。DBI是衡量潛在不當多重用藥的指標，量化了具有抗膽堿能和鎮(zhèn)靜特性藥物的暴露程度。30天內急診住院定義為在索引日期后30天內發(fā)生的與任何臨床事件相關的住院。模型性能指標包括受試者工作特征曲線下面積（AUC-ROC）和F1分數(shù)。

結果
RF、XGB和LR模型的AUC-ROC分別為0.78、0.86和0.61，表明具有良好的判別能力。DBI、行動能力、骨折史、跌倒史、危險飲酒和吸煙被驗證為預測30天內急診住院的重要變量。

結論
本研究驗證了預測30天內急診住院的重要風險因素。重要風險因素的驗證將為未來老年醫(yī)學領域的ML研究發(fā)展提供信息。未來的研究應優(yōu)先開發(fā)有針對性的干預措施來解決本研究中驗證的風險因素，最終改善患者預后并減輕醫(yī)療保健負擔。

關鍵詞
人工智能，機器學習，決策樹，預測建模，住院，老年人

關鍵點

• 急診住院給≥65歲的老年人帶來額外風險。

• 機器學習模型識別的風險因素必須在不同人群中進行驗證。

• 藥物負擔指數(shù)（DBI）是30天內急診住院的重要風險因素。

引言
急診住院給老年人帶來并發(fā)癥的高風險，例如功能衰退、認知障礙、醫(yī)院獲得性感染、譫妄和再入院。機器學習（ML）方法已被證明可以準確預測臨床結果，包括但不限于入院、死亡率和心力衰竭相關住院。然而，ML存在可解釋性和可推廣性方面的擔憂。使用這些模型識別的風險因素必須在其他數(shù)據集和臨床環(huán)境中進行驗證。

在我們之前發(fā)表的研究中，開發(fā)并優(yōu)化了三種ML模型，用于預測國際居民評估工具-家庭護理（InterRAI-HC）數(shù)據集中的30天內住院率。該數(shù)據集涉及來自新西蘭、年齡≥65歲、具有復雜護理需求的社區(qū)居住老年人。該研究發(fā)現(xiàn)，藥物負擔指數(shù)（DBI）和飲酒是與30天內住院相關的潛在可改變風險因素。DBI在多種護理環(huán)境中得到驗證，是衡量潛在不當多重用藥的指標。DBI評估了可能導致老年人功能障礙的藥物相關暴露的累積風險。認識到DBI是預測住院的重要因素，可以通過實施處方精簡（deprescribing）來降低由此類處方帶來的下游患者風險。高DBI與不良臨床結果相關，雖然降低DBI可能降低急診住院風險，但減少DBI藥物處方仍面臨挑戰(zhàn)，且在隨機對照試驗和最近的薈萃分析中成功率有限。然而，Nishtala等人的研究也表明處方精簡是有效的，該研究報告DBI藥物劑量減少導致DBI顯著降低。Fujita等人發(fā)現(xiàn)，在全面干預后，至少停用/減少一種DBI貢獻藥物的患者比例從29.9%增加到37.5%。Goldberg等人在西班牙四家急診科（ED）進行的藥劑師藥物審查研究顯示在減少入院方面無統(tǒng)計學意義；然而，結果表明所提出的建議對于在3個月時減少兩個急診科的醫(yī)療資源利用至關重要。降低DBI似乎是降低30天內住院風險的一項有前景的舉措；然而，目前尚無研究明確將DBI處方精簡與改善臨床結果聯(lián)系起來。

英國生物銀行（UK Biobank）是一個包含英國50萬多名40-69歲參與者數(shù)據的生物醫(yī)學數(shù)據庫，與InterRAI相比，代表了具有不同合并癥水平、數(shù)據收集方法和偏倚的不同人群。在英國生物銀行中驗證先前識別的30天內急診住院風險因素，使臨床醫(yī)生對結果的可推廣性更有信心。此外，外部驗證可能會在英國生物銀行數(shù)據集中識別出額外的30天內急診住院風險因素。假設是，在InterRAI中識別的重要急診住院風險因素在英國生物銀行中同樣重要。因此，本研究旨在利用部署在英國生物銀行數(shù)據上的三種ML模型，驗證先前識別的與30天內急診住院相關的重要風險因素。

方法
巴斯大學的學術道德與誠信委員會已批準該項目（表格號：6738）。本研究遵循了TRIPOD-AI清單（個體預后或診斷多變量預測模型的透明報告），可在補充附錄1中查看。

數(shù)據來源：英國生物銀行 (UK Biobank)
英國生物銀行是一個包含超過50萬名社區(qū)居住志愿者參與者的前瞻性隊列，年齡主要在40至69歲之間，于2006年至2010年間在英格蘭、威爾士和蘇格蘭進行評估。參與者數(shù)據包括人口統(tǒng)計和生活方式信息、基線體檢結果以及來自多個醫(yī)療保健系統(tǒng)提供者的初級和次級數(shù)據。新數(shù)據會定期上傳至數(shù)據庫。有關英國生物銀行的更多詳細信息以及如何訪問數(shù)據集，請訪問 www.ukbiobank.ac.uk/。

