衰弱是多器官功能累计下降从而导致生理能力和抗应激能力的衰退[1]。研究指出衰弱与口腔衰弱（oral frailty，OF）之间存在显著的双向联系，不良口腔健康状况的老年人发生衰弱的概率增加[2]。OF指伴随着年龄增长口腔功能逐渐衰退并导致身体和心理功能恶化的状态，与肌少症、跌倒、抑郁、营养不良等诸多不良健康结局有关[3-5]。研究显示，我国老年人OF的发生率高达34.4%～57.3%[6]。因此早期识别OF高危人群并实施干预具有重要的临床意义。目前，国内外学者已开发了多种老年人群OF的风险预测模型，但现有模型存在偏倚风险高、验证不足等问题，这严重阻碍了模型在临床中的应用与推广[7-8]。此外，OF风险预测模型的研究不断增加，然而尚未有研究对该领域的预测模型进行系统评价，因此本研究对国内外相关预测模型的偏倚风险和模型性能进行全面评价和分析，揭示当前研究方法学的局限性与偏倚来源，以其为未来开发偏倚风险低、临床实用性强的高质量OF预测模型提供参考。

1 资料与方法

1.1 文献检索策略

系统检索PubMed、Web of Science核心合集数据库、Cochrane Library、Embase、CINAHL、中国知网、万方数据知识服务平台、维普网中关于老年OF风险预测模型构建的研究，检索时限为建库至2025年7月。中文检索词包括：口腔衰弱；危险因素/风险评估/预测模型/ 风险预测；英文检索词包括：oral frailty/oral weakness/oral hypo function/oral vulnerability/oral dysfunction；prediction/predict model/risk factors/risk prediction/risk assessment。

1.2 纳入及排除标准

1.2.1 纳入标准①研究内容为OF风险预测模型的构建或验证；②研究设计为横断面研究、病例对照研究、回顾性队列研究；③中、英文文献。

1.2.2 排除标准①仅分析OF影响或危险因素，但未构建预测模型的研究；②会议摘要；③信息不全、无法获取全文的文献。

1.3 文献筛选与数据提取

将检索文献导入EndNote20软件中去除重复文献。由两名研究者根据纳入及排除标准独立筛选文献，筛选中存在分歧时与第3名研究者讨论决定是否纳入文献。本研究以预测模型研究系统评价的关键评估及数据提取清单（critical appraisal and data extraction for systematic review of prediction modelling studies，CHARMS）[9]对纳入文献进行信息提取，包括第一作者、发表时间、国家、样本量、OF发生率、模型预测因子、建模方法、模型性能等。

1.4 偏倚风险与适用性评价

研究者根据预测模型研究偏倚风险的评价工具（prediction model risk of bias assessment tool，PROBAST）[10-11]对纳入文献进行偏倚风险与适用性评估。偏倚风险评估包括4个领域：研究对象、预测因子、结果和统计分析。每个领域按照“低”“高”或“不清楚”进行判断。当4个领域的评价结果均为“低”，则整体风险为低风险；当某一个领域为“高”，则整体风险为高风险；当某一个领域为“不清楚”且其他领域为“低”时，整体风险仍为不清楚。适用性评估是对研究对象、预测因子和结果进行判断，其评估方法与偏倚风险相似。

2 结果

2.1 文献检索结果

初步检索获得2062篇文献，其中英文文献1908篇，中文文献154篇。经EndNote 20软件去除重复文献后剩余文献1 323篇，阅读标题及摘要后排除1 284篇文献，阅读全文后排除不符合纳入及排除标准的29篇，最终共纳入10篇文献。文献筛选流程见图1。

图1 文献筛选流程

2.2 纳入文献基本特征

本研究共纳入10篇文献[7-8,12-19]，研究设计集中于横断面研究，发表来自中国的9篇文献[7-8,12-16,18-19]，1篇文献[17]来自日本。研究对象均为老年人群，3项研究[7-8,15]为社区老年人，2项研究[16,18]为老年脑卒中患者、1项研究[13]为住院老年患者、1项研究[14]为老年糖尿病患者、1项研究[12]为老年帕金森患者、1项研究[17]为日本牙科诊所老年患者、1项研究[19]为老年癌症患者。纳入基本情况见表1。

