住院老年慢性病共病患者营养不良的影响因素及预测模型构建

徐曼玉, 罗莹, 李道鸿, 许志英

徐曼玉, 罗莹, 李道鸿, 许志英. 住院老年慢性病共病患者营养不良的影响因素及预测模型构建[J]. 实用临床医药杂志, 2024, 28(17): 73-78. DOI: 10.7619/jcmp.20241199
引用本文: 徐曼玉, 罗莹, 李道鸿, 许志英. 住院老年慢性病共病患者营养不良的影响因素及预测模型构建[J]. 实用临床医药杂志, 2024, 28(17): 73-78. DOI: 10.7619/jcmp.20241199
XU Manyu, LUO Ying, LI Daohong, XU Zhiying. Influencing factors and predictive model construction of malnutrition in hospitalized elderly patients with comorbidities of chronic diseases[J]. Journal of Clinical Medicine in Practice, 2024, 28(17): 73-78. DOI: 10.7619/jcmp.20241199
Citation: XU Manyu, LUO Ying, LI Daohong, XU Zhiying. Influencing factors and predictive model construction of malnutrition in hospitalized elderly patients with comorbidities of chronic diseases[J]. Journal of Clinical Medicine in Practice, 2024, 28(17): 73-78. DOI: 10.7619/jcmp.20241199

住院老年慢性病共病患者营养不良的影响因素及预测模型构建

基金项目: 

江苏省老年健康科研项目 LD2021030

详细信息
    通讯作者:

    罗莹, E-mail: jy8371921@163.com

  • 中图分类号: R592;R153;R151.4

Influencing factors and predictive model construction of malnutrition in hospitalized elderly patients with comorbidities of chronic diseases

  • 摘要:
    目的 

    探讨住院老年慢性病共病患者营养不良的影响因素及预测模型构建。

    方法 

    采用便利抽样法选取2023年1月—2024年2月在苏州大学附属苏州九院老年医学科住院的老年慢性病共病患者426例为研究对象。以微型营养评定简表(MNA-SF)评分 < 8分且白蛋白 < 34.0 g/L或前白蛋白 < 200 mg/L为营养不良依据,将患者分为营养不良组和无营养不良组。比较2组一般资料、口腔状况[采用口腔健康评估量表(OHAT)评估]、膳食炎症指数(DII, 采用食物频率问卷表评估)、日常活动能力[采用Barthel指数(BI)评估]。采用多因素Logistic回归分析对老年慢性病共病患者营养不良的影响因素进行探讨,并构建模型公式。采用R软件运行梯度提升机(GBM)算法构建GBM预测模型。采用受试者工作特征(ROC)曲线分析2个模型的预测效能,采用Delong检验比较2个模型的曲线下面积(AUC)的差异。

    结果 

    92例被诊断为营养不良(营养不良组),334例患者无营养不良(无营养不良组)。营养不良组与无营养不良组年龄、慢性病共病种类、多重用药种类、OHAT评分、DII、BI评分比较,差异有统计学意义(P < 0.05)。年龄大、慢性病共病种类多、多重用药种类多、OHAT评分高、DII高、BI评分低均是老年慢性病共病患者营养不良的影响因素(P < 0.05)。ROC曲线显示,GBM模型的AUC为0.901, Logistic回归模型的AUC为0.874。Delong检验提示, GBM模型的预测效能优于Logistic回归模型(P < 0.05)。

    结论 

    住院老年慢性病共病患者营养不良与年龄、慢性病共病种类、多重用药种类、OHAT评分、DII、BI评分有关,以此构建GBM模型可有效评估患者营养不良的发生风险。

    Abstract:
    Objective 

    To investigate the influencing factors of malnutrition in hospitalized elderly patients with comorbidities of chronic diseases, and to construct a predictive model.

    Methods 

    A convenience sampling method was used to select 426 elderly patients with comorbidities of chronic diseases admitted to the Department of Geriatrics of Suzhou Ninth People's Hospital Affiliated to Soochow University from January 2023 to February 2024. Based on a Mini-nutritional Assessment-Short Form (MNA-SF) score < 8 and either an albumin level < 34.0 g/L or a prealbumin level < 200 mg/L as reference of malnutrition, patients were classified into malnutrition group and non-malnutrition group. General characteristics, oral status[assessed using the Oral Health Assessment Tool (OHAT)], dietary inflammatory index (DII, evaluated through a food frequency questionnaire), and activities of daily living[assessed using the Barthel Index (BI)]were compared between the two groups. Multivariable Logistic regression analysis was employed to explore the influencing factors of malnutrition in elderly patients with comorbidities of chronic diseases and to construct a model formula. A gradient boosting machine (GBM) algorithm was implemented using R software to build a GBM predictive model. Receiver Operating Characteristic (ROC) curves were utilized to analyze the predictive performance of both models, and the Delong test was applied to compare the difference of the area under the curve (AUC).

