《Frontiers in Endocrinology》：Beyond functional disability: longitudinal joint trajectories of muscle strength and walking speed and their association with new-onset diabetes risk among older adults without ADL impairment
编辑推荐：
背景：随着人口老龄化，糖尿病对老年人构成日益严重的威胁。然而，在ADL（日常生活活动能力）受损发生之前，肌力与步速的纵向轨迹能否识别糖尿病风险仍不清楚。方法：本纵向队列研究使用HRS、ELSA、SHARE和CHARLS的数据。应用基于组的轨迹建模（GBTM
背景：随着人口老龄化，糖尿病对老年人构成日益严重的威胁。然而，在ADL（日常生活活动能力）受损发生之前，肌力与步速的纵向轨迹能否识别糖尿病风险仍不清楚。方法：本纵向队列研究使用HRS、ELSA、SHARE和CHARLS的数据。应用基于组的轨迹建模（GBTM）识别步速与肌力的纵向联合轨迹。采用逆概率处理加权（IPTW）校正的Cox比例风险模型评估轨迹组与新发糖尿病之间的关联。此外，评估了129个候选机器学习模型（包括9种单一算法和120种Stacking组合）对新发糖尿病的预测性能，并使用SHAP（SHapley Additive exPlanations）分析解释模型预测。通过竞争风险模型、离散时间logistic回归模型、分层分析和跨队列机器学习验证进一步评估研究结果的稳健性。结果：在HRS、ELSA、SHARE和CHARLS队列的中位随访时间分别为10、12、6和8年期间，分别发生341、265、170和448例新发糖尿病事件。GBTM在各队列中识别出不同的肌力与步速联合轨迹。与维持较高功能水平的参与者相比，具有不利轨迹者在完全校正的IPTW-Cox模型中发生糖尿病的风险显著增加（HRS：校正HR = 4.17，95% CI：3.10–5.61；ELSA：校正HR = 3.85，95% CI：2.55–5.79；SHARE：校正HR = 3.38，95% CI：2.25–5.06；CHARLS：校正HR = 2.60，95% CI：1.87–3.61）。敏感性分析一致支持这些关联。机器学习模型进一步评估了联合轨迹在糖尿病预测框架中的贡献，SHAP分析表明这些轨迹特征对模型预测有贡献。结论：在基线无ADL受损的老年人中，肌力与步速的不利联合轨迹与新发糖尿病风险升高相关，凸显了纵向功能监测用于早期糖尿病风险分层的潜在价值。
## 论文主体解读
**研究背景与问题**
随着全球预期寿命延长，糖尿病已成为重大公共卫生挑战，显著影响老年人的健康结局、生活质量与医疗支出。老年人群糖尿病负担的上升不仅由传统代谢危险因素驱动，也与衰弱、进行性功能衰退、多病共存及死亡风险增加等老年综合征相关。当前糖尿病风险评估主要依赖年龄、BMI、家族史、血糖水平和生活方式等传统代谢因素，但这些指标主要反映静态代谢状态，难以捕捉衰老过程中动态生理变化所蕴含的细微风险信号，在无明显ADL（activities of daily living，日常生活活动能力）受损的老年人中尤为突出。肌力和步速下降是年龄相关功能衰退最常见且具临床意义的表现，骨骼肌不仅是运动器官，也是代谢活跃的内分泌器官，通过调节葡萄糖摄取、胰岛素敏感性、炎症通路和能量代谢维持血糖稳态。既往流行病学研究多基于单点测量，忽视了肌功能的动态变化；且肌力与步速代表不同但互补的功能维度，单独评估难以刻画功能衰退的多维特征。此外，既有研究多为单一队列、将两项指标作为独立暴露，且从群体关联向个体化预测工具的转化有限。为此，研究人员基于HRS、ELSA、SHARE和CHARLS四个大型纵向老龄化队列，在基线无ADL受损和糖尿病的成年人中开展研究，采用轨迹建模识别肌力与步速的联合轨迹，结合IPTW校正Cox模型及多种敏感性分析评估糖尿病风险，并应用机器学习与SHAP解释及跨队列验证评估轨迹的预测价值与可推广性。研究结论表明，肌力与步速的不利联合轨迹与无基线ADL受损中老年人新发糖尿病风险升高强相关，该关联在四个独立纵向队列中一致存在，提示纵向监测肌力与步速可补充传统代谢风险评估，有助于识别需要更密切糖尿病监测的老年人。
