基于CHARLS队列的老年人肌少症四年预测模型：开发、验证与临床转化

《Aging Clinical and Experimental Research》：Development and validation of a Four-Year predictive model for sarcopenia in older adults: insights from the CHARLS cohort

本研究针对老年人肌少症早期识别困难的问题，通过分析CHARLS队列数据，开发并验证了一个包含年龄、BMI、认知功能等10个预测因子的四年风险预测模型。该模型在训练集和测试集中AUC分别达0.859和0.842，具有良好的判别能力和临床实用性。研究成果为社区老年人肌少症的早期筛查提供了量化工具，对实现精准干预具有重要意义。

　　

随着全球人口老龄化进程加速，肌少症（sarcopenia）作为一种进行性骨骼肌疾病正日益成为严峻的公共卫生挑战。这种疾病以肌肉质量减少、肌力下降和躯体功能减退为特征，严重影响老年人的生活质量和独立生活能力。在中国，60岁以上人口快速增长，肌少症的患病率持续上升，给医疗系统带来沉重负担。

目前肌少症的诊断主要依赖肌肉质量、握力和躯体功能的综合评估，但这些方法通常只能在疾病明显进展后才能识别。尽管已有研究探讨了肌少症的危险因素，但大多数预测模型存在样本量小、人群特异性强等局限性，缺乏适用于大规模社区人群的精准预测工具。早期识别高风险个体并进行干预是延缓肌少症进展的关键，因此开发有效的预测模型具有重要临床意义。

针对这一需求，浙江大学医学院附属第一医院的研究团队在《Aging Clinical and Experimental Research》上发表了一项重要研究，他们利用中国健康与养老追踪调查（CHARLS）数据，开发并验证了一个可预测老年人四年内肌少症发生风险的模型。

研究团队采用了几项关键技术方法：首先，他们利用CHARLS这一全国性代表性队列的2011年基线数据和2015年随访数据，通过严格纳入排除标准最终分析了2173名基线无肌少症的老年人；其次，基于亚洲肌少症工作组（AWGS）2019标准诊断肌少症；第三，使用LASSO回归和多元逻辑回归进行变量筛选和模型构建；最后，通过ROC曲线、校准曲线和决策曲线分析（DCA）全面评估模型性能。

研究结果揭示了多个重要发现：

基线特征分析显示，四年来共有160人（7.36%）新发肌少症。与未患病组相比，肌少症组年龄更大，BMI、腰围和认知评分更低，HDL水平更高而血小板计数更低。

预测因子筛选过程中，研究人员先通过单变量分析评估各变量的预测能力，发现BMI、腰围和年龄的预测价值最高（AUC 0.461-0.818）。随后采用LASSO回归筛选出12个变量，最终多元逻辑回归确定了10个显著预测因子。

风险预测列线图开发基于10个显著预测因子构建了临床实用的列线图。年龄增长和MCV升高是危险因素，而较高的BMI、腰围和较好的认知功能则具有保护作用。

模型性能评估表明，该模型在训练集和测试集中均表现出优秀的判别能力（AUC分别为0.859和0.842），校准良好，且在较宽的概率阈值范围内具有临床实用性。

在线工具开发研究人员还开发了在线列线图界面，便于临床医生快速评估个体风险。

在讨论部分，研究团队深入分析了各预测因子与肌少症的关联。年龄是肌少症最显著的风险因素，这与年龄相关的肌肉再生能力下降、激素水平改变和炎症因子活性增高等机制有关。认知功能与肌少症存在双向关系，两者可能共享共同的病理生理机制。

BMI和腰围作为体成分指标，与肌少症的关系较为复杂。低BMI通常意味着肌肉量减少，而肥胖对肌少症的影响则存在“肥胖悖论”——既可能因增加肌肉负荷而具有保护作用，又可能通过促进炎症而增加风险。

血液标志物中，MCV、血小板计数和血细胞比容与肌少症的关联机制尚不完全明确，可能与营养状况、炎症反应等有关。血糖、肌酐和HDL-C等代谢指标也与肌少症密切相关，特别是糖尿病与肌少症存在显著关联。

该研究的优势在于使用大规模全国性队列数据，采用先进的机器学习方法进行变量筛选，并开发了用户友好的在线预测工具。然而，研究也存在一些局限性，如缺乏体力活动等潜在预测变量，未进行外部验证，以及未能捕捉随访期间预测变量的动态变化。

综上所述，这项研究成功开发并验证了一个具有良好预测性能的四年肌少症风险模型，为早期识别高风险老年人提供了实用工具。通过整合年龄、体成分、认知功能和血液标志物等多维度信息，该模型有助于临床医生实施针对性干预措施，从而减轻肌少症对老年人群健康的负面影响。未来需要通过多中心研究进一步验证模型的普适性，并探索将动态监测数据纳入预测模型的可能性。