中老年人轻度认知障碍风险预测模型的范围综述

Scope review of risk prediction models for mild cognitive impairment in middle‑aged and older people

摘要

目的 对中老年人轻度认知障碍风险预测模型进行范围综述，以期为疾病早期识别提供参考。 方法 系统检索9个中英文数据库，检索时间为建库至2024年9月。提取文献基本特征、轻度认知障碍患病率、模型的构建情况、模型性能、模型预测因子及呈现方式等信息。 结果 共纳入27篇文献，轻度认知障碍患病率2.34%~86.40%，受试者工作特征曲线下面积为0.676~0.938。模型构建方法主要包括logistic回归分析、机器学习、Rothman Keller模型。年龄、文化程度、性别和慢病是常见的预测因子。 结论 轻度认知障碍风险预测模型尚处于发展阶段，模型性能差异较大，整体偏倚风险高，未来研究应重视对模型性能多维度验证，丰富模型构建方法与呈现形式，构建偏倚风险低、实用性强的预测模型。

Abstract

Objective To conduct a scoping review of the risk prediction model of mild cognitive impairment in middle‑aged and older people， in order to provide a reference for the early identification of the disease. Methods Nine databases in Chinese and English were systematically searched from inception to September 2024. Information such as the basic characteristics of the literature， the prevalence of mild cognitive impairment， the construction of the model， the performance of the model， the predictors and the presentation methods of the model were extracted. Results A total of 27 articles were included， and the prevalence of mild cognitive impairment was 2.34%-86.4%， and the area under the receiver operating characteristic curve was 0.676-0.938. The model construction methods mainly include logistic regression analysis， machine learning， and Rothman Keller model， and age， education level， gender， and chronic diseases are common predictors. Conclusion The risk prediction model for mild cognitive impairment is still in the development stage， with large differences in model performance and high overall risk of bias.

Graphical abstract

关键词

轻度认知障碍 / 中老年人 / 预测模型 / 风险评估 / 范围综述

Key words

Mild cognitive impairment / Middle-aged and older people / Prediction model / Risk assessment / Scope review

随着我国人口老龄化程度加深，中老年人群认知障碍患病率也与日俱增。截至2021年，全世界阿尔茨海默病（Alzheimer′s disease，AD）患者的数量已达4 500万，预计至2050年超过1.52亿^［1］。在中国，AD已成为老年人第4位致死病因^［2］。同时，阿尔茨海默病在我国发病趋势日益年轻化。据2023年《阿尔茨海默病患者需求洞察报告》^［3］显示，有21.3%的AD患者于60岁以下发病，远高于全球平均水平。AD不但严重损害中老年人的生活质量，更给家庭和社会造成巨大的经济和照顾负担^［2］。轻度认知障碍（mild cognitive impairment，MCI）作为正常认知老化与AD之间的关键过渡期，是AD早期实施有效防治策略的最佳时机^［4］。因此，对轻度认知障碍患者早期识别，挖掘其危险因素，对延缓AD的发生、发展具有重要意义。近年来，轻度认知障碍风险预测模型的研究不断增加，但各预测模型存在异质性，质量亦参差不齐。且尽管有大量的预测模型被开发，但只有少数模型经过验证，真正应用于临床实践的更是屈指可数^［5，6］。因此，本研究针对国内外轻度认知障碍风险预测模型的构建方式、预测因子、呈现形式、模型性能等进行范围综述，总结该领域的研究现状并分析目前存在的问题，以期为轻度认知障碍的早期识别、制定针对性的干预策略提供科学依据。