**主要技术方法**
研究整合HRS（美国，第8波为基线）、ELSA（英国，第2波）、SHARE（欧洲，第1波）和CHARLS（中国，第1波）四个队列，最终分别纳入2600、3043、1533和3550名参与者；步速采用8英尺（CHARLS为2.5米）步行测试，肌力采用双手握力最大值之和。核心方法包括：基于组的轨迹建模（GBTM）识别联合轨迹；IPTW校正的Cox比例风险模型及Fine–Gray竞争风险模型、离散时间logistic回归、分层分析；基于MLR3框架的9种机器学习算法及120种Stacking组合、SHAP解释、校准曲线与决策曲线分析（DCA），并以HRS+ELSA为训练集、SHARE为验证集、CHARLS为测试集进行跨队列验证。
**研究结果**
基线特征：四个队列随访期间分别发生341、265、170和448例新发糖尿病，各队列糖尿病组在年龄、性别、BMI、高血压、体力活动等方面呈现队列特异性差异。
肌力与步速联合轨迹与新发糖尿病风险的关联：GBTM在各队列识别出不同联合轨迹模式。以"高水平下降与低水平稳定"组为参照，HRS中"低水平下降与低水平上升"组校正HR = 4.17（95% CI：3.10–5.61），ELSA为3.85（2.55–5.79），SHARE为3.38（2.25–5.06）；CHARLS以"高水平下降与低水平下降"为参照，"低水平下降与高水平下降"组校正HR = 2.60（1.87–3.61），均有统计学意义。IPTW校正Kaplan–Meier曲线显示各队列轨迹组间无糖尿病累积概率差异显著（log-rank检验均p < 0.001）。单一维度轨迹与糖尿病的关联有限且不一致，而联合轨迹关联更为一致。
机器学习模型的特征选择：VIF均小于3、相关系数均低于0.9，无变量因共线性被剔除；LASSO与Boruta交集保留最终特征（如HRS剔除髋部骨折、ELSA剔除髋部骨折并将种族列为"待定"、SHARE剔除种族、CHARLS剔除癌症）。
机器学习模型的构建与评价：在验证集中，HRS以随机森林、ELSA以AdaBoost、SHARE以朴素贝叶斯、CHARLS以CatBoost的单一模型判别最优；Stacking集成在各人群中一致优于单一模型，最优组合分别为HRS的AdaBoost+RF+SVM、ELSA的AdaBoost+DT+LightGBM+CatBoost、SHARE的AdaBoost+XGBoost、CHARLS的RF+LightGBM+NaiveBayes+CatBoost。
基于SHAP的最优模型解释：联合肌力与步速轨迹在多个队列中对模型预测有贡献；力图和瀑布图显示纳入个体特征后预测概率明显上升（如HRS由0.357升至0.544，ELSA由0.336升至0.776）。
校准性能与临床效用：等渗回归校准后预测与观察风险最接近，DCA显示重新校准的Stacking模型在广泛阈值概率范围内净临床获益优于单一模型及"全部治疗""不治疗"策略。
敏感性分析：Fine–Gray竞争风险模型中，HRS、ELSA、SHARE不利轨迹组校正sHR分别为3.88、3.37和3.18，CHARLS为2.47，均p < 0.001；离散时间logistic回归中相应校正OR分别为4.30、4.20、4.93和4.88，均p < 0.001；分层分析显示各年龄、性别等亚组关联方向总体一致（SHARE中≤70岁组未达统计学意义）；跨队列验证中AdaBoost+NaiveBayes+SVM在外部测试集表现最优。
**讨论与结论**
讨论指出，肌力与步速同时下降与糖尿病的关联具有多重生物学机制：骨骼肌是葡萄糖处置的主要部位，年龄相关肌力下降常伴随肌量减少、II型纤维萎缩、线粒体功能障碍及细胞内胰岛素信号受损，导致外周葡萄糖利用下降和胰岛素抵抗；肌功能恶化还与慢性低度炎症（"炎症衰老"）、氧化应激和异位脂质蓄积（肌脂肪变性）相关；步速则整合下肢功能、神经肌肉协调、心肺储备与整体生理韧性。研究将"整合功能轨迹"概念化为一种独特衰老表型，弥补了既往静态测量的不足。跨队列差异可能与年龄分布、种族背景、社会经济状况、代谢特征、步速测量方案、随访时长及医疗体系与糖尿病检出实践不同有关，效应量的差异不应被解读为优劣，关键在于关联方向的一致性。研究优势包括多国代表性队列、重复测量提高暴露评估准确性、IPTW减少混杂及多种敏感性分析验证稳健性；局限性包括观察性设计不能确立因果、糖尿病主要经医生诊断或自我报告识别且缺乏空腹血糖或HbA1c等生物标志物、队列间测量异质性、未直接合并各队列风险比、选择偏倚以及机器学习模型尚未进行前瞻性时间验证。结论部分译为：总之，在基线无ADL受损的中老年人群中，肌力与步速的不利联合轨迹与新发糖尿病风险升高强相关；该关联在涵盖不同地理和人口背景的四个独立纵向队列中一致观察到，而效应量和轨迹结构因人群而异；通过结合机器学习与可解释人工智能，本研究凸显了追踪肌功能随时间动态变化的预测价值，纵向监测肌力与步速可补充传统代谢风险评估，有助于识别可能受益于更密切糖尿病监测的老年人。
