利用可解释的机器学习技术和SHAP（Shapley Additive Explanations）方法评估动态性腹部肥胖作为中风风险预测因子的作用：一项前瞻性队列研究

《Vascular Health and Risk Management》：Using Interpretable Machine Learning with SHAP to Assess Dynapenic Abdominal Obesity as a Stroke Risk Predictor: A Prospective Cohort Study

　　**摘要**
背景：中风是全球范围内导致死亡和残疾的主要原因之一，尤其是在中国，这一负担尤为严重。虽然无力型腹部肥胖（DAO）与不良的心脏代谢结果相关，但其与中风风险之间的关系仍不清楚。我们使用可解释的机器学习方法，在一个具有全国代表性的中国中老年人队列中研究了DAO是否可以预测中风。

**方法**
我们分析了来自“中国健康与退休纵向研究”（China Health and Retirement Longitudinal Study）的前瞻性数据，该研究包括11,207名45岁及以上的参与者。无力型定义为握力≤28公斤（男性）/≤18公斤（女性）；腹部肥胖定义为腰围≥90厘米（男性）/≥80厘米（女性）。中风事件通过自我报告的医生诊断来确定。我们采用了逻辑回归、亚组分析、多种机器学习模型以及Shapley加性解释（SHAP）方法来评估这种关联并检验其稳健性。

**结果**
在4年的随访期间，有210名（1.9%）参与者发生了中风。无力型与中风风险增加显著相关（调整后的OR = 1.58，95% CI：1.21–2.06）。亚组分析显示所有亚组中的关联一致（所有交互作用p值>0.05）。XGBoost模型的预测性能最高（AUC = 0.92，准确率 = 0.84）。SHAP分析将无力型列为第四重要的预测因素，排在年龄、BMI和居住地之后。

**结论**
无力型与中风风险增加独立相关，可解释的机器学习模型进一步支持了其作为预测因子的潜力。保持肌肉力量和管理腹部肥胖可能有助于降低老年人的中风风险。这些发现表明无力型可能是一个潜在的中风风险标志物。在提出任何筛查或干预建议之前，需要进一步的研究，包括外部验证和实施研究。

**关键词**：无力型腹部肥胖；中风；中国健康与退休纵向研究；CHARLS；机器学习；Shapley加性解释

**引言**
中风是一种主要的神经系统疾病，导致全球范围内的死亡和残疾。世界卫生组织报告每年约有1500万新病例，其中三分之一导致死亡，另外三分之一导致残疾。据《柳叶刀·神经病学》估计，如果没有有效的干预措施，到2050年全球中风死亡人数可能达到970万，经济损失高达2.3万亿美元。中国是中风负担最重的国家之一。全球疾病负担数据显示，2021年中国有409万新中风病例，且年轻人群中的发病率正在上升。这些数据强调了针对可改变风险因素的筛查的必要性，特别是在高风险群体中。无力型腹部肥胖（DAO）是指肌肉力量丧失（无力型）和腹部肥胖（内脏脂肪组织积累）同时存在的情况。最近的研究将DAO与身体功能障碍和不良结果联系起来，包括认知衰退、跌倒、抑郁症状和死亡率增加。每个组成部分都独立增加了心血管风险。更大的肌肉力量与中年和老年人中风风险降低相关，而腹部肥胖是公认的心血管疾病风险因素。尽管存在这些生物学联系及其组成部分的个体风险，但关于DAO与中风发生之间直接流行病学证据的有限性和不一致性仍然存在。一些横断面研究（如一项针对巴西老年人的研究）未发现DAO与自我报告的中风之间存在显著关联，可能是由于设计限制。相比之下，英国老龄化纵向研究显示基线时中风的患病率较高，且DAO与心血管死亡风险增加有关，尽管未具体评估中风的发生情况。一项日本的前瞻性队列研究报道，DAO个体的中风风险显著增加，这表明需要进一步研究。值得注意的是，使用CHARLS数据的研究发现DAO与心血管疾病风险之间存在关联，但此类方法可能无法捕捉复杂的非线性关系。这些不一致性和方法学限制凸显了知识上的空白。

**机器学习在流行病学研究中的应用**
机器学习模型在识别变量之间的复杂模式和非线性关系方面非常有效。然而，其可解释性有限，从而限制了实证研究和临床决策中的结果推广。Shapley加性解释（SHAP）是一种领先的可解释人工智能（XAI）技术，可以量化每个特征对模型预测的贡献，解决了模型构建后的可解释性挑战。通过结合机器学习和SHAP，本研究使用CHARLS队列数据探讨了DAO与中风之间的关联，旨在促进大脑健康和健康老龄化。