1 资料与方法

1.1 目的与问题

（1）目前国内外存在哪些中老年人轻度认知障碍的风险预测模型？（2）常涉及哪些预测因子？（3）预测模型采用的建模方法有哪些，模型呈现性能如何？

1.2 文献检索策略

共检索9个数据库，包括中文数据库中国知网、万方数据库、维普数据库、CBM，英文数据库PubMed、the Cochrane Library、EMbase、CINAHL、Web of Science。采用主题词与自由词相结合的方式检索，中文检索词包括：“中年人”“老年人”“中老年人”“轻度认知障碍”“轻度认知功能减退”“轻度认知损害”“预测模型”“风险预测”“风险评估”“危险因素”“预测因素”“预测因子”“列线图”，英文检索词包括：“aged”“elderly”“seniors”“middle‑aged”“cognitive dysfunction”“mild cognitive impairment”“mild cognitive disorder”“mild cognitive decline”“forecasting”“predictive model”“risk prediction model”“prognostic model”“nomograms”，检索时间为建库至2024年9月。以PubMed为例，检索策略见图1。

1.3 文献的纳入与排除标准

纳入标准：（1）研究对象：年龄≥45岁的轻度认知障碍患者；（2）研究内容：①构建或验证轻度认知障碍风险预测模型；②详细描述了模型的构建、性能、验证与报告的整个过程；（3）研究类型：包括横断面研究、队列研究、病例对照研究。

排除标准：（1）非中、英文文献；（2）无法获得全文；（3）对预测模型的内容或方法未进行说明，或只分析了轻度认知障碍的危险因素，未构建风险预测模型的研究；（4）重复发表；（5）各类综述论文、会议论文、学位论文等。

1.4 文献筛选

将题录导入Endnote X9软件进行去重，由两名接受过系统循证课程培训的研究人员按照制定的纳排标准，阅读文题、摘要，并进一步阅读全文进行初筛与复筛，如遇分歧，则与第三名研究者进行讨论，最终决定是否纳入。

1.5 预测模型偏倚风险评价

本研究使用Wolff等^［7］研发的PROBAST预测模型评价工具进行质量评价。其包含了研究对象、预测因子、结果及统计分析四个维度及20个条目，每个条目用“是/可能是”、“可能不是/不是”或“没有信息”进行回答，通过对4个领域的综合评价，将模型的偏倚风险分为低、高或不清楚^［8］。

1.6 数据提取与分析

本研究根据CHARMS清单^［9］提取数据，包括文献基本特征、轻度认知障碍患病率、模型的构建情况、模型性能（AUC、校准度、灵敏度和特异度）、模型预测因子及呈现方式等信息。

2 结果

2.1 文献筛选流程与结果

检索获得5 296篇文献，包括4 103篇英文文献，1 193篇中文文献。经EndNote X9软件去重，阅读题目、摘要和全文，共得27篇文献。见图2。

2.2 纳入文献基本特征

纳入的27篇文献中研究类型包括横断面研究（n=14）和队列研究（n=13），发表时间2019~2024年。其中中国20篇，美国3篇，韩国2篇，英国1篇，新加坡1篇，轻度认知障碍的患病率为2.34%~86.4%。见表1。

2.3 纳入文献偏倚风险评价

基于PROBAST工具，在4个领域对预测模型进行偏倚风险评估，本研究纳入的文献总体偏倚风险高^［8］。其中研究对象的偏倚风险可能源于部分数据来自回顾性队列研究；预测因子领域的偏倚，可能与部分研究未采用盲法对预测因子进行评估有关；统计分析领域的偏倚风险，可能与部分研究未对预测模型的性能进行评估及未对模型的拟合程度进行考虑有关。见表2。

2.4 MCI风险预测模型的构建与验证

2.4.1 模型构建基本情况

预测模型研究人群大部分集中在老年人，仅有少数研究关注了45岁及以上的中老年人，涉及社区人群，农村人群，住院病人，体检中心人群，样本来源包括CLHLS、CHARLS、KLoSA、MCSA、SLAS、RuLAS、ADNI、CFPS、NHANES、BABRI、AHLS、ELSA等中外公共数据库。纳入研究的样本量为199~20 503例。模型的构建方法主要包括：Logistic回归模型、Rothman Keller模型、Lasso回归模型、Cox比例风险回归模型、RF模型、GBDT模型、XGBoost模型、LSTM模型等。

