Correlation between frailty and sedentary behavior in the elderly in community
-
摘要:目的
探讨社区老年人群衰弱状况与久坐行为的关系及其对衰弱的预测价值。
方法选取265例符合纳入标准的社区老年人为研究对象, 采用衰弱表型对老年人进行衰弱状况评估，采用国际体力活动问卷长卷评估久坐行为，分析老年人久坐行为对衰弱的影响，并探讨其对衰弱的预测价值。
结果265例社区老年人群中，衰弱者与非衰弱者分别为66例(24.91%)和199例(75.09%)。老年人久坐行为时间为380(330~480) min/d, 与非衰弱老年人群比较，衰弱老年人群久坐行为时间延长[360(300, 420) min/d、480(390, 600) min/d], 差异有统计学意义(P < 0.05)。受试者工作特征(ROC)曲线下面积为0.732(95%CI为0.661~0.803, P < 0.001), 最佳截断值为435 min/d。调整年龄、疾病种类、健康自评状况、教育水平、日常生活活动能力(ADL)评分、基础性日常生活活动能力(BADL)评分、工具性日常生活活动能力(IADL)评分及简易精神状态检查表(MMSE)评分后, Logistic回归结果显示，超过最佳截断值的久坐行为是衰弱及其3个表型(缓慢、体质量下降和低体力活动)的独立影响因素(P < 0.05)。
结论久坐行为与衰弱密切相关，久坐行为时间越长的老年人衰弱的可能性越大，因此积极改善久坐行为可以有效防止衰弱的发生和发展。
Abstract:ObjectiveTo explore correlation between frailty and sedentary behavior, and its predictive value for frailty in community-dwelling elders.
MethodsA total of 265 elderly individuals who met the inclusion criteria were recruited as study objects. The frailty phenotype and the International Physical Activity Questionnaire (long paper) were used to evaluate the frailty and sedentary behavior, respectively. The influence of sedentary behavior on the frailty of the elderly was analyzed, and its predictive value on frailty was explored.
ResultsThere were 66 frailty patients (24.91%) and 199 non-frailty patients (75.09%) in 265 elderly population in community. The average time spending in sedentary behavior was 380(330, 480) min per day. Compared with the no-frailty elders, the time of sedentary behavior in the frailty elderly was significantly increased[480 (390, 600) minutes per day versus 360 (300, 420) min per day, P < 0.05]. The area under receiver operating characteristic (ROC) curve was 0.732(95%CI, 0.661 to 0.803, P < 0.001), the optimal accurate cut-off value for frailty was 435 min/day. Logistic regression indicated that after adjusting for age, the number of chronic disease, self-assessment of health status, education level, Activities of Daily Living (ADL) score, Basic Activities of Daily Living (BADL) score, instrumental activities of Daily Living (IADL) score and Simplified Mental State Checklist (MMSE) score, the time spending in sedentary behavior greater than the values defined in the ROC curves was still the independent influencing factor for frailty and three individual components of frailty includingslowness, weight loss, and low physical activity (P < 0.05).
ConclusionThere is a correlation between sedentary behavior and frailty. The longer the sedentary behavior is, the more likely the elderly are to suffer from frailty. Actively improving sedentary behavior may be able to prevent the occurrence and development of frailty.