英國生物銀行與InterRAI的差異
在當前研究中，將英國生物銀行數(shù)據集的ML分析結果與先前一項使用InterRAI數(shù)據集發(fā)表的研究進行了比較和對比。英國生物銀行與InterRAI之間的一些顯著差異總結在補充附錄2中。最值得注意的是，InterRAI關注的是具有復雜護理需求的參與者，而英國生物銀行關注的是更健康的志愿者參與者隊列。這一點進一步體現(xiàn)在住院率上，英國生物銀行為0.82%，而InterRAI為20.12%。此外，英國生物銀行涉及顯著更年輕的隊列，招募時的平均年齡為66.8歲，而InterRAI為82.5歲。最后，兩個數(shù)據集具有不同的數(shù)據收集方法，InterRAI是回顧性的，而英國生物銀行是前瞻性的。

研究人群和研究設計
在這項隊列研究中，從整個英國生物銀行數(shù)據集中確定了95,994名招募時年齡在65-73歲的參與者。索引日期設定為2018年1月1日，以便捕獲2010年至2018年間的額外診斷。排除了索引日期前1年內住院的9,124名參與者以考慮健康使用者偏倚（healthy user bias），最終形成了一個包含86,870名參與者的隊列。沒有進行進一步的排除。共有715名參與者在索引日期后30天內有過急診入院。完整的人口統(tǒng)計細分可在補充附錄3中查看，相關矩陣在補充附錄4中。應注意，雖然英國生物銀行研究考慮了40-69歲的參與者，但有2415名參與者直到70歲才接受評估，另有7名參與者年齡在71-73歲。這些患者被納入分析。參與者選擇過程見圖1a。研究設計可視化見圖1b。

圖1(a) 參與者選擇流程。(b) 研究設計流程圖。注：(a) 索引日期前一年內住院的患者被排除在分析之外，以考慮健康使用者偏倚。(b) CTV，臨床術語版本；ICD，國際疾病分類。

定義30天內急診住院
本研究的主要結局是30天內急診住院，定義為索引日期（2018年1月1日）后30天內發(fā)生的任何急診入院。入院類型包括但不限于事故與急診（A&E）、全科醫(yī)生轉診和A&E轉院。擇期入院不包括在內。急診入院數(shù)據從英國生物銀行研究分析平臺（UKB-RAP）的‘hesin’實體中獲得。

定義自變量
本研究中選擇的30天內急診住院預測因子旨在匹配InterRAI研究數(shù)據集，并補充了幾個額外的合并癥、已知的住院風險因素、老年因素和人口統(tǒng)計信息。本研究中包含的變量在大多數(shù)醫(yī)療保健數(shù)據庫中可用，并且大多數(shù)可以直接從患者處獲得。人口統(tǒng)計信息被分類為因子。湯森剝奪指數(shù)（Townsend deprivation）最初是一個連續(xù)變量，有68個缺失值，使用均值插補法填補，然后分為四個分位數(shù)。25種醫(yī)療狀況被定義為二元因子，“1”表示有某種醫(yī)療狀況病史，“0”表示沒有該醫(yī)療狀況。Read v2、臨床術語版本3（CTV3）、ICD-9（國際疾病分類）和ICD-10是用于描述醫(yī)療狀況的字母數(shù)字臨床代碼。Read v2和CTV3代碼用于初級保健，ICD-9和ICD-10用于二級保健。這些代碼的編碼庫用于對醫(yī)療狀況進行分類，確保在索引日期前捕獲每位參與者的初級和二級保健診斷。所有編碼庫可在補充附錄5中查看。還捕獲了自我報告的老年綜合征，包括頭暈、尿頻和全身疼痛或不適。

定義藥物負擔指數(shù) (DBI)
DBI被計算為一個二元因子，“1”表示存在DBI藥物，“0”表示不存在。英國生物銀行通過UKB-RAP中‘gp_scripts’實體的鏈接記錄跟蹤參與者處方，使用Read v2代碼、BNF代碼、dm+d代碼和通用名。詳述所有DBI藥物的R向量可在補充附錄6中查看。