**研究方法**
**研究人群**
CHARLS是一个具有全国代表性的队列研究，采用多阶段概率抽样设计来研究中国的社会经济决定因素和老龄化后果。2011年的基线调查包括17,708名参与者，随后在2013年、2015年、2018年和2020年进行了后续调查。参与者来自28个省份的450个村庄，年龄在45岁及以上。经过培训的访谈者通过计算机辅助的个人访谈收集数据，涵盖人口统计特征、健康状况、功能能力、社会经济条件和退休信息。研究设计和方法的详细描述已先前发表。由于本研究使用了公开可用的、去标识化的CHARLS数据，南昌大学第一附属医院伦理委员会确认无需额外的伦理批准。根据中国2023年2月18日发布的《涉及人类受试者的生命科学和医学研究伦理审查措施》第32条的规定，本研究免于伦理审查。本研究使用了CHARLS第1波（2011年）和第3波（2015年）的数据。纳入标准为：年龄45岁及以上，具有完整的握力、腰围和中风状态的数据，无中风病史，并且在2015年有中风记录。最终样本包括11,027名参与者。

**中风评估**
通过询问“医生是否曾诊断您患有中风？”来评估参与者的中风状态。阳性回答表示有医生确认的中风史。虽然这种方法在大型队列研究中很常见，但它容易受到回忆偏差和误分类的影响。CHARLS还通过出院访谈收集住院原因和死因数据，但这些数据依赖于自我报告或代理报告，缺乏独立的医疗记录验证，并且也存在类似的回忆和数据缺失问题。因中风住院并不一定意味着发生了中风，死因数据仅反映致命病例。因此，这些辅助变量不能作为诊断的金标准，不能用来严格验证或重新分类自我报告的中风结果。由于这些限制，我们没有使用这些来源进行定量敏感性分析。

**无力型评估**
使用WL-1000手持测力计（江苏南通跃健健身测试设备有限公司）测量参与者的握力（单位：公斤）。在访谈者的指导下，每位参与者站立进行测试，每只手各进行两次尝试，交替使用主导手和非主导手，并在测量过程中得到标准化的口头鼓励。每次尝试时，测力计保持90°角度，持续施加最大力量几秒钟。记录每只手的最高值，并取这两个最大值的平均值用于分析。无力型的定义是男性握力≤28公斤，女性≤18公斤。

**腰围评估**
使用标准卷尺测量参与者的腰围（单位：厘米）。在访谈者的指导下，每位参与者站立时将卷尺水平放置在脐部周围。测量在正常呼气结束时进行，参与者暂时屏住呼吸以确保一致性。根据世界卫生组织的标准，腹部肥胖定义为男性腰围≥90厘米，女性≥80厘米。同时满足无力型和腹部肥胖条件的参与者被归类为DAO。所有参与者根据其DAO状态分为四组：无无力型和无腹部肥胖（ND/NAO）、无无力型但有腹部肥胖（ND/AO）、无力型但无腹部肥胖（D/NAO）以及无力型且有腹部肥胖（D/AO）。

**协变量评估**
在结构化访谈中收集了人口统计特征（年龄、性别、婚姻状况、居住地（农村/城市）和教育水平（文盲/初中及以下/高中及以上）以及健康相关因素（生活方式行为（非吸烟者/吸烟者、非饮酒者/饮酒者）和医疗史（自我报告的高血压、血脂异常、糖尿病、癌症和心脏病）的数据。BMI计算为体重（公斤）除以身高（米）的平方。

**统计分析**
正态分布的连续变量以均值±标准差表示，偏态分布的变量以中位数（四分位数范围）表示。使用单因素方差分析评估正态分布数据的组间差异，使用Mann–Whitney U检验评估非正态分布数据的组间差异。分类变量以频率和百分比表示，当预期单元计数较小时使用卡方检验或Fisher精确检验进行组间比较。

**DAO与中风关联的分析**
使用二元逻辑回归分析评估DAO与中风之间的关联。首先使用未调整模型估计粗略的比值比（OR），然后使用多变量调整模型计算调整后的OR和95%置信区间（CI）。根据文献回顾和临床相关性选择调整变量。为了评估未测量混杂因素的影响，进行了E值敏感性分析。E值表示未测量混杂因素需要与DAO和中风同时存在才能解释观察到的关联的最小关联强度。

