老年人吞咽障碍风险预测模型的研究进展

Research progress on predictive models for dysphagia risk in the elderly

摘要

吞咽障碍已成为威胁老年人健康的重要问题之一，其可导致误吸、肺炎、脱水、营养不良等严重并发症，显著增加老年人的致残率、住院率及死亡率。早期识别高风险人群是实现有效干预的关键，而临床预测模型通过整合多维度危险因素，可实现对个体风险的量化评估，为吞咽障碍的早期筛查与管理提供科学依据。近年来，国内外学者已构建多个适用于普通老年人群及患有特定疾病（如脑卒中、帕金森病、痴呆等）老年人的吞咽障碍临床预测模型，多数模型展现出良好的区分度与校准度，具有较高的临床参考价值。然而，现有模型仍面临多重挑战：研究对象、建模方法、所纳入的危险因素、诊断标准及结局定义尚不统一；多数研究为单中心设计，样本量有限，缺乏外部验证与动态更新；模型的临床转化应用不足，难以真正融入临床决策流程。基于此，本文综述近年来国内外针对老年人群的普适性与特异性吞咽障碍风险预测模型的研究进展，重点比较其研究方法、纳入危险因素、模型性能及验证情况，分析现有模型的优势与局限，以期为我国老年人吞咽障碍风险预测模型的构建优化与临床应用提供参考。

Abstract

Dysphagia has become one of the important problems threatening the health of the elderly. It can lead to serious complications such as aspiration， pneumonia， dehydration and malnutrition， and significantly increase the disability rate， hospitalization rate， and mortality rate of the elderly. Early identification of high-risk populations is the key to achieve effective intervention. By integrating multi-dimensional risk factors， clinical prediction models can achieve quantitative assessment of individual risks and provide scientific basis for early screening and management of dysphagia. In recent years， scholars at home and abroad have constructed a number of clinical prediction models of dysphagia that are suitable for the general elderly population and the elderly with specific diseases （such as stroke， Parkinson's disease， dementia， etc.）. Most of the models show good discrimination and calibration， which have high clinical reference value. However， the existing models still face multiple challenges： the study subjects， modeling methods， included risk factors， diagnostic criteria， and outcome definitions are not uniform. Most of the studies were single-center designs， with limited sample size and lack of external validation and dynamic update. The clinical translation and application of the model are insufficient， which makes it difficult to be truly integrated into the clinical decision-making process. Based on this， this paper reviews the research progress of universal and specific risk prediction models for dysphagia in the elderly at home and abroad in recent years， focusing on comparing their research methods， included risk factors， model performance and validation， and analyzing the advantages and limitations of existing models， in order to provide a reference for the construction， optimization， and clinical application of dysphagia risk prediction models for the elderly in China.

关键词

吞咽障碍 / 老年人 / 风险预测模型 / 危险因素 / Logistic回归 / 机器学习

Key words

Dysphagia / The elderly / Risk prediction model / Risk factors / Logistic regression / Machine learning

吞咽障碍是指由于下颌、双唇、舌、软腭、咽喉、食管等器官结构和（或）功能受损，导致不能将食物从口腔安全有效地输送到胃内以获得足够的营养和水分，从而产生的进食困难，是一种常见老年综合征^［1-2］。研究显示，吞咽障碍全球患病率约为43.8%^［3］。我国一项meta分析结果显示，我国老年人吞咽障碍患病率高达66.0%^［4］。吞咽障碍已成为老年人群最常见的健康问题之一，不仅可导致误吸、肺炎、脱水、营养不良等一系列并发症，还会延长患者平均住院时间，严重影响其日常活动、生活质量和生命安全，并增加医疗经济负担及照护压力^［5-7］。研究显示，与无吞咽障碍人群相比，吞咽障碍患者的平均住院时间更长，平均住院总费用更多，死亡率更高^［8］。养老机构中，存在吞咽障碍的老年人6个月死亡率为24.7%，显著高于无吞咽障碍的老年人（11.9%）^［9］。由此可见，对老年人吞咽障碍的早期识别和管理至关重要。风险预测模型能够辅助医护人员预测老年人吞咽障碍的发病风险，从而便于医护人员早期实施针对性的预防干预，降低吞咽障碍的发生率，并预防或减轻不良后果。本文对近年来国内外针对老年人群的普适性及特异性吞咽障碍风险预测模型进行综述，对预测模型的研究方法、所纳入的危险因素、验证与应用进行比较分析，以期为我国老年人吞咽障碍风险预测模型的建立及早期应用提供参考。

