老年人生活自理能力量化计算方法与流程

本发明涉及一种老年人生活自理能力量化计算方法。从应用场景的角度讲，属于生物医学技术领域；从技术实现的角度来讲，亦属于计算机科学与生物信息处理技术领域。

背景技术：

伴随着我国老年人口数量的增加，我国已进入老龄化社会。社会养老问题也就成为国家面临的巨大挑战。生活自理能力是老年人保证独立生活的最基本能力。一旦自理能力丧失，老年人的生活就需要有外力的介入。这无疑会给家庭乃至社会带来负担。为此，对生活自理能力进行深入研究，衡量并描述老年人的生活自理能力，有助于提前发现并采用合理的手段来避免或者延缓生活自理能力的丧失，不仅可以提高老年人晚年生活质量，对于国家和社会也具有重要的医疗经济学意义。

生活自理能力通常分为日常生活自理能力和工具性生活自理能力两种。日常生活自理能力主要是指完成吃饭、穿衣、上厕所、修饰、室内活动等日常基本生活活动的能力，它反映了老年人躯体功能和最低层次的认知功能的健康水平。此外还有一个指标是工具性生活自理能力，强调的是生活中利用或借助工具完成生活活动的能力，包括做家务，洗衣服、理财、购物、乘车、吃药、打电话等活动，它反映个体更高层次的认知功能的健康水平。这两种生活自理能力的衡量则均以量表的形式出现，量表是一种特殊的调查问卷，针对问卷中的项目会分配不同权重，同一项目又会分配不同得分选项，综合后获得最终的生活自理能力描述。

基本日常生活活动能力在1963年由Katz提出的，包含6项基本功能：洗澡，穿衣，上厕所，室内活动，自制力，吃饭。主要是为了描述人类由儿童时代逐渐获得的基本能力，对认知能力要求不高。随着基本生活自理能力的提出，多种关于基本生活自理能力的量表也就雨后春笋般的出现。

这些量表构建的目的可以划分为3类：描述，预测和评估。描述性量表主要是为了呈现个体在当前时刻的身体状况，其结果用于和其他人的对比。常见的描述性量表有ADL Index，PULSES Profile，Barthel Index。这些量表可以将个体划分为生活自理能力受损和生活自理能力完好的人群，同时可以给出生活自理能力受损的严重程度。预测性量表是为了给个体设定一个基线标准，实质就是预测一个未来的可能状态。最具代表性的量表就是Klein-Bell ADLs，它可以准确的预测人群是应该安置在社区还是健康医疗机构。同时Law&Usher关于Klein-Bell量表应用在儿科的研究证明了其有效性。评估性量表是为了随时监测个体的状态来评定相应个体在生活自理能力方面的变化。常见的评估性量表有ADL Index，Barthel Index，Donaldson ADL评估量表，Kenny自理评估量表，LORS-II评估量表(Revised Level of Rehabilitation Scale)。

基本生活自理能力是老年人能够自理基本生活活动的条件，但如果独立生活则需要更加复杂的活动，比如做饭，管理财务等。因此为了研究老年人独立生活的能力，工具性生活自理能力(IADL)也随着ADL的发展兴起。

常见的工具性生活自理能力量表中Lawton IADL，IDDD，Bristol ADL，DAD，B-ADL，ADLQ，ADCS-ADL等属于评估性量表，Blessed DS，CSADL，ADL-IS，ADCS-ADL-Sev等属于描述性量表，ADL-PI量表属于预测性量表。相比ADL而言，IADL的研究更加专注并多集中(58.4％)于评估性量表，用于评定个体的变化情况；关于预测性的量表则相对较少(8.3％)；描述性量表则相对适中(33.3％)。

综上分析，生活自理能力的众多研究中均采用活动量表的形式，通过观察或者调查受试者特定活动的完成情况给定相应的量化值。这种方式无论量表项目多少，每个项目划分多少级别，分析结果终究是分级离散的，也就会出现不同的状况的个体获得相同的量化值，其实质还是定性的将人群进行了划分；同时在实际测试中，大多数人均能较好的完成所有活动。基于以上两点会导致人群结果过于集中，造成生活自理能力分析结果粒度粗，难以体现个体的个性化特征，不利于对个体开展有针对性的干预或理疗措施，难以达到延缓个体生活自理能力的下降或者维持现有生活自理能力的目的。

