Med-CLHLS，持续分享CLHLS数据库生信文献与思路解读，捕捉当下热点指标/思路，感兴趣的老师拜托点点关注~
中国老年健康影响因素跟踪调查，是由北京大学健康老龄与发展研究中心/国家发展研究院组织的老年人追踪调查，调查范围覆盖全国23个省市自治区，调查对象为65岁及以上老年人和35-64岁成年子女。
调查问卷分为存活被访者问卷和死亡老人家属问卷两种。存活被访者问卷的调查内容包括老人及家庭基本状况、社会经济背景及家庭结构、经济来源和经济状况、健康和生活质量自评、认知功能、性格心理特征、日常活动能力、生活方式、生活照料、疾病治疗和医疗费承担；死亡老人家属问卷的调查内容包括老人死亡时间、死因等内容。
该调查项目在1998年进行基线调查后分别于2000 年、2002年、2005年、2008-2009年、2011-2012年、2014年和2017-2018年进行了跟踪调查，最近的一次跟踪调查(2017-2018年)共访问15,874 名65+岁老年人,收集了2014-2018年期间死亡的2,226位老年人的信息。
文章标题：Predictors and consequences of visual trajectories in Chinese older population: A growth mixture model
中文标题：中国老年人口视觉轨迹的预测因素和后果：生长混合模型
发表期刊：J Glob Health .
发表时间：2024年5月
影响因子：4.5/Q1
全球人口增长和老龄化导致视力障碍患病率 （VI） 增加。2019 年全球疾病负担 （GBD） 失明和视力障碍合作者估计表明，2020 年，50 岁及以上有 3360 万人失明，2.06 亿人患有中度至重度 VI，另有 1.43 亿人患有轻度 VI。鉴于老年人口视力障碍的患病率相对较高且视觉变化的异质性，我们旨在确定视觉轨迹并检查与每个轨迹类别相关的预测因子和后果。我们的研究有三个目标：使用 GMM 识别老年人群中不同的视觉轨迹;探讨社会人口学因素、健康相关因素、眼部疾病和非眼部疾病与已确定的视觉轨迹之间的关联;并评估已识别的视觉轨迹对远端认知、身体机能和心理健康的影响。
研究设计和参与者
我们分析了参与中国纵向健康长寿调查 （CLHLS） 第 5、6、7 和 8 波的 2235 名参与者的数据。为了确保稳健的轨迹，我们排除了在第 5 到第 8 波之间的任何波中视力值缺失的个体，最终样本为 2235 个有效响应（图 1）。我们进行了额外的敏感性分析，以验证视觉轨迹的稳健性。该分析包括 5413 人，他们从 2008 年到 2018 年至少参加了三波调查。
视力障碍评估
使用具有 1 米测试距离的改编 Landolt-C 图表来评估视觉功能。具体来说，参与者被问及他们是否能用手电筒看到和区分圆圈中断裂的方向。有四个回答选项可用：“能够看到并区分中断”、“能够看到但无法区分中断”、“无法看到”和“盲人”。选择第一个选项的参与者被认为没有 VI，而选择任何其他选项的参与者被认为有 VI。为了确定视觉轨迹并更好地了解随时间变化的方向，我们将视觉功能从 “盲 ”到 “能够看到和区分 ”进行评分，评分为 1 到 4。
分析方法
我们采用生长混合模型 （GMM） 来识别不同的视觉轨迹，并使用 logistic 回归分析来检查与每个轨迹类别相关的预测因子。此外，我们调查了视觉轨迹对远端后果的影响，包括认知功能、日常生活活动 （ADL）、日常生活工具活动 （IADL）、抑郁、焦虑和跌倒风险。在 CLHLS 研究中，使用中文版简易精神状态检查 （CMMSE） 评估认知功能，通过 Katz 指数评估 ADL，并通过修改版的 Lawton 量表评估 IADL。最后，使用流行病学研究中心 （CES-D-10） 的 10 项版本评估抑郁，而使用广泛性焦虑症量表 （GAD-7） 测量焦虑。跌倒风险是通过提出以下问题来确定的：“您在过去一年中是否经历过跌倒？
结果分析
1. 视觉轨迹的类型
我们使用四个模型 （1-4 类） 来确定老年人潜在类别的数量，并根据模型拟合指数发现一个两类模型最适合 （表 1）。我们将大部分样本 （n = 1830， 81.9%） 归入“高基线下降”组（图 3），估计截距为 3.992 （P < 0.001），斜率为 -0.174 （P < 0.001）。该组在第 5 波时视觉功能基线水平较高，随后随着时间的推移逐渐下降，与预期的老年人与年龄相关的视力恶化一致。然而，尽管下降了，到第 8 波时它仍然显示出可接受的视力水平。第二类被指定为“低基线改善”组，占样本的 18.1% （n = 405），估计截距为 2.641 （P < 0.05），斜率为 0.296 （P < 0.001）。该组的基线视觉水平指示 VI，在后续阶段视觉逐渐改善。值得注意的是，“低基线改善”组的改善率超过了“高基线下降”组中观察到的下降率。到第 8 波，“低基线改善”组的平均视力已达到与 “高基线下降”组相当的水平。
2. 视觉轨迹的预测因子
在确定了视觉轨迹的两类模型后，我们探索了基于视觉轨迹类的描述性统计（表 2）。
3. 视觉轨迹的预测因子
在单变量分析中，我们观察到年龄、BMI、性别、居住地、教育水平、婚姻状况、经济状况、主要职业、吸烟状况、饮酒状况、运动状况、水果消费频率、白内障的存在和青光眼的存在在确定的视觉轨迹亚组之间存在显着差异。然后，我们将具有显着差异的变量纳入 logistic 回归分析（表 3）。
4. 视觉轨迹的后果
最后，我们进行了回归分析以检查视觉轨迹的后果（表 4）。模型 1 未针对任何变量进行调整，而模型 2 针对性别、居住地、教育水平、婚姻状况、经济状况和主要职业进行调整。在这种情况下，认知和抑郁得分较高分别表示认知改善和抑郁症状减轻，而 ADL 、 IADL 和焦虑得分较低分别反映 ADL 、 IADL 功能增强和焦虑症状减轻。在模型 1 中，“高基线下降”组更有可能在远端认知功能 （β = 3.186;95% CI = 2.341， 4.031）、ADL （β = -0.505;95% CI = -0.756， -0.253） 和 IADL （β = -2.447;95% CI = -3.053， -1.841） 方面保持更好的表现。与“低基线改善”组相比，他们还报告了较少的抑郁 （β = 1.209;95% CI = 0.569， 1.849） 和焦虑 （β = -0.349;95% CI = -0.653， -0.045） 症状。
文章小结
患有眼病的老年人的视力可能会得到改善。接受正规教育、保持适当的 BMI、进行锻炼和更频繁地食用水果似乎对老年人的视觉健康有益。考虑到视力障碍经历对远端认知、自我护理能力和抑郁症状的负面影响，利益相关者应优先考虑对老年人视力障碍的长期监测和管理。今天为大家分享的文章纯公共数据挖掘+统计分析，就发到了一区！如果你也想在临床方向发高分文章，不妨试试这个省钱省事又省力的思路吧！
