在《自然老龄化》杂志上发表的一项研究中，研究人员应用机器学习来分析健康个体随时间的健康轨迹，并将固有的衰老因素与慢性疾病风险区分开来。他们发现，该模型可以一致地识别健康衰老的早期指标，如中性粒细胞计数和碱性磷酸酶水平，这些指标来自以色列、英国和美利坚合众国的个体。
“老年科学假说”表明，针对普遍衰老过程可能促进健康老龄化，延长寿命，并减少年龄相关疾病的患病率，包括2型糖尿病(T2D)、心血管疾病(CVD)、慢性肾脏疾病(CKD)、肝脏疾病(LD)和慢性阻塞性肺疾病(COPD)。年龄相关疾病与衰老的共同发生和相关性对因果关系建模提出了挑战。这就要求采用公正的方法来调查健康老龄化与年龄相关疾病之间的相互作用。
尽管电子健康记录(EHRs)在捕捉患者健康轨迹方面提供了巨大的潜力，但现有数据有限(最多20年)，阻碍了我们对衰老、疾病和疾病风险之间关系的理解。此外，先前使用临床标志物对死亡率和年龄进行建模的研究缺乏纵向模型的使用。为了解决这一差距，本研究中的研究人员开发了一种基于机器学习的模型，以确定无病健康衰老的预测性临床标志物。他们重新审视了与长寿相关的表现型的遗传性和遗传关联。
从Clalit Healthcare Services数据库中获得了457万30至85岁个体的病史数据，追踪他们的中位时间为16.6年。首先，利用80岁以上患者的三年病史开发了一个机器学习模型。分析了与寿命相关的实验室测试。接下来，通过实施一种机器学习模型来评估不同年龄段的长寿潜力，该模型可以根据部分患者病史推断出纵向轨迹。研究人员为每个年龄段确定了一个潜在寿命评分，以预测五年死亡率或潜在寿命的变化。
此外，为了了解终身疾病易感如何潜在地影响寿命评分，研究人员使用T2D, CVD, LD, CKD和COPD的疾病发病数据实施了扩展的疾病风险马尔可夫模型。在超过10年的随访中，使用临床标志物对非常健康的个体进行了长寿潜力的生理过程研究。
然后在UKBB (UK Biobank的缩写)和NHANES (National Health and Nutrition Examination Survey的缩写)人口数据库上对该模型进行了测试。将50岁的患者分为15组，分析其疾病易感性、等位基因频率和父母死亡率。
三年病史模型可以辨别出详细的风险水平谱，即使在健康患者中排名前4%的患者中，也能突出显着的预后差异。实验室检查可以确定红细胞分布宽度(RDW)、c反应蛋白和白蛋白作为与预后持续相关的标志物。该模型提供了一个可推广的健康指标，可以将患者分为健康和不健康，鼓励使用定量跟踪健康潜力变化的模型。该模型准确区分了85岁以上个体的生存概率，甚至在30岁时也是如此。
再说一遍我的年龄?利用血浆蛋白质组学数据研究器官衰老，预测疾病和衰老效应
新的机器学习模型利用ECG数据高精度预测ICU患者的心脏骤停
进化- afar新研究者奖扩大了1600万美元的拨款
研究发现，影响长寿评分的临床指标在不同年龄段有所不同。碱性磷酸酶被发现影响年轻人，葡萄糖和胆固醇似乎影响中年，白蛋白和RDW被发现影响老年人。研究发现，超重、血糖和胆固醇等关键特征在预测终身疾病风险方面发挥着重要作用。研究发现，在非常健康的个体中，慢性疾病风险指标一直很低。低水平的中性粒细胞、碱性磷酸酶、小细胞红细胞和低染色红细胞的比例，以及中等水平的体重指数、肌酐和肝酶，都表明长寿得分高。
模型的预测能力随着年龄的增长而增加，特别是在识别50-60岁的T2D等疾病的高风险个体时，由于常规跟踪的灵敏度提高了。研究发现，估计的终生疾病倾向彼此之间存在很强的相关性，并与长寿评分相关。然而，尽管疾病风险较低，但一小部分个体在长寿潜力方面表现出差异。
在以色列、美国和英国的人群中，寿命得分都很稳健，这表明在没有已知疾病易感性的个体中，寿命得分具有显著的预测能力。此外，在50岁的人群中，疾病易感性的程度也有所不同。研究发现，长寿得分最高的个体，其父母的寿命会延长一年。根据这项研究，基因变异也可能有助于长寿。研究人员建议使用多变量疾病风险模型来解释全基因组关联研究。
总之，本研究提高了我们对衰老与主要慢性疾病之间相互作用的理解，为全面的纵向模型取代健康衰老和常见疾病的静态表征铺平了道路。需要进一步的研究来量化“健康状态”，并调查研究中强调的疾病相关发现背后的生理过程。