技术实现要素：

本发明的目的是：针对目前老年人生活自理能力分析结果粒度粗难以针对个性提供服务的问题，提出一种老年人生活自理能力量化分析方法。达到 多层级、有针对性地评定老年人个体的生活自理能力的目的。

本发明的设计原理为：分析当前研究获得生活自理能力研究领域公认的基本因素，计算生活自理能力基线量化值。以此为基础采用一种基于boruta算法的生活自理能力关键影响因素提取方法，选择生活自理能力关键影响因素。基于关键影响影响因素，构建逻辑回归模型，预测个体生活自理概率，进而计算归一化自理概率并构建获得连续的生活自理状态量化值；最后应用加权融合的方法综合生活自理能力基线量化值和生活自理状态量化值获得连续的生活自理能力量化值。本发明可以针对个体状态给出一个百分制的量化值，充分体现个体的个性化特征，达到细化人群划分的目的。

本发明的技术方案是通过如下步骤实现的：

步骤1，分析并筛选生活自理能力基本因素，获取清理后待分析数据构成数据集，计算生活自理能力基线量化值，并标定生活自理状态，具体实现方法为：

步骤1.1，综合分析生活自理能力研究领域内较为认同的研究成果对生活自理能力的描述属性，选择其交集属性作为生活自理能力的基本因素。

步骤1.2，获取清理后待分析数据构成数据集，其中每条数据包含m维生活自理能力基本因素，和M-m维生活自理能力影响因素，以影响因素为列向量，不同样本对应的属性值为行向量，构建数据集S标记为[S_NM]。

步骤1.3，基于数据的m维生活自理能力基本因素，计算生活自理能力基线量化值，计算公式为：

${\mathrm{Sb}}_i=\underset{j=1}{\overset{m}{\Σ}}{x}_i^j$

其中，sb_i即为第i个样本生活自理能力基线量化值，代表第i个样本第j维生活自理能力基本因素。

步骤1.4，基于生活自理能力基线量化值标定数据的生活自理状态，生活自理能力量化值满分代表m种基本活动能力均完好(标记为1)，而其他量化值则说明活动能力有所下降(标定为0)，获得标定后数据Sl。

步骤2，对步骤1获得数据集Sl，应用boruta算法，计算每维影响属性对生活自理能力的影响程度，基于该量化作用程度结合属性采集难度和专家经验选择生活自理能力关键影响因素，具体实现方法为：

步骤2.1，设定参数，针对数据集Sl,克隆随机p组属性作为副本属性，并对其进行重排，以消除其与对应属性的相关性。重组数据集Sl′。

步骤2.2，基于数据集Sl′，构建随机森林训练，根据设定参数，训练构建一棵分类回归树，计算获得每棵树对应的带外数据的均方残差，记为：MSE_n，其中n∈1，２…num，由此对于n棵树可以获得原始带外数据均方残差向量[MSE₁，MSE₂，…MSE_num]。

步骤2.3，基于步骤2.2得到的残差[MSE₁，MSE₂，…MSE_num]与对应的属性计算相应的Z值，确定Z值最大的副本属性，同时标记比其值大的属性，作为重要属性，而对应比其Z值小的属性则标记为非重要属性并从数据集中删除。最后删除所有副本属性。

步骤2.4，重复以上步骤2.1至步骤2.3，直至达到设定的终止条件。

步骤2.5，基于属性重要性排序靠前的属性，并参考专家经验删除冗余属性，考虑属性采集难度删除部分属性，获得生活自理能力关键影响因素。

步骤3，基于生活自理能力关键影响因素，构建逻辑回归模型，计算个体生活自理概率，计算归一化自理概率并构建生活自理能力状态量化值，具体实现方法为：

步骤3.1，对生活自理能力关键影响因素的属性值进行标准化，计算方法为：其中是第i个样本第l维关键影响因素原始值，是第i个样本第l维关键影响因素的标准化值，mean(x^l)和sd(x^l)则分别为样本的第l维关键影响因素的均值和标准差。