-
Keywords:
- community /
- the elderly /
- frailty /
- sedentary behavior /
- investigation and study /
- influencing factor
-
结肠癌(CC)是临床常见的消化道恶性肿瘤，其发病率、致死率在癌症中均位居前列[1]。早发现、早诊断和早治疗可显著改善CC患者的预后，但多数患者确诊CC时已达晚期，并不适合接受手术治疗，生存质量受到严重影响[2]。目前, TNM分期仍然是临床实践中预后预测的主要依据，但其局限性日益凸显，TNM分期相同的CC患者在治疗方法及预后方面存在显著差异[3]。这是因为TNM分期仅局限于肿瘤病理特征这一因素，而忽略了肿瘤微环境(TME)和免疫成分的影响，预测结果可能不够精确。近年来，免疫微环境在肿瘤发生、发展、侵袭和转移过程中的作用机制不断被发现[4]。研究[5-6]表明，在CC的发生和发展过程中，免疫相关基因通过调节炎症反应或影响肿瘤免疫监视发挥着重要作用。以免疫相关基因构建的预后模型已被证明在胃癌、膀胱癌中具有较好的预后预测潜力[7-8], 然而目前尚无基于免疫相关基因的预后模型用于评估CC的TME并预测CC患者的预后。本研究根据CC的免疫分型，分析肿瘤免疫间的相互作用，利用Lasso-Cox方法筛选出免疫相关基因作为生物标志物，构建免疫相关预后模型，并建立可用于预测CC患者OS的列线图，以期帮助医生对CC患者做出个体化治疗决策。
1. 材料与方法
1.1 数据来源
从癌症基因组图谱(TCGA)数据库选择TCGA-COAD下载标准化基因表达的RNA-seq数据、临床数据和体细胞突变数据。根据体细胞突变数据计算每个样本每百万碱基中被检测出的体细胞基因编码错误、碱基替换、基因插入或缺失错误的总数，定义为肿瘤突变负荷(TMB)。从癌症免疫组图谱(TCIA)数据库选择COAD下载微卫星不稳定性(MSI)数据。从高通量基因表达(GEO)数据库下载归一化基因表达数据和临床数据，数据集登录号为GSE39582。
1.2 免疫细胞和基质细胞含量、免疫细胞浸润分析
根据基因表达数据并利用R包"estimate"估计样本免疫细胞、基质细胞的含量水平分值，以及样本纯度数值。利用CIBERSORTx(https://cibersortx.stanford.edu/)工具，基于每个样本基因表达数据估算免疫细胞浸润的丰度。
1.3 单样本基因集富集分析和层次聚类分析
本研究采用R包(GSVA、GSEABase和limma)的ssGSEA算法，基于人类分子特征数据库(MSigDB)中29个免疫基因集，综合评估本研究中每个样本的免疫学特征。将原始值x通过min-max标准化映射成在区间[0, 1]中的值x′。然后，利用R软件中基于dist方法的欧氏距离和基于hclust方法的Ward′s linkage进行层次聚类分析，确定CC的亚型。通过R包"Rtsne"的tSNE算法来验证CC亚型的准确性。
1.4 预后相关免疫基因(PIGs)筛选
基于免疫分型将样本分为高免疫组和低免疫组，采用R包"limma"筛选差异表达基因(DEGs), 筛选条件为|log2 FC|>0.585(FC为差异倍数)、错误发现率(FDR) < 0.05。从ImmPort数据库下载免疫相关基因列表，将列表基因与DEGs取交集，得到差异表达免疫基因(DEIGs)。通过对DEIGs进行单因素Cox回归分析，得到PIGs(P < 0.05)。
1.5 富集分析
利用基因集富集分析(GSEA)探讨涉及DEGs的关键信号通路，该分析可分别展示京都基因与基因组百科全书(KEGG)和Hallmark基因组中显著富集的通路(FDR < 0.01)。
1.6 预后模型的构建与验证
利用Lasso惩罚的Cox回归分析筛选PIGs, 构建CC的免疫相关预后模型，参与预后模型构建的PIGs被称为关键预后相关免疫基因(KIGs), 风险评分的计算公式如下:
$$ { The\;risk\;score }=\sum\limits_{i=1}^n {Coef}_i \times {Expr}_i $$ (1) 式中, Expri表示基因i的表达水平, Coefi表示模型中基因i的回归系数。基于得到的风险评分计算中位数，根据中位数将所有患者样本分为高风险组、低风险组，并采用R包"survival" "survminer"进行Kaplan-Meier生存分析。采用R包"timeROC"生成具有时间依赖性的受试者工作特征(ROC)曲线，并计算1、3、5年总生存率(OS)的曲线下面积(AUC)来验证预后模型的预测能力。风险评分与临床特征、免疫浸润细胞、TMB、MSI的相关性采用Spearman相关分析法进行分析，2组比较采用Wilcoxon秩和检验，多组比较采用Kruskal-Wallis秩和检验。使用R包"maftools"工具获取、分析和可视化CC样本基因突变瀑布图。对风险评分和其他临床因素进行单因素和多因素Cox回归分析，确定独立预后因素，基于上述协变量通过R包"rms" "nomogramEx" "regplot"建立列线图，并采用ROC曲线和校准曲线验证建立的列线图是否适用于临床。P < 0.05为差异有统计学意义。