2.4.2 模型预测因子及呈现方式

纳入的轻度认知障碍风险预测模型包括5~16个预测因子，其中常见的模型预测因子分别为年龄、文化程度、性别及慢病。模型的呈现方式主要包括风险评分公式/系统（n=9）、列线图（n=4）、决策树（n=3）、机器学习模型（n=8）等。见表3。

2.4.3 模型验证及性能

在模型的验证中，8个预测模型采用外部验证，9个预测模型使用Bootstrap或交叉验证的方法进行内部验证，4个模型进行内外部验证，6个模型未进行任何验证。26个研究报告了模型的 AUC值，其范围为0.676~0.938，显示模型的总体预测性能较好。9项研究报告了模型校准度，其中以校准曲线表示的模型5个，仅4项研究对模型的H‑L拟合优度检验P值进行报告。部分研究报告了预测模型的灵敏度和特异度，灵敏度的范围为55%~97%，特异度的范围为62%~100%。见表4。

3 讨论

3.1 中老年人轻度认知障碍早期预警应予以重视

本研究结果显示，中老年轻度认知障碍的患病率为2.34%~86.4%，存在较大差异，分析其原因一方面可能与部分数据来源于多个回顾性、单中心研究有关，另一方面可能与不同地区、人群特征差异有关。一项meta分析^［37］显示，我国老年人MCI的患病率为19%，60岁以上的MCI患者约3 877万人^［38］。随着老龄化程度加深，MCI的患病率逐步增高，MCI患者的寿命往往较认知功能正常的普通人缩短，是预测患者死亡风险的独立因子，严重威胁公共健康^［39］。因此，重视MCI早期风险因素的识别，并制定针对性的干预策略，降低其患病率具有重要意义。

3.2 年龄、文化程度、性别和慢病是轻度认知障碍常见的预测因子

本文对国内外中老年人轻度认知障碍风险预测模型相关研究进行了范围综述，其中高龄、女性及文化程度低及慢病是MCI常见的预测因子。研究表明，随着年龄增长大脑中海马体产生的淀粉样β蛋白增多，加速神经细胞萎缩凋亡，进而导致认知功能下降^［38］。因此，随着年龄的增长，MCI的患病率不断上升^［40］。而文化程度低的中老年人对疾病知识的获取渠道有限，容易轻视忽略疾病早期的症状及带来的严重后果，且此类人群缺乏吸收新知识和主动学习的能力，认知储备低，如产生抑郁、焦虑等不良情绪后亦不能很好地处理^［41］，易发生轻度认知障碍。另外，相对于男性，老年女性所患轻度认知障碍的概率更高，与其绝经后雌激素分泌减少有关^［42］。此外，慢病与轻度认知障碍的发生密切相关。研究表明^［43］，长期的高血压会促进大脑动脉血管内膜增生，从而造成管腔狭窄，大脑额叶、海马等重要区域缺血受损，进而导致患者注意力、执行功能及信息处理速度等认知领域障碍^［44］。缺血性脑卒中主要病变部位为额叶、下丘脑及脑白质，其受损则会影响大脑的信息处理与传递，导致认知功能障碍^{［45，46］}。糖尿病的血糖波动会引起脑部氧化应激炎症损伤，长期的高血糖使得大脑血管内皮细胞受损，微循环障碍，导致认知功能下降^{［47‑49］}。因此，在临床环境中，针对有高血压、糖尿病、脑卒中等慢病史的人群予以重视，早期甄别及时干预，对于文化程度较低的高龄女性相关医疗机构应加强认知功能的筛查。此外，虽然中老年人的文化程度已无法改变，但可以通过后天的教育，如定期举办各类讲座，鼓励其接受学习新事物，从而增加大脑知识储备，改善认知功能。

