内脏脂肪蓄积与肌少症的关联机制及机器学习预测模型构建研究

本研究针对肌少症风险评估工具匮乏的现状，通过分析NHANES 2011-2018的5200例数据，系统评估RFM、LAP、WWI等6项内脏脂肪指标与肌少症的关联，构建9种机器学习模型（AUC-ROC达0.878），发现WWI是最强预测因子，为老年健康管理提供新型生物标志物和量化工具。

　　

随着全球老龄化进程加速，肌少症（sarcopenia）正成为威胁老年人生活质量的"隐形杀手"。这种以肌肉量减少和功能下降为特征的综合征，不仅增加跌倒骨折风险，更与多种慢性病相互交织。然而令人担忧的是，目前临床仍缺乏简便有效的风险评估工具。与此同时，现代生活方式导致的内脏脂肪蓄积（visceral fat accumulation）现象日益普遍，越来越多的证据表明这种"深藏不露"的脂肪与肌肉代谢存在微妙联系。正是基于这样的背景，一项突破性研究在《Experimental Gerontology》上揭开了内脏脂肪与肌少症之间的量化关系。

研究人员创新性地选取了美国国家健康与营养调查（NHANES）2011-2018周期的大样本数据，纳入5200名参与者进行横断面分析。研究采用多变量逻辑回归、平滑曲线拟合和阈值效应分析等方法，系统评估了相对脂肪质量（RFM）、脂质蓄积指数（LAP）、体重调整腰围指数（WWI）等6项内脏脂肪指标与肌少症的关联强度。更引人注目的是，团队构建了包含9种机器学习算法的预测模型，并引入SHAP值提升模型可解释性。

在"Results"部分，阈值效应分析揭示了各指标的饱和点：RFM在41.844、LAP在76.747、WWI在11.352时达到肌少症风险拐点。机器学习模型比较显示，逻辑回归模型的预测效能最优（AUC-ROC=0.878）。通过SHAP分析，WWI被确认为最具预测力的指标，其重要性远超其他参数。"Conclusion"部分强调，所有内脏脂肪指标均与肌少症风险呈正相关，其中WWI的预测价值最为突出。

这项研究的创新性在于首次系统比较了多种内脏脂肪指标对肌少症的预测效能，并成功建立了高精度的机器学习预测模型。其临床意义不仅在于为肌少症早期筛查提供了客观量化工具，更揭示了内脏脂肪代谢与肌肉健康的内在联系，为制定针对性干预策略提供了理论依据。特别是WWI作为简单易得的体格测量指标，在社区筛查中具有显著优势。该成果对推动健康老龄化、实现精准预防具有重要价值，也为后续机制研究指明了方向。