    Results 

    Ninety-two patients were diagnosed with malnutrition (malnutrition group), while 334 patients had no malnutrition (non-malnutrition group). Statistically significant differences were observed between the malnutrition and non-malnutrition groups in terms of age, the number of chronic comorbidities, the number of medication taken, OHAT scores, DII, and BI scores (P < 0.05). Advanced age, a higher number of chronic comorbidities, a greater number of medication taken, higher OHAT scores, higher DII, and lower BI scores were all influencing factors of malnutrition in elderly patients with comorbidities of chronic diseases (P < 0.05). The ROC curve analysis revealed an AUC of GBM model was 0.901 and 0.874 for the Logistic regression model. The Delong test indicated that the predictive performance of the GBM model was superior to that of the Logistic regression model (P < 0.05).

    Conclusion 

    Malnutrition in hospitalized elderly patients with chronic multimorbidity is associated with age, the number of chronic comorbidities, the number of medications taken, OHAT scores, DII, and BI scores. The constructed GBM model can effectively assess the risk of malnutrition in these patients.

  • 慢性病共病是指同一例患者患有2种及以上的慢性病[1]。随着社会老龄化程度加深,慢性病共病的老年患者逐渐增多[2]。老年患者因年龄增长、机体储备功能减低以及部分患病类型(如糖尿病、高尿酸血症等)属代谢消耗性疾病,容易出现营养不良。人体内营养物质缺乏或不足,会造成身体组成成分改变,导致免疫力下降、炎症及神经激素异常调节,延缓疾病康复进程,同时存在诱发营养缺乏性神经病变、感染、贫血等并发症风险,危害极大。目前老年患者营养不良诊断方法有多种,但一直未能形成统一标准[3]。探讨老年慢性病共病患者营养不良的影响因素,有助于为临床采取措施改善患者的营养状态提供指导; 构建相应的预测模型有助于指导临床更准确地评估患者营养不良问题。机器学习模型,特别是梯度提升机(GBM)这一迭代式机器学习经典算法,能通过利用患者的临床信息有效减少模型偏差,帮助医务人员更好地评估疾病风险。本研究分析住院老年慢性病共病患者营养不良的影响因素,并构建GBM预测模型,以期为临床实践提供参考。

    采用便利抽样法选取2023年1月—2024年2月在苏州大学附属苏州九院老年医学科住院的老年慢性病共病患者为研究对象。纳入标准: ①年龄≥60岁者; ②至少患有2种慢性病,如高血压、高尿酸血症、糖尿病、关节炎、冠心病、脑血管病、风湿病等患者; ③自愿参与本研究,并签署知情同意书者。排除标准: ①生命体征不平稳,需持续监护者; ②听力或语言表达能力严重受损者; ③正在参与其他临床研究者; ④无法配合完成问卷评估者。依据Kendall样本估算法计算样本量。本研究共纳入17个因素,每个因素需要5~10例老年慢性病共病患者,同时考虑20%的样本不符合率(如问卷评估缺失值>20%或答题存在明显规律的问卷),计算得出所需最小样本量为204例,本研究选取符合上述标准的患者426例,符合样本量需求。本研究已获得医院医学伦理委员会审核批准。