2. 结果
2.1 基于免疫基因组分析鉴定CC的2种亚型
基于29个免疫基因集，采用ssGSEA算法和层次聚类算法分析来自TCGA-COAD队列的479个肿瘤样本，将样本分为高免疫组和低免疫组(图 1A、图 1B)。R包"estimate"评估结果显示，与低免疫组相比，高免疫组基质评分、免疫评分和综合评分水平较高，差异有统计学意义(P < 0.001), 见图 1C。免疫细胞浸润分析结果显示，高免疫组与低免疫组的初始B细胞、CD8+T细胞、静止的CD4+记忆T细胞、记忆激活CD4 T细胞、滤泡辅助性T细胞、单核细胞、M1型巨噬细胞、M2型巨噬细胞、中性粒细胞存在显著差异(图 1D)。进一步采用tSNE算法对CC患者进行免疫水平聚类验证，结果证明了聚类算法的可靠性(图 1E)。本研究比较高免疫和低免疫这2种亚型中的HLA基因表达情况，发现24种HLA基因在高免疫亚型中的表达水平均高于低免疫亚型，差异有统计学意义(P < 0.05), 见图 1F。
![]()
图 1 层次聚类分析结果A: 样本分为高免疫和低免疫这2种亚型; B: TCGA-COAD中的肿瘤微环境热图和免疫特征; C: 高免疫组和低免疫组免疫评分、基质评分、综合评分比较; D: 高免疫组和低免疫组的免疫细胞浸润分析; E: tSNE算法验证分型结果; F: 高免疫与低免疫亚型的HLA基因表达差异。2.2 DEGs、DEIGs和PIGs的鉴定及功能富集分析
对高免疫组和低免疫组进行基因差异表达分析，得到1 439个DEGs, 其中1 074个基因表达上调，365个基因表达下调。将ImmPort数据库中免疫基因与DEGs取交集，得到379个DEIGs, 其中365个基因表达上调, 14个基因表达下调(图 2A~图 2D)。采用单因素Cox回归分析筛选出15个PIGs, 见图 2E。为了深入了解免疫基因表达影响CC生物学过程的整体模式，本研究通过GSEA确定DEGs涉及的通路。在Hallmark基因集中, DEGs主要富集在免疫反应、信号传导、细胞生长与死亡等相关通路，见图 2F。KEGG通路中, DEGs主要富集在免疫系统、信号分子与相互作用信号传导等相关通路，见图 2G。
![]()
图 2 DEGs、DEIGs和PIGs的鉴定及富集分析A: DEGs与免疫基因的交集; B: DEGs热图; C: DEIGs热图; D: DEGs火山图; E: 基于单因素Cox风险回归分析的PIGs及其风险比; F: DEGs的Hallmark基因集富集分析; G: DEGs的KEGG基因集富集分析。2.3 构建和验证免疫基因相关预后模型
将PIGs作为预选基因进行Lasso-Cox回归分析，筛选出12个KIGs用于构建预后模型，见图 3A~B。下载GEO数据库中556例CC患者的样本数据并筛选相应临床数据(表 1), 作为验证集验证预后模型的准确性。分别计算TCGA-COAD、GEO GSE39582数据集中每例CC患者的风险评分，并根据风险评分中位数将患者分为高风险组和低风险组(图 3C~D)。与低风险组相比，高风险组患者的生存时间较短，病死率较高，见图 3E~F。Kaplan-Meier曲线分析显示，低风险组的OS高于高风险组，差异有统计学意义(P < 0.05), 见图 3G~H。ROC曲线显示，预后模型预测TCGA-COAD中患者1、3、5年OS的AUC分别为0.735、0.725、0.699, 预后模型预测验证集中患者1、3、5年OS的AUC分别为0.615、0.607、0.584, 表明预后模型有着良好的预测能力和准确性，见图 3I~J。
![]()
