基于人體成分數據建立預測老年人衰弱的機器學習模型

劉金煒，徐率軒，王 芳，馬 爽，曹夢宇，陳 超，徐 創，張倪惠，康靖汶，陳 蔚，彭 楠

1 解放軍醫學院，北京 100853；2 解放軍總醫院第二醫學中心 康復醫學科，解放軍總醫院國家老年疾病臨床醫學研究中心，北京 100853；3 新鄉醫學院 精神神經醫學研究院，河南新鄉 453000

衰弱(frailty)是一種與年齡、共病等相關的老年綜合征，其特征是臟器生理功能儲備明顯降低，導致機體易損性增加，對應激源的反應能力下降，微小事件即可誘發衰弱老年人發生感染、跌倒、失能和死亡等不良結局[1]。國內外衰弱患病率均隨增齡逐漸升高，已成為老年醫學領域研究的熱點問題[2-3]。目前仍未有關于衰弱的統一定義，相關診斷量表多達70余種，臨床科研中常用的衰弱診斷量表是Fried衰弱表型量表(frailty phenotype，FP)[4]。該量表由Fried教授在2001年首次提出，包括體質量下降、握力降低、步速緩慢、活動量減少和疲乏感5個方面，部分指標受主觀因素影響難以進行量化評定。利用生物電阻抗法(bioelectrical impedance analysis，BIA)能夠快速獲得與衰弱、共病相關的人體成分定量數據，如骨骼肌、體脂肪、蛋白質和細胞內外水分等。結合機器學習(machine learning)在醫療大數據領域的優勢[5-6]，本文對使用人體成分數據建立衰弱預測模型以進行衰弱的早期識別進行探索。

對象與方法

1 研究對象 收集2021年4 - 6月北京市10個社區老年男性的體檢數據資料。納入標準：1)年齡 ≥ 65歲；2)能夠完成人體成分測試；3)能獨立行走或利用輔具行走；4)自愿參加本研究并簽署知情同意書。排除標準：1)心臟起搏器置入者；2)嚴重認知障礙；3)急性期或終末期疾病患者。

2 衰弱診斷標準 本研究使用應用最廣泛的Fried衰弱表型量表診斷人群衰弱[4]。該量表包括不明原因的體質量下降、握力下降、步速緩慢、日常體力活動減少、疲乏感5項指標，滿足任意1 ～ 2項診斷為衰弱前期，3項及以上為衰弱，0項為非衰弱。

3 人體成分分析 利用Inbody770人體成分分析儀(韓國首爾博迪有限公司)直接節段性多頻生物電阻抗(direct segmental multifrequency bioelectrical impedance analysis，DSM-BIA)測試人體各組成成分。體檢者四肢皮膚接觸電極，不同頻段的交流電導入人體，通過測量得到人體各個部分的電阻抗，進而分析人體各組成成分的含量[7]。空腹或進食后2 h以上進行測試，排空大小便，以減少食物和膀胱、胃腸道內容物對計算體成分的影響。

4 研究變量與結局 選擇可能與衰弱存在關聯的人體成分指標和年齡作為研究變量。在骨骼肌層面納入骨骼肌質量(skeletal muscle mass，SMM)、骨骼肌質量指數(skeletal muscle mass index，SMI)、上臂肌肉圍度(arm muscle circumference，AMC)等變量，脂肪層面納入體脂百分比(percent body fat，PBF)、內臟脂肪面積(visceral fat area，VFA)、腰臀比等變量，另外還納入基礎代謝率(basal metabolic rate，BMR)、骨礦物質、蛋白質、細胞內外水分以及50 kHz全身相位角(50 kHz-whole body phase angle，50 kHz-WBPA)等其他人體成分指標。研究結局為衰弱分期。

5 機器學習與建模 按照機器學習的隨機化原則，將所有數據按照7∶3的比例隨機劃分為訓練集和測試集，訓練集用于構建模型，測試集用于驗證模型效能。建立隨機森林(random forest，RF)、logistic回 歸(logistic regression，LR)、XGBoost(eXtreme Gradient Boosting，XGB)和支持向量機(support vector machine，SVM)機器學習模型，其中logistic回歸采用L2正則化。利用隨機森林算法篩選重要性排名前10位的特征，使用網格搜索算法進行交叉驗證。最后對模型參數進行優化，實現最佳預測效能。本研究所用工具為Python 3.7，基于Scikit-learn 0.24.2版本構建模型。

