数据驱动的超重及肥胖并发症高风险个体减重干预优先排序研究

《Nature Medicine》：Data-driven prioritization of high-risk individuals for weight loss interventions

　　

摘要：新型肥胖药物治疗在临床试验中已证实疗效，但其实际应用受限于缺乏基于肥胖相关并发症风险识别治疗人群的方法。在此，研究人员提出一种风险预测模型以指导高风险个体的优先排序。在一个包含约200,000名体重指数（BMI）超过27 kg m?2的人群样本中，机器学习框架从数千个测试特征中识别出20个最具信息量的特征，用于预测18种肥胖并发症的未来发病，提供了超越BMI的信息。一个综合模型（OBSCORE）成功地将个体按10年发病率分为不同的风险组：例如，心血管死亡率分别为5.7%、1.8%、0.9%、0.4%和0.1%。研究人员在欧洲和非欧洲血统的独立人群中证明了模型的普适性，并在SURMOUNT-1试验参与者中显示，尽管基线OBSCORE风险组不同，但替尔泊肽（tirzepatide）治疗后的体重减轻相似，且预测风险随治疗下降。总之，OBSCORE提供了一个基于肥胖相关并发症风险对超重或肥胖高风险个体进行优先排序的框架，是对基于BMI框架的补充。

论文解读：基于多模态数据驱动的肥胖并发症风险分层与干预优先策略

研究背景与立项依据

肥胖作为一种慢性代谢性疾病，其全球疾病负担在过去三十年间急剧攀升，每年导致约500万人死亡及1.3亿伤残调整寿命年的损失。尽管以胰高血糖素样肽-1（GLP-1）和葡萄糖依赖性促胰岛素多肽（GIP）为靶点的新型药物（如司美格鲁肽、替尔泊肽）在肥胖治疗中展现出显著疗效，但在西方人群中60%-70%的成人患有超重或肥胖，对所有符合条件者进行药物干预对医疗系统构成了巨大挑战。目前的临床实践主要依赖体重指数（BMI）进行风险评估，然而BMI在预测个体并发症风险方面存在明显局限性，无法区分“代谢健康型肥胖”与高风险个体。尽管学术界呼吁超越BMI定义“临床肥胖”，但如何整合多维数据以精准识别高风险人群并指导资源分配，此前尚未建立数据驱动的标准化框架。为此，研究人员基于大规模人群队列，旨在通过机器学习方法构建并验证一个能够预测多种肥胖相关并发症的综合风险评分模型（OBSCORE）。

该研究由来自多个国际机构的研究团队完成，成果发表于顶级医学期刊《Nature Medicine》。

关键技术方法概述

本研究采用了可解释的机器学习框架，核心流程包括特征筛选、模型构建与外部验证。研究对象主要来自英国生物样本库（UK Biobank, UKB），纳入了近20万名BMI ≥ 27 kg m^?2的个体。研究人员整合了超过2,390个基线特征，涵盖一般健康行为与生活方式、疾病史与用药记录、临床血液生物标志物、心肺功能参数、身体成分、血浆代谢物及多基因评分（Polygenic Scores）。通过套索回归（LASSO）和岭回归（Ridge）Cox比例风险模型的两步法，筛选出最优预测因子。模型性能通过一致性指数（C-index）进行评估，并利用自助法（Bootstrap）计算95%置信区间。外部验证则在欧洲癌症前瞻性调查-诺福克（EPIC-Norfolk）研究和Genes & Health（G&H）研究中独立进行。此外，研究人员还将模型应用于SURMOUNT-1随机对照试验的个体水平数据，以评估其对治疗反应的预测能力。

研究结果

单模态结局特异性模型的性能

研究人员首先评估了单一数据模态（Domain）的预测效能。结果显示，不同数据领域的预测能力差异显著。其中，“一般健康与行为”（中位C-index 0.713）和“临床血液生物标志物”（中位C-index 0.695）表现最佳，而“多基因评分”的预测效能最低（中位C-index 0.564）。这表明在临床常规可及的参数中蕴含着最强的预后信息。

多模态结局特异性模型的性能

当研究人员逐步整合不同数据域构建多模态模型时，发现加入“疾病与药物摄入”及“临床血液检测”指标后，模型性能较基础模型有显著提升（中位平均C-index增加0.025）。然而，进一步加入心肺参数、身体成分、血浆代谢物或多基因评分并未带来显著的增量增益（变化幅度多在±0.003以内）。这提示在临床应用中，基于常规电子健康记录（EHR）数据的模型已能捕捉绝大部分风险信号。

数据驱动的共享临床模型OBSCORE的性能

鉴于针对每种并发症单独建模在临床实践中不具可行性，研究人员开发了一个统一的共享模型——OBSCORE。该模型仅包含20个临床易获取的特征（如年龄、性别、腰围身高比、HbA1c、肌酐等）。在与传统模型的头对头比较中，OBSCORE在所有17种结局上的表现均优于基于年龄、性别和BMI的基础模型，且在大多数情况下优于动脉粥样硬化性心血管疾病（ASCVD）风险估计器。特别是在非心血管结局（如2型糖尿病T2D、睡眠呼吸暂停）方面，OBSCORE的优势更为突出（例如T2D的C-index差值达0.146）。在EPIC-Norfolk和G&H研究的外部验证中，OBSCORE表现出高度的普适性（相关系数r = 0.83）。

OBSCORE的风险分层能力

OBSCORE的核心价值在于其卓越的风险分层能力。研究发现，即便在BMI 27–30 kg m^?2（单纯超重）的人群中，也有相当一部分个体被归类为高风险，其未来10年并发症发生率与低风险的肥胖（BMI ≥ 30 kg m^?2）个体相当。例如，在最高风险五分位的人群中，T2D的发生风险率比（Rate Ratio）高达42倍。这意味着仅依赖BMI会遗漏大量具有潜在高风险的超重患者。研究人员还开发了交互式网页工具（omicscience.org/apps/obscore/）供临床探索。

OBSCORE在SURMOUNT-1试验中的应用

在针对替尔泊肽的SURMOUNT-1试验数据的二次分析中，研究人员发现尽管基线OBSCORE风险不同，但各风险组对药物的体重减轻反应相似，且治疗后所有结局的预测风险均显著降低。这证实了OBSCORE不仅能识别高危人群，还能捕捉治疗带来的风险动态变化。

讨论与结论

本研究通过系统性的数据驱动分析，确立了OBSCORE作为一种实用的临床决策支持工具的地位。它解决了当前肥胖药物准入中过度依赖BMI的痛点，为医保支付方和临床医生提供了一种基于绝对风险的优先排序机制。尽管存在一些局限性（如队列人群相对健康、部分结局预测效能较低），OBSCORE凭借其仅需20个常规临床特征的简洁性和在多个人群中的稳健性，有望成为现有BMI框架的有力补充。最终，该研究为实现肥胖管理的精准化和资源优化配置提供了重要的科学依据。