**亚组分析和交互作用测试**
为了评估DAO与中风关联在人群亚组中的稳健性，我们进行了预先指定的亚组分析。分层使用的变量包括性别（男性/女性）、高血压（是/否）、高脂血症（是/否）、糖尿病（是/否）、心脏病（是/否）、吸烟状况（吸烟者/非吸烟者）和饮酒状况（饮酒者/非饮酒者）。使用似然比检验评估DAO与每个亚组变量之间的交互作用显著性。

**基于预测机器学习模型的分析**
为了比较传统统计方法和机器学习算法的预测性能，将数据集随机分为训练集（70%）和测试集（30%）。使用训练集开发了六个模型：分类提升（CatBoost）、极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）、朴素贝叶斯、强化微调和支持向量机。在训练集上使用五折交叉验证评估最佳模型的性能。使用接收者操作特征（ROC）曲线、决策曲线分析（DCA）和精确度-召回率（PR）曲线评估模型性能。关键指标包括准确率、精确度、召回率和F1分数。我们根据模型的稳健性、可解释性和临床相关性选择了机器学习算法。为了确保结果反映稳定模式而非特定算法的伪影，我们使用了多种模型，包括集成方法（CatBoost、XGBoost、LightGBM）、支持向量机、朴素贝叶斯和强化微调。从一开始就选择了XGBoost，因为它在处理表格数据方面表现优异，具有抗过拟合的能力，并且与SHAP兼容，后者支持临床研究所需的可解释性。尽管有深度神经网络和变换器等新架构，但它们需要更大的数据集且可解释性较差，因此不太适合我们的目标——透明、基于证据的DAO作为风险预测因子的评估。我们的比较显示，所选算法（尤其是XGBoost）表现出出色的预测性能，支持了我们的方法学选择。

**模型输出解释和特征重要性分析**
使用SHAP值解释表现最佳的机器学习模型的预测结果。计算平均绝对SHAP值以排名特征重要性，从而识别出中风风险分类中最有影响力的预测因子。

**统计软件和显著性水平**
统计分析使用R软件（版本4.5.1；R Foundation for Statistical Computing，奥地利维也纳）、IBM SPSS Statistics（版本25.0；IBM公司，美国阿蒙克）和Python（版本3.8.2；Python Software Foundation）进行。所有假设检验均为双侧检验，显著性水平设定为α = 0.05。

**结果**

**基线特征**
共有11,207名参与者被纳入最终分析。其中，620人（5.5%）属于D/AO组，4,701人（41.9%）属于ND/NAO组，763人（6.8%）属于D/NAO组，4,943人（44.1%）属于ND/AO组。四组的基线特征见表1。所有变量在各组间存在显著差异（p < 0.05）。

**表1 参与者特征**
下载CSV
显示表格

**DAO与中风之间的关联**
在4年的随访期间，有210人（1.9%）发生了中风。ND/NAO组的中风发生率为1.57%，D/NAO组为3.15%，D/AO组为3.55%（p < 0.001）。逻辑回归结果见表2。在未调整的模型中，D/AO组的中风风险显著高于ND/NAO组（OR = 2.323；95% CI, 1.882–2.859；p < 0.001）。即使在调整了人口统计学、医学和生活方式因素后，这种关联仍然显著（OR = 1.578；95% CI, 1.209–2.057；p < 0.001）。点估计的E值为2.54，95% CI下限的E值为1.71。D/NAO和ND/AO状态在未调整和调整后的模型中都与中风显著相关（所有p < 0.05）。

**表2 DAO与中风之间的逻辑回归分析（OR，95% CI）**
下载CSV
显示表格

**亚组与中风的关联**
亚组分析显示，在所有分层人群中，DAO与中风之间存在一致的关联。未观察到显著的交互作用（表3）。

**表3 亚组与中风的关联（OR，95% CI）**
下载CSV
显示表格

**机器学习模型性能**
机器学习模型预测中风风险的性能总结见表4。XGBoost模型具有最高的曲线下面积（AUC），表明其具有更好的区分能力。DCA展示了其良好的临床适用性，校准图显示预测概率和观察概率之间有很好的一致性。PR曲线分析证实了该模型在训练集和测试集上的最佳性能。总体而言，XGBoost模型优于其他模型，并被选为表现最佳的模型（图2）。