    ① 一般资料。采用一般资料表收集人口学资料,如年龄、性别、文化程度、日常家人照顾情况、体质量指数(BMI)、家庭居住地、慢性病共病种类、多重用药种类等,入院时检测血红蛋白、白蛋白、前白蛋白、总胆固醇、甘油三酯和空腹血糖等指标。②口腔健康。采用口腔健康评估量表(OHAT)[4]评估患者口腔状况,量表包括8项内容,分别为嘴唇、舌头、唾液、天然牙、义齿、牙龈组织、口腔清洁、牙痛情况,按0~2分制评分,得分越高说明口腔健康状况越差。③膳食状况。采用连续3 d的24 h膳食回顾法结合半定量食物频率问卷表调查患者日常食物摄入量、摄入频率等情况。参考《中国食物成分表》[5], 采用膳食营养软件分析并计算膳食成分和营养素的膳食炎症指数(DII), 计算公式: DII=(该种膳食成分或营养素日摄入量-该种膳食成分或营养素的人均日摄入量)/该种膳食成分或营养素的人均日摄入量标准差×该种膳食成分或营养素炎症效应指数。各类食物DII相加即为总DII, 其正值越大表示促炎倾向越显著[6]。④日常生活活动能力。采用侯东哲等[7]汉化Barthel指数(BI)测评患者的日常生活能力,该量表包括进食、洗澡、穿衣、修饰、上下楼梯、小便控制、大便控制、如厕、床椅转移、行走,共10项内容,满分为100分,得分越低说明活动能力越差。

    患者入院时开展相关问卷调查,首先向患者说明研究目的、方法、意义、填写注意事项,获得患者理解和支持后,给予问卷填写和相关测试。本研究共发放450份问卷,回收450份。整理问卷时,剔除缺失值>20%和答题存在明显规律的问卷共24份,回收有效问卷426份,有效回收率94.67%。

    依据住院老年慢性病共病患者的微型营养评定简表(MNA-SF)[8]评测结果和白蛋白、前白蛋白指标进行综合性评估,其中MNA-SF内容包括近3个月食欲减退情况、体质量减轻情况、心理是否受急性疾病应激影响、活动能力情况(卧床或坐轮椅)、精神心理问题、小腿围或BMI, 量表总分0~14分。将MNA-SF评分 < 8分且白蛋白 < 34.0 g/L或者前白蛋白 < 200 mg/L判定为营养不良,以此为分组依据,将诊断为营养不良的患者纳入营养不良组,未被诊断为营养不良的患者纳入无营养不良组。

    采用SPSS 27.0软件对数据进行分析。符合正态分布的计量资料采用(x±s)表示,非正态分布的资料采用中位数及四分位数[M(P25, P75)]表示,计数资料采用[n(%)]表示,采用t检验、Mann-Whitney U检验、χ2检验进行组间比较。以老年慢性病共病患者是否为营养不良作为因变量,采用多因素Logistic回归分析探讨老年慢性病共病患者营养不良的影响因素并构建模型公式。采用R软件构建住院老年慢性病共病患者营养不良的GBM预测模型。采用受试者工作特征(ROC)曲线分析评价2个模型的效能。对2个模型的ROC曲线的曲线下面积(AUC)的差异进行Delong检验, P < 0.05为差异有统计学意义。

    本研究共获得426例住院老年慢性病共病患者有效问卷,其中92例被诊断为营养不良,发生率为21.60%(92/426)。营养不良组与无营养不良组年龄、慢性病共病种类、多重用药种类、OHAT评分、DII、BI评分比较,差异有统计学意义(P < 0.05), 见表 1

    表  1  老年慢性病共病患者营养不良的单因素分析(x±s)[n(%)][M(P25, P75)]
    指标 分类 营养不良组(n=92) 无营养不良组(n=334) t/χ2/U P
    年龄/岁 74.54±4.16 72.83±3.59 3.676 0.001
    体质量指数/(kg/m2) 21.92±2.98 22.65±3.55 1.805 0.072
    性别 52(56.52) 161(48.20) 1.996 0.158
    40(43.48) 173(51.80)
    文化程度 高中及以下 58(63.04) 186(55.69) 1.595 0.207
    大专及以上 34(36.96) 148(44.31)
    日常有无家人照顾 62(67.39) 253(75.75) 2.615 0.106
    30(32.61) 81(24.25)
    家庭居住地 农村 55(59.78) 181(54.19) 0.913 0.339
    城镇 37(40.22) 153(45.81)
    慢性病共病种类 2~5种 71(77.17) 299(89.52) 9.631 0.002
    ≥6种 21(22.83) 35(10.48)
    多重用药种类 < 5种 74(80.43) 309(92.51) 11.599 0.001
    ≥5种 18(19.57) 25(7.49)
    血红蛋白/(g/L) 122.85±17.93 126.46±19.63 1.590 0.112
    白蛋白/(g/L) 34.97±4.82 36.01±4.73 1.861 0.064
    前白蛋白/(mg/L) 229.88±34.98 237.13±38.41 1.633 0.103
    总胆固醇/(mmol/L) 4.33±1.05 4.46±1.21 0.938 0.349
    甘油三酯/(mmol/L) 1.19±0.37 1.21±0.39 0.440 0.659
    空腹血糖/(mmol/L) 5.64±1.82 5.48±1.56 0.839 0.402
    口腔健康评估量表评分/分 8.85±1.46 7.69±1.17 7.958 < 0.001
    膳食炎症指数 0.78(-0.89, 1.72) 0.13(-1.53, 1.41) 8.874 < 0.001
    日常生活活动能力量表评分/分 56.54±7.93 61.73±8.97 5.033 < 0.001
    下载: 导出CSV 
    | 显示表格

