2025年8月15日，中山大学附属第三医院学者基于NHANES＋CHARLS＋CHNS＋中山大学附属第三医院CKD队列数据，在期刊***《Journal of Translational Medicine》*（医学二区Top，IF=7.5）**发表了一篇题为：“Development and multi-cohort validation of a machine learning-based simplified frailty assessment tool for clinical risk prediction”的研究论文。

本研究旨在利用机器学习方法，从多队列数据中筛选关键变量，构建一个简化且高效的衰弱评估工具，用于预测衰弱状态及其相关临床结局（如CKD进展、心血管事件和全因死亡率），以提升其在真实临床场景中的适用性和可推广性。

公共数据库与孟德尔随机化公众号回复“ 原文”即可获得文献PDF等资料。想用NHANES发文，看看这个包含上百种NHANES指标数据的零代码分析平台！如感兴趣，请添加微信号：aq566665

数据来源

研究使用四个独立队列的数据：

美国国家健康与营养调查（NHANES, n=3,480）1999-2002年数据作为训练与内部验证集；
中国健康与养老追踪调查（CHARLS, n=16,792）2011年基线数据和中国健康与营养调查（CHNS, n=6,035）2009年基线数据，用于外部验证与心血管结局预测； 队列（SYSU3 CKD, n = 2,264）2011-2019年数据用于CKD进展与临床验证。

具体的研究思路

首先，从NHANES数据中初选75个潜在预测变量，通过五种特征选择算法（LASSO、VSURF、Boruta、varSelRF、RFE）进行筛选，确定核心变量集；

随后，比较12种机器学习算法在训练集（NHANES）、内部验证集（NHANES子集）和外部验证集（CHARLS、CHNS、SYSU3 CKD）上的性能；

最终，选择最优模型并进行临床验证与可解释性分析。

图1 基于机器学习的衰弱评估工具开发的综合方法论框架

主要研究结果

交叉分析结果显示，五种特征选择算法共同识别了8个核心变量——年龄、性别、BMI、脉压、肌酐、血红蛋白、备餐困难和提举困难。

图2 五种机器学习算法所选特征的交集分析

随后，研究比较了12种机器学习算法的预测性能差异，结果表明，XGBoost模型在训练集、内部验证集和外部验证集中的AUC分别为0.963、0.940和0.850，显著优于传统衰弱指数（如对CKD进展的AUC为0.916 vs. 0.701）。

表1 不同数据集下模型性能指标的比较

同时，XGBoost模型在预测心血管事件（AUC 0.789）和全因死亡率方面也表现优异。

图3 机器学习衰弱模型在预测不同队列的多种健康结果中的临床效用

(A) SYSU3 CKD队列的CKD进展预测；(B)与传统衰弱指数预测CHARLS患者肾功能快速下降的比较；(C) CHNS患者心血管事件预测；(D)与传统衰弱指数比较CHARLS的心血管结局；(E)与传统衰弱指标相比，NHANES中随时间变化的死亡率预测；(F) Kaplan-Meier生存曲线按预测的衰弱风险类别分层

此外，SHAP分析进一步显示在上述变量中，功能能力变量（如提举困难）的贡献最大。