基于机器学习的种族/民族间血液生物标志物与晚年健康关联差异研究

研究人员利用健康与退休研究(HRS)2016年静脉血液子研究(VBS)数据，采用种族分层增强决策树模型，从涵盖11个生物系统的54种生物标志物中预测全因死亡率、多病共存、糖尿病和心脏疾病。研究发现不同种族/民族群体在生物标志物选择上存在显著差异，尤其在全因死亡率预测中变异最大，为老年科学(GeroScience)研究提供了重要启示。

　　

随着生物标志物在老年健康研究中的应用日益广泛，结合机器学习技术，科学家们正通过预测算法来识别关键生物标志物并构建生物风险评分。这项基于健康与退休研究(HRS)2016静脉血液子研究(VBS)的创新性研究，采用种族分层增强决策树模型，系统分析了54种涵盖11个生物系统的生物标志物与全因死亡率、多病共存(multimorbidity)、糖尿病和心脏疾病的关联。

研究结果显示，不同种族/民族群体间的生物标志物选择模式存在显著差异：全因死亡率预测中观察到最大变异，而心脏疾病和糖尿病的生物标志物选择差异较小。多病共存分析则显示部分变异但存在显著重叠。特别值得注意的是，当特征值超过0.01时，某些生物标志物在不同种族群体中表现出截然不同的预测价值。

这项研究揭示了机器学习方法在开发生物风险评分和识别晚年健康相关生物标志物时的种族/民族特异性，为理解人类衰老过程的群体差异提供了新视角。研究结果强调，在老年科学(GeroScience)研究中，必须充分考虑算法开发中的种族/民族差异，特别是在处理不同类型的健康结局时，这对推动精准医学和健康公平性研究具有重要意义。