表1 纳入文献基本特征

注OF：口腔衰弱。

2.3 OF预测模型构建的基本情况

纳入的10篇[7-8，12-19]预测模型中，预测变量筛选基本为单因素分析后多因素分析或结合文献回顾，主要预测因子分别是年龄、营养状况、进食困难，模型呈现方式以列线图为主。模型构建基本情况见表2。

表2 模型构建基本情况

2.4 模型的构建方式与性能

模型构建方面均采用了logistic回归。模型性能方面，10个模型[7-8,12-19]描述训练时受试者工作特征曲线下面积（area under curve，AUC）值（0.725～0.985）；9个模型[7,12-19]描述验证时AUC值（0.860～0.982），AUC值均＞0.7，表明模型区分度良好。校准度方面包含4种方法：校准曲线、临床决策曲线分析（decision curve analysis，DCA）、布里尔评分（Brier Score，BS）、Hosmer-lemeshow（H-L）检验，H-L检验P值均＞0.05，提示模型一致性良好。模型验证方面，8项[7，12-16,18-19]模型进行了验证，其中6项[7,12-15,18]采用Bootstrap重复抽样法对模型进行了内部验证，1项[19]采用随机拆分法进行模型的内部验证，有4项[12-13,16,18]进行了外部验证。模型构建及性能情况见表3。

表3 模型构建及性能

注DCA：决策曲线分析；BS：布里尔评分；H-L：Hosmer-lemeshow。

2.5 偏倚风险与适用性评价

2.5.1 研究对象的偏倚情况 本研究纳入10篇文献[7-8，12-19]，经评估数据来源于横断面研究，这些研究数据因混杂残留、时序模糊等问题，导致10项研究均为高风险偏倚。

2.5.2 预测因子的偏倚情况10篇文献[7-8，12-19]在研究OF预测模型中，所有研究中评估人员都通过统一培训且在评估过程中评估者不清楚结果信息，因此均为低风险偏倚。

2.5.3 结果的偏倚情况 5项研究[8,13-14,17-18]为高风险偏倚。其中1项研究[8]在评估结果时使用了自评量表进行数据收集，获取患者的主观感受，可能受到患者主观倾向的影响，从而导致一定的结果偏倚。其余4项研究[13-14，17]在最终的预测因子纳入了牙齿数量、主观咀嚼困难等，这些预测因子属于OF定义中的一部分，导致结果的偏倚，因此被评为高风险。

2.5.4 统计分析的偏倚情况 9项研究[7-8,12-14,16-19]均为高风险偏倚，主要原因如下：①5项研究[12-14,18-19]的模型开发样本量不足，每个变量事件数＜20。每个变量事件数过低会导致模型过度拟合、参数不稳定，因此被评为高风险。②3项研究[8,16-17]未进行内部验证，导致模型过度拟合增加。③1项研究[7]在对缺失值处理时，直接对缺失值进行了删除。④1项研究[17]的预测因子筛选仅通过单因素方法，此外该项研究未提到校准度信息。

2.5.5 适用性 纳入所有模型的研究对象、预测因子及结果方面较好，因此整体适用性评价为低适用性风险。具体偏倚风险情况见表4。

表4 偏倚风险评价

3 讨论

3.1 OF的发生率较高

本研究发现老年OF的发生率为23.90%～64.41%，这一差距与研究对象的异质性及结局评价采用不同的研究工具有关。王敏等[7]报告的OF发生率显著高于其他研究，可能是由于该研究中并未排除老年人是否伴有其他基础疾病及选用评估工具所涉及内容和侧重领域不同。此外，中国社区OF发生率远高于日本牙科诊所，其根源可能在于中国老年人口腔保健意识薄弱、口腔健康知识水平较低，就医依从性较差等[8,17,20]。OF作为老年衰弱的重要表型，其直接关系到老年人生活质量，一项meta研究结果显示，老年OF前期的患病率高达47.9%[21]。提示近半数的老年人面临着口腔功能衰弱的风险，但大部分OF成分都是可逆的[22]。因此针对这一现状，亟须建立有效的筛查体系、实施早期干预措施，从而提升老年人生活质量，降低家庭照顾负担与社会医疗成本。