建模策略
使用所有34個變量（補充附錄3）驗證了隨機森林（RF）、XGBoost（XGB）和邏輯回歸（LR）模型，種族（ethnicity）變量因不平衡而被排除。不平衡的數(shù)據集（30天內急診住院病例少于非住院病例）可能掩蓋統(tǒng)計模式和關聯(lián)。我們采用合成少數(shù)類過采樣技術（SMOTE）來增加住院病例的數(shù)量，從而平衡數(shù)據集并確保分析的穩(wěn)健性。補充附錄7顯示了應用SMOTE前后特征的頻率分布。SMOTE在訓練-測試拆分之前應用，所有ML模型的訓練和測試均在SMOTE平衡的數(shù)據集上進行。所有三種模型均使用五折100次重復交叉驗證進行驗證。變量重要性圖表示按因子水平匯總的重要性得分。不同模型計算變量重要性的方法不同：LR評估模型系數(shù)的絕對值，RF衡量每個變量在減少樹中雜質方面的貢獻，XGB評估每個變量在改善樹分裂方面的影響。在總共69個變量因子水平中，驗證了預測30天內急診住院的前25個最重要的變量因子水平。如果一個因子參考水平（用‘’表示）出現(xiàn)在圖中；這表示該變量對于預測未發(fā)生*30天內急診住院很重要。有關超參數(shù)調優(yōu)的信息可在補充附錄8中查看。所有模型均在R版本4.3.0中構建和評估。ML代碼已存放在GitHub存儲庫中：github.com/RobertOlender/ML_UKBiobank_emergency_30-day_hospitalisation，以確保可重復性。

結果
隨機森林 (Random Forest)
RF模型驗證了我們在InterRAI研究中的發(fā)現(xiàn)，高血壓、DBI、非血液學/非肺癌以及吸煙是與30天內急診住院相關的最重要變量。幾個可改變的風險因素也得到了驗證；行動能力、危險飲酒、跌倒史和骨折史分別是第13、14、23和24位最重要的變量。常見的老年綜合征尿頻或膀胱刺激癥狀以及頭暈也被識別出來。湯森剝奪指數(shù)在?2.13至1.99之間是最重要的風險因素。RF模型的變量重要性圖和概率校準曲線見圖2。RF模型實現(xiàn)了0.785的AUC-ROC，表明其區(qū)分30天內急診住院陽性與陰性結果的能力良好。

圖2 左圖：RF模型的變量重要性圖。右圖：RF模型的概率校準曲線。

XGBoost (XGB)
XGB模型驗證了我們在InterRAI研究中的發(fā)現(xiàn)，DBI、男性、高血壓和吸煙是預測未發(fā)生30天內急診住院的四個最重要變量。與RF模型類似，XGB模型也驗證了危險飲酒、行動能力、骨折史以及常見的老年綜合征尿頻或膀胱刺激癥狀和頭暈是30天內急診住院的重要可改變風險因素。XGB模型的變量重要性圖和概率校準曲線見圖3。XGB模型實現(xiàn)了高達0.863的AUC-ROC，在三個模型中領先，表明其區(qū)分結局類別的能力強。雖然RF和XGB模型都通過構建決策樹運行，但XGB模型通過給有缺陷的變量分配權重來迭代地糾正先前樹的錯誤。XGB模型傾向于使用參考水平（用‘’表示）來預測未發(fā)生*30天內急診住院。

圖3 左圖：XGB模型的變量重要性圖。右圖：XGB模型的概率校準曲線。

邏輯回歸 (Logistic Regression)
LR模型驗證了骨折史、年齡、抑郁癥、心臟病（cardiac disease）和心臟病（cardiac disease）是預測30天內急診住院的五個最重要變量（注：原文重復了cardiac disease，翻譯保留）。驗證了預測30天內急診住院的幾個可改變風險因素，包括危險飲酒、DBI、吸煙、行動能力和跌倒史。考慮到變量重要性，LR模型在InterRAI研究和英國生物銀行研究中驗證了類似的30天內急診住院預測因子。LR模型的變量重要性圖和概率校準曲線見圖4。LR模型實現(xiàn)了0.608的AUC-ROC。LR模型在所有指標中表現(xiàn)最差。

圖4 左圖：LR模型的變量重要性圖。右圖：LR模型的概率校準曲線。

模型性能
雖然本研究的目的不是開發(fā)預測模型，而是驗證先前識別的30天內急診住院風險因素，但對模型性能的全面評估至關重要。表1顯示了用于評估模型在英國生物銀行和InterRAI數(shù)據集上表現(xiàn)的指標。在之前使用InterRAI數(shù)據集的研究中，RF、XGB和LR模型分別實現(xiàn)了0.97、0.90和0.72的AUC-ROC分數(shù)，優(yōu)于當前研究的模型。補充附錄9包含所有評估指標的公式列表。補充附錄10包含使用英國生物銀行數(shù)據的所有三種模型的混淆矩陣、AUC-ROC曲線和概率校準曲線。補充附錄11包含應用等張回歸（isotonic regression）和Platt縮放后的校準曲線。

表1 模型性能指標，比較使用英國生物銀行和InterRAI數(shù)據集訓練的模型。

討論
本研究驗證了DBI、吸煙和危險飲酒是預測30天內急診住院的重要變量。吸煙和飲酒是廣泛認可的急診住院風險因素，其戒斷的益處已有充分記載。高DBI與不良臨床結果相關，而減少DBI藥物處方的成功案例有限。這強調了將DBI和其他潛在不當多重用藥指標作為未來涉及老年人的ML研究中基本變量的重要性。

