01NHANES高分指标
表型年龄——PHENOAGE
一个用于评估个体生物学年龄的指标，反映了个体的生理状态与实际年龄之间的关系。它综合考虑了多个健康指标和生理参数，因此可以用来更好地反映个体的健康状况。
指标计算方式：
表型年龄是使用实际年龄和9个生物标志物（白蛋白、肌酐、葡萄糖、[log] C 反应蛋白 [CRP]、淋巴细胞百分比、平均细胞体积、红细胞分布宽度、碱性磷酸酶和白细胞计数）计算的。这些生物标志物是使用基于10倍交叉验证的死亡率比例风险弹性网模型选择的。
表型年龄（加速)——PHENOAGE_ADVANCE
指个体的生物学年龄与实际年龄之间的差异，用于衡量老化速度。
计算方法：PHENOAGE_ADVANCE计算为实际年龄回归PhenoAge的残差。
表型年龄相关指标数据，在郑老师团队开发的NHANES Online平台均可一键提取和分析，详情可见：表型年龄和表型年龄加速（加速）
02论文解读
2025年9月11日，北京协和医学院学者用NHANES数据库，在期刊《Geroscience》（医学二区，IF=5.4）发表了一篇题为：“Phenotypic age acceleration as a novel predictor of benign prostatic hyperplasia: a prospective cohort study”的研究论文，旨在探究表型年龄和表型年龄加速对良性前列腺增生（BPH）的预测价值，并开发一个基于机器学习的风险预测模型，为精准预防和临床管理策略提供信息。
研究表明，表型年龄加速是BPH的一个独立的、可改变的危险因素，具有很强的预测价值。
风暴统计公共数据库公众号回复“ 原文”即可获得文献PDF等资料。如需试用NHANES Online平台，欢迎添加郑老师助教vx：aq566665
研究背景
良性前列腺增生（BPH）是一种常见于老年男性的泌尿系统疾病，全球疾病负担逐年加重。传统上认为年龄是其主要风险因素，但近年来BPH发病呈现年轻化趋势，仅凭实际年龄已不足以解释其发病机制。
数据来源
研究基于美国国家健康与营养调查（NHANES）2001–2008年的数据，经过纳排，最终纳入784名具有完整生物标志物数据的男性参与者，其中621例为BPH患者。
此外，外部验证数据来源于NHANES 2001–2002年的数据。
研究方法
研究利用Logistic回归分析表型年龄加速与BPH风险关联。
在构建预测模型方面，研究通过递归特征消除 （RFE）筛选与BPH相关的特征，构建并比较多种机器学习模型（随机森林、Logistic回归XGBoost）预测性能，并利用SHAP值进行特征重要性解释。
主要研究结果
研究通过RFE，共筛选出34个可能与 BPH 相关的特征。
基于此，研究通过三种机器学习算法构建预测模型，其中，XGBoost模型表现最佳（测试集AUC=0.833，验证集AUC=0.707）。
图1 机器学习模型的开发和验证
Logistic回归结果显示，表型年龄与实际年龄显著正相关（r = 0.833），而表型年龄加速与BPH风险显著正相关。
图2 表型年龄动态变化及其与BPH风险的关联
基于上述发现，研究进一步用表型年龄替换了实际年龄，结果显示，XGBoost 模型AUC提升至0.853。
这意味着，相较于实际年龄，表型年龄具有更高的预测效能。
此外，SHAP分析显示，表型年龄是第三重要的预测因子，仅次于癌症史和铅暴露。
图3 使用表型年龄调整XGBoost模型的可解释风险分层
研究结论
表型年龄加速是BPH的独立风险因素，具有良好的预测能力。同时，结合多生物标志物（例如白蛋白和 CRP）的机器学习模型，能有效提升BPH的风险分层精度，尤其适用于年轻人群的早期识别。
