《Frontiers in Physiology》：Structured multifrequency segmental bioimpedance descriptors for diabetes screening support
编辑推荐：
背景：基于血液的检测仍是识别糖尿病（diabetes mellitus, DM）的标准方法，但可重复的非侵入性方法可能对筛查支持具有价值。生物电阻抗分析（bioelectrical impedance analysis, BIA）可捕捉与代谢健康相关的身体成分
背景：基于血液的检测仍是识别糖尿病（diabetes mellitus, DM）的标准方法，但可重复的非侵入性方法可能对筛查支持具有价值。生物电阻抗分析（bioelectrical impedance analysis, BIA）可捕捉与代谢健康相关的身体成分、水合状态及生物电特性。然而，既往研究大多聚焦于分析仪衍生的身体成分变量或单一参数（如相位角），而多频率节段阻抗响应尚未被系统地表征以用于筛查支持应用。本研究旨在利用结构化描述符对多频率节段BIA响应进行计算表征，并评估其在概念验证筛查支持框架内识别既往已诊断DM状态的潜力。
方法：研究人员开发了一种基于ExtraTrees的分类框架来区分既往已诊断的DM状态。在嵌套交叉验证框架内进行特征选择、输入维度确定和模型优化，并使用汇集的外折（out-of-fold, OOF）预测评估性能。除了人口统计学和设备衍生的身体成分变量外，研究人员还构建了440个基础BIA描述符，涵盖幅度与离散度、相位角、Cole与阻抗几何、曲线形状与耦合以及区域模式信息。研究人员还开发了频率区间和可靠性加权区间描述符，以表征多频率阻抗幅度响应中的区间特异性变化及其与拟合频率响应趋势的局部一致性。模型性能通过受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUROC）和平均精度（average precision, AP）评估，同时结合校准和阈值依赖性指标。
结果：在2,745名年龄47–90岁、主要来自老年队列的参与者中评估，ExtraTrees模型达到了AUROC为0.8336（95% CI，0.8138–0.8523）和AP为0.6754（95% CI，0.6395–0.7092）。完整的描述符配置显示出最高的总体区分度，尽管与新开发的频率区间和可靠性加权描述符相关的增量增益较小。这两个描述符组合计约占汇集OOF SHAP贡献的35.1%，与其互补而非主导的预测作用一致。
结论：本研究证明了使用结构化多频率节段BIA衍生描述符区分既往已诊断DM状态的可行性。新开发的描述符提供了互补的预测信息，尽管其判别能力的增量改善有限。这些发现为未来使用同期血液检测定义的结果在适当招募人群中评估BIA辅助筛查提供了方法学基础。
糖尿病（diabetes mellitus, DM）是一种慢性代谢性疾病，可导致微血管和大血管并发症，其患病率随年龄增长显著升高，因此老年人群的早期识别和管理尤为重要。目前DM的确定诊断仍依赖空腹血糖、糖化血红蛋白（glycated hemoglobin, HbA1c）等血液检测，但可重复、非侵入性的筛查支持手段可能具有实用价值。生物电阻抗分析（bioelectrical impedance analysis, BIA）可无创地反映身体成分、水合状态和组织生物电特性，这些特性与DM相关的脂肪肌肉分布、体液平衡和细胞状态改变有关。既往研究多集中于单一BIA参数，如相位角（phase angle, PhA）或某些身体成分指标，并报道了其与DM的关联；然而，多频率节段阻抗响应尚未被系统转化为结构化描述符并评估其总体预测价值。因此，本研究旨在构建结构化多频率节段BIA描述符，并在概念验证框架中评估其对已诊断DM状态的判别能力，以期为未来BIA辅助筛查研究提供方法学基础。
研究人员利用2,745名47–90岁参与者的数据（来自韩国光州阿尔茨海默病及相关痴呆队列研究中心，2019–2022年采集），基于仰卧位InBody S10多频率节段BIA测量，构建了人口统计学（Dd）、设备衍生身体成分（Ds）、基础BIA描述符（Db）以及新提出的频率区间描述符（Df）和可靠性加权区间描述符（Dr）共744个候选特征。采用极端随机树（ExtraTrees）分类器、嵌套交叉验证和SHAP可解释性分析，对已诊断DM状态进行判别建模。结果显示，ExtraTrees模型取得了0.8336的受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUROC）和0.6754的平均精度（average precision, AP），表明结构化BIA描述符可以以可重复的方式区分已诊断DM状态，但新描述符的增量改善有限，主要提供互补信息。这些发现为后续在独立人群中采用血液检测定义的结局评估BIA辅助筛查奠定了方法学基础。
研究人员利用InBody S10在仰卧位测量五个身体节段在六个频率（1、5、50、250、500、1,000 kHz）的阻抗幅度和三个频率（5、50、250 kHz）的电抗。在人口统计学和设备衍生的身体成分变量基础上，构建了440个基础BIA描述符（涵盖幅度与离散度、相位角、Cole和阻抗几何、曲线形状与耦合、区域模式），并新提出180个频率区间描述符（基于阻抗拟合曲线计算各频率区间的斜率与阻抗降）和105个可靠性加权区间描述符（根据拟合残差对区间指标加权）。样本来自韩国光州阿尔茨海默病及相关痴呆队列研究中心，共2,745名参与者。分类采用ExtraTrees算法，在嵌套交叉验证中分别完成特征排序、输入维度选择和超参数优化，汇集外折预测评估性能，并用SHAP（SHapley Additive exPlanations）值分析描述符贡献。
