老年慢性病共病网络多维解析：基于Apriori算法与聚类分析的跨系统关联研究
期刊: 健康文摘 2026年第10期 DOI: 10.67328/wslwpp0087 PDF下载
基金项目：2024年度南京医科大学泰州临床医学院基础研究项目（TZKY20240105）。
第一作者：杨晨唯，女，硕士，住院医师。研究方向：临床医学。
通讯作者：薛原，女，博士在读，副教授，硕士生导师。研究方向：卫生事业管理，药事管理。
老年慢性病共病网络多维解析：基于Apriori算法与聚类分析的跨系统关联研究
杨晨唯1,2 薛原3
1. 南京医科大学附属泰州人民医院 2.南京医科大学泰州临床医学院
3.南京中医药大学翰林学院
摘要：目的 基于中国健康与养老追踪调查（CHARLS）2020年数据，分析我国60岁及以上老年人慢性病共病模式，为制定老年共病防控策略提供依据。方法 纳入CHARLS 2020年数据库中10 690名60岁及以上老年人为研究对象。采用系统聚类分析（Ward法，平方欧氏距离）识别慢性病共病聚集模式；采用Apriori算法挖掘共病关联规则，设定最小支持度为1.0%、最小置信度为50.0%、提升度>1。结果 本研究对象的慢性病共病患病率为65.19%，人均患慢性病2.58种。聚类分析识别出心脑代谢综合征簇（高血压、糖尿病、血脂异常、心脏病、中风、记忆疾病）、呼吸系统疾病簇（肺部疾病、哮喘）及骨关节—内脏疾病簇（关节炎、胃病、肝脏疾病、肾脏疾病）。关联规则显示，“哮喘→肺病”置信度最高（76.4%），“高血压→血脂异常”支持度最高（19.3%）；“糖尿病+血脂异常→高血压”为最强三元规则（支持度7.7%，置信度79.0%）。高血压在共病网络中处于核心枢纽地位。结论 我国老年人慢性病共病负担沉重，以心脑代谢性疾病为核心的共病模式最为突出。建议将高血压、关节炎和肺部疾病作为老年共病管理的优先干预靶点，实施“三高共管”和多学科协作的综合防控策略。
Multidimensional Analysis of Comorbidity Networks in the Elderly: A Cross-System Association Study Based on the Apriori Algorithm and Cluster Analysis
YANG Chenwei XUE Yuan
Abstract: Objective: To analyze the chronic disease comorbidity patterns among individuals aged 60 and above in China based on the 2020 China Health and Retirement Longitudinal Study (CHARLS) data, and to provide evidence for the development of comorbidity prevention and control strategies in the elderly. Methods: A total of 10,690 participants aged 60 and above from the CHARLS 2020 database were included. Hierarchical cluster analysis (Ward’s method, squared Euclidean distance) was employed to identify comorbidity clustering patterns, and the Apriori algorithm was used to mine association rules, with minimum support set at 1.0%, minimum confidence at 50.0%, and lift >1.Results: The overall prevalence of comorbidity was 65.19%, with an average of 2.58 chronic conditions per person. Cluster analysis identified a cardio-cerebrovascular and metabolic syndrome cluster (hypertension, diabetes, dyslipidemia, heart disease, stroke, and memory-related diseases), a respiratory disease cluster (lung disease and asthma), and a musculoskeletal-visceral cluster (arthritis, stomach disease, liver disease, and kidney disease). Association rule mining revealed that “asthma → lung disease” exhibited the highest confidence (76.4%), while “hypertension → dyslipidemia” had the highest support (19.3%). The strongest three-item rule was “diabetes + dyslipidemia → hypertension” (support 7.7%, confidence 79.0%). Hypertension emerged as the central hub in the comorbidity network.Conclusions: The burden of chronic disease comorbidity among Chinese elderly is substantial, with the cardio-cerebrovascular and metabolic comorbidity pattern being the most prominent. Hypertension, arthritis, and lung disease should be prioritized as intervention targets in elderly comorbidity management, with implementation of integrated “three-high” (hypertension, hyperglycemia, and hyperlipidemia) co-management and multidisciplinary collaborative strategies.