    以住院老年慢性病共病患者是否存在营养不良(赋值: 无营养不良=0,营养不良=1)作为因变量,将单因素分析中有统计学意义的分类资料赋值[慢性病共病种类(2~5种=0; ≥6种=1)、多重用药种类(< 5种=0; ≥5种=1), 计量资料(年龄、OHAT评分、DII、BI评分)原值录入。Logistic回归分析表明,年龄大、慢性病共病种类多、多重用药种类多、OHAT评分高、DII高、BI评分低均是老年慢性病共病患者营养不良的影响因素(P < 0.05), 见表 2

    表  2  多因素Logistic回归分析结果
    变量 β SE Wald χ2 P OR(95%CI)
    年龄 0.895 0.332 2.696 0.007 2.447(1.276~4.693)
    慢性病共病种类 0.756 0.285 7.036 0.008 2.129(1.218~3.725)
    多重用药种类 1.163 0.404 8.287 0.004 3.199(1.449~7.064)
    OHAT评分 0.574 0.231 6.174 0.013 1.775(1.128~2.793)
    DII 1.357 0.439 9.554 0.002 3.885(1.644~9.179)
    BI评分 -0.875 0.359 5.940 0.015 0.416(0.206~0.843)
    常数项 -6.528 1.926 11.488 < 0.001
    下载: 导出CSV 
    | 显示表格

    依据多因素分析得出Logistic回归模型方程: Logit(P)=-6.528+0.895×年龄(实际值)+ 0.756×慢性病共病种类+1.163×多重用药种类+ 0.574×OHAT评分(实际值)+1.357×DII(实际值)-0.875×BI评分(实际值)。将这些影响指标用于构建GBM预测模型, GBM算法获得上述因子相对重要性排序: DII>BI评分>多重用药>慢性病共病种类>OHAT评分>年龄,见图 1。ROC曲线分析显示, GBM模型的AUC为0.901(95%CI: 0.862~0.941)、灵敏度为0.895、特异度为0.826, 见图 2; Logistic回归模型的AUC为0.874(95%CI: 0.833~0.915)、灵敏度为0.834、特异度为0.807, 见图 3。Delong检验显示, GBM模型与Logistic回归模型的AUC比较,差异有统计学意义(P < 0.05)。

    图  1  GBM模型中的各指标相对重要性
    图  2  GBM模型的ROC曲线分
    图  3  Logistic回归模型的ROC曲线分析

    慢性病共病与营养不良之间可相互影响、互为因果,增大不良临床事件的发生率[9]。一项多中心调查[10]发现,老年住院患者的营养不良为14.67%, 本研究住院老年慢性病共病患者的营养不良率为19.25%, 高于前述报道,提示多种慢性病共存可能是营养不良的影响因素,但当前关于慢性病共病种类如何具体影响老年患者营养不良的研究尚显不足。老年人因年龄增长,消化道器官发生退行性改变,肠道黏膜和绒毛萎缩、稀疏,导致肠道吸收和蠕动功能下降,营养摄入和胃排空能力减弱。在此基础上,若合并多种慢性疾病,可能因肠道黏膜血流灌注不足而降低食物耐受性[11], 进一步影响食物和其他营养物质的摄入,加剧营养不良。除年龄因素外,多种慢性病共存可能加剧老年患者的营养不良状况。本研究发现,慢性病共病种类多、多重用药的住院老年慢性病共病患者营养不良风险更高,与文献[12]报道一致。可能原因包括: ①多种慢性病共存导致器官功能慢性受损,引起个体能量代谢失衡,形成代谢失衡与病程迁延的恶性循环[13], 从而诱发营养不良。②慢性病本身可增强机体应激反应[14], 当慢性病共病种类较多时,应激反应增加,机体消耗加剧,日常摄入的营养物质难以满足正常新陈代谢需求,使机体处于营养过度消耗状态,易发生营养不良。③某些慢性病共病(如慢性肾病、糖尿病、高血压等)可能限制了对特定营养素(如碳水化合物、脂肪或蛋白质)的摄入,导致营养物质摄入不足或不均衡,进而增大营养不良风险。④慢性病共病种类与服用药物种类密切相关,许多慢性病治疗药物直接或间接影响营养素的摄入、吸收和代谢。多重用药可能因药物相互作用引发药源性腹泻、便秘、恶心、呕吐等症状[15], 导致胃肠功能紊乱,影响食物和其他营养物质的摄入与吸收,最终造成机体营养不良。

