基于大语言模型的群体规模生物年龄预测：突破传统衰老标志物的多器官健康评估新范式

来自多中心的研究团队通过分析超1000万人的健康数据，创新性地利用大语言模型(LLM)构建衰老评估框架。该研究解决了传统衰老标志物（如端粒长度、表观遗传年龄）预测效能不足的难题，在全因死亡率预测中C-index达0.757（95% CI 0.752–0.761），显著优于8种表观遗传时钟和4种机器学习模型。研究成果为个性化健康管理提供了精准、经济的多器官衰老评估工具。

　　

这项突破性研究将大语言模型(LLM)引入衰老科学领域，通过对六大队列超1000万人的健康体检报告进行深度学习，构建了前所未有的生物年龄预测体系。与传统衰老标志物相比，LLM预测的整体年龄在全因死亡率预测中展现出惊人优势——其一致性指数(C-index)高达0.757（95% CI 0.752–0.761），显著超越端粒长度、衰弱指数等8种表观遗传年龄指标和4种传统机器学习模型。

更令人振奋的是，该框架实现了多器官衰老的精准解析：LLM预测的器官特异性年龄在对应器官疾病预测中同样表现卓越。研究还揭示了年龄差(age gap)与多种衰老表型的强相关性，其中全因死亡风险比(HR)达到1.055（95% CI 1.050–1.060）。科研人员进一步挖掘了LLM的动态评估潜力，不仅鉴定了加速衰老相关蛋白质组生物标志物，还构建了涵盖270种疾病的预测模型。

通过可解释性分析，研究者成功破译了LLM的决策"黑箱"。这项研究标志着衰老评估进入智能化时代，为人群健康管理提供了兼具科学性(可验证的C-index数据)和实用性(仅需常规体检数据)的创新解决方案，在精准医学领域具有里程碑意义。