Keywords: Chronic multimorbidity patterns; Elderly population; Clustering; Apriori algorithm
在全球人口老龄化加速的背景下，慢性非传染性疾病流行特征日趋复杂。2020年第七次全国人口普查数据显示，我国60岁及以上人口已达2.64亿，占总人口的18.70%。随着老年人口规模持续扩大和人均预期寿命不断延长，慢性病患病率呈持续上升趋势。《中国居民营养与慢性病状况报告（2020年）》显示，2019年我国因慢性病导致的死亡占总死亡的88.5%。在此背景下，共病——即个体同时患有两种及以上慢性病的状态——已成为公共卫生领域的核心挑战[1]。
我国老年人的慢性病共病负担尤为突出。国家卫生健康委统计显示，我国约有1.9亿老年人患有慢性病，其中75%的60岁及以上老年人至少患1种慢性病，43%存在多病共存。基于CHARLS 2020年数据的多项研究进一步揭示：潘伟等纳入10635名60岁及以上老年人的研究显示，慢性病患病率为86.39%，共病患病率为66.30%，高血压（48.49%）、关节炎（43.12%）位居患病率前列[2]；刘冬阳等基于2011年和2020年两期数据的比较研究表明，中老年人群共病率从35.0%增长至63.0%，十年间增长近一倍[3]。上述证据一致表明，老年共病负担沉重且增长迅速，已成为亟待解决的重大公共卫生问题。
近年来，数据挖掘方法在共病模式研究中得到广泛应用。聚类分析能够从宏观层面识别疾病的自然聚集模式，Apriori关联规则算法则能从微观层面挖掘疾病间的条件概率关系、量化共病关联强度[4]。已有研究利用CHARLS数据对中老年人群的共病模式进行了有益探索[3,5-7]。刘冬阳等采用系统聚类和Apriori算法分析了2011年和2020年CHARLS数据，识别出高血压共病模式、关节炎共病模式和慢性肺部疾病共病模式等主要聚集类型[3]。许明璐等基于CHARLS 2018年数据的关联规则分析发现，心脏病与高血压、血脂异常与高血压是最常见的共病组合[5]。
然而，现有研究仍存在两方面的主要局限：一方面，多数研究聚焦于45岁及以上中老年人群，专门针对60岁及以上老年人群的系统性共病模式分析相对不足，而这一群体恰恰是共病负担最重、防控需求最迫切的人群；另一方面，多数研究单独使用聚类分析或关联规则，缺乏两种方法的交叉验证与一致性检验，难以从“宏观聚集”和“微观关联”两个层面形成相互印证的证据链，也较少从网络枢纽节点的角度量化疾病间的层级关系[8]。
为此，本研究基于CHARLS 2020年最新数据，聚焦60岁及以上老年人群，采用系统聚类分析与Apriori算法相结合的两阶段框架，旨在实现以下目标：首先，通过聚类分析识别老年共病的主要聚集模式，揭示疾病间的自然群落结构；其次，通过关联规则挖掘高置信度的共病关联组合，并量化各疾病在共病网络中的枢纽地位；第三，通过两种方法结果的交叉验证，提高共病模式发现的可靠性，为核心枢纽疾病的精准识别提供双重证据支撑。研究结果有望为老年慢性病的分级防控策略制定和多学科协同管理提供科学依据。
1 资料与方法
1.1 数据来源
本研究数据源自北京大学国家发展研究院组织实施的中国健康与养老追踪调查（CHARLS），采用的2020年度追踪数据集，于2023年11月16日完成公开更新。该纵向队列研究通过标准化问卷和生物医学检测持续采集中老年人群健康信息，为共病模式分析提供多维度数据支持。
1.2 研究对象
本研究纳入CHARLS 2020数据库中60岁及以上老年人群作为分析对象，经完整性筛查（排除关键变量缺失样本）后，形成有效研究队列10690人。
