「显著」不等于「可用」：老年跌倒风险评估工具的三重检验

同一场「慢病健康风险评估与统计分析」专题里，中南大学饶蓁蓁博士以《老年跌倒风险评估工具预测效能评价研究》为题，用多队列数据介绍了三项前后衔接的工作，并在最后把话说明白：研究目标应当从「能不能把人群分成高危和低危」，转到「能不能支持对眼前这个人做干预决策」。

这场报告采取的是检验，而不是构建。她没有急着提出一个新量表，而是把已经发表、被指南推荐、临床上用得很广的工具，放回真实人群里反复看。三项研究的结论都偏阴性。我听的时候有一个感觉：阴性结果要写成论文并且发表，对证据是否完备的要求其实更高，因为读者会追问你是不是方法没做对，而不是工具本身不行。

指南都在推荐，系统比过的却不多

国内外指南都要求对老年人开展跌倒风险评估，可用的工具并不少。单项评估里，常用的有跌倒风险自评量表（SIB）、国际跌倒效能量表（FES-I）、居家跌倒风险筛查量表（HOME FAST）和计时起立—行走测试（TUGT）。组合算法则以美国 CDC 的 STEADI（2015）和世界跌倒指南的 WFG（2022）为代表。名字都熟悉，科室里也看得到。

饶老师梳理既往研究后指出一个缺口：已有的 8 项评价里，有 7 项只评价了 1 到 2 种算法，而且多采用回顾性设计。这些工具已经被广泛应用，它们的预测性能却很少被放在同一套设计里、用同一种标准系统地比过。于是后面的工作顺着三个问题往下做。国际推荐的工具，放到中国老年人群里还适用吗？把截断值改成更贴近本土的数值，预测会不会好一些？再把多个工具组合起来，信息更全，性能还能不能再抬一截？

第一重：关联很清楚，人却大多没被找出来

第一项研究做的是外部验证，把国际推荐的工具放回中国人群，看实际表现。数据来自 CHARLS 全国代表性纵向调查，覆盖 28 个省、150 个县（区），对象为基线年龄 60 岁及以上，共形成 6 个分析队列，随访从 2 年到 9 年不等，结局是跌倒和跌倒相关损伤。

结果呈现出一种不容易一下子说圆的对照。一方面，风险分层的关联很清楚。以跌倒为例，低危、中危、高危三组的发生率在 6 个队列中都呈递增趋势，高危组的校正 OR 达到 2.2～2.6；跌伤的梯度方向一致，高危组校正 OR 为 2.1～2.6。若只看组间比较和趋势检验，工具像是「有效」的。另一方面，拿它去找具体会跌倒的人，表现就很难令人满意。灵敏度只有 20.2%～32.5%，意味着多数后来真的发生跌倒或跌伤的人，事先并没有被识别出来。特异度虽然较高，为 84.2%～92.1%，说明被判成低风险的人相对安全，但这补不上漏筛。

讨论给出的解释并不绕。跌倒本身是多因素事件，算法却只纳入了跌倒史、严重程度和步速，肌力、用药、居住环境都没有进去。同时，指南推荐的步速截断值 ≤0.8 m/s，可能并不适合中国人群，国内研究大约在 0.95 m/s。按 0.8 m/s 来划，会把一部分实际上走路已经偏慢的高危者留在筛网外面。

第二重：截断值往下挪了，曲线本身没有动

既然截断值可能不适用，第二个问题就是：按中国社区老年人重新估计截断值，性能能不能改善。

这项研究在长沙市岳麓区 14 个社区开展，为期 12 个月，前瞻观察，共完成 1,237 例，每 2 个月随访一次。12 个月内至少发生 1 次跌倒的累计发生率是 13.6%，跌伤是 8.7%。基于这一人群重新推导的截断值，多数低于既往推荐：SIB 由 ≥4 分降为 3 分，FES-I 由 ≥23 分降为 18 分，HOME FAST 由 ≥9 分降为 5 分，TUGT 由 ≥12 或 15 秒降为 10.6 秒。调整之后，灵敏度确实上升了。以 HOME FAST 为例，灵敏度由 1.2% 升至 40.5%，特异度则由 98.0% 降至 65.9%。多找出一些人，是用更多的误报换来的。