6 統計學方法 采用SPSS25.0軟件進行數據分本t檢驗；偏態分布的連續變量以Md(IQR)表示，采用Kruskal-Wallis檢驗。利用ROC曲線評估模型在測試集中的性能，選取約登指數最大時的概率值為截斷值，將所預測的樣本判別為不同衰弱狀態，將機器模型判斷的結果與實際Fried衰弱表型量表診斷結果進行對比，獲得敏感度、特異性、準確率等指標，對模型的效能做出評價。P＜0.05為差異有統計學意義。

結 果

1 研究對象基本特征 收集637例老年人數據，排除缺少衰弱診斷的45例數據和缺少人體成分測試的30例數據，獲得562例完整數據。根據Fried衰弱表型量表，4例診斷為衰弱期，122例診斷衰弱前期，436例診斷為非衰弱。由于衰弱人數較少，利用模型預測未知人群是否為衰弱的價值較低，故將其排除，因此將本研究的結局定義分為衰弱前期和非衰弱。最終納入算法共558例老年男性數據，中位年齡為73(65 ～ 97)歲。按照隨機化原則將數據劃分為訓練集和測試集，分別為390例和168例。衰弱前期與非衰弱人群的年齡組成、50 kHz全身相位角、骨骼肌質量、體脂百分比等指標的差異均有統計學意義。見表1。

表1 非衰弱與衰弱前期兩組特征比較Tab. 1 General characteristics of the two cohorts

2 衰弱預測模型中前10名特征 將80項人體成分指標納入隨機森林算法進行特征選擇，篩選出重要性排名前10的特征，分別為年齡、50 kHz-WBPA、骨骼肌質量、體脂百分比、身體細胞量(body cell mass，BCM)、內臟脂肪面積、基礎代謝率、上臂肌肉圍度、細胞內水分(intracellular water，ICW)、細胞總水分/去脂體質量(total body water/fat free mass，TBW/FFM)。其中年齡和50 kHz-WBPA的特征重要性明顯高于其他特征，骨骼肌質量、體脂百分比、身體細胞量的特征重要性均大于0.05。選取的特征重要性排名見圖1。

圖1 人體成分指標對預測衰弱的重要性排名Fig.1 Importance rank of body composition features in predicting frailty 50 kHz-WBPA: 50 kHz-whole body phase angle; SMM:skeletal muscle mass; PBF: percent body fat; BCM: body cell mass; VFA: visceral fat area; BMR: basal metabolic rate; AMC: arm muscle circumference; ICW: intracellular water; TBW/FFM: total body water/fat free mass

3 四種衰弱機器學習模型的效能比較 Logistic回歸模型判斷測試集是否為衰弱前期的預測效能最高，ROC曲線下面積為0.872，根據約登指數選取概率閾值為0.230，據此將預測樣本劃分為衰弱前期和非衰弱，參照Fried衰弱表型診斷標準，該模型的敏感度為78.38%，特異性為80.15%，預測準確率為79.76%。隨機森林模型和支持向量機模型的整體預測效能相近，預測準確率分別為77.38%和78.56%。XGBoost模型的效能較低，敏感度僅68.24%，各模型的預測效能評價見圖2和表2，logistic回歸模型在測試集中的分類能力見表3。

圖2 四種衰弱機器學習模型的ROC曲線Fig.2 ROC curves of four types of frailty machine learning models LR: logistic regression; RF: random forest; SVM: support vector machine; XGB: eXtreme Gradient Boosting

表2 四種衰弱機器學習模型的預測效能Tab. 2 Predictive performance of four types of frailty machine learning models

表3 Logistic回歸模型的預測能力Tab. 3 Predictive ability of the logistic regression model

討 論

人體老化是一個不可逆轉的過程，而衰弱是動態可逆的，衰弱前期逆轉到非衰弱狀態較衰弱期逆轉到非衰弱狀態的可能性更大[8]，因此識別衰弱前期具有重要意義。近期的國際專家共識認為衰弱前期的老年人雖不表現出特殊的臨床癥狀，但軀體功能可能已經開始下降，衰弱前期也與失能、生活質量降低和不良結局密切相關[9]。在COVID-19疫情時代，衰弱大大增加了醫療資源的消耗[10]。在衰弱發生前及時準確地識別衰弱前期狀態并進行干預，將會減少發展為衰弱的風險，降低死亡率，節約醫療資源。

