AIガイドによるサルコペニアリスク評価と検出 (SARC-AI)

背景：

サルコペニアは、骨格筋量と機能の進行性の喪失と定義され、高齢者において転倒、障害、代謝機能不全、および死亡率の重大なリスクをもたらします。 現在の臨床診断は、筋力または筋量の静的な測定に依存しており、初期段階または潜在的な低下を見逃すことがよくあります。 さらに、抵抗運動やタンパク質摂取の増加などの従来の介入は、ベースラインの筋表現型、代謝状態、遺伝子、および腸内細菌叢の組成などの要因により、結果に高い個人間変動を示します。 ウェアラブルセンサー、高スループット代謝プロファイリング、AI/MLアプローチなどの新興技術は、サルコペニアのリスク評価と管理のための予測的で個別化された枠組みを作成する機会を提供します。

目的：

• 筋組成、機能的パフォーマンス、および代謝バイオマーカーを統合してサルコペニアリスクを予測するAI駆動モデルを開発および検証する。
• AI予測とリアルタイムモニタリングに基づいて運動と栄養を組み合わせた、個別化された適応的介入を実施する。
• この介入が高齢者の筋量、機能的パフォーマンス、および代謝健康に及ぼす有効性を評価する。

方法：

第1相：筋組成（DXA、MRI）、機能テスト（握力、椅子からの立ち上がり）、代謝マーカー、およびマイクロバイオームプロファイルを含む、3,500人の成人からのマルチモーダルデータの後方視的分析。 AI/MLモデルは、サルコペニアリスクを予測し、主要な予測的特徴を特定するために訓練されます。 検証は、標準ケア下で新たに募集された参加者のサブセットを使用して行われます。

第2相：第1相の予測に基づいてサルコペニアリスクグループに層別化された、50〜70歳の120人の成人を対象とした12週間の前向き介入。 参加者は、AIガイドによる個別化された運動（抵抗運動と有酸素運動）および栄養計画を受け、ウェアラブルセンサーとモバイルアプリを通じてモニタリングされます。 データ収集には、筋組成のためのMRIおよびDXA、機能的パフォーマンステスト、代謝および炎症バイオマーカー、マイクロバイオームプロファイリング、および自己申告結果が含まれます。 介入反応は、混合効果モデルとMLを使用して分析され、有効性の予測因子を特定します。

意義と革新性：

この研究は、AI駆動のリスク予測と個別化されたリアルタイム適応介入を統合し、サルコペニアケアにおける現在の診断および治療のギャップに対処します。 筋構造、機能、代謝、行動、およびマイクロバイオームデータを組み合わせることで、筋低下の早期検出、個別化された管理、および改善された遵守を可能にします。 この枠組みは、幅広い臨床応用、デジタルヘルス統合、およびスケーラブルなAIベースのサルコペニアプラットフォームとして将来の商業化の可能性を秘めています。

期待される成果：

• 早期発見とリスク層別化のためのAIベースのサルコペニアスクリーニングツール。
• 個人のリスクと生理学に合わせた個別化された運動および栄養プロトコル。
• 臨床または在宅展開に適したスケーラブルなデータ駆動介入枠組み。

サルコペニア介入に対する異質的反応の理解の深化。