生物心理社会风险评分能否分层健康人群的疾病易感性？

评分针对累积负担而非单一疾病

多数风险工具回答一个狭窄的问题：这个人会不会得某种特定疾病？这篇论文问得更宽。它把疾病易感性定义为未来累积不良健康结局的倾向，并构建了一个单一数值——疾病易感性风险评分（RS4DV），用来在看似健康的人群中按这种倾向排序。

模型学习的目标是累积疾病负担：按预设清单对已诊断疾病做简单计数，疾病依据ICD-10编码定义，且记录发生在基线评估之前。清单既包括高血压、糖尿病、哮喘和关节炎等躯体疾病，也包括抑郁、焦虑障碍和精神分裂症等精神障碍。作者说明他们没有按临床严重程度给疾病加权；这个计数意在作为健康状况的总体指标，而不是共病测量。

这一选择决定了评分能表达什么、不能表达什么。RS4DV高，说明此人的测量特征与后来累积许多诊断的人相似。它并不指明接下来会出现哪种疾病，论文也明确指出，RS4DV不能精确预测个体未来疾病的确切数量。

85项指标训练一个梯度提升模型

输入是基线触屏评估中采集的85个变量，分为三个领域。心理健康包括神经质条目、近两年创伤事件，以及情绪因素，例如因神经紧张、焦虑、紧张感或抑郁而就诊。身体健康包括用MET评分衡量的活动量、睡眠问题、吸烟与饮酒，以及BMI和血压等人体测量指标。社会人口学因素包括教育、收入、就业、家庭构成和人口学特征。

在这些特征上缺失值超过20%的参与者被排除，502,180人中留下482,057人。其余缺失值用贝叶斯岭回归插补填补，插补在发现队列和测试队列中分别进行，以避免信息泄漏。391,193人的发现队列按7:3分为训练集和验证集，另有90,864人的留出测试队列用于评估。

研究在训练和验证数据上用R²、均方误差和平均绝对误差比较了五种算法，最终选择Light Gradient Boosting Machine构建最终模型。超参数通过网格搜索结合五折交叉验证调优，并用验证集表现做早停以限制过拟合。留出测试队列不参与算法选择。

风险分层在中位14.7年随访中保持

最关键的前瞻性检验使用了基线无诊断的留出参与者：测试集35,193人，内部验证集46,550人。在中位14.7年随访中，基线RS4DV追踪了后来的疾病累积，测试子集相关系数ρ = 0.30，验证子集ρ = 0.32。

风险组之间的差距很大。到第15年，测试集中RS4DV最高十分位组的疾病进展累积发生率为62.9%，最低十分位组为21.5%；全因死亡累积发生率分别为11.2%和1.0%。验证集的对应数字是疾病进展64.5%对18.4%，死亡13.3%对1.6%。

在单变量Cox模型中，RS4DV每增加一个单位与疾病进展相关（测试集HR = 2.60，95% CI 2.51–2.70），也与全因死亡相关（HR = 4.03，95% CI 3.68–4.41）。这些是观察性队列中的关联，并不能证明改变评分就会改变结局。疾病特异性分析发现，最高十分位组有25种疾病的发病率更高，高风险人群中以心血管代谢疾病和精神健康障碍为主。

在衰弱与常规因素之上增益有限

如果一个评分只是换一种方式表达年龄或既有衰弱，它的价值就很有限。论文把RS4DV与两个已有指标做了基准比较。作为留出测试集中的单独预测指标，它对疾病进展的C指数为0.620，衰弱指数为0.576；对死亡为0.703对0.598。与蛋白质组生物学年龄差距相比，疾病进展为0.627对0.507，死亡为0.685对0.578。

增量增益较小。把RS4DV加入常规协变量后，测试集C指数在疾病进展上从0.611升到0.626，在死亡上从0.764升到0.771。把它加入已含常规协变量和衰弱的模型后，C指数分别从0.627升到0.632、从0.771升到0.774。在蛋白质组子集中，在协变量、衰弱和蛋白质组年龄差距之上再加入RS4DV，疾病进展的C指数从0.641升到0.645，死亡从0.765升到0.767。

因此更诚实的解读是：这是一个区分度中等的评分，携带了一些缺陷累积或蛋白质组衰老未捕捉到的信息，但在完整模型之上的边际贡献很小。10年和15年的校准预测与观察风险接近，决策曲线分析显示，相对于仅用常规协变量，额外净获益有限。

基因组、蛋白质组与影像信号相互印证

为了判断评分反映的是生物学而非问卷假象，作者检查了三个分子与影像层面。在127,898名无病个体中开展的全基因组关联研究识别出10个全基因组显著位点，对应26个基因，富集于MAPK级联调控、DNA修复和细胞内蛋白质运输通路。基因组膨胀程度轻微（λ = 1.25），LD score回归截距为1.03，作者将其解读为多基因性而非群体分层。

由该GWAS衍生的多基因风险评分在基线时与RS4DV仅弱相关（ρ = 0.06），但在随访中随疾病进展分组呈现梯度模式。蛋白质组和神经影像分析同样识别出相关指标，中介模型把多基因风险、蛋白组和脑结构与RS4DV联系起来。

这些分析支持跨组织层级的生物学合理性，这是作者的解读。它们并未证明心理社会或生活方式输入导致后来的疾病，中介结果来自观察性建模而非干预。

六项常规指标保留了大部分排序能力

为了便于实际使用，作者把模型缩减为六项常规可获取的临床与自报指标，覆盖身体、心理和总体健康领域。完整模型曾突出心理健康就诊、年龄、包括BMI和握力在内的人体测量指标、收缩压，以及疲倦或乏力是重要预测因素。

简化模型显示出中等预测性能，并与完整模型高度一致。其风险分层仍然存在：到第15年，测试子集中最高十分位组的疾病进展为60.3%，最低十分位组为22.3%；死亡为9.0%对1.0%。对疾病进展，六项评分的风险区分优于其六个单项指标中的任何一个；对死亡，它与年龄相当，并优于其余五项。

迁移能力在1970年英国出生队列（n = 6,575）中检验，按70:30分为训练集和测试集。把英国生物银行训练的模型直接用于BCS70测试集而不做优化时，预测值与观察结局的相关系数为ρ = 0.67；用BCS70训练集微调后升至ρ = 0.72。这是第二个英国队列内的跨队列证据，并非在不同国家或医疗体系中的验证。

用于优先级排序而非诊断

论文自身的定位把RS4DV放在原始预防中：在明显共病出现之前，标记出综合生物心理社会特征值得更早评估的人。它的价值在于所支持的比较。临床医生或研究者拿到六项常规指标后，可以给个体排序，并看到在测试子集中最高十分位组的15年疾病进展发生率约为最低十分位组的三倍，这是单一风险因素无法提供的信息。

边界同样具体。队列是招募时40–70岁的英国生物银行参与者，另有一个英国队列用于迁移；在其他人群中的表现尚未检验。评分的区分度中等，在常规协变量加衰弱之上的增量C指数约为0.005，作者呼吁开展前瞻性研究，以确定它如何影响干预策略和关注差异的健康规划。

因此实际优先级不是把RS4DV当作判决，而是在需要廉价、多领域排序时使用它：在时间、数据或评估负担受限时，决定谁应接受进一步评估。六项版本是作者为这类场景定位的形式，而它与自身各组分的比较是论文中最具决策相关性的结果。

本文引用的文献