《Frontiers in Aging Neuroscience》：Latent profile analysis and analytical model construction based on heterogeneity of intrinsic capacity in Chinese older adults
编辑推荐：
背景：内在能力（intrinsic capacity，IC）是健康老龄化的关键多维指标；然而当前关于IC的研究主要强调其纵向轨迹，对老年人内部异质性的认识有限，且缺乏针对性评估工具。本研究旨在识别中国老年人中不同的IC剖面，并探索可解释、基于网络的分析模型以实
背景：内在能力（intrinsic capacity，IC）是健康老龄化的关键多维指标；然而当前关于IC的研究主要强调其纵向轨迹，对老年人内部异质性的认识有限，且缺乏针对性评估工具。本研究旨在识别中国老年人中不同的IC剖面，并探索可解释、基于网络的分析模型以实现快速剖面分类。方法：在中国24个省份通过分层抽样开展横断面调查，纳入来自社区与机构照护环境的4508名老年人。使用简易营养评估简表（MNA-SF）、简短身体机能测试（SPPB）及老年抑郁量表15项版（GDS-15）评估IC得分。采用潜剖面分析（latent profile analysis，LPA）划分IC亚组。特征选择整合单变量回归、随机森林与LASSO回归。随后训练XGBoost算法（70%数据）预测剖面归属，并在独立测试集（30%）验证。使用SHAP与XGBoost增益值增强模型可解释性。此外，使用Python（3.9版）、JavaScript（7版）与MySQL（8.0版）开发交互式网络平台。结果：基于五域IC得分识别出两个潜剖面：“整体低IC”与“整体高IC”（熵=0.846，P<0.05）。筛选的关键预测因子包括自评健康（SRH）（OR=1.26，95%CI：1.17–1.36）、年龄（OR=0.87，95%CI：0.80–0.95）、多种慢性病存在（OR=1.15，95%CI：1.05–1.25）、胸闷胸痛（OR=1.28，95%CI：1.02–1.62）与移动障碍（OR=2.54，95%CI：2.08–3.11）。XGBoost模型对“整体高IC”剖面判别性能稳健，训练集AUC=0.910（95%CI：0.898–0.921）、准确率=0.874（95%CI：0.862–0.885），测试集AUC=0.853（95%CI：0.828–0.875）、准确率=0.819（95%CI：0.800–0.838）。决策曲线分析（DCA）确认在4%–97%阈值概率范围内具有临床净获益。部署的网络平台在3秒内生成分层预测，并在个体层面展现临床可解释性。结论：本研究描绘了中国老年人中两种IC剖面。基于XGBoost的模型被探索用于快速IC剖面分类。这些发现凸显了IC的异质性，并支持简化数字化方法的可行性，但需外部验证。
研究背景与立项依据
全球及中国老龄化进程加速，健康老龄化已从“无病”转向以功能为中心的范式。世界卫生组织（WHO）提出内在能力（intrinsic capacity，IC）概念，涵盖认知、活力、运动、心理与感官五域，并发布ICOPE框架与ICD-11编码MG2A。现有研究多依赖CHARLS等旧队列、以总分衡量IC，忽视五域分数间的异质性；少数潜类别分析（LCA）仅限局部人群且无法刻画连续模式。同时，临床缺乏快速、可解释的IC分层工具。为此，研究人员于2023年12月至2024年12月在中国24省份社区与养老机构开展横断面调查，纳入4508名≥60岁老年人，旨在用潜剖面分析（LPA）识别IC异质性剖面，并构建XGBoost驱动的可解释网络评估平台。
主要关键技术方法（≤250字）
研究人员采用多阶段分层随机抽样，从南北七大地理区97城市获4508例社区与机构老年人队列；以MNA-SF、SPPB、GDS-15及视听测验评五域IC原始分。LPA由Mplus 8.3按AIC/BIC/aBIC/LMRT/BLRT/熵选模。特征选择联合随机森林（基尼下降）与LASSO（L1惩罚）于27项问卷变量取交集得11特征。数据集按7:3分训练/测试，XGBoost经5折网格搜超参，SHAP与gain值作解释，Bootstrap 1000次评判别/校准/临床效用/泛化，最终用Python3.9+JS7+MySQL8.0封装网页端。
研究结果
3.1 LPA识别的两类IC剖面
LPA建模1–3类，Model 2（两类）熵0.846、LMRT/BLRT显著而Model 3的LMRT不显著（P=0.061），定“整体低IC”（915人，20.3%）与“整体高IC”（3593人，80.7%）。两剖面在五域呈整体高低平移而非域特异组合，与均值切分仅中度一致（κ=0.47），5.73% Posterior概率落0.70–0.85不确定带。
3.2 基线特征
低IC组年龄更高（74.82±7.67 vs 70.57±6.45岁）、SRH更低（4.98±1.65 vs 6.91±1.87）、低收入/低教育/丧偶/独居比例更高、移动障碍报告率43.3% vs 15.1%。
3.3 “整体高IC”相关因素
单变量回归中SRH（OR=1.26）、多慢病（OR=1.15）、胸闷痛（OR=1.28）、移动障碍（OR=2.54）正向关联，年龄负向（OR=0.87）。RF与LASSO交集留11特征：SRR、年龄、健康状况、教育、月收入、移动障碍、慢病数、终生职业、婚姻、经济状况、头晕。
3.4 IC分类模型性能与内部验证
3.4.1 XGBoost性能
训练集AUC 0.910、准确率0.874、召回0.972、F1 0.926；测试集AUC 0.853、准确率0.819、召回0.372、F1 0.890。测试集特异度仅0.372，DCA在4%–97%阈概率有净获益，Brier测试集0.123。高敏感低特异提示适合作社区初筛而非独立诊断。
3.4.2 结果可视化
SHAP均值绝对排序前11与选中特征一致；个案No.24基线E f(x)=1.57推至3.84，SRH=9为主推正项，年龄79为负项。
3.4.3 交互平台
XGBoost嵌网页，输11特征3秒出剖面概率与置信区间，仅存研究ID不留个人可识别信息。
讨论部分总结
研究人员指出，LPA在24省大样本中再次验证“高-低”双剖面连续梯度，非域特异型，补CHARLS时效与覆盖不足；SRH最强关联与既往日台队列一致，年龄/教育/收入符合WHO框架与资源积累假说。平台将填表30分钟缩至5分钟，适社区医生初筛。局限含横断自报偏倚、未外验、面对面排除失能者致样本偏健康、心理域与主观预测共享方法方差。作者主张未来用纵向与外部队列验证。
结论部分翻译
本研究在中国4508名老年人中识别出“整体高IC”与“整体低IC”两类剖面，开发了基于XGBoost的分类模型及配套在线平台以实现快速剖面分类。这些发现凸显了老年人群IC的异质性，并支持简化数字化途径评估IC剖面的可行性。未来需在前瞻性队列中开展外部验证，以进一步评价该方法的泛化性与价值。论文发表于《Frontiers in Aging Neuroscience》。