**研究人群特征**：在2,745名参与者中，557名（约20.29%）为DM阳性。与阴性组相比，DM阳性组的平均年龄更高（差1.34岁）、男性比例更高、身高和体重更高，各项人口学特征的组间差异均有统计学意义（p<0.001）。这些分析仅用于人群描述，未参与特征选择或建模。
**约简描述符表征的稳定性与特征**：完整描述符空间包含744个候选特征，模型在五个外折中平均选择约210个特征（约28.2%）。以全局SHAP重要性最高的100个描述符分析，80个在所有五个外折中均被选入，95个至少被四个外折选入。新开发的Df和Dr描述符中，32个进入前100的有27个在全部外折被选。这表明约简表征在特征纳入层面具有跨外折可重复性，但各特征的相对排序并不完全固定。组水平上，Df和Dr合计占所选特征集的约39.4%，与其在候选池中的占比（38.3%）大致相当，未显示优先富集。
**新开发描述符提供的增量信息**：通过比较不同描述符组合的判别性能发现，仅使用Dd+Ds时AUROC为0.8050；加入Db后升至0.8242；全配置（Dd+Ds+Db+Df+Dr）达到最高AUROC 0.8336和AP 0.6754。配对差异分析显示，全配置相对Dd+Ds+Db的ΔAUROC为0.0094（95%CI 0.0026–0.0164），提示Df和Dr提供了统计学上可检测的增量信息；但相对Dd+Ds+Db+Df的差异不显著。固定为250个特征时，总体模式仍保持一致。因此，新描述符对判别力的改善幅度较小。
**稳定描述符的预测贡献与生物电特征**：SHAP组水平分析显示，Db的相对绝对贡献最大（折叠均值FAS=0.536），Df为0.221，Dr为0.130，Dd和Ds分别为0.055和0.058。Df和Dr合计约35.1%的汇集OOF SHAP贡献，同样与其候选池比例接近。在前20个高排名描述符中，预测贡献分布于多个生物电维度，而非集中于单一特征。前15个Df/Dr描述符中，11个源自躯干，9个与250–1,000 kHz高频段相关，且多为区间斜率或阻抗降（包括可靠性加权形式）。这表明新描述符主要捕捉躯干高频段阻抗响应的形态和一致性。
**主要ExtraTrees分类器性能**：基于池化OOF预测，ExtraTrees分类器取得AUROC 0.8336（95%CI 0.8138–0.8523）、AP 0.6754（95%CI 0.6395–0.7092），折间AUROC范围为0.797–0.866，判别力中度且稳定。校准分析显示Brier分数（Brier score, BS）为0.1036，校准截距（calibration intercept, CAI）为?0.1034，校准斜率（calibration slope, CAS）为0.9806，校准曲线总体贴近理想对角线。默认阈值0.5时敏感性为0.3627，特异性为0.9945；按最大平衡准确率（balanced accuracy, BACC）阈值优化后敏感性升至0.6804，特异性降至0.7683；按最大F1阈值优化后敏感性为0.5530，特异性为0.8921。说明模型总体判别良好，但分类偏保守。
**分类器敏感性分析**：在相同的嵌套框架中分别独立评估了随机森林（random forest, RF）、LightGBM、XGBoost和弹性网络Logistic回归（elastic-net logistic regression, ELR）。ExtraTrees的AUROC最高（0.8336），RF次之（0.8243），LightGBM和XGBoost分别为0.8048和0.8012，ELR最低（0.6644，AP=0.3370）。树集成模型明显优于线性模型，提示描述符与DM状态之间的关系包含非线性成分；同时ExtraTrees的校准性能最好。这说明模型性能对分类器选择有一定敏感性，但树集成框架总体稳健。
讨论部分指出，高度排序的描述符在跨外折特征纳入上具有可重复性，但相对排名不稳定；新开发的Df和Dr描述符可重复进入多变量表征，但其选择比例和SHAP贡献与其在候选池中的比例相符，并未构成主导信息。躯干及高频段阻抗响应描述符的反复出现提示多频率BIA的频率响应形态可能携带与组织成分、体液分布和细胞电特性相关的信息，但不应直接解释为特定生理隔室的量化。研究还强调，模型识别的是与已诊断DM相关的身体成分和生物电模式，而非血糖本身，且存在以下局限：DM状态基于自我报告，不包括未诊断DM；无DM亚型、治疗及病程信息；队列来自痴呆相关项目，存在选择偏倚；单设备、单中心、内部验证且缺乏外部队列。
研究结论：既往研究已报道BIA衍生参数与DM之间的关联，但基于此类信息定量评估DM筛查性能的研究仍有限。为填补这一空白，本研究部分扩展并系统整理了既往提出的BIA衍生参数，开发了一种基于多频率、节段BIA描述符的DM筛查框架，并在2,745名参与者的相对较大数据集中进行了评估。结果，基于ExtraTrees的分类模型在汇集OOF预测中显示出良好的判别性能，AUROC为0.8336，AP为0.6754。完整描述符配置取得了最高的总体判别度，尽管新构建的Df和Dr带来的增量改善有限。高排名的Df和Dr描述符在外折特征选择中被反复保留，且这两个描述符组参与了SHAP预测归因，支持其作为互补预测信息的角色，而非显著性能优势的证据。所提出的模型并不旨在替代常规DM诊断检测；相反，本研究证明结构化多频率节段BIA描述符可以提供与既往已诊断DM相关的生物电模式的可重复且互补的表征。然而，其识别未诊断DM个体的能力仍有待确定，因为本研究的发现来自单一队列的内部验证，且DM状态由既往已诊断疾病定义，而非采用同期血液检测标准。因此，本框架为未来在独立招募人群中使用同期血液检测定义的结局评估BIA辅助筛查提供了方法学基础。未来研究还应评估其在不同BIA设备和测量方案下的稳健性。