1.3 变量选取
CHARLS调查问卷中一共统计了14种经由医生确诊的慢性病种类，分别为高血压、血脂异常、糖尿病、癌症、肺部疾病、心脏病、中风、精神疾病、关节炎、肝脏疾病、肾脏疾病、胃部疾病、哮喘病以及记忆疾病。利用研究对象的受访者编码链接各表中同一编码的不同属性值，集成汇总研究对象的相关数据以建立本研究分析数据库。本研究中所指的慢病共病即为同时患２种及以上的以上慢性病。
1.4 统计分析
本研究对连续变量采用均值±标准差进行描述性统计，分类变量以频数及百分比呈现分布特征。本研究首先采用系统聚类方法识别14种慢性病的共病聚集模式。参照已有研究的做法[3-4]，对研究对象进行Q型聚类（对样本聚类），以14种慢性病的患病状态（1=患病，0=未患病）作为分析指标。距离矩阵采用平方欧氏距离计算，链接方法选用Ward最小方差法。聚类分析使用R 4.3.1统计软件的stats程序包完成，聚类的确定依据树状图的拐点并结合原始文献的对应研究结果综合判断。
继而采用Apriori算法挖掘慢病间的关联规则。参照已有研究[5-7,9-11]的设置方式，分析中定义支持度（support）=P(A∩B)，置信度（confidence）=P(A∩B)/P(A)，提升度（lift）=P(A∩B)/[P(A)P(B)]。参考同类研究[5,7]并结合本研究中14种慢性疾病的患病率分布范围（不同疾病的患病率差异较大），将最小支持度设定为1.00%，以保留低频但可能具有重要意义的关联规则；最小置信度设定为50.00%，以保证规则具有一定的预测强度；同时设置提升度>1，以排除随机出现的共现关系。关联规则分析采用R语言的arules程序包完成。
2 结果
本研究基于10690名60岁及以上老年人的横断面调查，系统分析了慢性病共病流行特征。研究对象的基本情况及患病分布如表1、表2所示。
表1 研究对象基本情况
| 指标 | 数值 |
| 样本总量（人） | 10 690 |
| 患病数量范围（种） | 0～13 |
| 人均患病数（种，x̄±s） | 2.58±2.02 |
| 至少患1种慢病 [n（%）] | 9 193（86.00） |
| 共病（≥2种）[n（%）] | 6 969（65.19） |
表2 14种慢性病患病率
| 疾病 | 患病人数（n） | 患病率（%） |
| 高血压 | 5 058 | 47.32 |
| 关节炎 | 4 609 | 43.12 |
| 胃病 | 3 404 | 31.84 |
| 血脂异常 | 2 994 | 28.01 |
| 心脏病 | 2 592 | 24.25 |
| 肺病 | 1 847 | 17.28 |
| 糖尿病 | 1 800 | 16.84 |
| 肾脏疾病 | 1 222 | 11.43 |
| 中风 | 1 029 | 9.63 |
| 哮喘病 | 833 | 7.79 |
| 肝脏疾病 | 785 | 7.34 |
| 记忆疾病 | 735 | 6.88 |
| 精神疾病 | 345 | 3.23 |
| 癌症 | 307 | 2.87 |
结果显示，老年人群慢性病患病负担沉重，单病种及以上总体患病率为86.00%，共病发生率为65.19%，疾病呈明显多病聚集模式。个体患病数量呈偏态分布，范围为0至13种，平均为2.58±2.02种。
循环系统疾病处于核心地位，高血压患病率最高（47.32%）；心脏病（24.25%）和血脂异常（28.01%）患病率亦较高。骨骼肌肉系统中关节炎患病率达43.12%，位居第二。消化系统中胃病患病率（31.84%）位居第三。糖尿病（16.84%）虽患病率居中，但其作为代谢性疾病的核心组分，在共病网络中具有重要枢纽作用。