1 风险预测模型的概述

风险预测模型是一种基于数据构建的数学方程式，可通过结合多个预测因素估计个体未来发生目标事件的概率或结局值，以便医护人员早期识别高风险人群并给予针对性预防措施^［10-11］。预测模型开发的核心步骤包括模型构建、模型验证及模型呈现^［12-13］。传统模型构建方法包括Logistic回归、Cox回归等，这些方法相对简单且易于解释，但在处理复杂数据时可能面临过拟合风险^［14］。随着人工智能在医疗领域的深入发展，机器学习广泛应用于构建疾病或不良事件的风险预测模型，可在一定程度上弥补传统方法的局限，主要包括决策树、随机森林（Random forests，RF）、极端梯度提升（eXtreme gradient boosting，XGBoost）、支持向量机（Support vector machine，SVM）、朴素贝叶斯模型、深度神经网络等经典算法^［15-16］。模型的验证包括内部验证和外部验证：内部验证是在同一数据集上进行的，用于评估模型拟合过程的可重复性与稳定性；外部验证则使用独立于模型开发的数据集，以评估模型的外推能力，即对新数据的预测能力^［13］。模型的呈现形式包括公式、评分系统、列线图、网页计算器或应用程序^［17］。预测模型在医疗领域的应用日益广泛，已成为辅助医疗诊断、临床决策和预后管理的重要工具。吞咽障碍严重威胁老年人群的健康安全。为精准识别高危人群并实施早期干预，构建本土化老年人吞咽障碍的风险预测模型至关重要。

2 老年人吞咽障碍风险预测模型的研究现状

2.1　普适性老年人吞咽障碍风险预测模型

“普适性”风险预测模型，指的是研究目的为适用于多种临床情境、不局限于单一疾病的吞咽障碍风险预测模型。这类模型多基于住院患者开发和验证，因此适用人群仍以医疗机构内的患者为主。

Lienhart A M等^［18］提取了奥地利施泰尔马克州医院信息系统中包含33 784例住院患者电子健康记录，该数据集涵盖了2011年1月1日至2019年10月31日期间所有符合纳入标准的住院病例，按照8∶2比例将其随机分为训练集和测试集。该研究比较了多种机器学习算法，如RF、自适应提升（Adaptive boosting，AdaBoost）、Logistic回归、SVM等，结果发现，RF模型和AdaBoost模型表现最优，受试者操作特征曲线（Receiver operating characteristic curve，ROC）下面积（Area under curve，AUC）值为0.94，其中RF模型的灵敏度和特异度均为88%，而AdaBoost模型的灵敏度为88%，特异度达到89%。该模型不依赖于中风等特定病种，且仅使用电子健康记录中已有的常规数据，无需额外收集数据。然而，其方法学仍存在显著局限：该模型纳入超过800个变量，这种“数据驱动”的建模策略虽在内部验证中展现了优异的预测性能（AUC值高达0.94），却存在严重的过拟合风险，从而削弱泛化能力；同时机器学习的“黑箱”特性导致可解释性差，且模型高度依赖特定医院的数据结构，进一步限制其外推性和临床实用性。随后Jauk S等^［19］将该模型首次嵌入当地医院信息系统，在内科病房和老年科病房常规工作中实时运行，并对其预测性能进行长达12个月的前瞻性验证。结果显示，对于内科患者（n=885）的预测效果优异，AUC值达0.84，特异性为84.10%，灵敏度为74.20%。而在老年科患者（n=221）中预测能力一般，AUC值为0.76，特异性为93.00%，灵敏度仅为44.40%，远低于内科患者中的水平。究其原因，除老年科患者样本量小、年龄较大且基础疾病较多外，更关键的是老年科患者吞咽障碍风险因素（如衰弱、认知障碍、肌少症等老年综合征）与内科患者存在差异，而原模型的800余个变量未能有效捕捉这些“老年特异性”风险。这一验证失败说明了普适性模型应用于老年专科时需要进行针对性调整和优化。此外，该研究纳入的人群为奥地利患者，由于语言及文化背景与我国人群存在差异，该模型可能存在信息偏差，未来应扩大样本量并开展跨地区研究，以验证其在我国老年人群中的适用性与推广性。

