肌肉减少症是一种随着年龄增长而逐渐恶化的疾病，主要表现为肌肉质量和功能的下降。内脏脂肪蓄积（VFA）与慢性炎症、胰岛素抵抗等病理机制相关，可能加速肌肉流失，但传统指标（如BMI）无法区分内脏脂肪和皮下脂肪。
2025年7月30日，中山大学学者用NHANES数据库，在期刊《Experimental Gerontology》（医学三区，IF=4.3）发表了一篇题为：“Association between visceral fat accumulation and sarcopenia: A cross-sectional study”的研究论文，旨在评估六种新型内脏脂肪蓄积（VFA）指标与肌肉减少症的关联，并利用机器学习模型预测风险。
六种VFA指标为：相对脂肪质量（RFM）、脂质积累积（LAP）、体重调整腰围指数（WWI）、甘油三酯葡萄糖-腰高比（TyG-WHtR）、胰岛素抵抗代谢评分（METS-IR）和内脏脂肪代谢评分（METS-VF）
研究结果表明，所有内脏脂肪蓄积指标与肌肉减少症风险呈正相关，WWI是其中最重要的预测因素。ML模型获得了较高的预测准确性，突出了内脏脂肪积累在肌肉减少风险和健康衰老促进中的作用。
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，看看这个可一键提取和分析数据的NHANES零代码分析平台！如感兴趣请联系郑老师团队，微信号：aq566665
研究团队基于美国国家健康与营养调查（NHANES）2011-2018年数据，经过纳排，最终纳入了5200名≥18岁且符合条件的成年人。
研究采用多变量Logistic回归分析六种VAF指标与肌肉减少症的关联，并通过平滑曲线拟合和阈值效应分析探索非线性关系。随后，构建九种机器学习模型（如Logistic回归、随机森林等）来预测肌肉减少症的风险，并应用Shapley加性解释（SHAP）来提高模型的可解释性。
图1 研究设计流程
主要研究结果
研究结果显示，六种内脏脂肪指标均与肌肉减少症风险呈显著正相关，其中WWI的预测能力最强（OR=8.778）。
阈值效应分析显示，部分指标，如LAP，在76.747处存在饱和点（>76.747时关联消失），其余指标关联持续但斜率会发生变化。
图2 六种VAF指标与肌肉减少症的非线性关联
表1 采用两段logistic回归模型，探究六种VAF指标对肌肉减少症的阈值效应
此外，亚组分析结果进一步显示，性别和饮食习惯对上述关联有显著影响。
男性中RFM、WWI、TyG-WHtR 和 METS-IR 与肌肉减少症的关联更强；
高蛋白摄入（≥90g/d）放大了METS-VF与肌肉减少症的关联。
九种机器学习模型
研究团队将NHANES数据按7:3随机分为训练集（n=3,640）与测试集（n=1,560）。
基于LASSO回归与Boruta算法交集筛选的7个关键变量（性别、种族、教育水平、热量摄入、WWI、TyG-WHR、METS-VF），研究构建了九种机器学习模型.
其中，Logistic回归模型表现最优（测试集ROC-AUC=0.878，PR-AUC=0.377）。
图3 九种模型的性能比较
(A)训练集ROC曲线；(B)测试集ROC曲线；(C)测试集热图；(D)测试集热图
SHAP分析进一步确认WWI是最重要的预测因子。
图4 LR模型的解释性分析
(A) LR模型特征的SHAP树状图；(B) LR模型特征的重要性排序图；(C) 预测阴性案例的SHAP作用力图；(D) 预测阳性案例的SHAP作用力图
综上所述，内脏脂肪蓄积指标（尤其是WWI）是肌肉减少症的独立预测因子，机器学习模型能够高效识别高风险人群。研究为临床早期筛查和干预提供了实用工具，并强调了内脏脂肪管理在预防肌肉减少症中的重要性。
