目前，采用机器学习方法开发的社区老年人衰弱预测模型的数量不断增加。然而，模型间的性能差异限制了其实际应用。2026年1月12日的《Frontiers in public health》刊载了一项系统综述和荟萃分析，旨在总结和评估这些风险预测模型的性能及临床适用性。

研究者们检索了PubMed、Web of Science、Embase、Cochrane Library、Scopus、CINAHL、SinoMed、VIP、CNKI和万方数据库，检索时限为各数据库建库起至2025年6月10日。采用PROBAST+AI评估工具评价研究质量，使用Stata 18.0软件对曲线下面积（AUC）进行荟萃分析。

该项目共纳入10项研究，开发了45个机器学习（Machine Learning, ML）模型，其中36个模型开展了内部验证，9个开展了外部验证。在内部验证集中，基线衰弱预测模型的合并AUC为0.878（95% CI: 0.799, 0.958），纵向衰弱预测模型的合并AUC为0.730（95% CI: 0.670, 0.790）。当不区分预测时间点合并所有研究时，总体合并AUC为0.786（95% CI: 0.697, 0.875）。

尽管大多数纳入的模型具有良好的区分度和校准度，但目前研究在整体质量和适用性方面仍存在不足。未来研究中，研究人员应遵循TRIPOD+AI声明和PROBAST+AI清单，构建高质量、适用性更强的预测模型。

原文出处：Ou Y, Jiang D, Li P, Zhang W, Zhou Y, Chen Y, Yin X. Prediction of frailty in community older adults based on machine learning: a systematic review and meta-analysis. Front Public Health. 2026 Jan 12;13:1667792. doi: 10.3389/fpubh.2025.1667792. PMID: 41602088; PMCID: PMC12832267.

链接：https://pubmed.ncbi.nlm.nih.gov/41602088/