3.3 轻度认知障碍风险预测模型有待进一步优化

本研究的偏倚风险评价显示模型整体偏倚风险高，主要偏倚集中在统计分析领域，可能与模型开发时将连续变量转化为≥2分类变量、筛选预测因子时基于单因素分析法、未评估模型的区分度与校准度及未对模型的拟合程度进行考虑有关。在模型性能验证方面，缺乏全面的验证，其中8项研究仅进行外部验证，9项研究仅进行内部验证，仅4项研究同时进行内部验证和外部验证，6项研究模型尚无任何验证。因此，轻度认知障碍风险预测模型的临床适用性与外推性有待进一步探讨。

本研究发现，26项研究报告了模型的区分度AUC（0.676~0.938），提示大部分模型的区分度较好。然而仅少数研究报告了预测模型的校准度，其中5项采用校准曲线，4项采用H‑L拟合优度检验，说明预测模型的校准度方面需进一步加强。在模型的构建方法上，绝大多数预测模型通过Logistic回归分析进行构建，少数研究采用机器学习模型构建。由此可见，MCI风险预测模型有待进一步优化，未来研究者在开发与验证风险预测模型时尽可能以PROBAST规范为参考，在研究对象、预测因子、结局与统计分析4个方面对模型进行把关，在研究过程和数据分析中减少偏倚风险，提升模型质量。同时，随着信息化的飞速发展，人工智能在医疗领域的广泛应用，机器学习为临床工作者在大量复杂的医疗数据中智能采集、分析、储存、预测提供了强大的工具，不同于传统医疗电子信息系统，机器学习更能够挖掘数据间更深层次的隐含规律，出更准确的预判与决策^{［50，51］}。因此，未来研究者利用机器学习开发风险预测模型以挖掘数据之间的深度联系方面需进一步探讨。

3.4 对未来研究和实践的启示

目前，有关MCI风险预测模型的研究已取得一定成效，但仍存在一些不足。未来研究进行MCI风险预测模型的构建或验证时应注意：（1）开展前瞻性多中心、大样本研究，有效地控制和减小选择偏倚对研究结果的影响，使构建出的预测模型具备更强的普遍适用性和更高的可信度，适应于各类临床实践情境；（2）丰富与完善MCI预测模型的构建方式，建立简便、有效的风险预测模型；（3）注重模型全面地评估与验证，从区分度、校准度、灵敏度及特异度等多个方面进行评估，并注重在不同临床情境下对模型进行验证，以确保其外推性；（4）MCI风险预测模型的研究人群绝大多数为社区或医院中老年人，所构建的风险预测模型不一定适用于农村老年人，且由于农村医疗资源有限，老年人文化程度不高更容易忽视疾病。因此，更应重视此类人群的筛查，针对性地开发风险预测模型；（5）在模型预测因子的选择上，在未来研究中可考虑将研究对象的血液、尿液、脑脊液中的生物标志物纳入模型预测因子，以使得风险预测模型更加客观、精准。

本研究通过范围综述系统梳理了国内外中老年人轻度认知障碍风险预测模型的构建方式、模型效能、预测因子、呈现形式等特征，分析当前风险预测模型存在的问题。建议未来研究者充分考虑临床各种情境，开展前瞻性多中心大样本的研究，丰富模型的构建方法与呈现形式，并重视对模型性能进行多维度的验证，为医护人员对轻度认知障碍的早期识别提供可靠的筛查工具。

作者贡献度说明：

蒋倩：负责论文选题、数据提取及写作；张彩虹、郭洪花：负责论文修改和定稿；麦惠盈：负责文献检索。

所有作者声明不存在利益冲突关系。

参考文献

[1] Meng X， Su J， Li H， et al. Effectiveness of caregiver non‑pharmacological interventions for behavioural and psychological symptoms of dementia： An updated meta‑analysis［J］. Ageing Res Rev， 2021，71：101448.