通過人體成分分析儀能夠測得骨骼肌、體脂肪、蛋白質、細胞內外水分等人體成分數據，測試結果與雙能X線吸收測定法(dualenergy X-ray absorptiometry，DXA)具有良好的一致性(一致性系數0.98)[7]，已廣泛用于國際肌少癥診斷標準[11-12]。Fried衰弱表型中的握力、步速和疲乏感都與肌量等有關。本研究通過機器學習篩選出與衰弱相關的重要特征變量前10位。骨骼肌質量和上臂肌肉圍度反映全身骨骼肌的含量，骨骼肌的減少與衰弱的發生有著密切關系，而作為診斷肌少癥指標的骨骼肌質量指數在衰弱預測模型中的重要性不大[13]，可能是骨骼肌質量指數被類似的指標所表征(如骨骼肌質量)。除骨骼肌指標外，脂肪變量也被納入重要特征。據研究顯示肥胖程度與衰弱發生風險呈“U”型曲線關系，體質量指數(body mass index，BMI)≥ 30 kg/m2的肥胖老年人和BMI ≤18.5 kg/m2的消瘦老年人發生衰弱風險較高(RR分別為1.40和1.45)[14]。然而即使BMI正常的人群也可能存在體脂百分比和內臟脂肪面積過高的表現，如少肌性肥胖(sarcopenic obesity，SO)[15]。本研究篩選出的體脂百分比和內臟脂肪面積較BMI能更精準地反映全身肥胖和腹部肥胖程度，在特征排名中重要性超過了BMI，表明二者在預測衰弱上具有重要意義。身體細胞量顯示的是人體器官內所有含水分和蛋白質的細胞數量，主要用于評價人體的營養狀況。目前多數衰弱評估量表包含營養狀況這一指標，且營養補充是有效干預衰弱的重要手段[16]。其次，相位角一類是人體成分測試中的特殊數據，與細胞膜健康狀態相關，細胞膜的結構和功能處于健康狀態時，相位角增大，結構或功能受損時相位角相應減小[17-18]。相位角與衰弱及其預后顯著相關，一項研究發現低相位角的男性和女性發生衰弱的可能性分別為相位角正常者的3倍和4倍，12年隨訪中低相位角的男性和女性的死亡相對風險分別為2.2和2.4[19]。本次建模中50 kHz全身相位角的特征重要性僅次于年齡，表明其對衰弱的預測具有重要意義，未來可能成為衰弱診斷標準制定的重要依據。

醫療數據的數字化以及數據存儲技術的進步，使得機器學習在醫學領域得到廣泛應用，在預測疾病危險因素、基于基因組學進行精準醫療以及臨床決策支持方面發揮著重要作用[5]。目前衰弱診斷標準不統一，相關量表多達70余種，給衰弱的診斷和治療帶來困難。當前利用機器學習模型診斷衰弱的研究相對較少，在與衰弱相關的特征選擇上多數采用衰弱指數診斷標準中的指標[20-22]。本研究特征變量選用的是骨骼肌、體脂肪、蛋白質和基礎代謝率等指標，建立的模型中logistic回歸算法的預測效能優于隨機森林、支持向量機和XGBoost，其ROC曲線下面積、敏感度、特異性和預測準確率均最高。Logistic回歸是一種分類模型，常用于解決二分類問題，估計某種事物的可能性。研究中四種模型的預測準確率均超過75%，從一定程度上反映了人體成分數據質量的可靠性。國外一項研究利用長期護理機構中的照護數據建立機器學習模型進行衰弱預測，僅支持向量機模型的預測準確率超過75%，另外3種模型的預測準確率欠佳，可能是由于研究數據的質量問題[21]。本研究將人體成分數據納入機器學習模型，雖然預測效能受數據量和模型種類的影響，但通過本研究的初步探索可以發現利用人體成分數據對衰弱前期進行分類具有一定的潛能和可行性，為衰弱早期篩查提供新的研究方向。模型使用人體成分客觀數據在一定程度上能減少Fried衰弱量表中主觀性因素的影響，無需進行功能測試，縮短評估測試流程。

本研究的局限性：1)從多處社區收集研究數據，具有一定的樣本規模，但更多的樣本量會使模型具有更強的泛化能力；2)本研究未納入衰弱期人群數據，模型只對衰弱前期和非衰弱人群進行區分；3)模型在測試集中的預測效能較好，但缺乏外部數據進行驗證；4)由于研究對象主要為老年男性，模型在老年女性中的推廣應用仍需進一步驗證。

綜上所述，由于較多衰弱量表的評估指標為開放式問題，進行衰弱評估時受主觀人為因素影響較大，影響評估的準確性。本研究納入多維度人體成分定量數據，利用機器學習自動分析與衰弱相關的重要特征，并通過機器訓練后獲得的模型預測衰弱前期，對衰弱的早期診斷有一定的臨床意義。這項研究的初步結果提示人工智能技術在基于人體成分數據識別老年人群衰弱前期方面有一定價值。