编辑推荐：
在健康评估中，传统的年龄指标存在局限，生物年龄（BA）评估意义重大却进展缓慢。研究人员开展基于腹部 CT 的生物年龄（CTBA）模型研究。结果显示，CTBA 模型预测寿命效果优于传统指标。这为精准健康评估和干预提供了新途径。
在健康医学领域，人们一直渴望找到一种精准评估健康状况和预测寿命的方法。传统上，人们常用实际年龄（chronological age）和性别来制定医疗决策，但实际年龄并不能全面、准确地反映一个人的健康状态和寿命长短。随着公众健康意识的提高，越来越多的人意识到，生活习惯、遗传因素和疾病进程等都对健康有着重要影响。生物年龄（Biological Age，BA）这一概念应运而生，它试图综合这些因素，更准确地反映人体的健康状况。然而，过去半个多世纪里，科学家们在推导有效的生物年龄评估方法上进展有限。此前的研究大多集中在细胞和亚细胞层面的 “脆弱组学（frailomics）”，包括（表观）基因组学、蛋白质组学和代谢组学等，但这些方法很难全面反映组织、器官乃至个体整体的健康状态。
在此背景下，美国威斯康星大学医学院和公共卫生学院（University of Wisconsin School of Medicine & Public Health）等机构的研究人员开展了一项极具意义的研究。他们致力于构建一种基于腹部 CT 的生物年龄（CTBA）模型，旨在更精准地预测寿命。该研究成果发表在《Nature Communications》上，为健康评估和寿命预测领域带来了新的突破。
研究人员采用了多种关键技术方法。首先，他们收集了大量数据，主要来源于威斯康星大学医院和诊所（University of Wisconsin Hospital and Clinics）以及 Duly Health and Care 的患者，组成了主要研究队列和外部验证队列。然后，运用一系列成熟、经过验证且可解释的基于 CT 的人工智能（AI）算法，自动量化骨骼肌、腹部脂肪、主动脉钙化、骨密度、肝脏、脾脏和肾脏等指标。最后，通过 Cox 比例风险回归进行多变量生存分析，依据预测准确性指数（IPA）进行生物标志物选择，并利用受试者工作特征曲线下面积（AUC）和校准曲线等评估模型的预测能力。
研究结果
- 研究队列特征：主要研究队列包含 123,281 名成年人，平均年龄 53.6 岁，随访中位数为 5.3 年，期间 22% 的患者死亡。外部验证队列有 40,718 名成年人，平均年龄 53.9 岁，随访期间 9% 的患者死亡14。
- CTBA 模型的生物标志物：从众多潜在的自动 CT 测量指标中，最终确定了 8 种对 CTBA 模型有足够贡献的生物标志物，其中肌肉密度、腹主动脉钙评分、内脏脂肪密度、骨密度和内脏与皮下脂肪比贡献最大2。
- 模型预测能力：CTBA 模型的预测准确性指数（IPA）为 29.2，高于传统人口统计学模型（21.7）。在 ROC 曲线分析中，CTBA 模型的 5 年和 10 年 AUC 分别为 0.890 和 0.880，显著优于传统模型和 BMI3。
- 生存分析结果：根据 CTBA 模型输出的四分位数进行生存分析，最高风险与最低风险四分位数的年龄和性别校正生存风险比（HR）为 8.73。排除癌症诊断和近期死亡患者后，该 HR 值显著增加5。
- 外部验证结果：CTBA 模型在外部验证队列中同样表现良好，IPA 为 28.6，5 年和 10 年 AUC 分别为 0.893 和 0.8886。
研究结论与讨论
该研究表明，基于 CT 的生物年龄模型能够有效评估心血管代谢健康状况并预测寿命。通过利用腹部 CT 扫描中丰富的生物计量数据，该模型可检测出无症状的心血管疾病、骨质疏松症、肌肉减少症、糖尿病和代谢综合征等，从而为早期预防提供依据。此外，该模型使用的可解释 AI 算法，相比 “黑箱” 式的深度学习方法更易被患者和医疗人员接受。不过，研究也存在一些局限性，如研究为回顾性、患者队列种族多样性不足、未考虑社会经济因素等。但总体而言，这项研究为个性化健康评估和医疗决策提供了新的方向，有望推动精准医学的发展，让有限的医疗资源得到更合理的利用。