[2] 2023 Alzheimer's disease facts and figures. 2023 Alzheimer's disease facts and figures［J］. Alzheimer's Dementia， 2023，19（4）：1598‑1695.

[3] 中国老年保健协会阿尔茨海默病分会（ACD）.阿尔茨海默病患者需求洞察报告［EB/OL］. （2023‑09‑21）［2024‑04‑25］.

[4] Grassi M， Rouleaux N， Caldirola D， et al. A novel ensemble‑based machine learning algorithm to predict the conversion from mild cognitive impairment to Alzheimer's disease using socio‑demographic characteristics， clinical information， and neuropsychological measures［J］. Front Neurol， 2019，10：756.

[5] 武珊珊， 杨智荣， 董圣杰， 等. 网络Meta分析研究进展系列（九）：预测模型的网络Meta分析［J］. 中国循证心血管医学杂志， 2021，13（2）：133‑138.

[6] Wu SS， Yang ZR， Dong SJ， et al. Advances in methodology of network meta‑analysis（9）： Network meta‑analysis of prediction models［J］.Chin J Evidence Bases Cardiovasc Med， 2021， 13（2）：133‑138.

[7] 陶立元， 刘珏， 曾琳， 等. 针对个体的预后或诊断多因素预测模型报告规范（TRIPOD）解读［J］. 中华医学杂志， 2018，98（44）：5.

[8] Tao LY， Liu J， Zeng L， et al. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis［J］. National Med J China， 2018，98（44）：5.

[9] Wolff RF， Moons KGM， Riley RD， et al. Probast： A tool to assess the risk of bias and applicability of prediction model studies［J］. Ann Intern Med， 2019，170（1）：51‑58.

[10] 陈香萍， 张奕， 庄一渝， 等. PROBAST：诊断或预后多因素预测模型研究偏倚风险的评估工具［J］. 中国循证医学杂志， 2020，20（6）：737‑744.

[11] Chen XP， Zhang Y， Zhuang YY， et al. Probast： A tool for assessing risk of bias in the study of diagnostic or prognostic multi‑factorial predictive models［J］.Chin J Evi Based Med， 2020，20（6）：737‑744.

[12] Moons KGM， de Groot JAH， Bouwmeester W， et al. Critical appraisal and data extraction for systematic reviews of prediction modelling studies： The CHARMS checklist［J］. Plos Med， 2014，11（10）：e1001744.

[13] Wang B， Shen T， Mao L， et al. Establishment of a risk prediction model for mild cognitive impairment among elderly Chinese［J］. J Nutrition Health Aging， 2020，24（3）：255‑261.

[14] Wang Z， Hou J， Shi Y， et al. Influence of lifestyles on mild cognitive impairment： A decision tree model study［J］. Clin Interv Aging， 2020，15：2009‑2017.

[15] 马万瑞， 李漫娜， 王立群， 等. ≥55岁高血压患者发生轻度认知功能障碍的影响因素研究［J］. 中国全科医学， 2023，26（9）：1075‑1079， 1085.

[16] Ma WR， Li MN， Wang LQ， et al. Influencing factors of hypertension combined with mild cognitive impairment in community population over 55 years［J］. Chin General Pract， 2023，26（9）：1075‑1079， 1085.

[17] 陈晓玲， 吴清悦， 杨敬源， 等. 贵州农村老年人轻度认知功能损害患病风险评估模型研究［J］. 中华行为医学与脑科学杂志， 2023，32（9）：780‑786.

[18] Chen XL， Wu QY， Yang JY， et al. Evaluating model for the risk factors of mild cognitive impairment among rural elderly in Guizhou province［J］. Chin J Behavioral Med Brain Sci， 2023，32（9）：780‑786.