3.2 OF的预测因子分析

本研究纳入预测因子共有25个可分为7类：人口学因素、口腔健康相关因素、生活方式因素、身体机能、疾病相关因素、社会因素、人体测量学指标。其中年龄、营养状况、进食困难为OF的主要预测因子，但研究均为横断面调查，无法确定预测因子和结局的因果关系。随着年龄增长，老年人唾液分泌逐渐减少、牙龈萎缩、牙齿神经发生退化等口腔生理变化导致口腔自净能力降低，使高龄人群更容易发生OF的风险，因此年龄越大发生OF的概率也越大[23]。在营养状况方面，营养状态越差，膳食摄入较少，发生OF的风险越高，提示医护工作者在临床上需重点关注营养状况差患者[24]。营养不良患者应依据病情变化进行个性化的指导，不能经口进食者应早期鼻饲注入营养液或肠外营养。进食困难也是OF的重要危险，进食困难反应咀嚼功能下降，咀嚼功能的下降会增加OF的风险[25-26]。医护人员可根据患者的咀嚼情况，制订针对性的饮食计划，维持营养均衡。

3.3 OF整体预测模型的模型效果良好，但整体偏倚风险高

本研究模型性能是由整体性能、区分度、校准度、临床效益组成[27]。一项研究[13]使用BS来评估整体性能，BS=0.133，表明模型的预测结果与真实结果之间差异较小，模型性能较好。本研究纳入的10项模型AUC范围在0.725～0.985，其均值＞0.7，显示出良好的区分度，能较好地识别OF的高危险人群。纳入模型的H-L检验的P值均＞0.05，表明模型拟合度良好，具有较高的校准度。5项研究[7-8,12-13,16，18-19]通过DCA评估临床效益，结果显示净收益线均高于全部检出线和全部未检出线，提示模型的临床适用性较高。根据评估结果得出总体预测效果良好，但纳入的研究均存在一定的偏倚。主要体现在：①数据来源均为横断面研究，无法控制混杂偏倚，可能会导致模型拟合过高；②预测因子中涵盖信息结果，牙齿数量、主观咀嚼困难指标是OF概念中的一部分，可能会放大模型性能，削弱临床的推广性[28]；③单因素筛选预测因子，忽略多重共线性问题；④对缺失值处理不当，可能会导致选择偏倚；⑤缺乏模型内、外部验证，会导致结果不可复现，高估模型性能及临床外推性不可靠。本研究纳入文献集中发表于2025年，显示OF的预测模型还处于发展阶段，在未来构建风险预测模型时，可参照PROBAS工具规范研究设计，开发出高质量的风险预测模型。

4 未来研究启示

基于本研究系统评价对未来启示：①数据来源方面。未来的研究可开展前瞻性研究，减少混杂偏倚，降低模型偏倚风险。②样本量。PROBAST报告[10]指出预测模型的每个变量事件数≥20，验证集样本量＞100例，因此研究时应提高样本量以提升模型预测性能。可采用莫航沣等[27]研究中提出的二分类结局预测模型样本量计算公式，计算所需样本量，从而确保研究具备足够的样本量来避免过度拟合问题。③缺失值处理方面。在收集问卷后，若出现缺失值，未来可采用多重插补法来补充缺失数据。④模型构建方面。目前纳入研究的预测模型均使用logistic回归，这种传统的建模方法既难以有效捕捉数据中的非线性关系、高阶交互效应或复杂模式，可能导致对变量影响的低估或误判；又会在样本存在自相关时降低模型的预测性能；同时，其单一的模型类型对数据分布（如极端值、类别不平衡）较为敏感，容易导致模型在不同数据集上的泛化能力较弱，进而造成模型整体性能下降。基于以上问题，今后模型构建时可利用机器学习如随机森林、神经网络、决策树、梯度提升树等多样化建模提高模型预测性，为早期筛选出OF高危人群提供可靠依据。⑤模型性能方面。在评估模型性能时，建议将BS值、DCA与区分度和校准度结合，全面评估模型性能。⑥模型验证方面。内部验证是检验模型开发过程的可重复性，防止模型的过度拟合导致高估模型的性能。外部验证是检验模型外推性的重要途径，其使用独立于建模样本的数据集来评估模型的性能，提供模型在其他数据集上的可靠性，以便预测模型更好地应用于临床。因此未来研究应聚焦于多中心、大样本量的前瞻性研究，优化数据处理和模型算法，并开展外部验证，以提升模型性能，降低偏倚风险、增强模型泛化能力，最终开发出重复性高、预测准确性高的风险预测模型，以降低OF的发生率。

