《GeroScience》：Biological age acceleration, longitudinal change and mortality risk in the Dutch Lifelines cohort
编辑推荐：
为明确生物年龄加速（KDM-BA）的纵向变化能否预测死亡风险，研究团队基于荷兰Lifelines队列开展长期随访。结果显示，基线KDM-BA加速>1年及随访期间加速持续恶化均显著增加全因死亡风险（HR=1.31-1.39），支持将重复临床评估纳入人群衰老监测。
论文解读
研究背景：日历年龄骗不了人，但“身体年龄”才是关键
随着全球人口老龄化加剧，如何精准评估个体的“真实衰老程度”已成为公共卫生领域的核心挑战。衰老的本质是生理功能累积性丧失的过程，但人与人之间的衰老速度存在巨大差异——有的人年过花甲依然健步如飞，有的人未及中年却已多病缠身。传统的“日历年龄”（Chronological Age）显然无法捕捉这种个体异质性。
在此背景下，“生物年龄”（Biological Age）的概念应运而生。它通过整合血液指标、生理功能等多项数据，量化个体在生理层面的“磨损”程度。其中，Klemera–Doubal方法（KDM-BA）构建的生物年龄模型尤为引人注目。与依赖昂贵DNA甲基化数据的表观遗传时钟不同，KDM-BA仅需常规临床化验单上的指标（如血压、血糖、肺功能），成本低廉且易于推广，已被多项研究证实能有效预测死亡和疾病风险。
然而，现有研究存在一个明显的“断点”：绝大多数证据仅基于单一时点的静态评估。这就好比只通过一张静态照片去判断一个人的运动状态，缺乏动态视角。衰老是一个动态过程，生物年龄加速（即生物年龄与日历年龄的差值）是否会随时间变化？这种变化轨迹是否比单次测量更能预测寿命？这些问题在以往的大规模人群中鲜有解答。
研究方法概览
本研究利用荷兰大型前瞻性人群队列Lifelines（基线约16.7万人），筛选出90,632名基线合格参与者，并在约4.3年后对其中25,752人进行了重复测量。研究采用KDM-BA算法，分别计算基线及随访时的生物年龄加速，并通过Cox比例风险回归模型，在调整年龄、性别、社会经济地位及生活方式等混杂因素后，分析基线加速值及其年度变化与全因死亡率的关系。
研究结果：衰老的“加速度”比“初速度”更致命
1. 基线加速：起跑线已定生死
在长达13.8年的中位随访期内，共观察到3,976例死亡。数据分析揭示了清晰的剂量反应关系：
- •
连续风险：基线KDM-BA加速每增加1年，死亡风险增加7%（HR=1.07, 95% CI: 1.06–1.08）。
- •
阈值效应：与加速程度在±1年内的“正常衰老”群体相比，基线加速超过1年的“加速衰老”群体，死亡风险显著高出31%（HR=1.31, 95% CI: 1.21–1.42）。
这表明，哪怕只是在体检单上算出的生物年龄比实际年龄“老”1岁，长期来看都是健康的重要警示信号。
2. 动态变化：逆水行舟，不进则退
在拥有两次测量数据的子队列中（中位间隔4.3年），研究者进一步观察了“衰老速度”的影响：
- •
斜率风险：KDM-BA加速的年度增幅每增加1年/年，死亡风险上升21%（HR=1.21, 95% CI: 1.07–1.37）。这意味着衰老速度的恶化本身就是独立的危险因素。
- •
轨迹分层：根据两次测量结果将人群分为四类，发现“持续加速衰老”（两次均>1年）的人群风险最高，相比“持续非加速”组，其死亡风险高出39%（HR=1.39）。而基线加速但随访时恢复正常的“恢复组”，风险并未显著升高，提示衰老进程在一定程度上具有可逆性，或至少可通过干预止损。
结论与意义：从“算命”到“监控”
这项发表于《GeroScience》的研究证实，生物年龄加速不仅是静态的风险标志物，其动态恶化轨迹更是预测死亡率的强力指标。它打破了“一次体检管终身”的传统观念，强调了在临床和公共卫生实践中重复评估生物年龄的必要性。
由于KDM-BA基于常规体检指标，该策略具有极高的落地可行性。未来，通过定期监测KDM-BA的变化，我们或许能像监测血压一样监测群体的衰老进程，及时识别高危个体并进行早期干预，真正实现从“治疗疾病”到“管理衰老”的范式转变。
