健康预期寿命的测量指标与测算方法的应用及比较

厦门大学公共卫生学院(361002) 展元元 韩耀风 方 亚

健康预期寿命(health expectancy，HE)是一项结合预期寿命与健康状态以反映人群生命质量的综合性指标。面对快速老龄化、疾病模式的转变等带来的一系列负担与挑战，2016年10月25日，国务院公布的《“健康中国2030”规划纲要》提出“到2030年预期寿命达到79.0岁，健康预期寿命显著提高”。美国和欧盟等国家早已将HE作为政策目标[1]，可见提高人类HE已成为国际关注的焦点。然而，由于HE测量指标与测算方法的复杂性与多样性，《“健康中国2030”规划纲要》并没有明确具体的健康预期寿命政策目标值。虽然国内有学者已对HE的概念、理论框架、测算方法等作了较为详细的论述[1-3]，但对HE测量指标和测算方法在实际应用中的适用性仍缺乏明确、详细的指导与说明。因此，本文从适用性角度对HE的测量指标和测算方法进行综述，旨在为HE的测量指标和测算方法在实际应用中的恰当选择提供参考。

健康预期寿命的测量指标

自1964年Sanders首次将伤残的概念引入预期寿命后，HE指标日趋多样化。2002年，国际健康预期寿命研究网络的核心成员Robine根据是否按权重调整将健康预期寿命分为健康调整预期寿命(health adjusted life expectancy，HALE)和健康状态预期寿命(health state expectancy，HSE)[1]。

1.健康调整预期寿命

HALE主要包括伤残调整预期寿命(disability-adjusted life expectancy，DALE)和质量调整预期寿命(quality-adjusted life expectancy，QALE)2类。DALE是以WHO定义的300多种疾病、残疾、损失所致的预期负担为权重进行调整的HE。目前，DALE主要被WHO用来反映全球各个国家和地区健康水平和疾病负担[4]；国内亦有学者对我国部分地区的DALE进行测算[5-6]。

QALE是以生存质量评价为权重进行调整的HE。国际上常用欧洲五维健康量表(EuroQol five-dimensions，EQ-5D)和六维度健康调查简表(shortform 6D，SF-6D)测量健康相关生存质量(health-related quality oflife，HRQOL)[7]，进而以经时间权衡法、标准博弈法等方法转换的健康效用值(health state utility，HSU)为权重计算QALE。国外如美国、英国、日本等国家及我国均已建立基于本国人群偏好的EQ-5D或SF-6D效用值转换表[8-11]，并应用于QALE的测算与研究[12-15]。

2.健康状态预期寿命

HSE主要包括无伤残预期寿命、无疾病预期寿命和自评健康预期寿命3大类。前两大类中，分别以活动预期寿命(active life expectancy，ALE)和无慢性病预期寿命较为常用。国际上常用日常生活活动能力(activities of daily living，ADL和instrumental activities of daily living，IADL)为健康的测量指标对老年人ALE进行测算[16-18]。欧洲采用全球活动受限指数(global activity limitation indicator，GALI)作为综合健康测量指标测算HE[19]。以自评健康作为综合健康测量指标测算的HE即自评健康预期寿命[1，20]。

健康预期寿命的测算方法

目前，HE的测算方法主要有沙利文法、全球疾病负担法、多状态寿命表法、微观仿真法、隶属等级法六种[1-3]。随着纵向数据的日益增多，多状态寿命表法和微观仿真法日益受到国内外学者的关注。在构建多状态寿命表和进行仿真模拟前，均要估计状态间的转换概率，但国内鲜见基于纵向数据转换概率估计方法的详细介绍。在HE测算方法方面，本文主要从各方法的比较和基于纵向数据的转换概率估计两个方面进行论述。

1.六种健康预期寿命测算方法的比较

沙利文法既适用于HALE也是适用于HSE，全球疾病负担法常适用于HALE，而多状态寿命表法、微观仿真法和隶属等级法常适用于HSE；多状态寿命表法和微观仿真法要求数据来自纵向研究。6种方法的优缺点详见表1，在数据可得的情况下，可选择多状态寿命表法和微观仿真法，以提高估计的精度。

表1 6种健康预期寿命测算方法的比较

2.转换概率估计

目前，常用于纵向数据转换概率估计的模型主要有probit/logistic回归模型、SMP-EM方法(SMP，Semi-Markov process；EM，Stochastic Expectation-Maximization algorithm)、eMC(“embedded” Markov chain)模型和连续时间的Markov模型。