**表4 机器学习模型预测中风的性能比较**
下载CSV
显示表格
**图2 机器学习综合分析。**
(A). 训练集的ROC曲线和AUC（CatBoostTRAIN: AUC = 0.908, LGBMTRAIN: AUC = 0.942, NBTRAIN: AUC = 0.61, RFTRAIN: AUC = 0.722, SVMTRAIN: AUC = 0.706, XGBTRAIN: AUC = 0.975）。
(B). 测试集的ROC曲线和AUC（CatBoostTEST: AUC = 0.877, LGBMTEST: AUC = 0.905, NBTEST: AUC = 0.604, RFTEST: AUC = 0.72, SVMTEST: AUC = 0.713, XGBTEST: AUC = 0.916）。
(C). 测试集的DCA。
(D). 测试集的校准曲线。
(E). 训练集的PR曲线和平均精度（AP）（CatBoostTRAIN: AUC = 0.931, LGBMTRAIN: AUC = 0.958, NBTRAIN: AUC = 0.686, RFTRAIN: AUC = 0.791, SVMTRAIN: AUC = 0.778, XGBTRAIN: AUC = 0.983）。
(F). 测试集的PR曲线和AP（CatBoostTEST: AUC = 0.904, LGBMTEST: AUC = 0.926, NBTEST: AUC = 0.668, RFTEST: AUC = 0.779, SVMTEST: AUC = 0.78, XGBTEST: AUC = 0.936）。

**缩写：**
CatBoost，分类提升；XGBoost，极端梯度提升；LightGBM，轻量级梯度提升机；NB，朴素贝叶斯；RFT，强化微调；SVM，支持向量机。

**最佳模型性能**
XGBoost模型的平均性能指标如下：AUC = 0.912，准确率 = 0.845，精确度 = 0.843，召回率 = 0.907，F1分数 = 0.874。ROC曲线、DCA和PR曲线进一步支持了该模型的稳健性和可靠性（图3）。

**图3 XGBoost模型评估。**
(A). 训练集的ROC曲线和AUC（XGB_1TEST: AUC = 0.92, XGB_2TEST: AUC = 0.922, XGB_3TEST: AUC = 0.911, XGB_4TEST: AUC = 0.919, XGB_5TEST: AUC = 0.912）。
(B). 训练集的DCA。
(C). 训练集的校准曲线。
(D). 训练集的PR曲线和AP（XGB_1TEST: AUC = 0.938, XGB_2TEST: AUC = 0.939, XGB_3TEST: AUC = 0.932, XGB_4TEST: AUC = 0.94, XGB_5TEST: AUC = 0.934）。

**缩写：**
XGB，极端梯度提升。

**SHAP分析结果**
对XGBoost模型输出的SHAP分析表明，年龄是最有影响力的预测因子（平均绝对SHAP值 = 0.784），其次是BMI（0.655）、居住地（0.306）和DAO（0.286；图4）。图4展示了模型的SHAP可视化解释：(A) SHAP特征属性图，每条曲线代表一个特征因子，横坐标为SHAP值；红线表示较高的特征值，蓝线表示较低的特征值；(B) 基于SHAP值的特征因子重要性排名，矩阵图显示了每个变量在构建最终预测模型中的重要性。

**讨论**
本研究显示，即使调整了人口统计学、病史、BMI和生活方式因素后，DAO仍与中风风险增加显著相关。所有肌肉力量低和/或腹部肥胖的亚组都显示出较高的中风风险，其中DAO组的风险最高。亚组分析在所有人群中都证实了这种关联。XGBoost模型的性能优于其他机器学习方法，显示出强大的预测准确性和临床实用性。基于SHAP的分析将DAO确定为中风的一个重要预测因子，其重要性排名第四。虽然我们的发现表明DAO与中风风险之间存在独立关联，但观察性设计不允许进行因果推断。因此，我们将这些结果视为假设生成。保持肌肉力量和管理腹部肥胖可能是未来中风预防干预研究的潜在目标，而不是提供立即临床实施的直接证据。