    牙齿缺失或天然牙状态不佳会对机体营养状况产生影响[16]。OHAT涵盖牙齿、天然牙、口腔清洁等多项指标,评分越高,说明口腔状况越差。已有研究[17]指出,口腔健康不佳是老年人营养不良的一个重要因素。本研究同样发现,OHAT评分高是住院老年慢性病共病患者营养不良的一个风险因素,可能是因为口腔疼痛、牙齿脱落、舌压降低、唾液分泌不足等口腔状况,影响了味觉和食物的充分咀嚼[18], 进而减少了营养摄入量,影响体内的营养状态。合理营养膳食是保障老年人健康的基础。然而,近年来中国居民的膳食模式逐渐倾向于“高能量密度型”,畜肉和油脂类食物的摄入量不断增加[19]。研究[20]表明,长期不合理的膳食结构会加重体内的炎症反应程度。DII是衡量个体日常膳食促炎与抗炎效应的有效工具,正值越大,表示促炎饮食越显著。本研究发现, DII高也是住院老年慢性病共病患者营养不良的一个影响因素,可能是由于患者长期倾向促炎饮食,导致体内炎症介质水平升高,进而加重慢性病病情,增加机体因疾病消耗所需的营养,而体内营养不足以满足这一需求,造成营养摄入与消耗失衡,从而增大营养不良的风险。此外,体内炎症介质水平偏高还可能降低胃肠细胞活性,影响胃肠吸收功能,进一步加剧营养不良。研究[21]显示,过量摄入畜肉类和高油脂类食物会增加体内的炎症效应,影响胃肠功能。相反,摄入蔬菜、豆类、奶制品、水果等富含膳食纤维的食物则有助于降低炎症潜能并增强肠道蠕动[22], 有利于肠道的营养吸收。此外,日常活动也能促进肠道蠕动。BI是评估老年人日常活动能力的常用工具。已有研究[23]报道, BI评分低是老年患者营养不良的一个影响因素,与本研究结果一致,可能是因为患者日常活动能力低下,活动量少,导致肠蠕动减慢、肠张力降低,影响肠内容物的消化与吸收,从而容易发生营养不良。

    《国民营养计划(2017—2030年)》[24]明确指出,对老年人群进行营养状况监测是实现健康老龄化的关键策略之一,旨在通过营养改善行动来预防营养不良的发生。鉴于老年人营养不良的预防比治疗更为重要,且其营养状态受多种因素交织影响,单一指标往往难以全面反映其复杂的营养状况。因此,本研究在老年慢性病共病患者入院时进行了综合营养评估,并深入分析口腔健康、日常膳食结构、活动能力等对营养状况的影响。Delong检验发现, GBM模型在预测效能上优于Logistic回归模型,主要是因为传统的Logistic回归模型是基于自变量的线性组合来预测因变量的一种方法,在处理高维数据点分布时拟合较差,而GBM算法能够处理高维度数据,且由大量弱分类器集合而成,具有更好的稳定性、不易过拟合以及高效能的特点,这些优势使得GBM模型能够更准确地评估老年慢性病共病患者的潜在营养问题,以便医务人员从患者的共病、多重用药、日常膳食、活动能力等多方面进行干预,改善患者营养状态和生活质量。

    综上所述,老年慢性病共病患者营养不良与高龄、慢性病共病种类、多重用药、OHAT评分高、DII高以及BI评分低有关,以此构建GBM模型可有效评估老年慢性病共病患者营养不良状况,为医务人员评估患者营养不良状况及制订针对性的营养改善措施提供了有力工具。

  • 图  1   GBM模型中的各指标相对重要性

    图  2   GBM模型的ROC曲线分

    图  3   Logistic回归模型的ROC曲线分析

    表  1   老年慢性病共病患者营养不良的单因素分析(x±s)[n(%)][M(P25, P75)]