闫翔等^［20］纳入了成都地区18所军队干部所251例老年人，使用Logistic回归分析确定长期使用镇静催眠药、存在饮水呛咳史、低Barthel指数（Barthel index，BI）是老年人发生吞咽障碍的危险因素，并据此绘制列线图。该模型的AUC值为0.80，Bootstrap自抽样法内部验证的C-index为0.59，平均绝对误差为0.02，校准曲线显示拟合优度良好，表明模型具有较好的区分度和校准度，但该研究未报告灵敏度和特异度，且未进行外部验证，无法真实评估该模型的预测性能。相比闫翔等^［20］构建的传统风险预测模型，彭朋等^［21］构建了基于XGBoost算法的预测模型，该算法能处理存在交互和共线性问题的复杂变量，且具有较好的准确性和稳定性。该研究采用病例对照研究设计，选取了重庆医科大学附属第一医院信息管理系统中2016年3月至2023年6月老年病科的患者为研究对象。采用相关性分析剔除无关变量后，将LASSO回归筛选出差异有统计学意义的自变量纳入多因素Logistic回归分析，确定肌肉减少症、年龄、性别、主要照料者、衰弱情况、日常生活活动能力（Activities of daily living，ADL）、口腔评分、社区活动、老年人抑郁情况和认知功能是老年人吞咽障碍的主要影响因素，将其纳入XGBoost模型进行建模，该模型AUC值为0.855，表明其预测效能较好。对该预测模型贡献最大的5个自变量如下：照料者、口腔评分、衰弱情况、日常生活活动能力及认知功能。闫翔等^［20］及彭朋等^［21］的研究均存在一定的局限性，其均未进行外部验证，且受限于横断面研究设计，无法说明风险因素与吞咽障碍之间的因果关系，未来建议开展大规模、前瞻性的队列研究，并对模型进行外部验证，以进一步验证当前的发现。

余丽丽^［22］纳入了重庆某三甲中医院343例住院老年患者，进行了一项为期6个月的前瞻性队列研究，发现6个月内老年患者吞咽障碍的发生率为20.40%。该研究将LASSO回归分析差异有统计学意义的自变量进行Cox回归分析，构建了一个包含年龄、戴假牙、ADL、脑血管病（Cerebral vascular disease，CVD）、冠心病（Coronary heart disease，CHD）及恶性肿瘤6个预测因子的风险预测模型。该模型校准曲线显示拟合理想，C-index（95%CI）为0.74（0.69～0.79），表明模型具有较好的预测效果。该研究使用前瞻性队列研究构建了老年患者吞咽障碍风险预测模型，并据此建立了风险评分体系和可视化列线图，为老年患者吞咽障碍风险评估和实施干预提供了一定的参考价值，但该研究未进行外部验证。研究显示，老年人认知功能异常为吞咽障碍的潜在危险因素之一，但该研究模型中未纳入认知功能异常的老年患者，且研究对象仅来自一家医院，样本代表性不足，适用性还有待进一步验证^［23-24］。

2.2　特异性疾病老年人吞咽障碍风险预测模型

“特异性”风险预测模型是指针对特定疾病［如脑卒中、慢性阻塞性肺疾病（Chronic obstructive pulmonary disease，COPD）、头颈部肿瘤等］或特定照护环境（如ICU）所开发的模型。此类工具的优势在于对特定人群的敏感性和针对性更强，但适用范围相对局限。此分类仅反映其研究目的与主要应用场景。