[19] 张一方， 张海鑫， 张纹菱， 等. 基于Meta分析的中国老年人轻度认知障碍风险评估模型的构建与验证［J］. 中华疾病控制杂志， 2023，27（6）：705‑710.

[20] Zhang YF， Zhang HX， Zhang WL， et al. Construction and validation of a risk assessment model for mild cognitiveimpairment in Chinese elderly based on Meta‑analysis ［J］. Chin J Dis Control Prevent， 2023，27（6）：705‑710.

[21] 孙振武， 王航平. 决策树算法在老年人轻度认知障碍临床筛查中的应用［J］. 云南师范大学学报（自然科学版）， 2020，40（5）：25‑29.

[22] Sun ZW， Wang HP. Application of decision tree algorithm in clinical screening of elderly patients with mild cognitive impairment［J］. J Yunnan Normal Univ（Natural Sciences Edition）， 2020，40（5）：25‑29.

[23] 麻红梅， 李月美， 李晓芳， 等. 亚高原地区老年住院患者轻度认知障碍危险因素分析及预测模型构建［J］. 中华老年医学杂志， 2022，41（1）：80‑85.

[24] Ma HM， Li MY， Li XF， et al. Analysis of risk factors and construction of a prediction model for mild cognitive impairment in elderly inpatients in sub‑plateau areas［J］. Chin J Geriatrics， 2022，41（1）：80‑85.

[25] 滕菲， 井淇， 王素珍， 等. 中国老年人轻度认知功能障碍风险评估的Rothman‑Keller模型构建及应用［J］. 现代预防医学， 2023，50（11）：1932‑1938.

[26] Teng F， Jing Q， Wang SZ， et al. Construction and application of rothman‑keller model for risk assessment of mild cognitive impairment in the elderly in China［J］. Mod Prevent Med， 2023，50（11）：1932‑1938.

[27] Na K. Prediction of future cognitive impairment among the community elderly： A machine‑learning based approach［J］. Sci Rep‑Uk， 2019，9（1）：3335.

[28] Fouladvand S， Mielke MM， Vassilaki M， et al. Deep learning prediction of mild cognitive impairment using electronic health records［J］. Proceed Ieee Int Conference Bioinformat Biomed， 2019，2019：799‑806.

[29] Park H， Ha J. Prediction models of mild cognitive impairment using the Korea longitudinal study of ageing［J］. J Korean Acad Nurs， 2020，50（2）：191‑199.

[30] Ng TP， Lee TS， Lim WS， et al. Development， validation and field evaluation of the singapore longitudinal ageing study （SLAS） risk index for prediction of mild cognitive impairment and dementia［J］. J Prevent Alzheimer's Dis， 2021，8（3）：335‑344.

[31] Jin S， Li C， Miao J， et al. Sociodemographic factors predict incident mild cognitive impairment： A brief review and empirical study［J］. J Am Med Dir Assoc， 2023，24（12）：1959‑1966.

[32] Wu Y， Wang X， Fang Y. Predicting mild cognitive impairment in older adults： A machine learning analysis of the Alzheimer's disease neuroimaging initiative［J］. Geriatr Gerontol Int， 2024，24 （）：96‑101.

[33] Jingyu L， Wen D， Liping Z， et al. A nomogram for predicting mild cognitive impairment in older adults with hypertension［J］. Bmc Neurol， 2023，23（1）：363.

[34] Pu L， Pan D， Wang H， et al. A predictive model for the risk of cognitive impairment in community middle‑aged and older adults［J］. Asian J Psychiatr， 2023，79：103380.

[35] Huang M， Gao X， Zhao R， et al. Development and validation of a nomogram for predicting mild cognitive impairment in middle‑aged and elderly people［J］. Asian J Psychiatr， 2022，75：103224.

[36] Yan F， Chen X， Quan X， et al. Development and validation of an interpretable machine learning model ‑Predicting mild cognitive impairment in a high‑risk stroke population［J］. Front Aging Neurosci， 2023，15：1180351.