利益冲突声明：本文所有作者均声明不存在利益冲突。

[参考文献]

[1]于尚辰，张文翠，张咸伟.衰弱的研究进展：概念、危险因素、评估工具、机制及预防[J].神经损伤与功能重建，2025，20（2）：119-124.

[2]KIM H，LEE E，LEE S W.Association between oral health and frailty：results from the Korea National Health and Nutrition Examination Survey[J].BMC Geriatr，2022，22（1）：369.

[3]ZHAO H，WU B，ZHOU Y，et al.Oral frailty：a concept analysis[J].BMC Oral Health，2024，24（1）：594.

[4]庞佳雪，徐洋，刘乾坤，等.老年人口腔衰弱对不良健康结局影响的研究进展[J].中华老年多器官疾病杂志，2024，23（12）：957-960.

[5]IWASAKI M，MOTOKAWA K，WATANABE Y，et al.Association between Oral Frailty and Nutritional Status among Community-Dwelling Older Adults：the Takashimadaira Study[J].J Nutr Health Aging，2020，24（9）：1003-1010.

[6]LI T，SHEN Y，LENG Y，et al.The prevalence of oral frailty among older adults：a systematic review and metaanalysis[J].Eur Geriatr Med，2024，15（3）：645-655.

[7]王敏，杨文娟，廖婷，等.社区老年人口腔衰弱风险预测模型的构建及验证[J].中华护理杂志，2025，60（3）：274-280.

[8]江文艺，刘欢，陶秀彬，等.安徽省老年人口腔衰弱现状及风险预测模型的构建研究[J].实用口腔医学杂志，2025，41（2）：261-266.

[9]MOONS K G M，DE GROOTJ A H，BOUWMEESTERW，et al.Critical appraisal and data extraction for systematic reviews of prediction modelling studies：the CHARMS checklist [J].PLoS Med，2014，11（10）：e1001744.

[10]WOLFF R F，MOONS K G M，RILEY R D，et al.PROBAST：a tool to assess the risk of bias and applicability of prediction model studies[J].Ann Intern Med，2019，170（1）：51-58.

[11]陈香萍，张奕，庄一渝，等.PROBAST：诊断或预后多因素预测模型研究偏倚风险的评估工具[J].中国循证医学杂志，2020，20（6）：737-744.

[12]郭娆，薛冬辉.老年帕金森病患者发生口腔衰弱的列线图模型构建与验证[J].中国慢性病预防与控制，2025，33（5）：363-368.

[13]李紫艳，潘雅雯，周鹤莲，等.老年住院患者口腔衰弱风险预测模型的构建与验证[J].牡丹江医学院学报，2024，45（6）：39-44.

[14]仲蕾，张会，许静，等.老年2型糖尿病患者发生口腔衰弱风险的列线图预测模型构建[J].实用临床医药杂志，2024，28（16）：98-103.

[15]潘霞，李琳，朱磊，等.汉中社区老年人口腔衰弱风险关联性分析与列线图模型构建[J].中华口腔医学研究杂志，2025，19（1）：25-32.

[16]MA R，FAN X，TAO X，et al.Development and validation of risk-predicting model for oral frailty in older adults patients with stroke[J].BMC Oral Health，2025，25（1）：263.

[17]YAMAMOTO T，TANAKA T，HIRANO H，et al.Model to predict oral frailty based on a questionnaire：a cross-sectional study [J].Int J Environ Res Public Health，2022，19（20）：13244.

[18]XIAO W，GU D，ZHANG M，et al.Development and Validation of a Nomogram for Predicting Oral Frailty Risk in Elderly Patients With Ischaemic Stroke[J].J Clin Nurs，2025.DOI:10.1111/jocn.17855.