更让我记住的是，AUC 并没有改变。四种工具的 AUC 仍然只有 0.513～0.631。调整截断值，只是在同一条 ROC 曲线上换了一个取舍的位置：误报和漏报的比例变了，个体之间谁风险更高、谁更低，这个排序并没有变，所以判别能力也不会变。再加上量表本身存在地板效应，得分集中在低分段、分布很窄，以及 12 个月跌倒发生率只有 13.6%，能够把人拉开的空间本来就有限。本土化截断值值得做，但它解决的是「这条线画在哪里」，不是「这把尺子能不能量出差别」。

第三重：组合之后，仍没有超过一张简单量表

第三个问题是，单项工具信息不够，把多个工具合在一起，会不会因为信息更全而更好。研究在同一批 1,237 人中，系统比较了 10 种组合算法和 4 种单项工具，其中 STEADI 有 6 种变体，WFG 有 4 种。此前还没有研究把这两类组合算法的各个变体同时比完，临床上因此缺少选择依据：指南推荐了算法，并没有告诉你哪一种写法在中国社区里更好用。

结果同样不理想。10 种组合算法的 AUC 为 0.527～0.575，全部低于 0.70。其中表现最好的是 WFG 算法 3，跌倒 AUC 0.573，跌伤 AUC 0.575，仍然低于单项工具 SIB。也就是说，看起来更全面的组合，并没有胜过一个简单的自评量表。

原因在报告里讲得很清楚。新增加的条目与既往跌倒史高度重叠，带来的是重复信息，不是这张量表原来没有的信息。一部分关键截断值仍然偏低。更关键的是，每个工具先按截断值切成「有风险 / 无风险」两类，连续得分里原本还有的差别，在这一步就已经损失掉了。条目变多，不等于信息变多。

听完之后

学术上，这场报告最值得借的是评价层次，而不是又一个量表的名字。群体层面的关联可以很显著：高危组校正 OR 超过 2，趋势检验在 6 个队列里都成立，这只能说明「这一组人比那一组人更容易跌倒」。个体层面的预测是另一件事：灵敏度只有两成到三成，就说明没法靠它判断眼前这个人会不会跌倒。这两句话完全可以同时成立。我们平时太容易把一个漂亮的 OR、一次显著的趋势检验，当成工具已经好用的证据。饶老师把外部验证、截断值重估和组合算法比较放在同一条逻辑里，让我看到阴性结果也可以一层层做扎实，并且发表在 Journal of Safety Research 和 American Journal of Preventive Medicine 上。诚实写出「这个工具没有那么好用」，可以避免一批老年人被低效工具反复筛查，这份贡献并不比提出一个新模型更小。

对后面的研究，我记下三处可以直接对照的做法。一是不要只报告组间 OR。若课题声称工具能用于筛查或个体预测，方案里就应事先写上灵敏度、特异度、AUC，以及校准和临床净获益，而不是等结果显著了再决定报哪些指标。二是改截断值之前，先分清自己要解决的是取舍还是判别。取舍可以靠移动截断值来谈，判别不行；判别要靠新的、与旧条目不重叠的信息，例如肌力、用药、环境和可重复测量的功能指标。三是组合变量时先看增量，再看条目数量。高度相关的跌倒史若被写进每一个分量表，合在一起也不会产生新的分辨力。饶老师展望里提到的动态预测，如 Landmark 分析和联合模型，则提醒我：一次基线评估把风险定死，跟老年人后来几个月里状态会变，这两件事对不上。若后续课题做到随访，风险应当允许更新，并且用独立人群再验一次。

我个人的体会是，方法上学到哪一步，不看把指标做得多高，而看能不能说清它在哪里不够用、下一步该补什么。三项检验给出的判断是一致的：现有工具可以用于风险评估和干预分层，不宜单独用于个体化预测。研究目标若还停在「高危组比低危组风险高」，做到趋势显著就可以停；若目标是「这个人要不要干预、怎样干预」，评价标准就必须换成灵敏度、校准度和净获益。我回去之后再设计类似题目，会先把这个目标写在方案第一页，免得做到一半才发现，自己证明的只是分组，并不是预测。