编辑推荐：
研究人员利用中国健康与养老追踪调查（CHARLS）数据，构建预测肌少症患者 MCI 风险的模型，助力早期干预。
在人口老龄化的浪潮中，老年人的健康问题愈发受到关注。其中，认知功能下降带来的一系列问题，严重影响着老年人的生活质量。从正常的年龄相关认知衰退，到轻度认知障碍（Mild Cognitive Impairment，MCI），再到阿尔茨海默病，这一认知功能逐渐恶化的过程如同隐藏在老年人群中的 “健康杀手”。MCI 作为阿尔茨海默病的前期阶段，其特征是在一个或多个认知领域，如语言、记忆、计算和定向力等，相较于基线功能出现主观和客观的下降，不过此时患者在工具性日常生活活动（Instrumental Activities of Daily Living，IADL）方面尚未出现残疾。但 MCI 起病隐匿，进展迅速，还极易发展为痴呆，并且目前缺乏有效的药物治疗手段。据美国神经病学学会发布的 MCI 临床实践指南，14.4 - 55.6% 的 MCI 患者有可能恢复神经功能完整性，从而降低痴呆的发生风险。因此，准确、快速地识别认知能力的显著下降以及 MCI 的发病，对预防痴呆至关重要。然而，认知能力下降的影响因素众多且复杂，目前难以精准预测认知下降的程度、MCI 的发病风险，也无法对高危人群进行病因预防。
在众多与认知障碍相关的因素中，肌少症（Sarcopenia）引起了研究人员的高度关注。肌少症是一种进行性、广泛性的肌肉质量和肌肉功能加速丧失的疾病，如今已被正式确认为一种肌肉疾病。在肌少症患者中，MCI 的患病率高达 24.2%。研究表明，肌少症患者发生 MCI 的可能性是无肌少症者的 1.72 倍，且 MCI 患者每年向痴呆进展的比例为 10 - 20%。肌少症和 MCI 之间存在共同的生理和病理机制，如慢性炎症、氧化应激等代谢因素，运动、社交等行为因素，以及抑郁症状等心理因素，都会对身体和认知产生影响。而且，肌肉质量、功能和力量的年龄相关性下降往往先于认知能力下降，肌少症的一些指标，如低握力和慢步态速度，与 MCI 的发病显著相关，并且肌肉可能通过分泌类似激素的蛋白质影响认知。但目前，基于肌少症相关特征、临床指标及其他因素来预测 MCI 的研究尚属空白。
为了解决这一难题，南京医科大学附属南京妇幼保健院、南京医科大学护理学院等机构的研究人员 Xinyue Liu、Jingyi Ni、Baicheng Wang 等开展了一项研究。该研究成果发表在《Aging Clinical and Experimental Research》杂志上。
研究人员利用中国健康与养老追踪调查（China Health and Retirement Longitudinal Study，CHARLS）的数据，开展了此次研究。CHARLS 由北京大学中国社会科学调查中心组织，旨在收集代表中国 45 岁及以上中老年人家庭和个人的高质量微观数据，以促进老龄化问题的跨学科研究。研究人员选取了 4 次全国性调查（2011、2013、2015、2018 年）中肌少症患者的身体测量数据，经过筛选，最终纳入 570 例患者进行后续分析。
研究人员采用了一系列技术方法来开展研究。在数据处理方面，利用 Stata 软件进行数据合并和筛选，用 R 软件的 missforest 包进行数据填充。在模型构建上，使用 Pytorch 构建前馈神经网络模型，同时为了对比，还构建了逻辑回归模型。通过这些模型，研究人员分析了多种因素与 MCI 发病风险之间的关系。
研究结果主要包括以下几个方面：
- 预测指标筛选：研究人员从 30 个可能影响 MCI 的因素中，经过机器学习（Machine Learning，ML）双重筛选，最终确定了 8 个进入建模阶段的指标，包括四肢骨骼肌质量（Appendicular Skeletal Muscle，ASM）、骨骼肌质量指数（SMI）、身体质量指数（Body Mass Index，BMI）、握力（Grip）、步行时间（Walk time）、抑郁症状（Depression）、简短身体功能测试（Short Physical Performance Battery，SPPB）和睡眠时间（Sleep time）。其中，肌肉质量指数在模型预测中起着关键作用，ASM 在 MCI 组和非 MCI 组之间存在显著差异（P = 0.02）。
- 模型构建与评估：构建的 4 层前馈神经网络 MCI 预测模型，经过训练和测试，表现出良好的性能。在测试集中，该深度学习（Deep Learning，DL）模型的受试者工作特征曲线（Receiver Operating Characteristic Curve，ROC）下面积（Area Under the Curve，AUC）为 0.708（95% CI：0.544 - 0.844） ，优于逻辑回归模型（AUC 为 0.557，95% CI：0.410 - 0.705）。模型的准确率为 0.542，精确率为 0.939，F1 值为 0.633。
- 风险分层：根据 DL 模型计算出的最佳风险阈值（51.72%），将所有患者分为低风险和高风险两组。在训练队列中，共有 311 例和 103 例肌少症患者分别被归类到低风险和高风险组，其实际重大疾病事件风险概率分别为 14.15% 和 39.81%，两组之间存在显著差异（P = 0.000）。高风险组中 MCI 发病的假阳性概率仅为 10.23%，这表明 DL 模型在判断是否需要干预方面具有重要价值。
- 模型验证：研究人员利用 2015 - 2018 年 CHARLS 队列中 156 例符合纳入标准的肌少症患者数据对模型进行验证，其中 25 例结果呈阳性。验证集中模型的 AUC 为 0.711（95% CI：0.588 - 0.823），准确率为 0.628，精确率为 0.929，F1 值为 0.737，显示出该模型在独立验证集中也有较好的表现。
- 在线工具开发：为了便于临床应用，研究人员开发了一个在线计算工具（http://47.115.214.16:8000/ ），可根据患者的身体测量指标和其他相关特征计算未来患 MCI 的风险。
在研究结论和讨论部分，该研究构建的 DL 模型在预测肌少症患者未来 4 年 MCI 发病风险方面表现出了可行性和实用性。它能够有效识别不同 MCI 风险水平的肌少症患者，有助于临床医生及时发现高风险人群，从而进行早期干预，这对于降低痴呆的发病率、减轻医疗和社会负担具有重要意义。
不过，该研究也存在一定的局限性。例如，缺乏来自外国人群的外部验证集，无法确定模型是否适用于全球其他种族和人群；由于公共数据库的限制，一些与 MCI 发病相关的变量，如运动情况，因缺失数据过多未被纳入研究；在评估变量时，虽然计算 ASM 的公式与双能 X 线吸收法（Dual-energy X-ray Absorptiometry，DXA）一致性较好，但步行速度的测量距离与国际标准存在差异，尽管有文献表明该距离不影响步行速度；此外，纳入样本均为 45 岁及以上人群，模型主要适用于老年人群，对其他年龄组 MCI 的预测可能不适用。
尽管如此，这项研究依然为肌少症患者 MCI 的早期预测和干预提供了新的思路和方法，未来研究人员可针对这些局限性进一步探索，不断完善相关研究，为老年人的认知健康保驾护航。