這是第一項在老年人中使用RF模型預測30天內急診住院的研究。RF模型實現(xiàn)了0.785的AUC-ROC，并驗證了幾個常見風險因素，如DBI、性別、年齡、吸煙和飲酒。這與使用RF模型預測相關臨床結果的其他研究結果一致。例如，Veyron等人開發(fā)了一個RF模型來預測7天和14天的急診就診，分別實現(xiàn)了0.70和0.67的AUC-ROC。Belmin等人的另一項研究使用RF模型預測短期急診就診，盡管樣本量小，但實現(xiàn)了83%的靈敏度和86%的特異度。湯森剝奪指數(shù)是RF模型中30天內急診住院最重要的風險因素。由于居住區(qū)剝奪是公認的住院風險因素，將其納入未來模型可能有助于識別來自貧困地區(qū)的高風險個體。

XGB模型實現(xiàn)了0.863的AUC-ROC，并驗證了DBI、高血壓、吸煙、飲酒、行動能力和糖尿病等幾個常見風險因素。我們的XGB模型性能與其他研究一致，例如Bories等人的研究，他們開發(fā)了一個XGB模型來預測老年人的出血事件住院，實現(xiàn)了0.72的AUC-ROC。Polo Friz等人的另一項研究使用XGB模型預測心力衰竭住院后30天內再入院，實現(xiàn)了0.803的AUC-ROC。

LR模型表現(xiàn)不佳，AUC-ROC為0.608。這顯著低于InterRAI研究中報告的0.724的AUC-ROC。在更廣泛的文獻中，LR模型顯示出更好的性能。例如，Verdu-Rotellar等人使用多變量LR模型預測老年人的30天內住院，實現(xiàn)了0.73的AUC-ROC。該LR模型利用了在初級保健環(huán)境中容易獲得的臨床變量，表現(xiàn)良好。

當前研究還驗證了其他風險因素，包括行動能力、骨折史和跌倒史，這些都需要全面的老年評估、針對性治療和預防措施。雖然減輕這些風險因素在降低30天內急診住院風險方面可能影響不大，但它們的驗證與現(xiàn)有文獻一致。例如，F(xiàn)isher等人在一項包含111名年齡≥65歲、因急性內科疾病住院的參與者隊列中，確定行動能力是預測30天內再入院的重要變量。此外，Somersalo等人表明，在一項包含5985名參與者的隊列中，髖部、踝部、腕部、脊柱和肱骨近端骨折占需要住院治療的骨折的64%。此外，在Vaishya等人的一項研究中，跌倒與住院相關。該小組得出結論，通過確保安全的生活環(huán)境進行預防比治療更重要。與DBI類似，這些風險因素應在未來的老年醫(yī)學ML研究中予以考慮。

驗證DBI、吸煙和危險飲酒等重要風險因素用于預測30天內急診住院，使臨床醫(yī)生能夠降低風險。本研究為早期干預和個性化護理策略提供了一條途徑，最終旨在減少老年人群的入院人數(shù)并改善公共健康。本研究中的模型，尤其是XGB模型，顯示出有前景的預測能力，經過進一步優(yōu)化后可能適合在臨床環(huán)境中進行試驗性部署。該模型將部署為臨床決策支持工具，臨床醫(yī)生輸入患者信息后，可立即獲得有關該患者急性住院風險的信息，類似于常用的骨折風險評估工具（FRAX）。然而，盡管其性能良好，但概率分布兩端的校準不佳意味著它不能以當前形式部署。

在臨床環(huán)境中部署XGB模型之前，必須考慮幾個因素。雖然該模型表現(xiàn)出良好的預測能力和校準，但未來的迭代應側重于優(yōu)化特征選擇和更全面的調優(yōu)以提高性能。所有三種模型在分布的兩端都表現(xiàn)出校準問題，這意味著它們對低風險和高風險參與者的預測準確性較低。缺失或質量差的數(shù)據可能會降低模型的預測能力。然而，該模型使用易于獲取的二元數(shù)據，可以通過簡單的問卷收集，無需專業(yè)培訓。最近的一項系統(tǒng)評價得出結論，雖然有幾項研究已在臨床環(huán)境中部署了ML模型，但這些研究通常質量較低，未能遵守報告標準，也未能納入來自異質人群的參與者。

未來的工作應遵循標準化報告指南，優(yōu)先驗證在不同、可推廣的老年人群隊列中預測急診住院的關鍵風險因素，并為臨床應用校準模型。

本研究有幾個局限性。研究人群年齡范圍狹窄，超過99%的參與者年齡在65至70歲之間，這引發(fā)結果是否能推廣到整體≥65歲老年人群的問題。然而，了解年輕、較少患多種疾病的老年人群的健康結果，可以提供適用于更老年群體的緩解見解。此外，在多重用藥管理中早期干預的潛力可能減少患者年老時的長期健康并發(fā)癥和住院。其次，這個志愿者參與者隊列（自選擇偏倚）通常更健康，因此不能推廣到老年人群。第三，分析是在關于30天內急診住院的SMOTE平衡數(shù)據集上進行的，這可能導致過于樂觀的性能指標，并可能限制其推廣到現(xiàn)實世界場景。未來的工作將評估模型在不平衡測試數(shù)據上的性能，以評估其現(xiàn)實世界的適用性。第四，固定的索引日期假設風險因素隨時間保持穩(wěn)定，這意味著在索引日期觀察到的模式適用于其他日期。在本研究中實施滾動索引日期不可行，但應在未來研究中使用。最后，種族未包含在本研究呈現(xiàn)的模型中，因為它不平衡（>90%為英國人）。

