基于中医体质与常规健康指标整合的肌少症可能老年人群轻度认知障碍风险分层模型构建与验证：一项多中心横断面研究

《Frontiers in Public Health》：Development and validation of a risk stratification model for mild cognitive impairment among older adults with possible sarcopenia integrating traditional Chinese medicine constitution: a multicenter cross-sectional study

　　

： 背景： 可能的肌少症（possible sarcopenia）与老年人认知障碍相关，而轻度认知障碍（mild cognitive impairment, MCI）是早期识别的重要窗口。现有的MCI评估方法可能依赖神经影像学、基因检测或生化标志物，限制了其在大规模筛查中的应用。中医体质（Traditional Chinese Medicine, TCM constitution）可能提供个体生理和功能特征的可及信息，但很少被纳入MCI风险分层。 目的： 构建并验证一种基于机器学习（machine learning）的风险分层模型，整合中医体质与常规健康相关指标，用于肌少症可能老年人中的MCI识别。 方法： 这项多中心横断面研究纳入了来自中国十家三级医院的3,310名肌少症可能老年人，以及一个独立的单中心外部验证样本（314名参与者）。结局为基于预设蒙特利尔认知评估（Montreal Cognitive Assessment, MoCA）标准的筛查定义的可能的MCI。在按7:3分层训练-内部验证划分后，仅在训练数据中估计数据依赖的预处理参数和最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）特征选择。采用预设设置拟合多层感知器（multilayer perceptron, MLP）、梯度提升决策树（gradient boosting decision tree, GBDT）、支持向量机（support vector machine, SVM）、K近邻（K-nearest neighbors, KNN）、逻辑回归（logistic regression）和AdaBoost模型，并使用判别力、分类性能、校准和决策曲线指标进行评估。Shapley加性解释（SHapley Additive exPlanations, SHAP）仅用于描述对模型输出的贡献。 结果： 保留了七个特征：教育程度、性别、智能手机使用、匹兹堡睡眠质量指数（Pittsburgh Sleep Quality Index, PSQI）评分、患者健康问卷-9（Patient Health Questionnaire-9, PHQ-9）评分、气虚体质和湿热体质。MLP显示出最高的内部判别力，AUC为0.853（95% CI：0.827–0.878）；其在外部样本中的AUC为0.799（95% CI：0.773–0.823）。内部和外部Brier评分分别为0.168和0.151，校准截距分别为?0.07和0.18，校准斜率分别为0.80和1.07。SHAP分析对特征贡献进行排序，未作因果解释。 结论： 该横断面筛查框架整合了中医体质与常规指标，用于对肌少症可能老年人中当前筛查定义的可能的MCI概率进行分层。单中心外部评估仅支持有限的迁移性；在临床实施前需进行前瞻性多中心评估，并在必要时进行再校准。

论文解读文章

一、研究背景与问题

轻度认知障碍（mild cognitive impairment, MCI）被认为是正常认知老化与痴呆之间的重要中间阶段，但临床病程具有异质性。美国神经病学学会指南报告，14.4%–55.6%的MCI个体在随访期间恢复至正常认知，而部分个体仍处于后续认知衰退的风险之中。非药物管理通常包括体育锻炼和认知训练，芬兰老年干预研究（FINGER）也证明了营养指导、体育活动、认知训练和血管风险监测综合项目的认知获益。然而，现有的MCI相关分层方法可分为五类：仅人口学模型、基于认知的模型、健康变量模型、遗传信息模型以及整合人口学、健康和生活方式的多元模型。部分方法纳入了MRI脑测量和遗传特征等信息，虽然科学上有价值，但其设备、程序和技术要求可能限制其在大规模社区筛查中的应用。此外，现有MCI风险分层模型很少纳入中医体质（TCM constitution）这一可及的人群水平表型。既往研究报道了中医体质特征与认知状态之间的横断面关联，如阳虚质、痰湿质和血瘀质与MCI状态的关联。一项纵向研究报告，肌少症（sarcopenia）参与者中MCI发病率为24.2%，支持两者之间的流行病学关联。因此，本研究旨在识别这一优先筛查人群，通过整合临床评估（如睡眠质量和抑郁症状评分）和社会决定因素（如教育程度和数字设备使用），并纳入中医体质特征作为个体化且可及的健康指标，构建MCI风险分层模型。

二、研究设计与核心方法

研究人员开展了一项多中心横断面研究，纳入2021年1月至2023年12月期间来自中国十家老年医学和整合医学三级医院的3,310名符合2019年亚洲肌少症工作组（AWGS 2019）可能肌少症标准的老年人（平均年龄70.6±7.7岁），以及来自河南中医药大学单中心的314名独立外部验证样本。握力采用香山牌机械式握力计测量，认知功能采用中国长沙版蒙特利尔认知评估（MoCA）7.1版评估，中医体质采用王琦中医体质分类问卷（CCMQ）评估。研究将MoCA评分18至<26（含两个记录为25.5分的记录）定义为筛查定义的可能的MCI，评分<18者被排除。分析数据集按筛查定义的MCI状态进行7:3分层随机划分（随机种子42），所有数据依赖的预处理均限于训练数据。最小绝对收缩与选择算子（LASSO）回归仅在训练数据内进行特征选择，惩罚参数通过训练集内分层10折交叉验证的一倍标准误规则选择（λ=0.026）。随后将所选特征输入六种机器学习分类模型：多层感知器（MLP）、梯度提升决策树（GBDT）、支持向量机（SVM）、K近邻（KNN）、逻辑回归和AdaBoost，使用预设设置拟合。判别力和基于阈值的分类通过ROC AUC、准确率、灵敏度、特异性和F1分数汇总，校准通过Brier评分、校准截距和校准斜率汇总，决策曲线分析（DCA）量化阈值概率范围内的潜在净获益，Shapley加性解释（SHAP）值仅描述特征对模型输出的贡献方向与大小。

