Machine-Learning-Altersindex CKMAI sagt Sterblichkeit in CKM-Kohorte voraus
In einer gewichteten NHANES-Kohorte 2005–2018 mit 6.896 Erwachsenen sagte ein auf das kardiovaskulär-nieren-metabolische Syndrom zugeschnittener Machine-Learning-Altersindex (CKMAI) Gesamt- und Herz-Kreislauf-Sterblichkeit sowie einen Hochrisiko-CKM-Status besser voraus als PhenoAge, KDM und CMI. [1]
Automatische Zusammenfassung · nicht redaktionell geprüft
Die Kernaussagen
Die retrospektive Kohorte umfasste 6.896 Erwachsene aus NHANES 2005–2018, gewichtet für die erwachsene US-Bevölkerung, und nutzte einen zweistufigen Machine-Learning-Ansatz zum Aufbau des CKMAI. [1]
CKMAI übertraf PhenoAge, KDM und den kardiometabolischen Index bei allen Endpunkten durchgängig, mit zeitabhängigen AUCs von 0,893 nach 3 Jahren, 0,907 nach 5 Jahren und 0,890 nach 10 Jahren für die Gesamtsterblichkeit. [1]
Das Clustering ergab sechs alters-metabolische Phänotypen, und der Cluster der gebrechlichen Älteren hatte das höchste Sterblichkeitsrisiko (Hazard Ratio 11,74, 95%-KI 7,85–17,57). [1]
Die Quelle auf einen Blick
- Studientyp / Format
- Retrospektive Kohortenstudie (Abstract).
- Population / Kontext
- 6.896 Erwachsene aus NHANES 2005–2018, gewichtet für die erwachsene US-Bevölkerung.
- Grundlage der Zusammenfassung
- Studienabstract
- Original veröffentlicht
- 6. Oktober 2026
Retrospektive NHANES-Kohorte mit 6.896 Erwachsenen
Es handelte sich um eine retrospektive Kohortenstudie mit 6.896 Erwachsenen aus NHANES 2005–2018, gewichtet für die erwachsene US-Bevölkerung. Die Autoren entwickelten einen CKM-spezifischen Altersindex (CKMAI) mit einem zweistufigen Machine-Learning-Ansatz, der über 100 Kandidaten-Überlebensmodelle prüfte; das optimale Modell wurde per Pareto-Front-Optimierung gewählt. Die Vorhersageleistung wurde mit zeitabhängiger AUC, Netto-Re-Klassifikationsverbesserung, integrierter Diskriminationsverbesserung, Kalibrierung und Entscheidungskurvenanalyse bewertet. Der Abstract nennt einen mittleren C-Index von 0,893 für das Pareto-optimale einfache Cox-Modell.
Beleg [1]
CKMAI übertraf PhenoAge, KDM und CMI
CKMAI übertraf PhenoAge, KDM und den kardiometabolischen Index bei allen Endpunkten durchgängig. Für die Gesamtsterblichkeit lagen die zeitabhängigen AUCs bei 0,893 (95%-KI 0,851–0,925) nach 3 Jahren, 0,907 (0,884–0,927) nach 5 Jahren und 0,890 (0,868–0,910) nach 10 Jahren. Für die Herz-Kreislauf-Sterblichkeit betrugen sie 0,904 (0,840–0,943), 0,937 (0,892–0,960) und 0,937 (0,900–0,959); für den Hochrisiko-CKM-Status 0,790 (0,765–0,816). Reklassifikations- und Diskriminationsverbesserungen waren zu allen Zeitpunkten signifikant, und die Entscheidungskurvenanalyse zeigte einen höheren Nettonutzen.
Beleg [1]
Schwellenwerte, Phänotypen und teilweise Depression-Mediation
Für alle drei Endpunkte fanden sich nichtlineare Zusammenhänge, mit steilerem Risikoanstieg unterhalb von Wendepunkten bei CKMAI 61,587 (Gesamtsterblichkeit), 60,732 (Herz-Kreislauf-Sterblichkeit) und 34,092 (Hochrisiko-CKM-Status). CKMAI zeigte eine überadditive Interaktion mit PhenoAge (relatives Exzessrisiko durch Interaktion 15,06, 95%-KI 8,14–38,44). Das Clustering ergab sechs alters-metabolische Phänotypen; der Cluster der gebrechlichen Älteren hatte das höchste Sterblichkeitsrisiko (Hazard Ratio 11,74, 95%-KI 7,85–17,57). Depression vermittelte die Zusammenhänge teilweise, mit vermittelten Anteilen von 5,6% für Gesamtsterblichkeit, 8,2% für Herz-Kreislauf-Sterblichkeit und 11,1% für Hochrisiko-CKM-Status.
Beleg [1]
Was sich daraus ableiten lässt – und was nicht
Nur Abstract; der Volltext wurde nicht geprüft. Eine zentrale genannte Einschränkung ist die fehlende Validierung in geografisch unabhängigen Kohorten mit vollständiger Sterblichkeitsnachbeobachtung; eine zeitliche Validierung innerhalb von NHANES und eine vorläufige externe Validierung in einer chinesischen Klinikkohorte (n = 261) stützten die Übertragbarkeit für die Erkennung eines Hochrisiko-CKM-Status. Zusammenhänge sind keine Ursachen.
Grundlage: Studienabstract. Volltext, Tabellen und ergänzende Daten wurden nicht geprüft.
Quelle & Belegstellen
Zhu Z, Ren K, Wang D, Lv Y, Jin H, Zhang L, Wang Y. · europepmc.org · 6. Oktober 2026