(1)probit/logistic回归模型

probit/logistic回归模型假设状态的转换在两次观察间隔内至多发生1次。以年龄和初始健康状态作为协变量，以最终的健康状态作为结局变量，通过极大似然估计(maximum likelihood estimation，MLE)或贝叶斯蒙特卡洛(Markov chain Monte Carlo，MCMC)等方法估计年龄别的转换概率。基于SAS的SPACE宏程序可实现logistic回归模型估计转换概率并用微观仿真法测算HE[22]；Lynch and Brown于2005年通过R及Winbugs实现了probit回归模型的贝叶斯MCMC方法估计转换概率，并进一步用多状态寿命表法测算HE[23]。

(2)SMP-EM方法

SMP-EM方法假设某一时刻的状态转换概率既与当前所处的状态有关，也与当前状态的持续时间有关，状态的转换在两次观察间隔内至多发生1次，且随机发生在任一单位时间内。在该假设下，SMP-EM法将两次观察间隔划分为多个单位时间(1年)，通过EM算法模拟左删失数据初始状态持续的时间，然后采用logistic回归模型估计年龄别状态转换概率。SAS的SPACE宏程序可实现SMP-EM法估计转换概率和微观仿真法测算HE，并用bootstrap法估计HE的置信区间[22]。

(3)eMC模型

(4)连续时间的Markov模型

连续时间的Markov模型首先假设状态的转换可以在两次观察间隔内发生多次，状态的逗留时间服从指数分布；当状态转换风险存在时间非齐性时，则假设状态转换风险率为时间分段常数；然后采用比例风险模型，通过MLE(不同删失数据类型采用不同似然函数)估计年龄别的状态转换风险率；最后通过微积分方法估计年龄别转换概率和生存人年数，delta或bootstrap法估计其置信区间，进而对HE进行测算[26-27]。目前该方法可在R(msm软件包)中实现[26-27]。

健康预期寿命在应用中存在的问题

作为一项综合的健康测量指标，HE对于评价一个国家或地区的健康水平至关重要。然而，HE的测量指标与方法在其应用中仍存在一些问题。

1.HE的测量指标方面

虽然HE测量指标较多，但主要集中在生理健康维度的测量，心理、认知、社会等维度较罕见。由于HE测量中“健康”测量方法的不统一及数据可及性与质量的差异，使其国家与地区间的比较存在较大困难。此外，很多国外健康测量指标在国内尚未被开发为适合我国人群的方法，或适用性尚未得到证实，如SF-6D效用值转换表仅在中国香港地区得到开发[9]，GALI适用性仅在中国台湾地区进行探讨比较[28]。另外，华盛顿残疾统计团队发展的、旨在用于人口普查或全国性调查以及国际间的比较、被联合国和欧盟统计委员会推荐作为2020年普查使用的“6个问题短表”[29]有待进一步开发与利用。

2.纵向数据测算HE的转换概率估计方法方面

估计方法虽然较多，但每种方法都存在一定的局限性(表2)。国外研究通过比较不同模型的估计结果发现，是否忽略状态持续时间对转换概率的影响和复杂抽样调查的群/层间变异所估计的HE存在一定的差异[22，30-31]；而对于观察间隔为2年的纵向数据，是否允许两次观察间隔内发生多次转换所估计的HE较为接近[22]。而国内鲜见不同模型估计差异的实证研究。另外，对删失数据处理方法的适用性也有待进一步论证。有研究表明，对于观察间隔为1年或2年的研究，eMC模型在观察间隔内嵌入相应数量的月间隔的方法，并不能准确模拟老年人每月健康状态的转换[32]。

表2 纵向数据转换概率估计模型的优点与缺点

3.健康预期寿命的影响因素研究方面

国外多因素研究发现，性别、文化程度、种族、未来观、心脏病、高血压、糖尿病、肥胖、缺乏体育运动、医疗保健等[16，33-35]均会影响健康预期寿命；而国内关于HE的影响因素研究仍多集中在单因素(地区、人口学特征)分析[36-41]，仅少数学者[42-43]对HE进行多因素分析，结果发现年龄、性别、地区、民族、婚姻状况、居住方式、文化程度、生活方式及有无慢性病、是否空巢是影响老年人HE的主要因素。

在未来的研究中，HE测量指标与测算方法有待进一步拓展，如：引进国外成熟的健康测量指标，开发国际通用的多维度综合健康测量指标；明确不同方法估计结果差异的大小，探讨国内不同调查数据测算HE的适用模型；完善小样本和复杂抽样调查的纵向数据健康预期寿命测算方法以及从多因素的角度分析其影响因素。作为国家健康规划的政策指标，这对进一步明确我国健康预期寿命政策目标、指导国家养老金规划、退休年龄制定、医疗保健资源配置、医疗保险等健康相关政策的实施具有重要意义。