步骤3.2，构建逻辑回归模型，基于训练获得的逻辑回归模型，以个体标准化数据，计算个体生活自理概率P_i。

步骤3.3，基于个体的自理概率，计算生活自理能力状态量化值，计算方法为：

${\mathrm{St}}_i=\frac{P_i-\min \left(P\right)}{\max \left(P\right)-\min \left(P\right)}*100$

其中，St_i即为生活自理状态量化值，min(P)和max(P)则分别为自理概率的最小值和最大值。

步骤4，应用加权融合的方法，综合生活自理能力基线量化值和生活自理状态量化值，计算获得生活自理能力量化值，具体实现方法为：

步骤4.1，以生活自理能力基线量化值sb和生活自理状态量化值st分别计算均方差，计算方法：

$Var\left(Sb\right)=\frac{1}{N}\Σ{(Sb-mean(Sb\left)\right)}^2$

$Var\left(St\right)=\frac{1}{N}\Σ{(St-mean(St\left)\right)}^2$

其中mean(Sb)及mean(St)分别对应生活自理能力基线量化值和生活自理能力状态量化值的均值，N为样本数量。

步骤4.2，基于步骤4.1获得的均方差，计算生活自理能力基线量化值和生活自理能力状态的相对信息量λ₁，λ₂，计算方法为：

${\mathrm{\λ}}_1=\frac{Var\left(Sb\right)}{Var\left(Sb\right)+Var\left(St\right)}$

${\mathrm{\λ}}_2=\frac{Var\left(St\right)}{Var\left(Sb\right)+Var\left(St\right)}$

步骤4.3，基于相对信息量，作为生活自理能力基线量化值和生活自理能力状态量化值的权重，加权融合获得生活自理能力量化值Sf，百分化计算方法为：

Sf＝λ₁*Sb+λ₂*St

有益效果

相比于ADL等量表评分方法，本发明提出的基于boruta算法和逻辑回归算法的生活自理能力量化计算方法，通过逻辑回归根据个体特征计算出连续的生活自理能力量化值，可以体现个体个性化特征，达到更加细致的人群划分效果，为个体个性化的干预指导措施提供了指导意见。

相比于IADL等量表方法，本专利提出的方法，采用boruta算法算法量化了属性对生活自理能力的影响程度，基于此并结合专家经验和属性采集难度，提取了生活自理能力关键影响因素，有效的减少了生活自理能力分析的属性，降低了评估的时间和费用消耗，具有更广的使用场景，极具使用价值。

附图说明

图1为本发明提出的生活自理能力关键影响因素提取原理图；

图2为本发明提出的老年人生活自理能力量化计算方法原理图；

图3为具体实施方式中,属性对生活自理能力重要度排名前10位的属性；

图4为具体实施方式中，最终生活自理能力量化值分布图。

具体实施方式

为了更好的说明本发明的目的和优点，下面结合附图和实施例对本发明方法的实施方式做进一步详细说明。

以下所有测试均在同一台计算机上完成，具体配置为：Intel双核CPU(主频2.53G)，4G内存，Windows 7操作系统。

测试采用数据来源于于2011～2012年间北京医院联合全国7省市13家医院调查数据，调查问卷由中国卫生部行业基金老年健康综合评估课题组和中国老年人保健及疾病防治联盟联合设计，包括个人基本信息、躯体健康评估、躯体功能评估、生活行为与社会功能评估、认知功能、医疗情况、心理健康、失能等级评估、辅助检查，采集数据共482维，包含9503条数据。

第一环节

本环节使用数据源原始数据源。详细说明生活自理能力基线量化值计算过程。具体实施步骤如下：

步骤1.1，选择生活自理能力分析研究领域较为认同的Berthel Index量表和国际功能分类(简称ICF)作为参照，选择这两个量表中生活自理能力的分析属性的交集，获得生活自理能力5维基本因素：吃饭、穿衣、如厕、修饰、洗澡。

步骤1.2，对原始数据进行空缺值删除和属性初选，最终选择包含个体基本信息、躯体健康评估、躯体功能评估、心理健康、认知功能、失能等级评估表的6大类的78维属性，4837条数据。