[37] Li W， Zeng L， Yuan S， et al. Machine learning for the prediction of cognitive impairment in older adults［J］. Front Neurosci‑Switz， 2023，17：1158141.

[38] Huang Y， Huang Z， Yang Q， et al. Predicting mild cognitive impairment among Chinese older adults： A longitudinal study based on long short‑term memory networks and machine learning［J］. Front Aging Neurosci， 2023，15：1283243.

[39] Li X， Xia J， Li Y， et al. Risk scores of incident mild cognitive impairment in a Beijing community‑based older cohort［J］. Front Aging Neurosci， 2022，14：976126.

[40] Xiao H， Fangfang H， Qiong W， et al. The value of handgrip strength and self‑rated squat ability in predicting mild cognitive impairment： Development and validation of a prediction model［J］. J Med Care Organization Provision Financing， 2023，60：1428218273.

[41] Ahmadzadeh M， Cosco TD， Best JR， et al. Predictors of the rate of cognitive decline in older adults using machine learning［J］. Plos One， 2023，18（3）：e280029.

[42] 黄冬妹， 黄惠桥， 魏金金， 等. 老年人轻度认知障碍风险列线图预测模型的构建［J］. 重庆医学， 2024，53（11）：1630‑1635.

[43] Hang DM， Hang HQ， Wei JJ， et al. Construction of nomogram prediction model for risk of mild cognitive impairment in elderly people［J］.Chongqing Med J， 2024，53（11）：1630‑1635.

[44] 吴瑞凯， 马龙， 周晓辉， 等. 住院老年患者轻度认知功能障碍风险预测模型的构建［J］. 医学新知， 2024，34（1）：14‑24.

[45] Wu RK， Ma L， Zhou XH， et al. Construction of the risk predition model of mild cognitive impairment inhospitalized elder patients［J］.New Med， 2024，34（1）：14‑24.

[46] Zhang X， Fan H， Guo C， et al. Establishment of a mild cognitive impairment risk model in middle‑aged and older adults： A longitudinal study［J］. Neurol Sci， 2024，45（9）：4269‑4278.

[47] Song Y， Yuan Q， Liu H， et al. Machine learning algorithms to predict mild cognitive impairment in older adults in China： A cross‑sectional study［J］. J Affect Disorders， 2024，368：117‑126.

[48] 史路平， 姚水洪， 王薇. 中国老年人群轻度认知障碍患病率及发展趋势的Meta分析［J］. 中国全科医学， 2022，25（1）：109‑114.

[49] Shi LP， Yao SH， Wang W， et al. Prevalence and distribution trends of mild cognitive lmpairment amonc Chinese older adults： A meta‑analysis［J］. Chin General Pract， 2022，25（1）：109‑114.

[50] Jia L， Du Y， Chu L， et al. Prevalence， risk factors， and management of dementia and mild cognitive impairment in adults aged 60 years or older in China： A cross‑sectional study［J］. Lancet Public Health， 2020，5（12）：e661‑e671.

[51] 中华医学会神经病学分会痴呆与认知障碍学组. 阿尔茨海默病源性轻度认知障碍诊疗中国专家共识2021［J］. 中华神经科杂志， 2022，55（5）：20.

[52] Chinese society of dementia and cognitive impairment.Chinese expert consensus on the diagnosis and treatment of mild cognitive impairment due to Alzheimer′s disease 2021［J］.Chin J Neurol， 2022，55（5）：20.

[53] 潘惠英， 王君俏， 潘超君， 等. 金华市农村老年人轻度认知功能障碍患病率及影响因素［J］. 中国老年学杂志， 2020，40（20）：4448‑4451.

[54] Pan HY， Wang JQ， Pan CJ， et al.Prevalence and influencing factors of mild cognitive dysfunction among rural elderly in Jinhua City ［J］. Chin J Gerontol， 2020，40（20）：4448‑4451.