刘韵涵等^［25］回顾性收集3 994例老年脑卒中患者临床资料（训练组2 604例，外部验证集1 390例），将训练组按照7∶3随机分为训练集（1 823例）和内部验证集（781例），研究涉及的机器学习算法包括RF、XGBoost、SVM和Logistic回归。多因素Logistic回归分析显示年龄、饮酒史、糖尿病、高血压、肌力等级、脑损伤区域、脑卒中侧、中性粒细胞、血清白蛋白、血钾是脑卒中后吞咽障碍的危险因素。夏普利加性解释(SHapley additive exPlanations,SHAP)分析显示，对模型预测贡献值排名前五的因素依次为饮酒史、高血压、糖尿病、脑损伤区域、肌力等级，其中肌力等级与吞咽障碍风险呈负相关，其余为正相关。在训练集和外部验证集中，XGBoost模型的AUC值分别为0.960、0.902，决策曲线分析（Decision curve analysis，DCA）显示在0.4～0.8的风险阈值范围内，该模型的预测性能及标准化净收益均优于其他模型。然而，该研究为单中心回顾性设计，部分变量缺失率较高，且缺乏临床部署测试，导致其外部推广性与实际应用价值受到限制，建议今后通过多中心前瞻性研究进一步验证与优化。

我国老年COPD患者吞咽障碍的发生率为48%^［26］。陈艺萍等^［26］选取了250例老年COPD患者，利用Logistic回归分析纳入5项危险因素，包括牙齿缺失≥6颗、存在营养不良、认知障碍、口腔衰弱及中重度COPD，构建了Logistic回归模型和决策树风险预测模型。结果显示，决策树风险预测模型的AUC值最高，为0.747，2种模型的Delong检验结果为Z=3.118，P=0.001，表明决策树风险预测模型预测效能较Logistic回归模型更高。决策树算法是一种类似树形结构的分类预测算法，具有学习速度快、效率高的特点，结果以树形结构展示，使其便于理解和解释，并由数个节点和分支构成。决策树选择最重要的属性作为模型第1层节点，同时是其学习的关键^［27-28］。与Logistic回归模型相比，决策树风险预测模型可以更好地把握不同特征间的非线性关系，可提高模型精准度。研究显示，COPD患者的疾病负担及预后受环境因素影响较大，但研究样本量较小，且均来自同一家医院，可能对结果的可靠性和推广性产生影响^［29-30］。建议未来在多地区开展研究，扩大样本量进行进一步探索。

Tang J Y等^［31］纳入305例接受气管插管治疗的ICU患者，其中回顾性收集235例患者临床资料作为建模组，前瞻性收集同科室接受气管插管治疗的70例患者资料作为外部验证组。采用LASSO回归与多因素Logistic回归相结合的方法，最终筛选出年龄、镇静药物停用时间、意识水平、ADL、是否留置鼻胃管、咽喉疼痛程度及声音障碍7个独立预测因子。研究进一步构建了可视化Nomogram图，建模组和验证组的AUC值分别为0.945、0.907，建模组的准确率、特异度及敏感度分别为84.68%、81.87%和94.34%，验证组为84.29%、88.68%和70.59%，显示模型具有良好的区分度和校准度。虽然该研究构建的预测模型在内部与外部验证中均表现出良好的预测性能，但仍存在一定局限性。对于单中心的外部验证预测模型研究，至少应该包括100例吞咽障碍患者和100例非吞咽障碍患者，以确保对模型性能指标的精准估计^［32］。而该研究外部验证仅纳入70例患者，样本量偏小可能限制模型的外推效度。其次，该研究拔管后吞咽障碍的诊断依赖标准吞咽功能评估量表（Standardized swallowing assessment，SSA）进行筛查，其阳性判定基于临床观察与主观判定，缺乏显微内镜吞咽检查或电视透视吞咽功能检查等客观金标准验证，存在显著分类误差风险。此时模型输出实质是“筛查阳性概率”而非“客观吞咽障碍风险”。若训练数据中的SSA评分与客观病理状态存在系统性偏差，模型将习得并放大这种噪声，形成“错误输入-错误学习-错误输出”的累积效应。这一问题并非该研究独有，而是当前研究领域的普遍困境。未来研究宜通过多中心、大样本、前瞻性设计，并结合客观吞咽功能评估工具，进一步验证与优化预测工具。