    指标 分类 营养不良组(n=92) 无营养不良组(n=334) t/χ2/U P
    年龄/岁 74.54±4.16 72.83±3.59 3.676 0.001
    体质量指数/(kg/m2) 21.92±2.98 22.65±3.55 1.805 0.072
    性别 52(56.52) 161(48.20) 1.996 0.158
    40(43.48) 173(51.80)
    文化程度 高中及以下 58(63.04) 186(55.69) 1.595 0.207
    大专及以上 34(36.96) 148(44.31)
    日常有无家人照顾 62(67.39) 253(75.75) 2.615 0.106
    30(32.61) 81(24.25)
    家庭居住地 农村 55(59.78) 181(54.19) 0.913 0.339
    城镇 37(40.22) 153(45.81)
    慢性病共病种类 2~5种 71(77.17) 299(89.52) 9.631 0.002
    ≥6种 21(22.83) 35(10.48)
    多重用药种类 < 5种 74(80.43) 309(92.51) 11.599 0.001
    ≥5种 18(19.57) 25(7.49)
    血红蛋白/(g/L) 122.85±17.93 126.46±19.63 1.590 0.112
    白蛋白/(g/L) 34.97±4.82 36.01±4.73 1.861 0.064
    前白蛋白/(mg/L) 229.88±34.98 237.13±38.41 1.633 0.103
    总胆固醇/(mmol/L) 4.33±1.05 4.46±1.21 0.938 0.349
    甘油三酯/(mmol/L) 1.19±0.37 1.21±0.39 0.440 0.659
    空腹血糖/(mmol/L) 5.64±1.82 5.48±1.56 0.839 0.402
    口腔健康评估量表评分/分 8.85±1.46 7.69±1.17 7.958 < 0.001
    膳食炎症指数 0.78(-0.89, 1.72) 0.13(-1.53, 1.41) 8.874 < 0.001
    日常生活活动能力量表评分/分 56.54±7.93 61.73±8.97 5.033 < 0.001
    下载: 导出CSV

    表  2   多因素Logistic回归分析结果

    变量 β SE Wald χ2 P OR(95%CI)
    年龄 0.895 0.332 2.696 0.007 2.447(1.276~4.693)
    慢性病共病种类 0.756 0.285 7.036 0.008 2.129(1.218~3.725)
    多重用药种类 1.163 0.404 8.287 0.004 3.199(1.449~7.064)
    OHAT评分 0.574 0.231 6.174 0.013 1.775(1.128~2.793)
    DII 1.357 0.439 9.554 0.002 3.885(1.644~9.179)
    BI评分 -0.875 0.359 5.940 0.015 0.416(0.206~0.843)
    常数项 -6.528 1.926 11.488 < 0.001
    下载: 导出CSV
  • [1] 徐莉, 葛晶, 于鹏, 等. 中国老年人慢性病及共病模式变化研究: 基于中国健康与养老追踪调查数据[J]. 中国全科医学, 2024, 27(11): 1296-1302. doi: 10.12114/j.issn.1007-9572.2023.0634
    [2] 杨直, 高静, 柏丁兮, 等. 老年慢性病共病患者治疗负担体验的质性研究[J]. 中国全科医学, 2022, 25(19): 2336-2341. doi: 10.12114/j.issn.1007-9572.2022.0169
    [3] 张莉娜, 黄晓, 魏绍峰, 等. 人体测量指标在老年住院患者营养不良风险评估中的筛查效果[J]. 中国老年学杂志, 2024, 44(4): 984-987. doi: 10.3969/j.issn.1005-9202.2024.04.055
    [4] 王劼琼, 朱树贞, 詹艳, 等. 口腔健康评估量表的汉化及信效度检验[J]. 中华现代护理杂志, 2019, 25(28): 3607-3610. doi: 10.3760/cma.j.issn.1674-2907.2019.28.010
    [5] 中国疾病预防控制中心营养与健康所. 《中国食物成分表》标准版(第6版) [J]. 营养学报, 2019, 41(5): 426-428.
    [6]

    HÉBERT J R, SHIVAPPA N, WIRTH M D, et al. Perspective: the dietary inflammatory index (DII)-lessons learned, improvements made, and future directions[J]. Adv Nutr, 2019, 10(2): 185-195. doi: 10.1093/advances/nmy071

