从年龄差距估计生物年龄使用深度学习整合发病率和死亡率:模型开发和验证研究研究.

科学领域:

• 老年学和计算生物学.
• 开发用于健康评估的先进机器学习模型.

背景情况:

• 生物年龄 (BA) 是一个关键的健康指标,但目前的模型缺乏全面的数据集成.
• 现有的BA模型受到临床参数的限制,并且不完全纳入发病率和死亡率数据.

研究的目的:

• 开发和验证一种基于变压器的新型生物年龄 (BA) 估计模型.
• 通过结合发病率和死亡率信息来提高BA预测准确度.
• 加强早期识别与年龄相关的疾病风险.

主要方法:

• 对151,281名成年人的健康检查数据 (2003-2020年) 的回顾性分析.
• 为多目标学习 (特征重建,BA/CA对齐,健康歧视,死亡率预测) 开发定制的变压器架构.
• 与使用健康状况分层和死亡率预测的传统BA方法 (Klemera和Doubal,CA集群,DNN) 的比较.

主要成果:

• 与现有方法相比,BA-CA差距模型显示出优越的健康状况反映和死亡风险分层.
• 该模型有效地区分了正常,疾病前期和疾病组,显示出明显的BA差距梯度.
• 卡普兰-梅尔分析表明,男性未来的死亡率歧视更强烈.

结论:

• 基于变压器的BA-CA差距模型通过整合发病率和死亡率数据提供了细粒度,临床上有意义的衰老评估.
• 这种方法支持个性化的健康管理和风险分层.
• 建议在不同人群中进行外部验证,以确认可概括性.