尽管越来越多的研究探讨了动力不足和腹部肥胖与心血管疾病（包括中风）之间的独立联系，但关于这两种状况（即DAO）与中风风险关联的证据，特别是来自纵向研究的数据仍然有限且有争议。例如，一项针对巴西老年人的健康、福祉和老龄化调查的横断面分析发现，DAO（定义为女性握力<16公斤，男性<26公斤，女性腰围>88厘米，男性>102厘米）与自报中风之间没有显著关联，可能是因为样本量小、横断面设计和选择偏差。另一项使用英国老龄化纵向研究（7030名50岁及以上的个体）的8年随访数据发现，DAO患者的基线中风患病率较高，并且与心血管死亡率增加显著相关，但未直接评估DAO与中风之间的纵向关联。一项日本前瞻性队列研究报道，DAO组的中风风险显著增加，尤其是在65岁以下的个体中，这与我们的发现一致。尽管最近一项使用CHARLS数据的研究建立了DAO与心血管疾病风险之间的正相关关系，但所使用的Cox回归模型无法捕捉非线性交互作用，限制了其临床应用。在我们的研究中，即使调整了广泛的人口统计学特征，DAO与中风风险之间的显著关联仍然存在。结果在各个亚组之间的一致性进一步支持了DAO作为跨人群新型预测因子的潜力。

本研究的一个关键贡献是开发了一个可解释的机器学习模型来评估DAO对中风风险的预测价值。XGBoost模型表现出优异的区分能力和校准能力，表明其具有强大的临床潜力。这些结果支持使用先进算法来提高慢性疾病风险的预测能力。高预测准确性突显了机器学习在识别高风险个体和实现早期筛查及针对性干预方面的价值。有趣的是，在我们的SHAP分析中，DAO的排名超过了高血压和糖尿病等传统风险因素。这可能有几个原因：首先，DAO与肌肉力量丧失和内脏脂肪积累有关，这些可以通过慢性炎症、胰岛素抵抗、内皮功能障碍和氧化应激等机制影响血管系统；其次，研究人群（中老年中国人）通常同时患有腹部肥胖和动力不足，这两种状况与代谢综合征密切相关；第三，像XGBoost这样的机器学习模型可以捕捉复杂的非线性关系和变量交互作用，SHAP值反映了每个特征的平均边际贡献。方法学因素也可能起作用。高血压和糖尿病被作为二元变量纳入，可能无法完全反映疾病的严重程度，而DAO基于连续的、客观测量的握力和腰围，使其对生理变化更敏感。值得注意的是，DAO相对于高血压和糖尿病的更高排名并不降低已建立的风险因素的重要性。相反，它表明评估肌肉力量和腹部肥胖可能为中年人和老年人提供额外的风险信息。这对于血压和血糖控制良好但仍患有DAO的个体尤为重要，因为他们的中风风险可能仍然较高。总之，DAO在我们模型中的突出位置表明它可能是一个新的预测因子。这一发现支持进一步探索将肌肉力量和腹部肥胖的评估整合到中风预防策略中。

另一个需要考虑的因素是心血管药物治疗和非药物干预对观察到的关联的潜在影响。虽然CHARLS数据库包括了高血压、血脂异常和糖尿病等疾病的自我报告诊断，但它缺乏关于药物使用、剂量、依从性、效果和生活方式干预的详细信息。这种治疗数据的缺失可能会引入未测量的混杂因素。具有心血管风险因素的参与者（如DAO组中的参与者）可能更有可能接受治疗，从而可能减少DAO与中风风险之间的观察到的关联。相反，如果治疗分布不均或无效，剩余风险可能会存在。我们的分析调整了共病情况的存在，但没有调整治疗状态或强度。未来的研究应包括详细的治疗数据，以区分医疗干预在DAO和中风风险中的作用。

本研究观察到DAO与中风风险之间存在显著且独立的关联。然而，由于CHARLS的观察性设计，无法确定因果关系。尽管调整了广泛的人口统计学、临床和生活方式因素，未测量或测量不准确的变量可能仍存在残余混杂。详细的社会经济状况、饮食模式、体力活动、心理社会压力、遗传倾向和早期亚临床血管疾病等因素可能会影响DAO和中风风险。因此，我们的发现表明了一种稳健的关联，但并未确认直接的因果关系。我们点估计的E值为2.54，表明需要有一个未测量的混杂因素与DAO和中风的比值比至少为2.54，才能完全解释观察到的关联。虽然不能排除残余混杂，但这种关联看起来相当稳健。因此，我们的发现目前不支持针对DAO的特定临床干预措施来预防中风。相反，DAO应被视为一个值得进一步研究的新型风险标志物。未来需要使用准实验设计（如孟德尔随机化）或理想的随机对照试验来研究肌肉力量和腹部肥胖，以澄清任何因果关系。