谢丽娜等^［33］研究发现，老年轻度认知障碍患者的吞咽障碍发生率为28.00%。该研究基于Logistic回归分析纳入年龄、Fried衰弱评分、BI、吞咽训练、牙齿缺损、用药种类数6项为预测因子，构建Logistic回归模型及决策树风险预测模型。2种模型预测老年轻度认知障碍合并吞咽功能障碍的AUC值分别为0.788和0.813，提示基于决策树构建的模型预测效能优于Logistic回归模型。通过决策树构建的模型显示，BI是最为重要的影响因素。然而，该研究也存在一些局限性。研究未报告模型的灵敏度和特异度，无法真正评估模型的预测性能。此外，由于模型构建基于单中心、小样本的回顾性数据，且未进行外部验证，因此可能存在过拟合风险，无法真实反映模型在不同人群中的泛化能力与稳定性。

下咽癌在头颈部恶性肿瘤中占比大约为5%，手术治疗可能会造成患者吞咽功能障碍^［34-35］。葛亮^［36］回顾性分析了70例接受手术治疗的老年患者临床资料，发现吞咽障碍的发生率高达58.57%。该研究通过Logistic回归分析确定了年龄、吸烟史等5项独立危险因素并构建了列线图模型。模型评估方面，AUC值为0.899（95%CI：0.863～0.935），校准曲线显示预测值与实测值基本一致，表明模型具有良好的精准度、区分度与预测能力。但该研究的局限性在于开发模型的样本量较小，可能存在过拟合，且未进行外部验证。

3 老年人吞咽障碍风险预测模型的比较分析

3.1　风险预测模型的研究方法比较

3.1.1　研究设计类型分析

从研究设计分析，前瞻性队列研究有2项^{［19，22］}，回顾性研究有6项^{［18，21，25-26，33，36］}，回顾性研究与前瞻性队列研究相结合的方式有1项^［31］，横断面研究有1项^［20］。回顾性研究的数据源自既往病例记录，其优势在于研究过程便捷、能够充分利用真实世界中的大数据。然而，原始数据常面临缺失值比例高、数据分散、样本不平衡等挑战，这些因素可能制约模型的泛化能力。为此，有必要开展系统的数据预处理，从而构建准确且完整的高质量数据集。基于横断面的研究设计无法确定暴露因素与吞咽障碍发生之间的时间顺序，如闫翔等^［20］在基于横断面研究构建老年人吞咽障碍风险预测模型时，只能确认镇静催眠药、呛咳史和低BI与吞咽障碍相关，但无法判断因果关系，需要前瞻性队列验证。前瞻性队列研究可得到结构化和标准化程度较高的数据，明确暴露因素与吞咽障碍发生的时间顺序，为因果判断提供关键证据，但数据收集费时费力，存在患者失访及病例数过少的问题^［37］。此外，只有闫翔等^［20］研究为多中心研究，其他均为单中心研究，导致样本代表性受限，模型外推性不足。

3.1.2　建模方法与算法比较

在选择统计模型方面，有3项研究^{［20，31，36］}采用Logistic回归分析，1项研究^［22］采用Cox回归的传统统计学方法构建预测模型，并通过列线图可视化，另有5项研究^{［18，21，25-26，33］}采用1种或多种机器学习方法构建模型，其中2项研究^{［21，25］}通过引入SHAP值增强模型的可解释性。所纳入研究中，机器学习模型整体优于传统回归方法，这一优势源于算法特性与吞咽障碍复杂病因的高度契合。首先，传统回归模型在处理复杂高维数据时易受多重共线性困扰，而RF通过随机特征子空间采样、XGBoost通过正则化与列采样技术，可在高维特征空间中稳定学习，有效避免了过拟合风险。其次，吞咽障碍的发生常呈非线性特征——年龄相关肌少症与神经退行性变在特定阈值后加速恶化，树模型通过递归划分可自适应捕捉此类复杂模式，而Logistic回归则需要人工预设交互项或多项式项。再者，吞咽障碍是典型多因素交互作用的临床结局，集成学习通过多树组合隐式捕捉特征交互，XGBoost更以分裂增益量化交互贡献，无需先验假设。值得注意的是，机器学习的“黑箱”特性虽提升了预测精度，却削弱了比值比（Odds ratio，OR）值等指标的临床直观性^［38］。随着计算机技术的不断进步以及更多数据的积累，机器学习在吞咽障碍风险预测领域的应用前景更加广阔。未来研究可结合SHAP值或局部可解释模型解释（Local interpretable model-agnostic explanations，LIME）等方法^［39］，在保持预测性能的同时解析关键交互路径，实现“精准预测”与“机制阐释”的统一。为突破现有研究在样本代表性、模型泛化能力及临床实用价值上的瓶颈，未来研究应考虑在多中心、大样本、前瞻性设计的基础上，采用更优的统计方法与建模策略，开发和验证更可靠、准确、全面的预测模型。