图 3 预后模型的构建和验证A: 在Lasso模型中调整参数进行10倍交叉验证(2条虚线之间的区域表示合理值); B: 12个KIGs在Lasso模型中的coef系数剖面图; C、D: TCGA-COAD、GEO GSE39582数据集中CC患者风险评分的分布和中位值; E、F: TCGA-COAD、GEO GSE39582数据集中CC患者生存状态、生存时间和风险评分的分布情况; G、H: TCGA-COAD、GEO GSE39582数据集中不同生存风险患者的Kaplan-Meier生存曲线; I、J: 预后模型在TCGA-COAD、GEO GSE39582数据集中预测1、3、5年OS的ROC曲线。表 1 GEO GSE39582数据集556例CC患者的临床特征特征 分类 例数 占比/% 年龄 >65岁 337 60.6 ≤65岁 218 39.2 未知 1 0.2 性别 男 304 54.7 女 252 45.3 疾病分期 0期 4 0.7 Ⅰ期 32 5.8 Ⅱ期 262 47.1 Ⅲ期 199 35.8 Ⅳ期 59 10.6 T分期 T0期 1 0.2 T1期 11 2.0 T2期 44 7.9 T3期 360 64.8 T4期 117 21.0 Tis期 3 0.5 未知 20 3.6 M分期 M0期 474 85.2 M1期 60 10.8 MX期 2 0.4 未知 20 3.6 N分期 N0期 299 53.8 N1期 133 23.9 N2期 98 17.6 N3期 6 1.1 未知 20 3.6 2.4 风险评分与临床特征、免疫浸润细胞、TMB、MSI的相关性
基于TCGA-COAD数据，对风险评分与临床特征、免疫浸润细胞、TMB、MSI的相关性进行检验，患者的临床特征见表 2。不同疾病分期、不同TNM分期患者的风险评分比较，差异有统计学意义(P < 0.05), 见图 4A~D。KIGs与众多免疫细胞均存在相关性(P < 0.05), 见图 4E。风险评分与TMB呈正相关(r=0.16, P=0.002 1), 见图 4F; 高风险组和低风险组患者的TMB比较，差异有统计学意义(P < 0.05), 见图 4G; 低TMB组OS高于高TMB组，差异有统计学意义(P < 0.05), 见图 4H; 瀑布图显示，肿瘤驱动突变基因腺瘤性息肉样腺癌基因(APC)突变频率最高，见图 4I。高风险组较低风险组患者MSI更强，见图 4J; 进一步比较微卫星稳定状态(MSS)、微卫星低不稳定性(MSI-L)和微卫星高不稳定性(MSI-H)的风险评分差异发现, MSS与MSI-H(P=2e-05)、MSI-L与MSI-H(P=0.049)的风险评分差异均有统计学意义，见图 4K。
表 2 TCGA-COAD中446例CC患者的临床特征特征 分类 例数 占比/% 年龄 >65岁 263 59.0 ≤65岁 183 41.0 性别 男 234 52.5 女 212 47.5 疾病分期 Ⅰ期 75 16.8 Ⅱ期 175 39.2 Ⅲ期 124 27.8 Ⅳ期 61 13.7 未知 11 2.5 T分期 T1期 10 2.3 T2期 76 17.0 T3期 303 67.9 T4期 56 12.6 Tis期 1 0.2 M分期 M0期 329 73.8 M1期 61 13.7 MX期 49 10.9 未知 7 1.6 N分期 N0期 265 59.4 N1期 102 22.9 N2期 79 17.7 ![]()
图 4 风险评分与临床特征、KIGs、TMB、MSI的相关性分析A~D: 风险评分与疾病分期、TNM分期的相关性(不同分期比较所得数据为P值); E: KIGs与免疫浸润细胞的相关性; F: 风险评分与TMB的相关性; G: 高风险组与低风险组TMB比较; H: 高风险组与低风险组Kaplan-Meier生存曲线分析; I: 前30个突变基因瀑布图; J: 高风险组与低风险组MSI比较; K: 不同微卫星稳定性状态的风险评分比较(不同状态比较所得数据为P值)。2.5 列线图的构建与验证
将风险评分、年龄、性别和疾病分期作为协变量进行单因素和多因素Cox回归分析，结果显示，风险评分是CC患者的独立预后因素(P < 0.001), 见图 5A~B。结合上述因素，构建列线图，进一步发挥预后模型的临床可用性，见图 5C。ROC曲线显示，列线图对生存状态具有良好的预测能力和准确性，预测1、3、5年OS的AUC分别为0.821、0.817、0.778, 见图 5D。校准图显示，列线图的性能与理想模型相似，见图 5E。
![]()
图 5 列线图的建立和验证A: 单因素Cox分析; B: 多因素Cox分析; C: 基于风险评分和临床特征构建列线图; D: 列线图预测1、3、5年OS的ROC曲线; E: 列线图的校准图。3. 讨论
