编辑推荐：
肥胖和糖尿病患者常面临低肌肉量（LMM）风险，影响代谢与心血管健康。研究人员基于 NHANES 数据，探究新型肥胖指标与 LMM 的关联并构建预测模型。结果显示 BRI 与 LMM 密切相关，随机森林模型预测性能良好，有助于临床决策。
在健康领域，肥胖与糖尿病如同两座 “大山”，严重威胁着人们的身体健康。随着全球肥胖和糖尿病发病率的不断攀升，与之相关的并发症也日益受到关注。低肌肉量（Low Muscle Mass，LMM）就是肥胖和糖尿病患者常见且棘手的并发症之一。它不仅会加剧患者的代谢紊乱，还会显著增加心血管疾病的发生风险，严重影响患者的生活质量和预后。
目前，虽然有像双能 X 线吸收法（DXA）和磁共振成像（MRI）这样能够精准识别低肌肉量的技术，但它们成本高昂且对技术要求苛刻，难以在临床广泛应用。此前研究虽尝试利用一些生化标记物检测 LMM，可针对肥胖和糖尿病患者群体，临床上切实可行的检测工具依旧稀缺。在此背景下，为了找到更有效的方法来预测肥胖和糖尿病患者的低肌肉量，来自同济大学附属上海市第十人民医院等机构的研究人员开展了一项极具意义的研究。
研究人员从 2005 - 2006 年和 2011 - 2018 年美国国家健康和营养检查调查（NHANES）数据集获取数据。在确定研究对象时，有着严格的筛选标准，纳入患有糖尿病且符合特定肥胖标准的患者，并排除了不符合条件的人群 。在测量和定义 LMM 时，使用 DXA 测量身体成分，依据骨骼肌质量指数（SMI）阈值来判断是否存在 LMM 。研究还涉及多种变量的估计，包括年龄、性别、种族等基本信息，以及身体圆度指数（BRI）、相对脂肪质量（RFM）和锥度指数（C - index）等新型肥胖指标。
在统计分析方面，研究人员运用多种方法。先是评估数据的正态性，根据数据分布特点选择合适的统计检验方法。为解决样本不平衡问题，采用合成少数过采样技术算法（SMOTE）；利用 k - 最近邻方法对缺失数据进行插补；通过 10 折交叉验证评估模型性能；运用最小绝对收缩和选择算子（LASSO）进行特征选择；使用 6 种机器学习方法构建预测模型，并从多个方面对模型性能进行评价。
研究结果丰富且具有重要价值。在参与者特征方面，LMM 组和正常肌肉量（NMM）组在多个基线特征上存在显著差异，如 BMI、白细胞计数、球蛋白、肌酐、糖化血红蛋白（HbA1c）等 。在指标相关性上，BRI 与 LMM 呈最强正相关，RFM 也有关联但较弱，C - index 与 LMM 无显著相关性。
在预测模型的开发和验证中，经加权单变量回归分析确定了与 LMM 相关的独立因素，再经 LASSO 分析筛选出 8 个特征变量构建预测模型。6 种机器学习模型中，随机森林模型表现最为出色，在内部验证集和外部验证集中均展现出高准确性、精度、召回率和 F1 分数，校准性能也十分优异。通过随机森林模型确定最佳阈值，对患者进行风险分层，高风险组和低风险组的 LMM 风险差异显著，且开发了在线预测计算器，方便临床应用。
在讨论部分，研究进一步分析了各项发现的意义。此次研究首次探索新型肥胖指标与 LMM 的关联并开发在线预测工具，凸显 BRI 在评估 LMM 风险中的重要作用。内脏脂肪积累可能比整体脂肪分布对 LMM 的发展影响更大，而随机森林模型可作为诊断 LMM 的有力工具。不过研究也存在局限性，如外部验证队列较小、模型未纳入部分因素、研究设计为横断面无法确定因果关系等。
总体而言，该研究成果意义重大。其构建的随机森林模型为肥胖和糖尿病患者 LMM 的预测提供了实用可靠的方法，有助于临床医生进行早期风险分层和制定管理策略。在线预测计算器的开发也推动了预测模型在临床的广泛应用，为后续相关研究奠定了基础，指明了方向，有望为肥胖和糖尿病患者的健康管理带来新的突破。