本研究也有幾個優(yōu)勢。使用新數(shù)據集驗證風險因素使臨床醫(yī)生對結果的穩(wěn)健性更有信心。其次，變量重要性圖顯示在關鍵風險因素（如DBI和危險飲酒）上總體一致。第三，我們捕獲了初級和二級保健以及自我報告的診斷。第四，該研究區(qū)分了擇期和急診住院，并通過排除索引日期前1年內住院的患者來考慮健康使用者偏倚，增加了研究結果的臨床相關性。第五，遵循了TRIPOD-AI清單，確保了當前研究所有方面的透明度。第六，所有ML模型都經過了五折交叉驗證并重復100次，防止了過擬合。最后，所有R代碼和醫(yī)療代碼列表均已共享以確保可重復性。本研究的最后兩個優(yōu)勢支持了可查找、可訪問、可互操作和可重用（FAIR）的人工智能原則，以實現(xiàn)學術數(shù)據的可重用性。

結論
更加注重使用來自多個國家和醫(yī)療保健系統(tǒng)的異質患者隊列來訓練ML模型，可能使臨床醫(yī)生能夠利用ML方法來降低老年人短期急診住院的風險。這些ML模型可用于預測高風險患者并識別可改變的風險因素以降低其急診住院風險。正如當前使用英國生物銀行隊列的研究以及先前使用InterRAI數(shù)據的研究所證明的那樣，短期可改變的風險因素，如DBI，在預測急診住院方面起著至關重要的作用。早期識別和緩解這些可改變的風險因素可能導致降低患者風險，并提高臨床護理和公共衛(wèi)生的標準。它也可能為未來的研究者將其納入他們的預測模型奠定基礎。

致謝
我們感謝英國生物銀行和DNAnexus團隊在提取本研究所用數(shù)據集方面提供的支持。

利益沖突聲明
無聲明。

資金來源聲明
這項工作得到了巴斯大學大學研究學生獎學金（項目代碼EA-PA1231）的支持。

數(shù)據可用性
有關英國生物銀行的更多詳細信息以及如何訪問數(shù)據集，請訪問 www.ukbiobank.ac.uk/。分析代碼已存放在GitHub存儲庫中：github.com/RobertOlender/ML_UKBiobank_emergency_30-day_hospitalisation，以確保可重復性。

老年人過度醫(yī)療的全球現(xiàn)狀與綜合干預策略：聚焦臨床危害與系統(tǒng)解決方案

主要內容如下：

• 過度醫(yī)療的定義與流行病學背景：使用數(shù)據和表格介紹過度檢查、用藥和治療在老年人群中的普遍性及定義標準。

• 過度醫(yī)療的多維度臨床影響：分五個子章節(jié)詳細分析藥物負擔、身體機能、心理社會、經濟及倫理方面的危害，包含機制闡述和表格總結。

• 驅動因素與系統(tǒng)機制：從臨床實踐、患者家屬、醫(yī)療體系三層面分析過度醫(yī)療的成因。

• 循證干預策略與創(chuàng)新實踐：通過四種有效干預方式及典型案例，說明如何減少過度醫(yī)療。

• 未來方向與政策建議：提出支付改革、技術整合等系統(tǒng)變革方案。

• 結論與行動倡議：用表格總結核心問題與解決方案，強調“少即是多”理念。

1 過度醫(yī)療的定義與流行病學背景

在老年醫(yī)學領域，過度醫(yī)療（overmedicalization）已成為一個日益嚴峻的全球性挑戰(zhàn)，主要指超出臨床實際需求的醫(yī)療行為，包括過度檢查（如對無癥狀老年人常規(guī)進行PSA篩查）、過度開藥（polypharmacy，通常指同時使用≥5種藥物）和過度治療（如對輕度高血壓的老年患者過于激進的降壓治療）。據最新流行病學數(shù)據顯示，全球范圍內78%以上的老年人至少患有一種慢性病，其中約40%同時使用5種以上藥物，11.7%甚至達到超多重用藥（≥10種藥物）。在中國，這一現(xiàn)象尤為突出，78%的老年人患有一種及以上慢性病，多病共存（multimorbidity）現(xiàn)象普遍存在，直接導致“五個專家開二十種藥，老人成了試藥罐子”的醫(yī)療困境。