3.2　风险预测模型纳入危险因素的比较

在纳入的模型中，有研究^{［20-21，25-26，31，33，36］}使用Logistic回归分析危险因素，也有研究使用Cox比例风险模型^［22］、RF模型^［18］、决策树风险预测模型^［33］探讨危险因素，研究对象包括普通老年人群及患有某种疾病的老年人（即脑卒中患者、COPD患者、ICU气管插管患者、轻度认知障碍患者、头颈部肿瘤患者等）。从各研究纳入的危险因素来看，现有模型主要聚焦于生物、功能及临床因素。为更清晰地呈现不同维度危险因素的纳入情况，本文依据其属性将其归纳为人口学因素、疾病与生理指标、功能状态因素、营养因素、口腔-咽喉结构与功能因素、医源性因素、行为生活方式因素及社会心理因素等8个维度（表1）。结果显示，年龄、日常生活能力、衰弱及认知功能纳入的频率较高，可见研究者对老年人基础健康状况较为重视。然而，各研究间的异质性较大，每个危险因素对吞咽障碍的预测权重也不尽相同。值得注意的是，现有模型普遍忽略了“社会心理因素”和“环境因素”的重要作用。老年人的进食行为和吞咽功能不仅受生理机能影响，还与社会支持系统密切相关。例如，照护者的支持程度、用餐时的照护质量、居住环境的安全性以及社会隔离等，均可能通过影响老年人的进食意愿、进食速度和进食安全性，进而对吞咽功能产生潜在影响。此外，预测模型旨在寻找与结局事件具有强关联的变量以提高预测精度，而非因果推断。因此，研究者在使用模型进行风险预测时，应清晰认识到，这些关联多为统计学上的预测因子，而非必然的致病因素。

综上所述，未来研究不仅需针对老年人群的普遍及特异性危险因素，开发并验证预测模型，还应纳入社会心理与环境因素，以提升模型的准确性、全面性和科学性。

3.3　风险预测模型的验证与应用比较

从预测模型的内部验证分析，有7项研究^{［18，20-22，25，31，36］}进行了内部验证，内部验证是模型开发的关键步骤，可评估模型的稳定性和泛化能力，防止模型在训练数据上出现过度拟合现象，从而得到更可靠、更稳健的预测模型。从外部验证分析，有2项研究^{［25，31］}报告了外部验证结果，均基于不同时段的独立队列进行验证。外部验证主要是通过临床应用评价模型预测性能，并且可利用独立于开发数据集的临床资料对模型进行重新建模与动态更新，为模型的最终优化、定型及其后续大范围推广与应用奠定基础。从预测模型的部署应用分析，仅有1项研究^［19］实现了从模型构建到临床应用的转化。Jauk S等^［19］将前期Lienhart A M等^［18］构建的模型进行了多维度可视化呈现，并嵌入医院信息系统，不仅完成了模型的外部验证，更通过系统层面的集成与交互设计，构建了一个可实现自动化、实时化的临床智能预测工具。未来在吞咽障碍风险预测模型的开发、验证和更新过程中，应开展多中心、大样本、前瞻性研究，并严格遵循个体预后与诊断模型研究报告规范，对模型进行内部和外部验证，实现从模型构建到临床环境的转化。