根据国际癌症研究机构2020年发布的数据, CC是世界范围内第3位常见的恶性肿瘤，且是恶性肿瘤相关死亡的第2位原因，已成为严重危害人类身体健康的重要公共卫生问题[1]。研究[9]表明, TME中的免疫细胞在肿瘤进展中起着重要的作用。即使肿瘤侵袭性较小，如果获得性免疫反应较弱，预后也会变差; 相反，无论肿瘤的局部范围和侵袭程度如何，高密度的获得性免疫细胞都预示着良好的预后[10]。因此，医生对患者进行诊断时必须对TME细胞的数量和类型进行明确，并在治疗后尽可能量化，以有效地指导治疗。转录组学分析可利用少量的RNA样本进行研究，近年来研究者们开始关注基于转录组学的基因表达在肿瘤免疫治疗中的影响。本研究筛选出CC的KIGs用于构建预后模型，并建立可预测CC患者OS的列线图，这可能有助于CC患者的预后风险预测、肿瘤分期预测和免疫治疗。
本研究利用ssGSEA算法将CC分为高免疫和低免疫亚型，高免疫亚型的免疫细胞浸润程度更高, HLA基因表达水平更高，表明其相较于低免疫亚型具有更强的免疫原性，与既往研究[11]结果一致。DEGs不仅在免疫相关信号通路中富集，还在许多癌相关通路中富集，包括凋亡、胰腺癌、JAK/STAT信号通路、MAPK信号通路和p53信号通路，与既往研究[12]结论(不同的免疫信号与JAK/STAT信号通路呈正相关)相符。值得注意的是，本研究结果揭示了CC中通路活性与免疫活性之间可能存在联系。
本研究基于筛选出的12个KIGs构建预后模型，结果显示，高风险评分患者和低风险评分患者的OS曲线明显分离，且随着风险评分的升高，疾病分期、TNM分期越高，表明该预后模型对肿瘤分期具有一定预测能力。本研究筛选出的12个KIGs中，大多数与肿瘤的发生发展存在关系，且在CC中也发挥着非常重要的作用。ULBP2编码一种主要的组织相容性复合体Ⅰ类相关分子，该分子与自然杀伤细胞(NK细胞)上的NKG2D受体结合，触发多种细胞因子和趋化因子的释放，进而促进NK细胞的募集和活化，并破坏靶细胞[13]。ULBP2是维持B7-H3赋予CC细胞对V-δ-2T细胞毒性抗性的必要基因[14]。ANGPTL4可通过增强葡萄糖摄取促进具核梭杆菌定植，进而促进结直肠癌细胞的糖酵解活性，对结直肠癌的增殖和侵袭具有促进作用[15]。ANGPTL4可作为前列腺素E2的下游效应分子，可促进肿瘤细胞对低氧的适应，进而促进结直肠癌发展[16]。CX3CL1配体与其受体CX3CR1通过将NK细胞和T细胞等抗肿瘤免疫细胞招募到TME而控制肿瘤的生长，从而发挥抗肿瘤作用。但另一方面, CX3CL1-CX3CR1轴也激活了促肿瘤反应[17]。多项证据[18-19]表明, CX3CL1与结直肠癌显著相关，可导致预后不良。FABP4主要在脂肪组织和巨噬细胞中表达，在肥胖相关疾病中功能显著，其通过与多种经典途径(如PI3K/AKT和STAT3/ALDH1信号传导)相互作用，在肿瘤发生和侵袭中起着关键作用[20]。FABP4在CC中过表达会增加脂肪酸转运，增强能量和脂质代谢，激活AKT通路和上皮间质转化，进而促进CC细胞的迁移和侵袭[21]。HE X F等[22]发现, BST2通过募集肿瘤相关巨噬细胞(TAMs)并将其诱导为M2表型而增加TAMs的浸润率，这有助于形成免疫抑制的TME, 进而促进结直肠癌发展。RBP7编码的蛋白质是细胞视黄醇结合蛋白家族的成员[23], RBP7可作为肿瘤微环境调节因子诱导5-氟尿嘧啶耐药，从而影响结直肠癌患者的预后[24]。另有研究[25]表明, RBP7高表达是早期和晚期CC患者特异性生存率低的独立生物标志物，在功能上有助于CC细胞的恶性表型。TGFb1属于转化生长因子-β(TGF-β)家族中的一员, TGF-β1信号在肿瘤细胞中具有双重性作用，既在癌症前期细胞中发挥有效的细胞抑制和促凋亡活性，也有利于恶性转化后期的上皮间质转化和转移。此外, TGFb1还可通过各种通路影响癌症相关成纤维细胞、内皮细胞以及肿瘤免疫浸润细胞的活性，进而影响肿瘤的发展[26], 这些通路在结直肠癌中同样被验证[27-29]。APOBEC3F是胞苷脱氨酶基因家族的成员[30], 是在基因簇中发现的7个相关基因或假基因之一，这些基因编码的蛋白可能是RNA编辑酶，在生长或细胞周期控制中起作用。研究[31]表明, APOBEC3F存在意味着成纤维细胞具有强烈的促炎活性，可促进结直肠癌的发展。目前, IL1RL2、CHGB在癌症领域中的相关研究尚较少，未来可进一步深入分析。总之，这些KIGs从免疫应答、肿瘤相关免疫细胞活性、免疫细胞浸润、能量和脂质代谢、肿瘤细胞的耐氧特性等方面影响肿瘤细胞的增殖、迁移和浸润。
