欢迎访问《中国医药导报》编辑部！

肌少-骨质疏松症（osteosarcopenia，OS）指骨质疏松症与肌少症共存，以骨骼强度、骨骼肌质量与力量的同步衰退为核心特征，增加跌倒、骨折、失能乃至死亡风险[1-2]。随着人口老龄化加速，如何防治这一增龄性骨骼肌肉疾病将成为公共卫生与基层医疗的关注重点。中医体质辨识为我国公共卫生服务内容，将人体分为相对健康的平和质及对不同疾病呈现易感性和倾向性的8种偏颇体质。中医体质作为疾病发生、发展与转归的“土壤”，“辨体施治”能在“治未病”中发挥重要作用[3]。基于此，本研究首次整合中医体质类型及OS危险因素，运用机器学习（machine learning，ML）算法，构建OS风险诊断模型。挖掘中医体质与OS的关联，构建有中医特色的风险预测工具，为OS的早期筛查及精准干预提供参考。

1 对象与方法

1.1 研究对象

本研究于2024年1月至2025年3月采用多阶段分层整群随机抽样法抽取乌鲁木齐市 ≥60岁社区老年居民进行调查。先将乌鲁木齐市7个行政区按经济发展水平的低、中、高分层各抽取1个区，再随机抽取各区下辖街道的社区共3家，对选中社区的老年居民进行整群近似比抽样。纳入标准：① ≥60岁，在抽样地持续居住 ≥6个月；②具备沟通能力。排除标准：①患有严重急性心、肺、肝、肾等重要脏器疾病；②有严重的脊柱、四肢骨关节疾病，严重水肿等无法检查；③居住于医院或养老院等非居家老人；④有严重精神障碍。根据横断面样本量计算公式，n=Uα2×P×（1-P）/δ2，Uα=1.96，设δ=0.025，α=0.05，参考我国社区老年人OS患病率P=0.127，计算样本量约682人，扩大10％～20％至少为749～817人[4]。通过LASSO回归筛选后确定预测因子6个，按照10 EPV原则计算样本量约为473例，扩大10％～20％至少为520～567人。最终纳入822人，符合基于横断面法构建预测模型的样本量要求。本研究获得新疆医科大学伦理委员会伦理批准（XJYKDXR 20241025003），所有参与者知情同意，并签署知情同意书。

1.2 研究方法

1.2.1 OS诊断标准根据《肌少-骨质疏松症病理生理学、临床诊断与治疗指南》[5]、《基层医疗机构骨质疏松症诊断和治疗专家共识》[6]及《亚洲肌少症工作组：肌肉减少症诊断与治疗共识》[7]进行诊断。①骨质疏松症：使用韩国BMTech公司OsteoPro Smart跟骨定量超声骨密度仪检测，T ≤-2.5为骨质疏松症。②肌少症：a.肌量。使用国产东华原智能生物电阻抗人体成分测定仪DBA-210进行生物电阻抗分析（bioelectrical impedance analysis，BIA），计算身高校正后四肢骨骼肌质量指数（appendicular skeletal muscle mass index，ASMI），男性＜7.0 kg/m2，女性＜5.7 kg/m2，为肌量减少；b.肌力。使用国产香山电子握力计EH101测量握力，男性＜28 kg，女性＜18 kg为肌力减退；c.肌功能。使用6米步速测量， ≤1.0 m/s为肌功能下降。最终a+b和/或c为肌少症。