三、研究结果

3.1 组间比较： 共纳入3,310名肌少症可能老年人，其中2,297名（69.38%）符合基于MoCA的筛查定义可能的MCI，1,013名（30.62%）为正常认知。在23个分析特征中，性别、教育水平、药物和食物过敏史、智能手机使用、电脑使用、匹兹堡睡眠质量指数（PSQI）评分、患者健康问卷-9（PHQ-9）评分、平和质和湿热质存在显著组间差异（P<0.05）。可能的MCI高比例反映了所选的肌少症可能老年人三级医院样本，不应解释为人群患病率。

3.2 特征选择： LASSO分析从初始23个变量中保留了7个用于横断面可能的MCI分层特征：教育程度、智能手机使用、性别、湿热质、气虚质、PSQI评分和PHQ-9评分。年龄未被保留，但在强制纳入年龄的敏感性模型中，内部验证AUC从0.853增至0.877（+0.024）。排除智能手机使用使内部验证AUC降至0.843（?0.010），且未改变其余保留特征集。

3.3 MCI风险分层模型的构建与评估： 在内部验证中，MLP显示出最高判别力，AUC为0.853（95% CI：0.827–0.878），比较模型的AUC分别为GBDT 0.807、SVM 0.807、KNN 0.796、逻辑回归0.740和AdaBoost 0.749。配对bootstrap差异均有利于MLP。MLP的准确率为0.791，灵敏度为0.819，特异度为0.729，F1分数为0.845。在独立单中心外部验证样本（n=314）中，MLP AUC为0.799（95% CI：0.773–0.823）。内部Brier评分、校准截距和校准斜率分别为0.168、?0.07和0.80，外部对应值分别为0.151、0.18和1.07。在预设的增量价值分析中，不含中医体质指标的常规MLP模型AUC为0.685，而扩展模型AUC为0.853，配对AUC差异为0.166（95% CI：0.135–0.196），Brier评分配对差异为?0.008（95% CI：?0.013至?0.003），有利于扩展模型。DCA显示扩展模型在每个报告阈值处均具有比常规模型更高的净获益。

3.4 SHAP分析： SHAP分析将特征对拟合MLP输出的贡献排序为：教育程度>性别>PHQ-9评分>PSQI评分>智能手机使用>气虚质>湿热质。这些SHAP值解释的是拟合模型的输出，不建立因果效应或独立风险因素。

四、讨论与结论

研究人员指出，女性中可能的MCI比例高于男性（75.5% vs. 65.4%），与既往中国老年人人群证据一致。总体可能的MCI比例为69.4%，高于人群估计值，不应推广至社区患病率，这与三级医院招募和限制于肌少症可能老年人有关。低教育程度作为重要特征被保留，与认知储备概念一致。智能手机使用者被归类为可能的MCI的可能性较低，但研究人员强调这不应被解释为数字设备使用可预防认知障碍，更好的当前认知或功能状态可能使设备使用成为可能，且获取和社会经济因素可能混杂该关联。较高的PSQI和PHQ-9评分与较高的模型分配的可能MCI概率相关。气虚质和湿热质被保留在MLP中，在500次重采样训练集稳定性分析中，湿热质在493次（98.6%）中被选择，而气虚质仅在169次（33.8%）中被选择，表明湿热质具有高选择稳定性，气虚质结果较不稳定。MLP因最高内部AUC和统计学上更高的配对AUC而被保留为主要研究模型，但研究人员强调模型选择不能仅依赖AUC，需结合校准、DCA、计算复杂度和输入采集可行性。外部AUC从内部的0.853降至0.799，提示迁移性损失，外部校准截距0.18提示对结局概率的适度低估，在应用于其他场景前可能需要再校准，但本研究未进行再校准。研究局限性包括横断面设计无法进行因果推断、结局为筛查定义而非临床诊断、三级医院招募限制适用性、外部队列仅含314名单中心参与者、自我报告变量可能存在报告偏倚和反向因果、完整病例分析可能引入选择偏倚，以及未评估完全嵌套交叉验证设计和未估计乐观校正AUC。结论指出，该研究开发了一个可解释的横断面机器学习框架，用于对肌少症可能老年人中当前筛查定义的可能的MCI概率进行分层；纳入中医体质指标与更高的判别力和更低的Brier误差相关，但其增量价值需外部确认；单中心外部评估仅支持有限的迁移性，在考虑将该框架用于多步筛查路径之前，需进行前瞻性多中心研究评估校准、操作阈值和临床后果。