2.2 基于层次聚类的慢病共病模式解析
采用系统聚类方法对14种慢性疾病进行分析，在距离阈值≈10处将疾病划分为5个集群。聚类结果如表3所示。
表3 14种慢性病系统聚类结果（分5类）
| 聚类类别 | 包含疾病 | 主要特征 |
| 簇Ⅰ：心脑代谢综合征簇 | 心脏病、高血压、糖尿病、血脂异常、中风、记忆疾病 | 以代谢紊乱和血管功能障碍为共同特征 |
| 簇Ⅱ：呼吸系统疾病簇 | 肺病、哮喘病 | 共享气道炎症病理基础 |
| 簇Ⅲ：骨关节—内脏疾病簇 | 关节炎、胃病、肝脏疾病、肾脏疾病 | 跨系统关联，推测与慢性炎症有关 |
| 簇Ⅳ：孤立病种1 | 癌症 | 与其他疾病共现率低 |
| 簇Ⅴ：孤立病种2 | 精神疾病 | 与其他疾病共现率低 |
聚类结果显示，心脑代谢综合征簇（簇Ⅰ）涵盖心脏病、高血压、糖尿病、血脂异常、中风及记忆疾病，共现性强，反映出共同的代谢和血管病理机制。呼吸系统疾病簇（簇Ⅱ）由肺病和哮喘病组成，关联紧密。骨关节—内脏疾病簇（簇Ⅲ）包括关节炎、胃病、肝脏疾病及肾脏疾病，提示可能存在跨系统的炎症相关病理关联。癌症与精神疾病各自独立成簇，与其他疾病共现率低，提示其可能受相对特异的风险因素驱动。
基于Apriori算法对14种慢性疾病间的共病关联模式进行挖掘。按置信度排序前10位的二元与三元规则如表4、表5所示。
表4 主要二元关联规则（按置信度排序，Top 10）
| 排名 | 关联规则 | 支持度（%） | 置信度（%） | 提升度 |
| 1 | 哮喘 → 肺部疾病 | 5.9 | 76.4 | 4.4 |
| 2 | 中风 → 高血压 | 7.1 | 73.8 | 1.6 |
| 3 | 高血压 → 血脂异常 | 19.3 | 69.0 | 2.5 |
| 4 | 糖尿病 → 高血压 | 11.8 | 66.9 | 1.4 |
| 5 | 高血压 → 心脏病 | 16.1 | 66.2 | 2.1 |
| 6 | 心脏病 → 高血压 | 16.1 | 66.2 | 1.4 |
| 7 | 肾脏疾病 → 关节炎 | 6.9 | 60.1 | 1.4 |
| 8 | 胃病 → 关节炎 | 18.5 | 58.0 | 1.3 |
| 9 | 糖尿病→血脂异常 | 9.7 | 57.6 | 2.1 |
| 10 | 肺部疾病 → 关节炎 | 9.5 | 55.2 | 1.3 |
表5 主要三元关联规则（按置信度排序，Top 10）
| 排名 | 关联规则 | 支持度（%） | 置信度（%） | 提升度 |
| 1 | 中风 + 糖尿病 → 高血压 | 2.3 | 86.3 | 1.8 |
| 2 | 糖尿病 + 血脂异常 → 高血压 | 7.7 | 79.0 | 1.7 |
| 3 | 肾脏疾病 + 哮喘 → 肺部疾病 | 1.2 | 80.1 | 4.6 |
| 4 | 胃病 + 哮喘 → 肺部疾病 | 2.8 | 78.0 | 4.5 |
| 5 | 关节炎 + 哮喘 → 肺部疾病 | 3.5 | 74.6 | 4.3 |
| 6 | 高血压 + 哮喘 → 肺部疾病 | 3.2 | 73.7 | 4.3 |
| 7 | 糖尿病 + 心脏病 → 高血压 | 5.3 | 79.6 | 1.7 |
| 8 | 中风 + 心脏病 → 高血压 | 3.1 | 81.2 | 1.7 |
| 9 | 血脂异常 + 心脏病 → 高血压 | 8.9 | 78.1 | 1.7 |