[55] 陈艳， 马婧. 农村老年人精神健康服务需求现状及其成因［J］. 长沙大学学报， 2018，32（6）：38‑40.

[56] Chen Y， Ma J.The problems and the causes of the demands for mental health services of the elderly in rural areas［J］.J Changsha Univ， 2018，32（6）：38‑40.

[57] 许新， 阮祥燕， 鞠蕊， 等. 中国女性轻度认知障碍的影响因素及其与绝经症状的关系［J］. 首都医科大学学报， 2022，43（3）：369‑374.

[58] Xu X， Ruan XY， Ju R， et al. Relationship between mild cognitive impairment and menopausal symptoms in Chinese women［J］.J Capital Med Univ， 2022，43（3）：369‑374.

[59] Moonen JE， Sabayan B， Sigurdsson S， et al. Contributions of cerebral blood flow to associations between blood pressure levels and cognition： The age， gene/environment susceptibility‑reykjavik study［J］. Hypertension （Dallas， Tex. ： 1979）， 2021，77（6）：2075‑2083.

[60] 霍永彦， 陆媛， 于德华， 等. 上海农村地区老年居民轻度认知障碍患病情况及影响因素分析［J］. 山东医药， 2020，60（14）：67‑70.

[61] Huo YY， Lu Y， Yu DH， et al. Analysis of the prevalence and influencing factors of mild cognitive impairment among elderly residents in rural areas of Shanghai［J］.Shandong Med J， 2020，60（14）：67‑70.

[62] 许可， 安晓雷， 李晓宾， 等. 急性脑梗死患者发生血管性认知障碍的相关因素及预测模型构建［J］. 实用临床医药杂志， 2022，26（6）：1‑5.

[63] Xu K， An XL， Li XB， et al. Related factors of vascular cognitive impairment in patients with acutecerebral infarction and establishment of prediction mode［J］. J Clin Med Pract， 2022，26（6）：1‑5.

[64] 李育英， 陈小玲， 张岐平， 等. 缺血性脑卒中继发轻度认知功能障碍的影响因素分析［J］. 山东医药， 2017，57（16）：85‑87.

[65] Li YY， Chen XL， Zhang QP， et al. Analysis of influencing factors of mild cognitive impairment secondary to ischemic stroke［J］.Shandong Med J，2017，57（16）：85‑87.

[66] Zhang J， Liu Y， Zheng Y， et al. TREM‑2‑p38 MAPK signaling regulates neuroinflammation during chronic cerebral hypoperfusion combined with diabetes mellitus［J］. J Neuroinflamm， 2020，17（1）：2.

[67] Hsieh C， Liu C， Lee C， et al. Acute glucose fluctuation impacts microglial activity， leading to inflammatory activation or self‑degradation［J］. Sci Rep‑Uk， 2019，9（1）：840.

[68] Mehta HB， Mehta V， Goodwin JS. Association of hypoglycemia with subsequent dementia in older patients with type 2 diabetes mellitus［J］. J Gerontol Series Biological Sci Med Sci， 2017，72（8）：1110‑1116.

[69] 佟佳益， 郑改改， 王宇， 等. 医学人工智能研究热点双聚类分析［J］. 实用临床医药杂志， 2024，28（3）：13‑17.

[70] Tong JY， Zhen GG， Wang Y， et al. Double clustering analysis of medical artificial intelligence researchhotspots［J］. J Clin Med Pract， 2024，28（3）：13‑17.

[71] 刘雨安， 杨小文， 李乐之. 机器学习在疾病预测的应用研究进展［J］. 护理学报， 2021，28（7）：30‑34.

[72] Liu YA， Yang XW， Li LZ， et al. Research progress on the application of machine learning in disease prediction.［J］. J Nursing（China）， 2021，28（7）：30‑34.

基金资助

海南省自然科学基金资助项目(820RC779)