微卫星通常由1~6个短串联重复DNA序列组成，MSI被认为是结直肠癌的主要致癌途径之一，这种不稳定性是由缺陷DNA错配修复机制引起的，可导致体细胞突变，增加肿瘤突变负担[32]。研究[33]表明，相较于MSS、MSI-L的CC患者, MSI-H的CC患者接受免疫检查点抑制剂治疗可获得更好的治疗效果。本研究发现，高风险组患者的MSI状态更高，表明免疫检查点抑制剂治疗在高风险组患者中可能获益更大。本研究中，低TMB组CC患者的预后与高TMB组更好，与既往研究[34]结论一致。由此提示, TMB或可作为一个独立的生物标志物，指导更有效的免疫治疗策略，并改善预后。本研究还发现，高风险组与低风险组的TMB存在显著性差异, TMB与风险评分呈正相关，由于高体细胞突变意味着MSI高，具有更强的免疫治疗反应，更高的TMB与更好的免疫疗法疗效之间的相关性已得到证实[35]。
综上所述，本研究构建了基于12个KIGs的免疫相关预后模型，并建立了可用于预测CC患者OS的列线图，这可能有助于CC患者总体生存情况的预测和个性化治疗方案的优化。本研究亦存在一些局限性: 本研究仅基于TCGA公开数据集进行分析，未来可结合其他数据库的数据进一步深入研究; 本研究筛选出的12个KIGs与CC患者预后显著相关，但仅通过数据挖掘方法进行分析，这些基因的功能和机制有待进一步开展实验研究加以阐明。
-
表 1 不同衰弱状态老年人群的临床资料比较[n(%)][M(P25, P75)]
临床资料 分类 衰弱状态 非衰弱(n=199) 衰弱(n=66) H/χ2/Z P 年龄 60~69岁 121(60.80) 16(24.24) 38.577 < 0.001 70~79岁 68(34.17) 32(48.49) ≥80岁 10(5.03) 18(27.27) 性别 男 131(65.83) 40(60.61) 0.591 0.442 女 68(34.17) 26(39.39) 体质量指数 偏瘦 7(3.52) 13(19.70) 25.198 < 0.001 正常 99(49.75) 25(37.88) 超重 73(36.68) 15(22.72) 肥胖 20(10.05) 13(19.70) 疾病种类 0~3种 148(74.37) 24(36.36) 31.433 < 0.001 ≥4种 51(25.63) 42(63.64) 健康自评状况 好 96(48.24) 11(16.67) 40.168 < 0.001 一般 84(42.21) 28(42.42) 差 19(9.55) 27(40.91) 教育水平 小学及以下 83(41.71) 39(59.09) 6.298 0.043 中学 93(46.73) 23(34.85) 大专及以上 23(11.56) 4(6.06) 饮酒史 无 126(63.32) 45(68.18) 0.513 0.474 有 73(36.68) 21(31.82) 吸烟史 无 108(54.27) 30(45.45) 1.544 0.214 有 91(45.73) 36(54.55) 工具性日常生活活动能力 正常 191(95.98) 34(51.52) 76.460 < 0.001 受损 8(4.02) 32(48.48) 基础性日常生活活动能力 正常 195(97.99) 55(83.33) 19.938 < 0.001 受损 4(2.01) 11(16.67) 日常生活活动能力 正常 188(94.47) 34(51.52) 67.281 < 0.001 受损 11(5.53) 32(48.48) 简易精神状态检查表评分/分 28(26, 29) 25(21, 27) -5.669 < 0.001 营养风险 无 164(82.41) 36(54.55) 20.791 < 0.001 有 35(17.59) 30(45.45) 久坐行为时间/(min/d) 360(300, 420) 480(390, 600) 5.690 < 0.001 
下载: 导出CSV
表 2 老年衰弱综合征与久坐行为的Logistic回归分析
项目 分类 久坐行为 OR B 95%CI P 衰弱 ≤435 min/d 1 — — — >435 min/d 5.498 1.704 2.332~12.958 < 0.001 衰弱表型 缓慢 ≤435 min/d 1 — — — >435 min/d 2.595 0.954 1.298~5.189 0.007 体质量下降 ≤435 min/d 1 — — — >435 min/d 3.488 1.249 1.518~8.017 0.003 虚弱 ≤435 min/d 1 — — — >435 min/d 1.048 0.047 0.546~2.012 0.888 低体力活动 ≤435 min/d 1 — — — >435 min/d 2.585 0.950 1.042~6.411 0.040 疲乏 ≤435 min/d 1 — — — >435 min/d 1.772 0.572 0.945~3.321 0.074
