编辑推荐：
认知衰弱（CF）关联老年人群不良健康结局，然传统方法难捕多维风险。本研究基于韩国衰弱与老龄化队列数据，运用机器学习结合递归特征消除和自举法，筛选出运动能力、教育水平等 6 个关键预测因子，构建的模型 AUC 达 84.34%，为 CF 早期检测和干预提供新工具。
随着全球老龄化加剧，老年人群的健康管理成为公共卫生领域的重要挑战。认知衰弱（Cognitive Frailty, CF）作为介于正常衰老与痴呆、身体失能之间的中间状态，因其同时涉及身体衰弱（Physical Frailty, PF）和认知损害（Impaired Cognition, IC），且与跌倒、失能、慢性疾病恶化等不良结局密切相关，正引发广泛关注。目前，CF 的流行病学特征在不同地区差异显著（患病率 1%-50%），传统统计方法因变量范围窄、难以捕捉多维度健康领域的复杂交互作用，限制了对 CF 风险因素的精准识别。此外，缺乏基于特定人群的验证模型，也使得现有研究成果难以推广至多样化的老年群体。因此，开发一种能够整合多维风险因素、适用于社区老年人群的 CF 早期预测模型，成为亟待解决的科学问题。
为回应这一需求，韩国延世大学（Yonsei University）和庆熙大学（Kyung Hee University）的研究团队，基于韩国衰弱与老龄化队列研究（Korean Frailty and Aging Cohort Study, KFACS）2016-2017 年的 2404 名社区老年人群数据，开展了一项基于机器学习的 CF 风险评估研究。该研究成果发表在《Scientific Reports》，为 CF 的早期干预提供了新的技术路径和理论依据。
研究人员主要采用了以下技术方法：首先，通过单因素逻辑回归分析筛选与 CF 相关的社会人口学、临床及健康状态特征；随后，运用机器学习中的逻辑回归模型，结合递归特征消除（Recursive Feature Elimination）和自举法（Bootstrapping），对 24 个候选特征进行优化排序，确定最优预测因子组合；最后，通过合成少数过采样技术（Synthetic Minority Over-sampling Technique, SMOTE）处理样本不平衡问题，评估模型的预测性能（以受试者工作特征曲线下面积 AUC、灵敏度、特异度、准确度为指标）。
研究结果
1. 参与者分类与单因素分析
研究将参与者分为 CF 组（18.4%）和非 CF 组（81.6%）。CF 组在衰弱表型（如缓慢、虚弱、疲劳等） prevalence 显著更高，简易精神状态检查（Mini-Mental State Examination, MMSE）得分更低（均 p<0.01）。单因素分析显示，高龄、女性、低教育水平、外周血管疾病、骨关节炎、抑郁症、日常活动能力（Korean Activities of Daily Living, K-ADL）下降、运动能力（如起立 - 行走测试时间 Timed Up and Go Test, TUG≥10 秒）降低、营养状态（微型营养评估 Mini Nutritional Assessment, MNA）差等因素均与 CF 风险显著相关（p<0.05 或 p<0.01）。
2. 机器学习模型与特征选择
通过递归特征消除，模型筛选出 6 个最优特征：TUG 测试时间、教育水平、身体功能限制（Physical Frailty and Mobility, PF-M）、MNA 评分、平衡信心（Activities-specific Balance Confidence, ABC）、K-ADL 评分。当特征数量为 6 时，模型性能稳定，AUC 达 84.34%，灵敏度 75.12%，特异度 80.87%，准确度 79.51%。进一步分析显示，TUG 测试时间每增加 1 秒，CF 风险降低 51.5%（OR=0.485）；MNA 评分每增加 1 分，风险降低 20.5%（OR=0.795），表明运动能力和营养状态对 CF 发生具有强预测价值。
研究结论与讨论
本研究通过整合多维健康数据和机器学习技术，成功构建了 CF 风险预测模型，识别出运动能力、教育水平、身体功能限制、营养状态、平衡信心、日常活动能力 6 个关键预测因子。模型不仅在韩国社区老年人群中展现出良好的预测效能（AUC>80%），更通过纳入可测量的临床指标（如 TUG 测试、MNA 评分），为基层医疗提供了便捷的筛查工具。
研究结果强调了 CF 的多维度属性：运动功能下降与认知损害通过基底神经节、小脑等共享神经回路相互作用，形成恶性循环；低教育水平反映的认知储备不足和社会经济差异，加剧了 CF 的易感性；营养状态差和慢性炎症则通过影响神经可塑性和肌肉功能，推动 CF 进展。此外，模型中平衡信心（ABC）的纳入，提示心理因素（如跌倒恐惧）在 CF 发生中的重要作用，为干预策略提供了新靶点。
尽管研究存在回顾性设计、样本局限于韩国人群、未纳入生物标志物等不足，但其提出的 “多维评估 + 机器学习” 模式，为跨地域 CF 研究提供了方法论参考。未来研究若能结合纵向数据、生物标志物（如炎症因子、脑影像指标）及更广泛的社会因素，将进一步提升模型的普适性和机制解析深度。
总之，该研究通过数据驱动的方法，为 CF 的早期识别和个性化干预开辟了新路径。临床实践中，整合 TUG 测试、营养评估等简单指标的风险筛查，有望实现 CF 的 “早发现、早干预”，延缓老年人群认知与身体功能衰退，降低医疗负担，具有重要的公共卫生和临床应用价值。
