编辑推荐：
在老年医学领域，FRAIL 量表在基层医疗虽有应用，但医院中衰弱患者的聚类分析尚缺。研究人员开展 “老年衰弱患者亚型识别” 研究，用机器学习识别出两种亚型，构建模型预测患者亚型，为个性化管理奠定基础。
随着全球老龄化加剧，老年衰弱问题日益凸显。衰弱是一种独特的衰老综合征，表现为生理储备显著下降，老年人一旦步入衰弱状态，就如同脆弱的玻璃人，极易受到压力事件的冲击，进而引发如依赖他人生活、死亡等不良健康后果。这不仅给老年人自身带来极大痛苦，也给家庭和社会造成沉重负担，已然成为 21 世纪最严峻的公共卫生挑战之一。
目前，国际上常用 FRAIL 量表对老年人衰弱情况进行初步筛查。它通过疲劳、抵抗力、疾病、行走能力和体重减轻这五个简单问题，快速判断老年人的衰弱状态。然而，这种量表存在明显缺陷。一方面，它依赖于与患者的面对面访谈，结果主观性强。不同的访谈者可能得出不同的判断，就像不同人对同一幅画的理解存在差异一样。另一方面，仅依据访谈识别出的衰弱患者，身体状况其实存在细微差别，但现有诊疗手段常 “一刀切”，导致医疗资源浪费。此外，衰弱本身具有高度异质性，受年龄、性别、疾病、生活方式等多种因素影响，这使得精准识别衰弱亚型变得至关重要，可现有分类方法却缺乏统一验证。因此，寻找客观、精准的方法来区分衰弱患者的不同亚型，实现个性化治疗迫在眉睫。
为解决这些难题，北京医院老年医学研究所心内科的研究人员开展了一项前瞻性观察队列研究。他们以 2018 年 9 月至 2019 年 4 月在北京某医院住院的 214 名 65 岁及以上的衰弱患者为研究对象，旨在识别衰弱患者的潜在亚型，并开发一种简单且临床适用的模型，以提升患者管理水平。该研究成果发表在《European Journal of Medical Research》上，为老年衰弱的研究和临床实践开辟了新方向。
研究人员在此次研究中运用了多种关键技术方法。首先，通过收集患者的病史、人口统计学数据和实验室检测结果等多维度数据，建立了丰富的数据库。接着，采用 K-means 聚类算法，这是一种在学术界和工业界广泛应用的聚类方法，简单高效。他们利用肘方法（Elbow method）和轮廓系数（Silhouette coefficient）确定最佳聚类数。之后，运用 LASSO 回归、支持向量机递归特征消除（SVM–RFE）和随机森林技术进行变量选择，找出关键变量。最后，构建逻辑回归模型预测患者亚型，并通过五折交叉验证和 1000 次自助重采样对模型进行验证。
研究结果主要如下：
- 特征与聚类：研究共纳入 214 名 FRAIL 评分≥3 的患者，中位年龄为 78.9 [73.6, 83.5] 岁，女性占 53.7%。多数患者患有高血压（79.4%），FRAIL 评分为 3 的患者占 76.2%。利用肘方法和轮廓系数确定最佳聚类数为 2，主成分分析（PCA）图显示两类患者分离度良好。
- 临床特征与生存分析：将患者分为两类，1 类女性比例高（70.2%），左心室射血分数（LVEF）中位数为 65%；2 类饮酒、多药治疗、心肌梗死、冠心病、糖尿病比例高，过去一年再入院次数均值为 2.26±1.36 次，BMI 和左心房前后径与 1 类差异显著。1 年观察期内，1 类生存率（62.51%）高于 2 类（47.51%），卡普兰 - 迈耶（Kaplan–Meier）生存分析显示两类患者结局差异有统计学意义。
- 变量选择：经 LASSO 回归、SVM–RFE 和随机森林方法筛选，最终确定左心房前后径、LVEF、肌酐和糖尿病为预测模型的关键特征变量。
- 预测模型性能：对比多种机器学习分类方法，逻辑回归模型 AUC 最高（0.88）。经 1000 次自助重采样验证，其平均 AUC 为 0.8707，95% 置信区间为 0.8572 - 0.8792，稳定性良好。
研究结论和讨论部分指出，该研究运用机器学习技术成功识别出衰弱的两种亚型，这是对衰弱异质性研究的重要突破。研究发现，2 类衰弱患者 BMI 更高、疾病负担更重、预后更差，且两类患者 FRAIL 评分无显著差异，凸显了本研究分类方法的重要性。此外，关键变量中的超声心动图指标和代谢健康标志物，进一步揭示了衰弱与疾病预后的关系。本研究的优势在于运用无监督机器学习细分患者类型，综合多变量全面分析，构建的逻辑回归模型经内部验证，解释性强。不过，研究也存在局限性，如样本来自单中心，随访时间仅 1 年。未来研究应开展多中心、长时间随访的研究，完善预测模型，探索针对不同衰弱亚型的干预措施。总体而言，该研究为个性化衰弱管理提供了重要依据，推动了老年医学领域的发展，为临床医生更好地治疗老年衰弱患者指明了方向。