下载: 导出CSV
-
[1] 马丽娜, 陈彪. 老年人衰弱综合征的研究现状及发展趋势[J]. 中华老年医学杂志, 2020, 39(4): 369-372. doi: 10.3760/cma.j.issn.0254-9026.2020.04.001 [2] ZHENG P P, YAO S M, HE W, et al. Frailty related all-cause mortality or hospital readmission among adults aged 65 and older with stage-B heart failure inpatients[J]. BMC Geriatr, 2021, 21(1): 125. doi: 10.1186/s12877-021-02072-6
[3] CHEN S, CHEN T, KISHIMOTO H, et al. Associations of objectively measured patterns of sedentary behavior and physical activity with frailty status screened by the frail scale in Japanese community-dwelling older adults[J]. J Sports Sci Med, 2020, 19(1): 166-174.
[4] DA SILVA V D, TRIBESS S, MENEGUCI J, et al. Association between frailty and the combination of physical activity level and sedentary behavior in older adults[J]. BMC Public Heal, 2019, 19(1): 709. doi: 10.1186/s12889-019-7062-0
[5] PATE R R, O'NEILL J R, LOBELO F. The evolving definition of "sedentary"[J]. Exerc Sport Sci Rev, 2008, 36(4): 173-178. doi: 10.1097/JES.0b013e3181877d1a
[6] KRINGLE E A, TERHORST L, GIBBS B B, et al. Activating Behavior to Reduce Sedentary Behavior After Stroke: A Nonrandomized Pilot Feasibility Study[J]. Am J Occup Ther, 2020, 74(6): 7406205030p1-7406205030p10. doi: 10.5014/ajot.2020.040345
[7] 齐士格, 王志会, 王丽敏, 等. 中国城乡老年人群两年内日常生活活动能力受损发生情况及影响因素[J]. 中华流行病学杂志, 2019, 40(3): 272-276. [8] FRIED L P, TANGEN C M, WALSTON J, et al. Frailty in older AdultsEvidence for a phenotype[J]. J Gerontol A Biol Sci Med Sci, 2001, 56(3): M146-M157. doi: 10.1093/gerona/56.3.M146
[9] VENICIUS D S, SHEILLA T, JOILSON M, et al. Time Spent in Sedentary Behavior as Discriminant Criterion for Frailty in Older Adults[J]. Int J Environ Res Public Health, 2018, 15(7): 1336. doi: 10.3390/ijerph15071336
[10] DA SILVA COQUEIRO R, DE QUEIROZ B M, OLIVEIRA D S, et al. Cross-sectional relationships between sedentary behavior and frailty in older adults[J]. J Sports Med Phys Fit, 2017, 57(6): 825-830.