| 10 | 糖尿病 + 肾脏疾病 → 高血压 | 2.5 | 79.8 | 1.7 |
在二元规则中，“血脂异常→高血压”支持度最高（19.3%），其次为“心脏病→高血压”（16.1%）与“糖尿病→高血压”（11.8%）；置信度最高的规则为“哮喘→肺病”（76.4%，提升度4.4），其次为“中风→高血压”（73.8%）。
在三元规则中，“糖尿病+血脂异常→高血压”支持度最高（7.7%，置信度79.0%）；置信度最高的组合为“中风+糖尿病→高血压”（86.3%）；“肾脏疾病+哮喘→肺病”提升度最高（4.6）。
高血压与糖尿病、血脂异常、心脏病的置信度分别为66.9%、69.0%、66.2%；关节炎与肾脏疾病、肝脏疾病亦呈显著关联。关联规则结果与聚类分析在各主要疾病簇上一致。
2.4 方法学一致性验证
关联规则与聚类分析结果高度吻合：心脑代谢簇中高血压的多向关联、骨关节—内脏簇的炎症网络、呼吸簇的特异性共病均在两类分析中同步显现。例如聚类分析中的“心脑代谢综合征簇”在关联规则中具体表现为“高血压—中风—记忆疾病”三元组合（置信度80.6%）。这种多方法交叉验证显著增强了共病模式发现的可靠性，为精准防控策略制定提供了双重证据链。
3.1 主要发现总结
本研究基于CHARLS 2020年数据，揭示我国60岁以上老年人群慢病共病患病率达65.19%，人均患慢病2.58种。该结果与刘冬阳等[3]基于CHARLS 2011年和2020年两期数据的研究结果基本一致，其研究显示2020年中老年人共病患病率为63.0%，远高于2011年的35.0%，提示我国中老年人群共病负担在过去十年间增长较快。王梅杰等[9]对2010~2019年文献的Meta分析进一步确认我国中老年人共病患病率为41%，亚组分析显示60岁以上老年人共病率更高，且呈持续上升趋势。本研究通过聚类分析识别出心脑代谢综合征簇、呼吸系统疾病簇、骨关节—内脏疾病簇等宏观疾病聚集模式，通过Apriori算法进一步挖掘出以高血压、关节炎、肺部疾病为核心的共病关联规则。两种分析方法的结果高度一致，交叉验证了发现的可靠性。
3.2 与既往研究的比较
本研究的聚类分析结果与已有文献高度吻合。刘冬阳等对2011年和2020年CHARLS数据的系统聚类分析显示，2011年的共病模式包括：①高血压共病模式（高血压+血脂异常或心脏病或糖尿病或脑卒中）、②关节炎或风湿病共病模式（关节炎或风湿病+消化系统疾病或肾脏疾病）、③慢性肺部疾病共病模式（慢性肺部疾病+哮喘）；2020年的模式中，关节炎或风湿病模式进一步扩展至涵盖肾脏疾病、肝脏疾病及情感及精神疾病[3]。本研究同样识别出心脑代谢簇、呼吸系统簇及骨关节—内脏簇，验证了上述共病模式的稳定性和跨时间一致性。张冉等基于2015年CHARLS数据的聚类分析也发现“高血压—糖尿病—血脂异常”构成核心代谢共病模式，“关节炎—消化系统疾病—肾脏疾病”形成跨系统炎症模式，与本研究的骨关节—内脏簇高度一致[6]。
在Apriori关联规则方面，本研究与许明璐等基于CHARLS 2018年数据的发现具有较好的一致性。许明璐等的研究显示最常见的共病模式包括心脏病与高血压、血脂异常与高血压、糖尿病与高血压，以及“心脏病+关节炎→高血压”“血脂异常+关节炎→高血压”等三元组合[5]。张冉等基于2015年数据同样报告了消化系统疾病与关节炎、高血压与糖尿病等强关联[6]。上述研究与本研究的关联规则结果趋势高度一致，进一步验证了高血压作为枢纽疾病在多种共病组合中的核心地位。此外，本研究发现“肾脏疾病+哮喘→肺病”特异规则（支持度1.2%，提升度4.6），该组合在既往关联规则研究中报道较少，提示肾脏与呼吸系统之间可能存在潜在的交叉致病通路，值得进一步关注。综上，本研究与既往研究在主要共病模式上的一致性验证了发现的可靠性，而通过聚类分析与关联规则的交叉验证，也在方法学层面弥补了既往单一方法研究在证据链完整性上的不足。