定義與診斷標準的明確對識別和干預過度醫(yī)療至關重要：

• 過度檢查：指缺乏明確適應證的篩查或診斷性檢查，如對76歲以上無前列腺癌病史男性常規(guī)進行PSA檢測，或對65歲以上女性進行非特異性原因的尿液檢測。

• 多重用藥：不僅關注藥物數(shù)量（≥5種），更強調“不適當多重用藥”（inappropriate polypharmacy），即存在潛在風險藥物組合、無明確適應證的藥物或治療目標與患者預期壽命不符的情況。

• 過度治療：包括對老年綜合征（如失眠、關節(jié)疼痛）的過度干預，以及對慢性病（如糖尿病）的過度控制（如對75歲以上HbA1c<7%的患者仍強化降糖）。

值得關注的是，2025年發(fā)表在《GeroScience》上的英國生物銀行（UK Biobank）研究首次通過多狀態(tài)模型揭示：多重用藥與全因癡呆風險增加85%（HR=1.85）及全因死亡率增加62%（HR=1.62）存在顯著關聯(lián)，且這種關聯(lián)獨立于共病因素存在。而日本SONIC隊列研究則發(fā)現(xiàn)，多重用藥（5-9種藥物）使老年人自評健康（SRH）惡化的風險增加3.16倍，超多重用藥（≥10種）則風險增加5倍，凸顯了藥物負擔對主觀健康感知的直接影響。

2 過度醫(yī)療的多維度臨床影響

藥物-疾病及藥物-藥物相互作用是導致老年人急性醫(yī)療事件的核心機制。英國巴斯大學2025年發(fā)表在《Age and Ageing》的研究首次采用機器學習方法，基于大樣本UK Biobank數(shù)據開發(fā)預測模型，發(fā)現(xiàn)藥物負擔指數(shù)（Drug Burden Index, DBI）——衡量抗膽堿能和鎮(zhèn)靜藥物累積效應的指標——是30天內急診住院的最強預測因子之一（AUC=0.86）。該研究指出：

• DBI每增加1單位，急診住院風險升高35%（95%CI: 1.28-1.42）

• 處方級聯(lián)（prescribing cascade）現(xiàn)象突出：例如止痛藥→高血壓→降壓藥→跌倒骨折的惡性循環(huán)

• 其他關鍵預測因子包括：行動能力受損（OR=2.9）、跌倒史（OR=2.7）和危險飲酒（OR=1.8）

“With more older adults on complex drug regimens, we need proactive ways to reduce preventable emergency hospitalisations.” —— 研究負責人Robert Olender強調，對復雜用藥方案的老年人，需采取主動干預策略預防可避免的急診住院。

表1：多重用藥與不良健康結局的關聯(lián)證據總結

過度醫(yī)療對老年人生理功能的損害常表現(xiàn)為醫(yī)源性衰退。典型案例中，80多歲的李爺爺因“低頭綜合征”就診，病因追溯為降壓藥副作用導致的頸部肌張力障礙，經綜合評估后停藥并康復，一周內恢復。這種醫(yī)源性問題常源于：

• 抗膽堿能負擔累積：斯里蘭卡研究發(fā)現(xiàn)，多重用藥顯著增加抗膽堿能負擔（ACB）（P<0.001），導致口干、便秘、尿潴留及認知模糊。

• 功能儲備耗竭：老年醫(yī)學科強調的“全人管理”理念指出，肺炎治療需同時評估吞咽功能、營養(yǎng)狀態(tài)及居家環(huán)境，而非單純抗感染。過度聚焦單一疾病而忽視功能維護，將加速失能進程。

生活質量的影響在自評健康（Self-Rated Health, SRH）指標上尤為顯著。日本SONIC研究通過3年隨訪發(fā)現(xiàn)，超多重用藥（≥10種藥物）使SRH惡化的風險增加5倍（aOR=5.00），且這種關聯(lián)獨立于慢性病數(shù)量存在，提示藥物負擔本身直接降低老年人的主觀健康感知。機制涉及：

• 藥物不良反應的軀體體驗（如頭暈、乏力）

• 用藥復雜性導致的心理負擔

• 頻繁就醫(yī)對社交活動的限制

治療負擔（Treatment Burden）概念近年備受關注，指患者為管理健康所承受的認知、軀體及情感壓力。對老年人而言，過度醫(yī)療帶來的負擔尤為沉重：

• 認知超載：記憶不同藥物的用法、復診時間及檢查安排，超出老年人認知資源。Mini Cog測試顯示，用藥≥5種的老年人認知評分平均降低1.6分（P=0.03）。

• 醫(yī)源性焦慮：對“異常”檢查結果的過度解讀（如偶發(fā)室性早搏被建議過度治療）誘發(fā)健康焦慮。北京海淀醫(yī)院案例中，85歲老奶奶的“高血壓”實為抑郁情緒的軀體化表現(xiàn)。

• 社會隔離：頻繁就醫(yī)擠占社交時間，據中國報道，慢性病患者每月平均耗費3-5天獲取藥物，加劇社會疏離。

心理影響還體現(xiàn)在決策自主權剝奪。當醫(yī)生聚焦于疾病指標而忽視患者整體生活目標時，易導致治療目標錯位。姑息醫(yī)學強調的倫理四原則——自主性（Autonomy）、行善（Beneficence）、不傷害（Non-maleficence）、公正（Justice）——為平衡決策提供框架。