1.2.2 研究工具 ①一般资料调查表：通过查阅文献、专家咨询及课题组讨论确定。包括性别、年龄、文化程度、婚姻状况、独居情况、家庭平均月收入、吸烟史、饮酒史。②老年人中医体质辨识：依据《老年版中医体质分类与判定》[8]标准，通过具有舌诊功能的中科芯创体质辨识仪XCYL-SZ-01B进行初步辨识，再由具有医师资格证的中级职称中医师基于四诊结果进行诊断。结果包括平和质、痰湿质、气虚质、气郁质、阳虚质、阴虚质、血瘀质、湿热质和特禀质9种体质。③肥胖状况评估：依据国家卫生健康委员会发布的《肥胖诊疗指南（2024年版）》[9]。a.体质量指数（body mass index，BMI）分级：＜18.5 kg/m2为低体重、 ≥18.5 kg/m2且＜24 kg/m2为正常体重、 ≥24 kg/m2且＜28 kg/m2为超重， ≥28 kg/m2为肥胖；b.中心性肥胖：男性腰围 ≥90 cm、女性 ≥85 cm；c.体脂过多：通过BIA测量体脂量占比，男性＞25%、女性＞30%。④合并症程度由年龄校正的Charlson合并症指数（ageadjusted Charlson comorbidity index，aCCI）评估，该量表由Charlson等[10]编制。1～2分为轻度合并症、3～4分为中度合并症、 ≥5分为严重合并症。⑤睡眠质量由匹兹堡睡眠质量指数（Pittsburgh sleep quality index，PSQI）评估，该量表由Buysse等[11]编制，包含睡眠质量、睡眠时间等维度，总分＜5分为睡眠质量差。⑥营养状况微型营养评定量表（min nutrition assessmentshort form，MNA-SF）评估，该量表由学者Rubenstein等[12]在MNA基础上简化， ≤11分为存在营养不良风险。⑦认知功能由简易智能精神量表（mini-mental state examination，MMSE）评估，该量表由美国学者Folstein等[13]编制。初中文化 ≤24分、小学 ≤20分、文盲 ≤17分、其他文化程度＜27分为认知功能障碍。⑧跌倒风险由老年人跌倒风险自评量表（fall-risk self-assessment questionnaire for older adults，FRQ）评估，该量表由李亚玲等[14]在原版基层上汉化而来， ≥4分为存在跌倒风险。

1.2.3 质量控制措施调查者为医务人员及医学专业研究生，对调查工具的使用、话术、方法及调查流程等进行标准化培训并考核，定时校准仪器。对于少数民族老年人，配备精通本民族语言的医务工作者或医护学生。保证参与者隐私，并严格核对检查调查完毕的问卷，防止缺项漏项。严格参照《个体预后或诊断的多变量预测模型透明报告（TRIPOD）》进行。

1.3 统计学方法

采用SPSS 27.0统计学软件进行数据分析。记数资料采用人数和百分率[名（%）]表示，比较采用χ2检验。以P＜0.05为差异有统计学意义。使用R 4.4.2进行模型训练和数据分析。通过LASSO回归筛选变量。运用决策树（decision tree，DT）、K近邻（K-nearest neighbor，KNN）、轻量级梯度提升机（light gradient boosting machine，LightGBM）、逻辑回归（logistic regression，LR）、朴素贝叶斯机（naive Bayes machine，NBM）、随机森林（random forest，RF）、支持向量机（support vector machine，SVM）、极端梯度提升（eX-treme gradient boosting，XGBoost）8种算法开展ML模型训练。采用5倍交叉验证来确保模型的稳定性。网格优化参数用于为每个算法选择最佳优化参数，得到每个模型的质量评价参数。包括准确率、灵敏度、特异度、召回率、F1评分及受试者操作特征（receiver operating characteristic，ROC）曲线的曲线下面积（area under curve，AUC）。通过Brier评分评价模型准确性，决策曲线分析（decision curve analysis，DCA）评价模型临床适用性。运用沙普利加法解释（SHapley additive explanations，SHAP）绘制模型的摘要图和特征变量重要性排序图，实现模型的可视化解释。

2 结果

2.1 基线资料特征及训练组与测试组比较

本研究最终纳入 ≥60岁社区老年人822人，OS患病率为10.22％。将数据按7∶3比例以OS阳性率等比随机拆分为训练组与测试组，两组各变量比较，差异无统计学意义（P＞0.05）。见表1。

2.2 特征变量筛选

通过LASSO回归对训练组潜在预测变量进行筛选，使用10折交叉验证方法进行迭代分析，确定最佳λ值，λ.1se=0.026 051 16为模型最优值，结果显示与OS密切相关的6个非零系数变量为年龄、BMI分级、中心性肥胖、合并症程度、气虚质及血瘀质及社会支持水平。见图1。

2.3 基于ML算法的8种模型性能的验证与评价

基于LASSO回归筛选出的6个变量，构建8种ML预测模型，采用5折交叉验证法对模型进行训练，总体来看SVM模型测试组的AUC：0.816（0.765～0.867），F1最高：0.635，灵敏度与特异度最均衡：0.723、0.785；DCA也表现出较大的净获益及阈值概率，综合表现优于其他模型。因此将SVM模型作为OS的最佳预测模型。见图2、表2。