[19]陆程倩，陆沁怡，金学勤，等.老年癌症患者口腔衰弱风险预测模型的构建及验证[J].中华老年口腔医学杂志，2025，23（3）：210-218.

[20]谢珍妮，刘畅，孙梦昊，等.老年人对口腔健康认知与管理体验质性研究的Meta整合[J].护理学杂志，2025，40（12）：90-94.

[21]乔婉婉，田海萍，敬洁，等.老年人口腔衰弱患病率的Meta分析[J].中国全科医学，2024，27（30）：3810-3816.

[22]YIN Y，ZHAO Y，FEI Y，et al.Epidemiology and risk factors of oral frailty among older people：an observational study from China[J].BMC Oral Health，2024，24（1）：368.

[23]HU S，LI X.An analysis of influencing factors of oral frailty in the elderly in the community [J].BMC Oral Health，2024，24（1）：260.

[24]刘漫丽，韦靖怡，谢婉青，等.老年人口腔衰弱与膳食摄入相关性的研究进展[J].四川大学学报（医学版），2024，55（5）：1336-1342.

[25]NOMURA Y，ISHII Y，CHIBA Y，et al.Structure and Validity of Questionnaire for Oral Frail Screening [J].Healthcare（Basel），2021，9（1）：45.

[26]ISHII M，YAMAGUCHI Y，HAMAYA H，et al.Influence of oral health on frailty in patients with type 2 diabetes aged 75 years or older[J].BMC Geriatr，2022，22（1）：145.

[27]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.

[28]TANAKA T，HIRANO H，IKEBE K，et al.Consensus statement on “Oral frailty” from the Japan Geriatrics Society，the Japanese Society of Gerodontology，and the Japanese Association on Sarcopenia and Frailty [J].Geriatr Gerontol Int，2024，24（11）：1111-1119.

Systematic review of risk prediction models for oral frailty

HUO Mingli1 GUO Xiaojuan2 ZHANG Xiaoyan1 WANG Rong3 WANG Jingmei4

1.School of Nursing,Yangzhou University,Jiangsu Province,Yangzhou 225009,China;2.Department of Nursing,Northern Jiangsu People’s Hospital,Jiangsu Province,Yangzhou 225001,China;3.Department of Burn and Plastic Surgery,Northern Jiangsu People’s Hospital,Jiangsu Province,Yangzhou 225001,China;4.Department of Respiratory,Northern Jiangsu People’s Hospital,Jiangsu Province,Yangzhou 225001,China

[Abstract] Objective To systematically evaluate risk prediction models for oral frailty.Methods Studies on the construction of risk prediction models for oral frailty were retrieved from PubMed,the Web of Science Core Collection database,the Cochrane Library,Embase，CINAHL,China National Knowledge Infrastructure,Wanfang Data,and VIP.The retrieval period was from the establishment of the databases to July 2025.Two researchers screened extracted data and evaluated the risk of bias,and model performance using the prediction model risk of bias assessment tool (PROBAST).Results A total of 10 articles were included,with research subjects being older adults,predominantly published in China,and the incidence of oral frailty in older adults was between 23.9%and 64.41%.The area under curve ranged from 0.725 to 0.985.Age,nutritional status,and difficulty in eating were important factors for predicting oral frailty in the elderly.Conclusion The current predictive model has better applicability,but the overall risk of bias in the literature is high.Future research should refer to the PROBAST tool to standardize research design and develop high-quality risk prediction models.

[Key words] Oral frailty;Prediction models;Risk assessment;Systematic review

[中图分类号] R780.1

[文献标识码] A

[文章编号] 1673-7210（2025）10（c）-0056-06

DOI：10.20047/j.issn1673-7210.2025.30.10

[作者简介] 霍明丽（2000-），女，扬州大学护理学院2024级护理专业在读硕士研究生；研究方向：口腔护理。

[通讯作者] 郭晓娟（1978-），女，硕士，主任护师，江苏省苏北人民医院护理部主任；研究方向：护理管理。

（收稿日期：2025-07-08）

（修回日期：2025-08-19）