    [7] 侯东哲, 张颖, 巫嘉陵, 等. 中文版Barthel指数的信度与效度研究[J]. 临床荟萃, 2012, 27(3): 219-221.
    [8]

    KAISER M J, BAUER J M, RAMSCH C, et al. Validation of the Mini Nutritional Assessment short-form (MNA-SF): a practical tool for identification of nutritional status[J]. J Nutr Health Aging, 2009, 13(9): 782-788. doi: 10.1007/s12603-009-0214-7

    [9]

    CRICHTON M, CRAVEN D, MACKAY H, et al. A systematic review, meta-analysis and meta-regression of the prevalence of protein-energy malnutrition: associations with geographical region and sex[J]. Age Ageing, 2019, 48(1): 38-48.

    [10] 崔红元, 朱明炜, 陈伟, 等. 中国老年住院患者营养状态的多中心调查研究[J]. 中华老年医学杂志, 2021, 40(3): 364-369.
    [11] 冉蕾, 向英, 王璋. 老年肠内营养支持期间喂养不耐受发生率及影响因素分析[J]. 实用预防医学, 2024, 31(4): 440-444.
    [12] 夏银平, 余飞, 杨虹, 等. 住院老年慢性病共病患者营养情况的影响因素分析[J]. 中国医药导报, 2023, 20(4): 108-111.
    [13] 刘璟, 许文馨, 朱俊东, 等. 养老机构老年人营养不良现状及影响因素分析[J]. 护理学杂志, 2022, 37(3): 97-100.
    [14] 汤红梅, 许慧琳, 郭琪, 等. 上海市闵行社区老年人营养不良风险评估及其影响因素[J]. 环境与职业医学, 2023, 40(9): 1068-1073.
    [15] 郁阿翠, 陈喜, 杨萌娜, 等. 老年人营养不良状况及影响因素分析[J]. 实用老年医学, 2022, 36(8): 822-826, 832.
    [16]

    DANTAS P P A, COLUSSI P R G, DEZINGRINI K D S, et al. Pairs of natural teeth rather than use of dental prosthesis are associated with nutritional status in older adults: a cross-sectional study[J]. J Dent, 2021, 108: 103656.

    [17]

    ZHU Z, XU J Y, LIN Y, et al. Correlation between nutritional status and oral health quality of life, self-efficacy of older inpatients and the influencing factors[J]. BMC Geriatr, 2022, 22(1): 280.

    [18]

    KIM S, KWON Y S, HONG K H. What is the relationship between the chewing ability and nutritional status of the elderly in Korea[J]. Nutrients, 2023, 15(9): 2042.

    [19] 叶晨, 黄晓婕, 苏米亚·艾合买提江, 等. 中国居民膳食炎症指数情况及变化趋势[J]. 中国食物与营养, 2023, 29(2): 85-89.
    [20]

    MA T C, ZHOU J, WANG C X, et al. Association between dietary inflammatory index and S-klotho plasma levels in middle-aged and elderly people[J]. Front Nutr, 2022, 9: 853332.

    [21] 闫慧慧, 刘鑫, 肖千一, 等. 膳食炎症指数在社区老年人的应用初探[J]. 老年医学与保健, 2021, 27(2): 395-398.
    [22] 李伟红, 吴新春, 李毅, 等. 老年住院患者膳食摄入与营养状况调查[J]. 中国临床保健杂志, 2021, 24(2): 183-187.
    [23] 刘金枚, 张坤, 彭杨, 等. 医养结合机构老年人营养不良预测模型的构建及验证[J]. 护理研究, 2023, 37(18): 3254-3260.
    [24] 中华人民共和国国务院办公厅. 国民营养计划(2017—2030)[EB/OL]. (2017-07-13)[2019-03-02]. http://www.gov.cn/zhengce/content/2017-07/13/content_5210134.hrm.
  • 期刊类型引用(1)

    1. 吴祖骄,张林芳,杨捷. 探究党参麦冬粉联合肠内营养粉剂治疗气阴两虚型老年营养不良的效果. 大医生. 2025(02): 68-71 . 百度学术

    其他类型引用(0)

图(3)  /  表(2)
计量
  • 文章访问数:  117
  • HTML全文浏览量:  28
  • PDF下载量:  18
  • 被引次数: 1
出版历程
  • 收稿日期:  2024-03-20
  • 修回日期:  2024-05-20
  • 刊出日期:  2024-09-14

目录

/

返回文章
返回