4 小结与展望

吞咽障碍已成为威胁老年人健康的重要问题之一。近年来，国内外学者已构建了多个适用于普通老年人群和特异性疾病老年人的吞咽障碍临床预测模型，均具有较好的预测性能和临床使用价值，为吞咽障碍的早期筛查和管理提供了重要参考。然而，现有预测模型仍面临多重挑战，即构建模型的研究对象、建模方法、纳入危险因素、诊断标准和结局定义尚不统一，收集资料受限、多为单中心研究、缺乏外部验证和动态更新，制约其临床推广与转化应用。学者需要结合临床实际情况，选择多种方法进行模型构建及比较，选择最优预测模型进行吞咽障碍的风险预测。未来在建模过程中应考虑整合多中心数据及我国公共数据库数据集进行模型构建及内部、外部验证，以增强模型的可靠性和外推性。后期在模型优化过程中，可通过前瞻性研究设计，收集更多可能影响吞咽障碍远期预后的数据，建立动态风险预测模型，不断提高模型的准确率和全面性，推动其在临床实践中规模化应用，最终实现吞咽障碍的早期识别、精准干预与全程管理。

参考文献

[1] 中国康复医学会康复护理专业委员会.吞咽障碍康复护理专家共识［J］.护理学杂志，2021，36（15）：1-4.

[2] Baijens L W， Clavé P， Cras P，et al.European Society for Swallowing Disorders-European Union Geriatric Medicine Society white paper：oropharyngeal dysphagia as a geriatric syndrome［J］.Clin Interv Aging，2016，11：1403-1428.

[3] Rajati F， Ahmadi N， Naghibzadeh Z A，et al.The global prevalence of oropharyngeal dysphagia in different populations：a systematic review and meta-analysis［J］.J Transl Med，2022，20（1）：175.

[4] 刘雅鑫，蒋运兰，黄孝星，等.中国老年人吞咽障碍患病率的Meta分析［J］.中国全科医学，2023，26（12）：1496-1502.

[5] Chen S， Kent B， Cui Y.Interventions to prevent aspiration in older adults with dysphagia living in nursing homes：a scoping review［J］.BMC Geriatr，2021，21（1）：429.

[6] Dziewas R， Beck A M， Clave P，et al.Recognizing the importance of dysphagia：stumbling blocks and stepping stones in the twenty-first century［J］.Dysphagia，2017，32（1）：78-82.

[7] Wirth R， Dziewas R， Beck A M，et al.Oropharyngeal dysphagia in older persons-from pathophysiology to adequate intervention：a review and summary of an international expert meeting［J］.Clin Interv Aging，2016，11：189-208.

[8] Patel D A， Krishnaswami S， Steger E，et al.Economic and survival burden of dysphagia among inpatients in the United States［J］.Dis Esophagus，2018，31（1）：1-7.

[9] Wirth R， Pourhassan M， Streicher M，et al.The impact of dysphagia on mortality of nursing home residents：results from the nutritionDay project［J］.J Am Med Dir Assoc，2018，19（9）：775-778.

[10] Moons K G， Altman D G， Reitsma J B，et al.Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis （TRIPOD）：explanation and elaboration［J］.Ann Intern Med，2015，162（1）：W1-W73.

[11] 谷鸿秋，周支瑞，章仲恒，等.临床预测模型：基本概念、应用场景及研究思路［J］.中国循证心血管医学杂志，2018，10（12）：1454-1456.

[12] 谷鸿秋.临床预测模型的困境与机遇［J］.中国卒中杂志，2024，19（5）：481-487.

[13] 莫航沣，陈亚萍，韩慧，等.临床预测模型研究方法与步骤［J］.中国循证医学杂志，2024，24（2）：228-236.

[14] 陈静芬.基于传统Logistic回归和机器学习算法的产后PTSD风险预测模型构建与验证［D］.广州：南方医科大学，2024.

[15] 周丽娟，温贤秀，蒋蓉，等.机器学习在护理领域中的应用研究进展［J］.护士进修杂志，2022，37（15）：1388-1392.

[16] 张辰钧，余凯越，林钰铮，等.机器学习构建糖尿病足溃疡发病风险预测模型的研究进展［J］.循证护理，2024，10（20）：3662-3665.

[17] 金奥铭，谷鸿秋.临床预测模型的展现形式［J］.中国卒中杂志，2024，19（5）：515-519.