[11] AKIN S, MAZICIOGLU M M, MUCUK S, et al. The prevalence of frailty and related factors in community-dwelling Turkish elderly according to modified Fried Frailty Index and FRAIL scales[J]. Aging Clin Exp Res, 2015, 27(5): 703-709. doi: 10.1007/s40520-015-0337-0
[12] PUTS M T E, TOUBASI S, ANDREW M K, et al. Interventions to prevent or reduce the level of frailty in community-dwelling older adults: a scoping review of the literature and international policies[J]. Age Ageing, 2017, 46(3): 383-392.
[13] KOZEY KEADLE S, LYDEN K, FREEDSON P S. Response to "Breaking-up sedentary time is associated with impairment in activities of daily living"[J]. Exp Gerontol, 2015, 72: 279-280. doi: 10.1016/j.exger.2015.10.002
[14] DEL POZO-CRUZ B, MAÑAS A, MARTÍN-GARCÍA M, et al. Frailty is associated with objectively assessed sedentary behaviour patterns in older adults: evidence from the Toledo Study for Healthy Aging (TSHA)[J]. PLoS One, 2017, 12(9): e0183911. doi: 10.1371/journal.pone.0183911
[15] 周林, 武献峰, 刘守钦, 等. 济南市城区中老年人群超重和肥胖状况及其危险因素[J]. 中国老年学杂志, 2018, 38(4): 962-964. doi: 10.3969/j.issn.1005-9202.2018.04.079 [16] THEOU O, BLODGETT J M, GODIN J, et al. Association between sedentary time and mortality across levels of frailty[J]. CMAJ, 2017, 189(33): E1056-E1064. doi: 10.1503/cmaj.161034
[17] BLODGETT J, THEOU O, KIRKLAND S, et al. The association between sedentary behaviour, moderate-vigorous physical activity and frailty in NHANES cohorts[J]. Maturitas, 2015, 80(2): 187-191. doi: 10.1016/j.maturitas.2014.11.010
[18] MAÑAS A, DEL POZO-CRUZ B, RODRÍGUEZ-GÓMEZ I, et al. Breaking sedentary time predicts future frailty in inactive older adults: a cross-lagged panel model[J]. J Gerontol A Biol Sci Med Sci, 2020, 76(5): 893-900.
[19] VIRTUOSO JÙNIOR J S, ROZA L B, TRIBESS S, et al. Time spent sitting is associated with changes in biomarkers of frailty in hospitalized older adults: a cross sectional study[J]. Front Physiol, 2017, 8: 505. doi: 10.3389/fphys.2017.00505
[20] COELHO L, HAUCK K, MCKENZIE K, et al. The association between sedentary behavior and cognitive ability in older adults[J]. Aging Clin Exp Res, 2020, 32(11): 2339-2347. doi: 10.1007/s40520-019-01460-8
[21] GIURGIU M, PLOTNIKOFF R C, NIGG C R, et al. Momentary mood predicts upcoming real-life sedentary behavior[J]. Scand J Med Sci Sports, 2020, 30(7): 1276-1286. doi: 10.1111/sms.13652
-
期刊类型引用(1)
1. 徐鑫龙，李桓，马凯旋. 沉默信息调节因子2相关酶1和集落刺激因子1受体表达与结肠癌患者临床特征和预后的关系. 实用临床医药杂志. 2024(23): 70-74 . 
本站查看
其他类型引用(0)
计量
- 文章访问数: 194
- HTML全文浏览量: 90
- PDF下载量: 15
- 被引次数: 1
苏公网安备 32100302010246号