2.4 SVM模型的SHAP可解释性分析

当SHAP值＞0时增加OS的患病风险，反之风险降低，SHAP值越大，风险越高。数据点的颜色反映预测因子的赋值大小，由黄色到紫色代表赋值由高到低：如年龄的赋值60～64岁=0、＞64～74岁=1、＞74～84岁=2、＞84岁=3分别在图中由紫色、浅紫色、橙色、黄色的数据点表示，其中代表60～64岁与＞64～74岁的紫色、浅紫色数据点SHAP值多＜0，＞74～84岁的橙色数据点SHAP值在0.00～0.25，＞84岁的黄色数据点的SHAP值基本 ≥0.25，可以看出＞74～84岁及＞84岁是OS的高风险因素。高龄、气虚质、血瘀质及共病程度与OS患病风险呈正相关，高BMI分级、中心性肥胖与OS呈负相关。见图3。

3 讨论

全球老年人OS患病率为5%～37%[15]；本研究中，乌鲁木齐市60岁及以上老年人OS患病率达10.22％。OS早期症状隐匿，防治关键在早识别、早干预。当前OS诊断成本较高、流程繁琐，不适用于基层快速筛查。本研究在考虑肌骨交互效应后，以气虚质、血瘀质为核心预测变量构建的SVM诊断模型，AUC达0.816，灵敏度和特异度分别为72.3%和78.5%，准确率为75.8%，通过SHAP算法进行可视化后，更符合基层医疗机构快速、精准、低成本的筛查需求。

3.1 “气虚血瘀”对OS识别的意义

本研究发现，气虚质与血瘀质是OS的预测因子，目前尚无鲜见研究，但有报道指出气虚质与血瘀质是OP与SP的危险因素[16-17]。OP、SP同属“痿证”，核心病机在脾肾两虚，进而因虚致淤，使气虚血瘀成为OS的体质基础[18]。同时，新疆气候干燥耗伤肺卫之气，冬季严寒致气血凝滞[19]。且新疆喜高盐、高脂饮食易致过咸伤肾；多肥腻阻碍气血运行。因此，在基层OS中医药防治工作中，可结合“健脾补肾，补气化瘀”原则制订精准防治的策略[20]。

3.2 “肥胖悖论”对OS的识别意义

本研究中，体质量正常、超重或中心性肥胖者OS风险低，低体质量或无中心性肥胖者风险升高。其他学者亦有类似发现[21]。这与“肥胖悖论”有所吻合，脂肪细胞的内分泌作用能调节肌肉骨骼代谢，如鸢尾素可促进肌纤维合成、调节骨转换[22]。且OS作为合并症，患者更易存在高龄、饮食摄入不足、消化功能减退等问题，引发老龄脂肪流失[23]。因此，在对OS高风险老年人进行管理时，制订体质量管理方案，避免过度减重，健康适量的脂肪摄入与体脂肪量保持或许有助于降低肌骨健康风险。

综上所述，随年龄增长，多病共存，气血亏虚，OS风险增加，本研究构建的模型通过多维评估，能够识别OS高风险人群，为个性化干预提供帮助。本研究存在一定的局限性：一方面，仅为单中心研究，外部泛化能力有待验证；另一方面，仅横断面研究。未来会建立多中心队列，为OS防控提供依据。

4 小结

本研究基于SVM模型，以年龄、BMI、中心性肥胖、合并症程度、气虚质、血瘀质为预测变量构建OS风险诊断模型，兼具中医特色与基层适用性，可为中医治未病思想在OS防控中的应用提供依据。

利益冲突声明：本文所有作者均声明不存在利益冲突。

[1] YU C，DU Y，PENG Z，et al. Research advances in crosstalk between muscle and bone in osteosarcopenia （review）[J].Exp Ther Med，2023，25（4）：189.

[2] LIU C，LIU N，XIA Y，et al. Osteoporosis and sarcopeniarelated traits：a bi-directional Mendelian randomization study [J]. Front Endocrinol （Lausanne），2022，13：975647.

[3] 王琦. 中医体质学对共病诊疗的理论创新与实践[J]. 北京中医药大学学报，2025，48（11）：1481-1486.

[4] WANG Y J，WANG Y，ZHAN J K，et al. Sarco-osteoporosis：prevalence and association with frailty in Chinese community-dwelling older adults [J]. Int J Endocrinol，2015，2015：482940.

