这款大数据生成工具基于近 20 万人的数据分析构建，能够揭示哪些人最容易患上严重的肥胖相关疾病，从而提供了一种超越 BMI（身体质量指数）的、更智能的靶向治疗方案。
《自然-医学》杂志最近的一项研究开发并验证了 OBSCORE，这是一个能够识别最可能患上相关健康问题的肥胖或超重人群的模型。
📌 肥胖相关的发病率、治疗进展与资源分配
肥胖是一种慢性病理状况，会显著增加患代谢性疾病（包括 2 型糖尿病和心血管疾病）以及睡眠呼吸暂停等机械性并发症的风险。这些并发症每年导致约 500 万人死亡和 1.3 亿伤残调整生命年，反映出自 1990 年以来增加了三倍。
包括司美格鲁肽（semaglutide）和替尔泊肽（tirzepatide）在内的新兴药物，靶向胰高血糖素样肽-1（GLP-1）和葡萄糖依赖性促胰岛素多肽（GIP）通路，在控制肥胖及其相关合并症方面已显示出显著疗效。然而，鉴于西方国家有 60-70% 的成年人被归类为超重或肥胖，广泛实施药物治疗给医疗系统带来了巨大的后勤和经济挑战。
📌 现有方法的不足与技术突破
这部分解释了为什么要开发新工具，以及为什么现有的 BMI 不够用。
要在药物、饮食、行为和手术干预之间高效分配资源，就需要精确识别和分层那些面临肥胖相关并发症高风险的个体。单纯依赖身体质量指数（BMI）是不够的。目前的框架强调通过包含健康状况和表型亚型的多维视角来定义临床肥胖。尽管如此，稳健风险分层所需的具体参数仍未确定，且缺乏经过验证的、基于数据的风险干预框架。
利用综合基线评估和纵向医疗记录链接的大规模当代人群研究，现在促进了异构数据模式的整合。虽然机器学习技术可以从高维数据集中提取显著预测因子，但它们构建肥胖管理风险临床工具的能力在很大程度上仍未被探索。
📌 OBSCORE 模型的构建与方法
这里详细介绍了研究是如何进行的，使用了什么数据和方法。
通过预测模型识别高危人群
目前的研究推出了 OBSCORE，这是一种用于识别干预高危个体的风险预测工具。它利用了英国生物样本库（UK Biobank, UKB），这是一个针对约 50 万名 40-69 岁英国居民的前瞻性、基于人群的研究。
样本量未通过统计学预先确定，也未使用随机化或盲法。为了反映临床现实，使用了类似于 SURMOUNT-1 试验的排除标准：纳入了 BMI ≥27 kg/m² 的成年人，无论是否伴有合并症。那些有禁忌症或特定疾病的人被排除在外。
一个两步走的机器学习框架结合了用于特征选择的 LASSO 方法和用于优化与验证的正则化 Cox 模型，重点关注每种并发症的前 20 个特征。队列被分为特征选择、优化和验证集，模型性能通过自助法 C-指数进行评估。
为了提高临床实用性，设计了一个包含 20 个核心特征的单一模型，旨在通过预测多种并发症来实现临床环境中的实际应用，并根据需要重新训练特定结果的模型。共享临床模型在欧洲癌症前瞻性调查（EPIC）-诺福克队列（针对部分结果）以及涉及英国巴基斯坦和孟加拉裔成年人的“基因与健康”研究（针对 2 型糖尿病）中进行了外部验证。
📌 研究结果：超越 BMI 的精准分层
最后一部分展示了实际的数据结果。
OBSCORE 实现了超越 BMI 的精确、个体化风险分层
在近 50 万名英国生物样本库参与者中，有 197,264 人符合减肥试验标准（97,421 人超重，99,843 人肥胖；中位年龄 58 岁）。在基线时，9.3% 患有 2 型糖尿病，4.4% 有主要心脏病史。在 10 年期间，追踪了 18 种肥胖相关并发症，其中关节病和高血压最为常见，并记录了 9,337 例死亡。在 2,390 个候选预测因子中，去除高度相关的变量后保留了 2,078 个。
📌 数据表现与模型构建
一般健康状况、行为习惯以及临床血液生物标志物提供了最佳的预测性能；而多基因评分（polygenic scores）的表现最差。