步骤1.3，基于步骤1.2获得的数据，以步骤1.1获得的5维基本因素计算数据的生活自理能力基线量化值Sb。

步骤1.4，基于生活自理能力基线量化值，依据表1所示规则，对个体数据进行标定。

表1数据标定规则

第二环节

本环节使用数据源为上一环节获得的数据源。详细说明生活自理能力关键影响因素提取过程。具体实施步骤如下：

步骤2.1，复制5组变量的数据，构建5个副本属性，并对副本属性进行重排，与原始数据集组合获得扩展数据集。

步骤2.2，基于扩展数据集，构建随机森林分类器，根据设定参数，训练构建一棵分类回归树，计算获得每棵树对应的带外数据的均方残差，记为：MSE_n，其中n∈1，２…num，由此对于m棵树可以获得原始带外数据均方残差向量[MSE₁，MSE₂，…MSE_num]。

步骤2.3，基于步骤2.2得到的残差[MSE₁，MSE₂，…MSE_num]与对应的属性计算相应的Z值，确定Z值最大的副本属性，同时标记比其值大的属性，作为重要属性，而对应比其Z值小的属性则标记为非重要属性并从数据集中删除。最后删除所有副本属性。

步骤2.4，重复步骤2.1到2.3直至终止条件，考虑到属性的采集难度，结合专家经验，删除采集难度大的部分属性重要度大的属性，同时添加专家临床经验认为较为重要而属性重要度较低的属性。

通过实验，属性重要度排名前10的属性如下表2所示。最终选择现居住地、是否残障、步速、工作性质，年龄、性别7维属性。

表2属性重要度排序结果

第三环节

本环节使用数据源为上一环节获得的数据源。详细说明生活自理状态量化值计算过程。具体实施步骤如下：

步骤3.1，对数据中的生活自理能力关键影响因素进行标准化。

步骤3.2，以标准化生活自理能力关键影响因素为自变量，生活自理状态标定结果为因变量，生活自理能力关键影响因素为自变量，构建逻辑回归模型。计算并记录个体的生活自理概率P_ik。

步骤3.5，通过归一化生活自理概率的百分化计算获得个体生活自理状态量化值St。

第四环节

本环节使用数据源为上一环节获得的数据源。详细说明生活自理量化值计算过程。具体实施步骤如下：

步骤4.1，基于生活自理能力基线量化值Sb和生活自理状态量化值St，计算均方差Var(Sb)＝1.06，Var(St)＝9.67。

步骤4.2，计算相对信息量λ₁＝0.094、λ₂＝0.906。

步骤4.3，通过加权求和计算生活自理能力量化值，最终生活自理能力量化值分布如图4所示。

第五环节

本环节将对本发明的生活自理能力量化计算结果和传统ADL进行对比，重点说明本发明方法可以细致的对人群进行划分。

采用同样的数据分别采用ADL方法和本发明方法进行分析。采用划分率作为评价指标对两种方法进行对比，对比结果如表3所示。

表3生活自理能力量化计算结果对比

表3中可以看出，ADL得分只能将人群划分成11组，尤其是生活自理能力状态最好的类别组有4595人，这就是无论ADL得分的切点如何划分，这些人都会被划分成同一类人。而本文方法可以将对应的该组人群划分成4374个类别划分率为95.19，换言之，通过选择合适的生活自理能力量化值的切点，可以将ADL得分一定划分成同一类别的人划分成任意不大于4374类组。而在其他人ADL类别人群中，本文方法获得的生活自理能力量化值可以将ADL得分划分成同类的人群进行100％的划分。综合以上分析，本文方法可以将ADL难以划分的人群进行更加细致的划分。

本发明针对目前老年人生活自理能力分析结果粒度粗难以针对个性提供服务的问题，提出了一种老年人生活自理能力量化计算方法。通过生活自理能力量化计算实验证明，该方法可以将个体生活自理能力以百分制的形式给出，可以细致地划分人群，同时具备较少的分析属性和较小的属性采集难度，对于老年人生活自理能力量化计算的推广应用简单，极具使用价值。同时该方法可以作为理论研究，作为其他老年人慢性疾病量化计算的技术和方法基础。