3.3 主要共病模式的分析与启示
本研究的聚类分析与关联规则共识别出三组稳定的共病模式，分别为心脑代谢簇、呼吸系统簇及骨关节—内脏簇。以下结合各簇的具体构成与关联强度，分析其临床意义与防控启示。
心脑代谢综合征簇涵盖高血压、糖尿病、血脂异常、心脏病、中风及记忆疾病，是本研究识别出的规模最大、内部关联最强的疾病簇。关联规则显示，高血压与血脂异常的支持度达19.3%，与心脏病为16.1%，与糖尿病为11.8%；“糖尿病+血脂异常→高血压”的置信度达79.0%。上述数据表明，高血压是该簇的核心枢纽，代谢性疾病在老年人群中呈现高度协同共病倾向。这一结果提示，代谢性疾病的管理不应各自为政，而应实施联合筛查与综合干预。在临床层面，建议对高血压患者常规筛查血脂异常和糖尿病，对糖尿病患者同步评估血压和血脂控制情况；在公共卫生层面，应将“三高共管”作为老年慢性病管理的优先策略[12-14]。
呼吸系统疾病簇由肺部疾病和哮喘组成，“哮喘→肺病”的置信度高达76.4%，提升度为4.4，是本研究中最强的二元关联规则。该结果提示，两类呼吸系统疾病在老年人群中存在高度协同的共病关系，其关联强度远超其他疾病组合。这一发现意味着呼吸系统疾病的管理不应相互割裂，建议对哮喘患者定期进行肺功能监测，在基层慢病管理中将哮喘与慢性阻塞性肺疾病纳入同一随访路径，实施联合风险评估[15-16]。
骨关节—内脏疾病簇包括关节炎、胃部疾病、肝脏疾病及肾脏疾病，关联规则验证了关节炎与上述内脏疾病之间的跨系统关联（肾脏疾病→关节炎置信度60.1%，胃病→关节炎58.0%）。该聚类结果提示，关节炎患者的健康管理不应局限于关节症状的缓解，而应关注消化系统和肝肾功能等关节外器官的系统性评估。在临床实践中，建议对关节炎患者常规询问消化系统症状并监测肝肾功能指标；这一模式也提示慢性炎症性疾病可能需要风湿科、消化科、肾内科的多学科协作管理[17-20]。
综上所述，本研究所识别的三组共病模式分别指向差异化的管理策略：心脑代谢簇提示“三高共管”的必要性，呼吸系统簇提示联合随访与功能监测的重要性，骨关节—内脏簇则提示跨系统健康评估的临床价值。这种以聚类结果为导向的分层管理思路，可为老年共病的精准防控提供参考框架。
3.4 局限性
本研究存在以下局限性：第一，CHARLS问卷仅纳入14种慢性病，未能涵盖骨质疏松、慢性阻塞性肺疾病等其他常见老年慢性病，可能在一定程度上低估真实共病率。第二，横断面研究设计无法推断疾病发生的时间顺序，例如高血压与糖尿病之间的先后因果链难以准确判定。第三，关联规则分析中最小支持度阈值（1.0%）的设定虽参考既往同类研究，但对于患病率较低的疾病（如癌症，患病率约2.87%）可能仍存在规则遗漏。第四，疾病诊断依赖于调查对象自报，可能存在回忆偏倚或未确诊偏倚。未来研究应在整合更全面的慢性病清单、采用纵向队列数据和引入客观检测指标的基础上继续推进。
参考文献
[1] World Health Organization. The world health report 2008: primary health care now more than ever[R]. Geneva: World Health Organization, 2008.
