编辑推荐：
随着全球老年人口增加，虚弱评估至关重要。现有评估工具如 Fried 表型和 Rockwood 评分存在局限。研究人员采用生物力学与深度学习结合的方法，用长短期记忆（LSTM）网络等模型研究。结果显示 LSTM 模型预测准确率达 74% 。该研究为老年虚弱评估提供新方向。
在全球老龄化加剧的大背景下，老年群体的健康问题日益凸显，其中虚弱（Frailty）这一临床状态备受关注。虚弱意味着老年人对内外源压力的过度脆弱，会大幅增加住院、认知衰退、失能甚至死亡等不良健康事件的发生风险。据统计，约 11% 的社区老年居民和 30 - 70% 的老年手术患者受其影响，而且由于虚弱评估失误，约 20% 的老年人存在不恰当用药情况。因此，准确识别虚弱对于优化老年人临床护理、制定精准治疗方案至关重要。
然而，传统的虚弱评估工具，如 Fried 表型和 Rockwood 评分，虽然应用广泛，但存在诸多实际限制。Fried 表型在评估时涉及空间限制、步态评估的安全问题和身体能力要求；Rockwood 评分则需要大量临床数据，且评估耗时。这些不足使得它们难以在临床广泛应用，开发一种更高效、便捷的评估方法迫在眉睫。
为解决这一难题，来自美国罗格斯大学（Rutgers University）的研究人员展开了深入研究。他们创新性地采用生物力学与深度学习相结合的方法，旨在提升老年人虚弱预测的准确性。最终研究成果发表于《Scientific Reports》。
研究人员在本次研究中运用了多种关键技术方法。首先，招募了来自社区或门诊的 312 名 65 岁及以上老年人作为研究对象，并依据 Fried 指数对其虚弱状态进行分类。其次，通过上肢功能（UEF）测试，利用商用无线可穿戴运动传感器收集上肢运动数据；运用已开发验证的二自由度手臂模型计算肌肉力。此外，采用机器学习中的逻辑回归、支持向量机（SVM），以及深度学习中的长短期记忆（LSTM）网络构建预测模型，并运用分层 5 折交叉验证评估模型性能。
下面来看具体的研究结果：
- 参与者特征：研究共招募 312 人，其中非虚弱 126 人（40%）、前期虚弱 145 人（46%）、虚弱 41 人（13%）。不同虚弱组在年龄和身高上存在显著差异，虚弱个体平均比前期虚弱者大 3 岁且矮 1%，前期虚弱者比非虚弱者大 5 岁且矮 2%1。
- 运动学和肌肉模型参数差异：各虚弱组间所有运动学和肌肉模型参数均有显著差异（p<0.01）。肌肉模型参数的效应量最高，尤其是肌肉共同收缩（效应量 = 1.72）。与非虚弱和前期虚弱者相比，虚弱个体在各项变量上表现更差，如运动更慢、肌肉力量更低、变异性和肌肉共同收缩增加2。
- 模型性能比较：经过数据增强，数据集从 312 个样本扩充到 1284 个。5 折交叉验证结果显示，LSTM 模型表现最佳，准确率达 74%，F1 评分 75%，精度 81%，优于 SVM（准确率 67% ）和回归模型（准确率 66% ）3。
在研究结论与讨论部分，该研究证实纳入肌肉模型参数能显著提高虚弱预测准确性，肌肉共同收缩和屈曲激活持续时间是关键预测变量。这表明评估肌肉力量特征对研究虚弱有重要价值。从预测模型来看，深度学习方法尤其是 LSTM 模型，在基于肌肉力信号预测虚弱方面表现卓越，比传统机器学习方法更能有效捕捉复杂非线性关系。
不过，研究也存在一定局限性。样本量相对较小且队列来源单一，可能影响研究结果的普遍性。后续还需在更大、更多样化的人群，特别是住院患者中进行验证。同时，可以探索整合心率、脑功能等更多生理信号，进一步提升虚弱模型的准确性和预测能力。
总体而言，这项研究为虚弱评估领域带来了新的思路和方法。通过结合生物力学与深度学习技术，利用上肢功能测试和肌肉模型参数，构建了更高效的虚弱预测模型。虽然仍需完善，但为未来精准评估老年人虚弱状态、制定个性化健康管理方案奠定了重要基础，有望在老年健康护理中发挥重要作用，助力提升老年人的生活质量和健康水平。