過度醫(yī)療導致的資源浪費在系統(tǒng)層面觸目驚心：

• 直接成本：米國研究顯示，過度PSA檢測、非特異性尿檢及糖尿病過度治療年耗資超30億刀（美元）。

• 虛擬負荷：越南經驗揭示，每月復診取藥制度導致門診量虛高，醫(yī)生“工作超12小時/天”，患者“徹夜排隊”。

• 機會成本：資源錯配擠占有效服務，如康復和營養(yǎng)支持未被納入中國醫(yī)保支付范圍，老年醫(yī)學科年均收益僅為心內科的1/3。

支付方式改革如DRG/DIP在中國實施后，老年醫(yī)學科因收治多病共存、住院時間長的患者，面臨更嚴重的“費用超標”壓力。海淀醫(yī)院蘆志雁醫(yī)師指出：“首頁診斷10個病種都不夠寫”，而醫(yī)保支付未能充分補償這些復雜性，導致科室在績效考評中“拖后腿”。

過度醫(yī)療侵蝕醫(yī)療本質的核心倫理價值：

• 行善原則違背：當關節(jié)疼痛被過度干預（如關節(jié)注射替代運動療法），或臨終患者接受無效化療時，醫(yī)療已從“治病”異化為“致病”。

• 公正性挑戰(zhàn)：資源向過度治療傾斜，導致70%斯里蘭卡老年人缺乏基本藥物審查服務。

• 信任損耗：醫(yī)生成為“開藥工具”，而非健康伙伴。奧地利研究揭示，僅5%需要姑息治療的急診患者獲得適宜服務，折射系統(tǒng)對個體需求的漠視。

“老年人的病，一半在身體，一半在生活。” —— 北京海淀醫(yī)院郭曉斌醫(yī)師指出，老年醫(yī)學科的價值在于從“病”到“人”的視角轉換。

3 驅動因素與系統(tǒng)機制

醫(yī)師層面的驅動因素根植于醫(yī)學教育缺陷和認知偏差：

• 疾病中心思維：專科醫(yī)生如“偵探”聚焦疾病，而老年患者需“管家”整合多重需求。本科老年醫(yī)學課程缺失導致全人視角薄弱。

• 行動偏倚（Action Bias）：面對不確定性，“開檢查”比“觀察等待”更符合心理安全，即使證據不支持其效用。

• 防御性醫(yī)療：醫(yī)療糾紛壓力下，過度檢查成為“自我保護”工具。

2025年斯里蘭卡研究揭示，臨床醫(yī)師對藥物審查重要性認知不足，51.2%的多重用藥患者未接受過系統(tǒng)藥物評估。而奧地利姑息治療研究指出，急診醫(yī)師對老年抑郁識別率不足30%，導致將心理社會問題誤讀為軀體疾病。

疾病焦慮與文化期待塑造需求端行為：

• 健康誤解：將衰老生理現(xiàn)象（如關節(jié)磨損、睡眠模式改變）病理化，催生“膠原蛋白注射狂熱”。

• 孝道壓力：中國家庭通過“積極治療”表達關愛，即使違背患者意愿。

• 信息不對稱：保健品營銷利用“腦力衰退”恐懼，導致維生素中毒案例。

系統(tǒng)級因素是過度醫(yī)療的深層土壤：

表2：老年過度醫(yī)療的關鍵驅動因素與系統(tǒng)機制

• 支付機制扭曲：中國老年綜合評估（CGA）作為核心技術，未被納入收費項目，而手術操作回報率高，激勵技術性服務。

• 考核指標錯配：公立醫(yī)院“國考”強調四級手術率、床位周轉率，而老年醫(yī)學科的核心價值（如功能維持、癥狀緩解）未被量化評價。

• 部門壁壘：醫(yī)療、醫(yī)保、民政分割管理，阻礙醫(yī)養(yǎng)結合。張明吉指出：“需打通部門壁壘，構建轉診和延續(xù)護理機制”。

越南的取藥制度變革折射系統(tǒng)困境：2025年7月前，慢性病患者每月需排隊取藥，新規(guī)雖延長至90天，但基層醫(yī)師能力不足可能削弱政策效果。

4 循證干預策略與創(chuàng)新實踐

西北大學2025年發(fā)表在《Annals of Internal Medicine》的隨機對照試驗（N=371臨床醫(yī)生）證明：基于行為科學的決策支持工具，可顯著減少過度醫(yī)療：

• 突出潛在危害：如PSA篩查的假陽性風險

• 傳遞社會規(guī)范：“80%同行在類似情況選擇觀察”

• 強化責任歸屬：要求醫(yī)生輸入治療理由

干預18個月后，PSA檢測率降低8.7/100人（95%CI: -10.2~-7.1），非特異性尿檢降低5.5/100人（CI: -7.0~-3.6），糖尿病過度治療率降低1.4/100人（CI: -2.9~-0.03）。

