表型年龄加速：良性前列腺增生风险预测的新指标及其机器学习模型构建

本研究针对良性前列腺增生（BPH）早期预测需求，通过分析NHANES队列784名男性数据，首次证实表型年龄加速（PhenoAgeAccel）是BPH的独立风险因子（OR=1.08, p<0.001）。团队利用递归特征消除（RFE）筛选34个关键特征构建XGBoost预测模型（AUC=0.853），并通过SHAP分析揭示表型年龄在风险分层中的临床价值，为BPH的精准预防提供了新型生物标志物和人工智能辅助决策方案。

　　

随着全球老龄化进程加速，良性前列腺增生（Benign Prostatic Hyperplasia, BPH）已成为困扰中老年男性的常见泌尿系统疾病，全球患者数高达9400万。传统观点认为BPH是单纯年龄相关性疾病，但近年来发病呈现年轻化趋势，仅用chronological age（ chronological age， chronological age）已无法完全解释疾病的发生机制。这种"衰老悖论"促使科学家将目光投向更能反映机体功能状态的生物衰老标志物——表型年龄（phenotypic age）。

表型年龄通过整合chronological age与9项血清生物标志物（白蛋白、碱性磷酸酶、肌酐、葡萄糖、C反应蛋白、淋巴细胞百分比、平均红细胞体积、红细胞分布宽度、白细胞计数）计算得出。当表型年龄大于chronological age时称为表型年龄加速（PhenoAgeAccel），反之则为减速（PhenoAgeDecel）。这种综合指标能更精准地反映个体生物学衰老程度，已在心血管疾病、呼吸系统疾病等领域展现出卓越的预测价值。然而，其在BPH风险评估中的作用尚未明确。

为此，由中国医学科学院肿瘤医院叶雄俊教授团队联合北京交通大学、北京克娄DNA科技有限公司等机构开展了一项创新性研究，成果发表于《GeroScience》。研究团队利用美国国家健康与营养调查（NHANES）2003-2008年784名男性的临床数据，首次系统探讨了表型年龄加速与BPH风险的关联，并成功构建了机器学习预测模型。

研究采用的关键技术方法包括：基于Levine算法的表型年龄计算、递归特征消除（RFE）联合支持向量机（SVM）的特征筛选、XGBoost机器学习建模、五折交叉验证、SHAP（SHapley Additive exPlanations）模型可解释性分析，以及逻辑回归评估表型年龄加速与BPH的关联性。所有数据均来自NHANES公开队列，包含详细的问卷调查和实验室检测指标。

研究结果

参与者特征分析

研究纳入784名男性参与者，其中621人确诊BPH。表型年龄加速组（PhenoAgeAccel）的平均chronological age为69±9.8岁，而表型年龄减速组（PhenoAgeDecel）为66±10岁。两组表型年龄差异达13年，BPH患病率分别为78%和84%。

BPH相关特征筛选

通过递归特征消除（RFE）联合支持向量机（SVM）筛选出34个BPH相关特征。如图1所示，当包含41个特征时模型达到最佳性能（AUC峰值）。最终确定的前5位重要特征依次为：单核细胞计数（LBDMONO）、癌症病史（MCQ220）、渗透压（LBXSOSSI）、总胆固醇（LBDTCSI）和白细胞计数（LBXWBCSI）。

预测模型构建与验证

研究比较了随机森林（RF）、逻辑回归（LR）和XGBoost三种算法，XGBoost表现最优（测试集AUC=0.833，ACC=0.783）。如图2所示，模型在验证集灵敏度为0.819，特异性为0.677。五折交叉验证平均AUC为0.819（范围0.798-0.859）。在外部验证集（NHANES 2001-2002，n=228）中，模型保持较高灵敏度（0.772），AUC为0.707。

表型年龄加速与BPH的关联

如图3A所示，表型年龄与红细胞分布宽度（RDW）（r=0.45）和肌酐（r=0.47）呈最强正相关，与淋巴细胞百分比（r=-0.26）和白蛋白（r=-0.24）呈负相关。表型年龄与chronological age高度相关（r=0.833，图3B）。分层分析发现，在40-70岁人群中，BPH患者的表型年龄加速显著高于非BPH组，但在70岁以上人群中差异不显著（图3D）。逻辑回归显示，表型年龄加速每增加一个标准差，BPH风险增加8%（OR=1.08，95%CI:1.065-1.114，p<0.001，图3E）。

表型年龄的预测效能

用表型年龄替代chronological age后，XGBoost模型性能进一步提升（测试集AUC=0.853）。SHAP分析（图4C-D）显示，表型年龄是第三重要的预测因子（SHAP值=0.040），仅次于癌症病史（0.307）和铅暴露（LBXBPB，0.054）。

研究结论与意义

本研究首次证实表型年龄加速是BPH的独立风险因素，揭示了生物衰老加速与前列腺疾病发生的内在联系。研究发现40-70岁人群的表型年龄加速与BPH风险呈显著正相关，但在70岁以上人群中因"衰老天花板效应"而减弱，这为BPH年轻化趋势提供了合理解释——年轻人若因环境压力、慢性炎症等因素导致生物衰老加速，其前列腺可能提前进入衰老状态。

通过机器学习构建的预测模型实现了0.853的AUC值，显著优于传统基于chronological age的模型。特征重要性分析揭示了系统性炎症（单核细胞计数、白细胞计数）、营养状态（白蛋白）和代谢指标（胆固醇）在BPH发生中的关键作用，支持了BPH是全身性衰老过程局部体现的理论框架。

研究的创新点在于：将衰老研究前沿指标表型年龄引入BPH风险评估；采用机器学习处理高维临床数据；通过SHAP增强模型可解释性；发现表型年龄加速在中年人群中的预警价值。这些成果为BPH的精准预防提供了新思路——临床关注点应从chronological age转向phenotypic age，对年轻患者出现排尿障碍时，应评估其生物衰老状态而非简单归因于心理因素。

未来研究需在多中心队列中验证模型效能，并进一步探索多组学数据与表型年龄的整合应用。从临床实践角度，监测血清生物标志物（如RDW、肌酐、白蛋白）可能有助于早期识别高风险个体，通过抗炎和营养干预延缓BPH进展。

这项研究不仅推动了BPH风险评估模式的范式转变，也为其他年龄相关疾病的防治提供了可借鉴的研究框架——通过生物衰老标志物结合人工智能技术，实现真正意义上的精准预防和个性化健康管理。