尽管XGBoost模型在内部表现良好（AUC = 0.912），但在将其用于临床或公共卫生筛查之前，必须解决几个关键问题。首先，需要在独立、地理或时间上不同的群体中进行外部验证，以评估其普遍性并识别潜在的过拟合。由于在我们的研究中这不可行，该模型应被视为探索性的概念验证，而不是准备实施的筛查工具。其次，实际应用存在挑战。虽然所有预测因子（如年龄、BMI、握力和腰围）都可以在社区或初级保健环境中测量，但握力测量在中国医疗机构中并未标准化，且腰围测量协议可能有所不同。此外，尽管SHAP分析在个体层面提供了可解释性，但向没有数据科学专业知识的患者或临床医生传达SHAP值仍然具有挑战性。第三，目前还没有基于模型输出来定义“高风险”的明确阈值。虽然决策曲线分析显示在不同的风险阈值下都有临床净收益，但将这些结果转化为可操作的筛查或转诊标准还需要进一步的成本效益分析、利益相关者的共识以及试点研究。总之，虽然我们的发现突显了机器学习将DAO纳入中风风险分层的潜力，但在临床应用之前，仍需要进行大量的转化研究，包括外部验证、实施研究和健康经济评估。

这项研究存在几个局限性。首先，我们没有包括生化指标，如炎症标志物、血脂谱或血糖水平，这些因素可能会导致残余混杂。其次，研究人群仅限于中老年中国人，这可能限制了结果的普遍性。第三，中风事件是自我报告的，因此无法排除误分类偏差。这种非差异性误分类通常会使效应估计偏向于零值，从而降低机器学习模型的预测性能。尽管CHARLS收集了住院和死因的数据，但这些数据是自我报告或代理报告的，缺乏独立裁决，并且可能存在不完整的回答或回忆错误。此外，诊断编码没有标准化，这也进一步限制了研究的有效性。第四，我们没有考虑非中风死亡的竞争风险。虽然非中风死亡的比例较低，初步分析表明其对中风发病率的影响很小，但缺乏竞争风险分析仍然是一个方法学上的局限性。因此，我们的发现应被视为关联性的测量，而不是无偏的因果效应估计。此外，中风住院并不等同于中风事件的发生，而死因数据仅涵盖致命病例，这使得它们不适合用于验证或校正。因此，我们无法使用这些变量进行严格的定量敏感性分析。为部分解决这一问题，我们计算了E值，表明需要一个相对较强的未测量混杂因素才能完全解释观察到的效应；然而，残余的误分类偏差仍然不能排除。第五，机器学习模型仅通过内部验证进行开发和评估，没有进行外部验证。这限制了对其普遍性的信心，并突显了未来使用独立队列进行研究的重要需求。尽管XGBoost模型在内部表现良好，但其普遍性和稳健性仍需进一步评估。

总之，未来的研究应优先考虑以下几点：（1）使用Fine–Gray子分布危险模型或类似方法进行更长时间随访和更高竞争死亡率的研究；（2）与医院出院登记、神经影像报告或经过验证的死亡证明进行链接，以确认医学上的中风结果；（3）对预测模型进行外部验证；（4）纳入炎症和代谢生物标志物；（5）进行随机对照试验，评估结合抗阻训练和体重管理的干预措施。进一步的研究还应完善DAO评估标准，并评估常规筛查以制定针对性预防策略的可行性。

结论

这项研究表明，DAO与中老年中国人的中风风险增加独立相关。可解释的机器学习方法将DAO识别为一个潜在的有信息量的预测因子。然而，由于观察性设计、依赖自我报告的结果以及缺乏外部验证，这些结果应被视为探索性的。未来的研究需要使用经过裁决的终点、更长的随访时间、竞争风险分析以及独立的外部验证，以确认DAO的预测价值，并评估在中风风险预测中纳入肌肉力量和腹部肥胖的可行性。

作者贡献

所有作者都对所报告的工作做出了重要贡献，无论是概念构思、研究设计、数据收集、分析解释，还是所有这些方面的工作；参与了文章的起草、修订或批判性审查；对最终发表的版本给予了批准；同意提交文章的期刊；并同意对工作的所有方面负责。

披露

作者声明在这项工作中没有利益冲突。