AI引导的肌肉减少症风险评估与检测 (SARC-AI)

背景：

肌肉减少症定义为骨骼肌质量和功能的进行性丧失，对老年人的跌倒、残疾、代谢功能障碍和死亡率构成重大风险。 目前的临床诊断依赖于肌肉力量或质量的静态测量，常常错过早期或亚临床衰退。 此外，传统干预措施如抗阻训练和增加蛋白质摄入，由于基线肌肉表型、代谢状态、遗传和肠道微生物组成等因素，显示出高度的个体间结果差异。 新兴技术，包括可穿戴传感器、高通量代谢分析和人工智能/机器学习方法，为创建预测性、个体化的肌肉减少症风险评估和管理框架提供了机会。

目标：

• 开发和验证一个整合肌肉组成、功能表现和代谢生物标志物的人工智能驱动模型，以预测肌肉减少症风险。
• 实施一个结合运动和营养的个性化、适应性干预，由人工智能预测和实时监测指导。
• 评估该干预对老年人肌肉质量、功能表现和代谢健康的有效性。

方法：

第一阶段：对3,500名成年人的多模态数据进行回顾性分析，包括肌肉组成（双能X射线吸收法、磁共振成像）、功能测试（握力、椅子起立）、代谢标志物和微生物组谱。 人工智能/机器学习模型将被训练以预测肌肉减少症风险并识别关键预测特征。 验证将使用新招募参与者的子集在标准护理下进行。

第二阶段：在120名50-70岁的成年人中进行为期12周的前瞻性干预，根据第一阶段预测将参与者分层为肌肉减少症风险组。 参与者将接受人工智能指导的个性化运动（抗阻和有氧）和营养计划，通过可穿戴传感器和移动应用程序监测。 数据收集包括用于肌肉组成的磁共振成像和双能X射线吸收法、功能表现测试、代谢和炎症生物标志物、微生物组谱以及自我报告结果。 干预反应将使用混合效应模型和机器学习分析，以识别疗效的预测因子。

意义与创新：

本研究将人工智能驱动的风险预测与个性化、实时适应性干预相结合，解决了当前肌肉减少症护理中的诊断和治疗差距。 通过结合肌肉结构、功能、代谢、行为和微生物组数据，它实现了肌肉衰退的早期检测、个体化管理并提高了依从性。 该框架具有广泛的临床转化潜力，可整合到数字健康中，并作为可扩展的人工智能肌肉减少症平台未来商业化。

预期成果：

• 基于人工智能的肌肉减少症筛查工具，用于早期检测和风险分层。
• 根据个体风险和生理特征定制的个性化运动和营养方案。
• 适用于临床或家庭部署的可扩展、数据驱动的干预框架。

增强对肌肉减少症干预异质性反应的理解。