[18] Lienhart A M， Kramer D， Jauk S，et al.Multivariable risk prediction of dysphagia in hospitalized patients using machine learning［J］.Stud Health Technol Inform，2020，271：31-38.

[19] Jauk S， Kramer D， Veeranki S P K，et al.Evaluation of a machine learning-based dysphagia prediction tool in clinical routine：a prospective observational cohort study［J］.Dysphagia，2023，38（4）：1238-1246.

[20] 闫翔，李小良，宋辉，等.老年人吞咽障碍风险因素分析和风险评估模型构建［J］.实用老年医学，2025，39（5）：524-529.

[21] 彭朋，陈忻睿，周艺林，等.老年吞咽障碍影响因素探究及其预测研究［J］.重庆医科大学学报，2025，50（4）：501-510.

[22] 余丽丽.老年患者吞咽障碍风险预测模型的建立［D］.十堰：湖北医药学院，2021.

[23] 陈忻睿.老年肌少性吞咽障碍的危险因素及预测模型研究［D］.重庆：重庆医科大学，2024.

[24] 寿飞燕，李刚，范虹，等.社区≥60岁轻度认知功能障碍患者吞咽障碍发生情况与相关因素分析［J］.中华全科医师杂志，2021，20（12）：1295-1299.

[25] 刘韵涵，姜明明，李冬梅，等.基于可解释机器学习方法老年脑卒中患者吞咽障碍预测模型的构建与验证［J］.中华老年心脑血管病杂志，2025，27（6）：698-704.

[26] 陈艺萍，丁美祝，邵洒云，等.老年COPD病人并发吞咽障碍风险预测模型的构建［J］.护理研究，2025，39（2）：204-210.

[27] 汪靖翔.决策树算法的原理研究和实际应用［J］.电脑编程技巧与维护，2022（8）：54-56.

[28] Liu K E， Lo C L， Hu Y H.Improvement of adequate use of warfarin for the elderly using decision tree-based approaches［J］.Methods Inf Med，2014，53（1）：47-53.

[29] 王磊，时雨，郑彦玲，等.中国1990—2021年环境因素对慢性呼吸系统疾病负担的长期影响及趋势研究［J］.现代预防医学，2025，52（20）：3686-3692.

[30] 王海英，陈莉，王允，等.环境因素对慢性阻塞性肺疾病患者的预后影响［J］.公共卫生与预防医学，2023，34（3）：83-87.

[31] Tang J Y， Feng X Q， Huang X X，et al.Development and validation of a predictive model for patients with post-extubation dysphagia［J］.World J Emerg Med，2023，14（1）：49-55.

[32] 姜英玉，谷鸿秋.临床预测模型开发与验证的样本量估算［J］.中国卒中杂志，2024，19（5）：489-495.

[33] 谢丽娜，陈维艳.基于决策树法构建老年轻度认知障碍患者并发吞咽功能障碍的风险预测模型［J］.军事护理，2023，40（10）：71-74.

[34] Bozec A， Benezery K， Ettaiche M，et al.Induction chemotherapy-based larynx preservation program for locally advanced hypopharyngeal cancer：oncologic and functional outcomes and prognostic factors［J］.Eur Arch Otorhinolaryngol，2016，273（10）：3299-3306.

[35] 姜晖，王丽萍.咽喉疾病与吞咽功能障碍的相关研究［J］.国际耳鼻咽喉头颈外科杂志，2017，41（5）：275-281.

[36] 葛亮.个体化预测老年下咽癌术后吞咽障碍的风险列线图模型的建立及验证［J］.延安大学学报（医学科学版），2021，19（3）：49-54.

[37] 侯正尧，李晋奇，杨勇，等.机器学习临床预测模型构建策略与建议［J］.医药导报，2024，43（12）：2048-2056.

[38] Ali S， Akhlaq F， Imran A S，et al.The enlightening role of explainable artificial intelligence in medical & healthcare domains：a systematic literature review［J］.Comput Biol Med，2023，166：107555.

[39] Martin S A， Townend F J， Barkhof F，et al.Interpretable machine learning for dementia：a systematic review［J］.Alzheimers Dement，2023，19（5）：2135-2149.

基金资助

江西省社会科学基金项目(21SH13D)