老年醫(yī)學科（Geriatrics）通過“全人管理”重構醫(yī)療范式：

• 綜合評估（CGA）：海淀醫(yī)院“五師共管”模式整合醫(yī)師、藥師、康復師、營養(yǎng)師、心理師，對20種藥物患者實施精準停藥。

• 適老環(huán)境：走廊防滑扶手、夜光呼叫按鈕、L型衛(wèi)生間扶手等細節(jié)降低醫(yī)源性跌倒風險。

• 溝通藝術：用寫字板對話失聰老人、放大鏡圈注藥品說明、糖果緩解焦慮——海淀醫(yī)院證明人文關懷是技術干預的增效劑。

藥物優(yōu)化（Deprescribing）從證據走向實踐：

• DBI導向精簡：巴斯大學團隊開發(fā)機器學習工具（github.com/RobertOlender/...），識別高風險患者，減少抗膽堿能藥物。

• 共享決策：日本“お薬手帳”（個人用藥記錄）提升患者參與，結合藥師咨詢使SRH改善率達41%。

• 替代療法：用認知行為療法替代安眠藥，用阻力訓練替代關節(jié)注射，從源頭上減少藥物需求。

支付改革是可持續(xù)變革的杠桿：

• 日本經驗：將老年康復、陪護納入醫(yī)保，支持功能導向服務。

• DRG豁免：德國對高齡患者延長住院天數(shù)豁免期，避免推諉重癥老人。

• 中國破局點：張福春、郭曉斌呼吁：將“老年綜合評估”這一核心診療工具納入醫(yī)保收費目錄。 同時，參考日本經驗，讓老年康復服務、陪護服務等項目獲得更明確的支付支持。 此外，醫(yī)保支付方式改革和“國考”也應對老年醫(yī)學科有所傾斜。 比如：設立老年專項DRG權重，提高對收治高齡、重癥、多病共存患者的支付標準；延長老年患者合理住院天數(shù)的豁免期，避免醫(yī)院因考核壓力而推諉收治老年患者。（張富春：北京大學第三醫(yī)院海淀院區(qū)院長；郭曉斌：北京大學第三醫(yī)院老年內科主任醫(yī)師、健康管理中心主任）

越南2025年7月起實施的慢性病取藥新規(guī)（90天處方），有望減少30%門診量，但需配套基層能力建設。

表3：減少老年過度醫(yī)療的循證干預策略及效果證據

5 未來方向與政策建議

以功能為導向的支付模型是破局關鍵：

• 捆綁支付：將節(jié)約費用用于老年團隊服務（如CGA、居家康復）

• 按人頭付費：米國PACE模式證明，整合醫(yī)療與照護可降費23%

• 價值指標：將“跌倒減少率”、“用藥適切性”納入績效考核

人工智能與數(shù)字工具提供新可能：

• 風險分層：巴斯大學DBI預測模型（準確率75%）可內嵌至電子病歷，實時警示高風險處方。

• 遠程藥管：智能藥盒提醒服藥，減少因漏服導致的劑量補償行為。

• 數(shù)字療法：失眠APP替代藥物干預，從源頭減少用藥需求。

老年醫(yī)學專業(yè)建設需多層級推進：

• 本科課程：增設老年綜合征必修課，扭轉“疾病中心”思維

• 專科培訓：中國亟需獨立職稱序列，脫離內科依附

• 公眾教育：央視網等媒體傳播“衰老非病”理念，降低過度治療需求

醫(yī)養(yǎng)結合是可持續(xù)照護的基石：

• 出院銜接：海淀醫(yī)院設想“急性期醫(yī)院→康復中心→居家”的連續(xù)路徑

• 社區(qū)藥房：英國賦予藥師處方權，開展藥物審查

• 安寧療護：奧地利將姑息原則融入急診，避免無效復蘇

6 結論：走向適度醫(yī)療的范式轉型

過度醫(yī)療不僅是臨床問題，更是系統(tǒng)失靈的表征。老年醫(yī)療的范式轉型需從“更多即更好”轉向“少即是多”（Less is More）的價值重塑：

• 個體層面：以患者生活目標為治療終點，如海淀醫(yī)院“聊家常”揭曉高血壓背后的心理郁結

• 臨床層面：推廣CGA和藥物審查，將SRH納入常規(guī)評估

• 系統(tǒng)層面：支付體系從“按服務付費”轉向“為價值買單”

表4：老年適度醫(yī)療的核心原則與實施路徑

面對全球老齡化海嘯，過度醫(yī)療的終結非一日之功。但當醫(yī)生放下“必須做點什么”的焦慮，患者擺脫“所有異常都要治療”的執(zhí)念，系統(tǒng)停止“越多越好”的激勵，我們才能回歸希波克拉底誓言的本真——“首先，不要傷害”（Primum non nocere）。

德富、國富、玉成、禹杰、雲飛、游雲、傳奇、Lyu.

Wuhan Union Hospital