包含所有特征所得出的结果与仅使用前 20 个特征的结果相似，但在疾病和药物方面，使用更多特征确实能带来更好的性能。
为了测试预测准确性，研究人员利用每个领域的 20 个主要特征，逐步添加了不同类型的健康数据。将诊断、药物和血液检测与一般健康信息相结合，提高了预测准确性，这突显了临床记录的价值。然而，添加额外数据（如心肺测量、身体成分、代谢物或遗传信息）对大多数结果几乎没有提供额外的益处。
对于痛风、慢性肾病和 2 型糖尿病等病症，观察到了最强的预测性能。这些结果主要由血液生物标志物驱动；然而，某些病症（包括膈疝）仍然难以准确预测。
研究人员确定了 20 个共享的、大多不相关的临床特征，以创建一个单一的模型——OBSCORE，用于预测所有 18 种结果的风险。该模型优先考虑快速、临床可用的数据，而不是像代谢物和遗传学那样贡献甚微的复杂标记。
📌 与现有方法的对比优势
OBSCORE 展现了与更复杂的、针对特定结果的模型相当的预测准确性，差异极小。它始终优于基于 BMI 的方法和基于既定风险评分（如 ASCVD 和 SCORE2）特征的模型，特别是对于 2 型糖尿病和睡眠呼吸暂停等非心血管疾病。这些发现在患者亚组中非常稳健，并在外部队列中显示出普遍性，突显了该模型跨人群应用的潜力。
在比较不同假阳性阈值下的检出率时，OBSCORE 与扩展的特定结果模型表现相似。重要的是，OBSCORE 能更有效地识别高风险个体，这一点反映在并发症的验后概率（post-test probabilities）更高上，尤其是对于 2 型糖尿病。虽然 OBSCORE 的校准总体强劲，但也注意到偶尔会高估风险；这通过进一步的统计调整得到了缓解。
📌 精准分层与实际应用
通过根据绝对风险对个体进行分层，OBSCORE 能够实现更有针对性的干预。值得注意的是，许多被确定为高风险的人只是超重而非肥胖，这暴露了单纯依赖 BMI 进行风险评估的局限性。风险在 BMI 类别内也有很大差异，与仅使用 BMI 相比，OBSCORE 在高风险和低风险组之间提供了更明显的区分，从而导致预测结果的巨大差异。研究人员还开发了一个交互式在线工具，允许用户探索个性化的风险评估。
在 SURMOUNT-1 试验中，药物替尔泊肽（tirzepatide）在所有 OBSCORE 风险组中均降低了体重和腰高比。被归类为高风险的人群平均绝对减少量更大，尽管相对减少量略小。治疗后，所有替尔泊肽组的 OBSCORE 风险估计值均显著下降，表明该模型对干预后预测风险的变化是敏感的。
📌结论与局限性
OBSCORE 提供可扩展的临床决策支持潜力
目前的研究开发并验证了一种风险预测工具，以更好地识别有发生肥胖相关并发症高风险的个体。通过准确的风险分层，该工具可以帮助临床医生确定早期干预的优先次序，并更有效地分配资源。这些发现支持实施数据驱动的、以风险为中心的方法，作为个性化肥胖管理策略的补充决策支持框架。在常规临床采用之前，还需要进一步的验证、校准和临床有意义风险阈值的定义。
然而，应考虑几个局限性，包括主要关注中老年参与者、英国生物样本库人群比平均水平更健康、电子健康记录衍生的结果可能存在的偏差，以及某些病症（如胃食管反流病和关节病）的预测性能降低。此外，确定的预测因子不一定是因果关系，需要在不同人群中进行进一步验证。
Journal reference:
- Demircan, K. et al. (2026). Data-driven prioritization of high-risk individuals for weight loss interventions. Nature Medicine, 1-11. DOI: https://doi.org/10.1038/s41591-026-04353-2. https://www.nature.com/articles/s41591-026-04353-2
苏公网安备