[2]潘伟,姜青青,孙婧,等.中国老年人慢性病共病模式探讨——基于CHARLS数据库解析[J].现代预防医学,2024,51(16):2966-2971.
[3]刘冬阳,黄昕彤,赖晋锋,等.中国中老年人慢性病共病流行趋势研究[J].中国慢性病预防与控制,2024,32(4):244-249.
[4]崔春子,杨土保.我国中老年人群慢性病共病模式及影响因素探究——基于系统聚类和Apriori算法[J].中国卫生统计,2023,40(02):172-177.
[5]许明璐,杨萧含,刘倩楠,等.老年人慢性病共病关联规则分析[J].实用临床医药杂志,2024,28(13):103-108.
[6] 张冉,路云,张闪闪,等.中国老年人慢性病共病患病模式及疾病相关性分析[J].中国公共卫生,2019,35(8):1003-1005.
[7]徐小兵,李迪,孙扬,等.基于关联规则的中国老年人慢性病共病分析[J].中国慢性病预防与控制,2021,29(11):808-812.
[8]闫泽玉,陈大方.慢性病共病模式研究进展[J].中华疾病控制杂志,2023,27(4):471-475.
[9]王梅杰,周翔,李亚杰,等.2010-2019年中国中老年人慢性病共病患病率的Meta分析[J].中国全科医学,2021,24(16):2085-2091.
[10]梅冬蒙,缪丹丹,沈欢,等.基于层次聚类和Apriori算法探索老年人慢性病共病模式及影响因素[J].现代预防医学,2025,52(19):3478-3483+3514.
[11]李艳萍,王媛,纪之琳,等.中国≥45岁中老年人多重慢性病模式与日常和工具性日常生活活动能力残疾的关联性[J].中华疾病控制杂志,2024,28(1):26-31.
[12] 国家卫生健康委, 国家发展改革委, 财政部, 等. 健康中国行动—心脑血管疾病防治行动实施方案（2023—2030年）[EB/OL]. (2023-11-15). https://www.gov.cn/lianbo/bumen/202311/content_6915359.htm.
[13]北京高血压防治协会,中国老年学和老年医学学会,北京市社区卫生协会,等.成人高血压合并2型糖尿病和血脂异常基层防治中国专家共识(2024年版)[J].中国全科医学,2024,27(28):3453-3475+3482.
[14]于宁,张梅,张笑,等.中国中老年居民高血压、糖尿病和血脂异常共病现状及影响因素研究[J].中华流行病学杂志,2023,44(2):196-204.
[15] 国家卫生健康委, 国家发展改革委, 财政部, 等. 关于加强基层慢性病健康管理服务的指导意见[EB/OL]. (2025-10-29). https://www.gov.cn/zhengce/zhengceku/202510/content_7046215.htm.）
[16]中华医学会,中华医学会杂志社,中华医学会全科医学分会,等.慢性气道疾病康复基层指南(2025年)[J].中华全科医师杂志,2025,24(10):1182-1200.
[17]风湿免疫疾病慢性病管理全国护理专家协作组.骨关节炎慢性病管理专家建议[J].中华风湿病学杂志,2020,24(4):221-225.
[18]林舒静,何凌骁,方亚.中国老年人慢性病共病模式与肌少症发生风险的关联性研究[J].中国慢性病预防与控制,2024,32(5):327-331.
[19]赵子寅,张佳军,孙文俊,等.中国老年人躯体慢性病共病的复杂模式及其对卫生服务利用影响研究[J].中国全科医学,2024,27(20):2498-2504.
[20]李小凤,裴星童,杨春晖,等.老年人群慢性病共病模式与失能状况的关联研究：基于四川省抽样调查[J].中国全科医学,2025,28(2):149-158.
...