[5] KIRK B，MILLER S，ZANKER J，et al. A clinical guide to the pathophysiology，diagnosis and treatment of osteosarcopenia [J]. Maturitas，2020，140：27-33.

[6] 中国健康促进基金会基层医疗机构骨质疏松症诊断与治疗专家共识委员会. 基层医疗机构骨质疏松症诊断和治疗专家共识（2021）[J]. 中国骨质疏松杂志，2021，27（7）：937-944.

[7] CHEN L K，WOO J，ASSANTACHAI P，et al. Asian working group for sarcopenia：2019 consensus update on sarcopenia diagnosis and treatment [J]. J Am Med Dir Assoc，2020，21（3）：300-307.e2.

[8] 柳璇. 《老年版中医体质分类与判定》量表研制与初步应用分析[D]. 北京：北京中医药大学，2013.

[9] 国家卫生健康委员会肥胖症诊疗指南编写委员会，张忠涛，纪立农.肥胖症诊疗指南（2024年版）[J]. 中国循环杂志，2025，40（1）：6-30.

[10] CHARLSON M，SZATROWSKI T P，PETERSON J，et al.Validation of a combined comorbidity index [J]. J Clin Epidemiol，1994，47（11）：1245-1251.

[11] BUYSSE D J，REYNOLDS C F，MONK T H，et al. The Pittsburgh sleep quality index：a new instrument for psychiatric practice and research [J]. Psychiatry Res，1989，28（2）：193-213.

[12] RUBENSTEIN L Z，HARKER J O，SALVÀ A，et al.Screening for undernutrition in geriatric practice：developing the short-form mini-nutritional assessment（MNA-SF）[J]. J Gerontol A Biol Sci Med Sci，2001，56（6）：M366-M372.

[13] FOLSTEIN M F，FOLSTEIN S E，MCHUGH P R. “Minimental state”. A practical method for grading the cognitive state of patients for the clinician [J]. J Psychiatr Res，1975，12（3）：189-198.

[14] 李亚玲，丁福. STEADI老年人跌倒风险自评量表的汉化及信效度检验[J]. 护理学杂志，2020，35（3）：8-12.

[15] ZANKER J，DUQUE G. Osteosarcopenia：the path beyond controversy [J]. Curr Osteoporos Rep，2020，18（2）：81-84.

[16] 姜瑞. 中医体质与原发性骨质疏松症相关性的Meta分析[D]. 武汉：湖北中医药大学，2024.

[17] WANG C，ZHANG H，NIE X，et al. Traditional Chinese medicine constitution and sarcopenia：a cross-sectional study [J].Front Public Health，2024，12：1368933.

[18] 孙飞，蒋浩波，孙钰，等. 基于OPG/RANK/RANKL信号通路探讨中医学“从虚从瘀”论治骨质疏松症的科学内涵[J]. 湖南中医药大学学报，2025，45（8）：1537-1542.

[19] 王智星. 高原气虚血瘀证动物模型构建及补阳还五汤干预研究[D]. 西宁：青海大学，2025.

[20] 杨圣敏，闫晓蓉. 干旱环境下各民族饮食文化共享共有特点研究[J]. 贵州民族研究，2024，45（3）：89-93.

[21] MATHIEU M，GUILLOT P，RIAUDEL T，et al. Association between bone mineral density and fat mass independent of lean mass and physical activity in women aged 75 or older [J]. Nutrients，2021，13（6）：1994.

[22] KIRK B，FEEHAN J，LOMBARDI G，et al. Muscle，bone，and fat crosstalk：the biological role of myokines，osteokines，and adipokines [J]. Curr Osteoporos Rep，2020，18（4）：388-400.

[23] DU Y，TAO S，OH C，et al. The function of body mass index in the older with osteosarcopenia：a systematic review and meta-analysis [J]. J Obes Metab Syndr，2023，32（1）：77-86.

【作者机构】	¹新疆医科大学护理学院； ²新疆医科大学附属中医医院幸福路分院； ³新疆维吾尔自治区人民医院呼吸与危重症医学中心
【分类号】	R473.1
【基金】	新疆维吾尔自治区研究生科研创新项目（XJ2025G150）新疆维吾尔自治区区域协同创新专项-科技援疆计划项目（2022E02119）。

基于中医体质及可解释机器学习算法构建社区老年人肌少-骨质疏松症风险诊断模型

目录

文内图表