用深度学习从临床病历构建的电子衰弱指数：在193 629名芬兰人中，最衰弱者的死亡风险升高逾7倍——但其分界值是在它所预测的死亡率上校准的

由坦佩雷大学牵头的一支团队构建了新一代电子衰弱指数：在编码诊断和化验结果之外，一个深度学习模型从自由文本临床病历中提取十项功能性缺陷（活动能力、视力、听力、孤独、需要照护）。在193 629名35至103岁的芬兰人中，最衰弱者的死亡风险升高7.3倍、重症感染风险升高9.2倍。但界定衰弱的分界值，是在该指数随后所预测的死亡率上校准的；唯一的比较对象是两个被用于其适用范围之外的、基于编码的评分；而且没有任何结果在单一芬兰县之外得到验证。

关于背景

衰弱是一种因生理储备下降、以及在应激后恢复平衡的能力减弱而导致的易损状态。它强烈预测死亡、住院和入住长期照护机构，但在日常临床中却很少被测量。衰弱指数（FI）的思路是统计跨越机体各系统累积的"健康缺陷"：累积得越多，就越衰弱。移植到电子健康档案中，便成为电子衰弱指数（eFI）。

本文所针对的问题是：现有的eFI大多在老年人群上校准，依赖结构化数据（诊断编码）和单一的照护场景。部署最广的英国eFI依赖Read Codes，这是英国国民保健署（NHS）专用的一套编码系统，难以移植到其他以ICD（国际疾病分类）编码的地方。更重要的是，结构化数据难以捕捉构成日常生活中衰弱的东西——活动能力、失禁、孤立、视力、听力——因为这些信息存在于临床病历的自由文本中，而非一份编码清单里。

关于方法

该团队以坦佩雷大学（芬兰）为基地，并有来自意大利、瑞典、澳大利亚和香港的合著者，利用一家芬兰卫生机构——中芬兰县，约27万居民——2010至2023年的全部档案构建其eFI。分析人群为193 629名出生于1920至1975年、年龄35至103岁的人（平均年龄62.0岁，标准差13.6；女性占51.6%）。

该指数汇总53个等权项目，每项按存在或缺失编码：34项ICD-10诊断、9项化验结果，以及由深度学习NLP（自然语言处理）模型从自由文本中提取的10项缺陷——跌倒、失禁、孤独、活动受限、听力障碍、视力障碍、与年龄相关的神经认知问题，以及在盥洗、穿衣和进食方面需要协助。命名实体识别（NER，即在文本中自动识别这些概念）取得的F1分数（精确率与召回率的一种折中，0到1之间）因项目而异，为0.74至0.92。eFI被重新缩放到0至100（中位数2.3）。由数据决定的分界值（8、15、21）划分出四个类别：非衰弱、轻度、中度、重度。

所预测的结局为全因死亡（Cox模型，估计随时间变化的相对风险）、需要住院的重症感染和骨折（2年内），以及医疗服务的使用。比较对象是医院衰弱风险评分（HFRS）和Charlson合并症指数（CCI），二者均基于编码。验证依赖于对同一数据集的内部70/30（训练/测试）划分。

关于结果

在该人群中，77.0%被归为非衰弱，14.4%为轻度，5.9%为中度，2.7%为重度（5 260人）。关联强而有梯度。就死亡而言，重度衰弱者相对非衰弱者的相对风险（风险比，HR）达到7.31（95%置信区间：6.83–7.83）；轻度为2.14，中度为3.97。就重症感染而言，重度组的HR升至9.22（8.52–9.98）——远高于作为比较所引用的一项UK Biobank研究中最衰弱类别所报告的3.37。就骨折而言，HR为2.75（2.52–3.01），C-index（按风险正确排序两名患者的概率）为0.62，与骨折风险的参考工具FRAX（约0.61）相当。以连续方式计，eFI每增加一分，死亡风险升高9%（HR 1.09）。

作者强调的一点是：衰弱在中年期就已存在——重度衰弱见于2.0%的35–49岁者和11.6%的50–64岁者，而65–79岁者为35.1%、80岁及以上者为51.3%。这正是标题"衰弱的完整谱系"的核心论点。作者称eFI在所有终点上都带来"最大的判别力提升"，领先于HFRS和CCI。然而有一个结果不协调：就使用医疗服务的概率而言，重度组的比值比（3.15）低于中度组（3.56）——一种论文并未讨论的非单调性。

做得好的地方

读取编码所丢弃的东西。真正的贡献是从自由文本中提取十项功能性和感觉性缺陷——活动能力、视力、听力、孤立、日常活动需要协助——这些是建立在结构化编码之上的eFI几乎总会漏掉的。NLP站得住脚（F1为0.74至0.92），而这些项目恰恰是赋予衰弱这一概念临床意义的东西。

不常见的规模与年龄窗口。193 629人从2010年随访至2023年，从35岁起，处于一个具有全民覆盖的公共系统中，这限制了与保险相关的选择偏倚。把衰弱的测量扩展到中年，并表明它在那里就已存在且与结局相关，是一项实实在在的贡献：多数eFI止步于65岁以上人群。

诚实的临床锚定。作者把某些数字与可核查的基准相连——骨折C-index 0.62被明确置于FRAX（约0.61）之侧——并展示了跨类别一致的剂量–反应梯度。指数的构建遵循衰弱指数既定的方法学标准，使其可与文献相比较。

做得不够的地方

一个在它所预测之物上校准的分界值。这是核心局限，属于因循环而来的数据泄漏。类别边界（8、15、21）是"根据数据集中观察到的死亡风险"确定的，随后同一批数据又被用来衡量eFI与死亡之间的关联。切分规则是在随后要预测的目标本身上校准的，这机械地抬高了本已惊人的HR（死亡7.31，感染9.22）。若分界值是在整个样本上导出的，单纯的70/30划分并不能消除这一偏倚。

一个处于劣势的比较对象，且没有eFI对eFI的比较。这是一个有偏的比较对象。整篇文章是围绕英国eFI的局限而立论的——却从未对它进行检验。唯一的比较对象是HFRS（一个为住院老年患者设计、却在此被应用于整个35至103岁人群的评分）和Charlson（一个单纯的合并症指数）。"胜过"两个被用于其原有场景之外的、基于编码的评分，并不能证明胜过一个既定的eFI。

要紧的数字缺失，且验证为单中心。这既是误导性指标，也是人群偏倚。文章正文没有给出任何AUROC、任何校准曲线、任何事件计数："最大的判别力提升"仍是一个定性论断，数字被推到了附录。验证是内部的（70/30划分）、回顾性的，基于单一芬兰县——人群同质、几乎全为白人、北欧照护系统——没有任何外部队列。向其他国家和编码系统的可移植性被断言，却从未被证明。最后，NLP模型未被命名，没有共享任何代码，数据处于受限访问，许可为非商业、禁止演绎（CC BY-NC-ND），且这是一份未经同行评议的预印本。

它改变了什么

对研究界而言，有用的信号不是"一个为9的HR"，而是"自由文本增添了编码看不见的功能性缺陷"。这是可复用的——前提是命名模型、公开代码，尤其是进行外部验证。方法学教益很清楚：当风险类别是在随后要预测的那个结局本身上切分的，所报告的风险比会高估其真实价值；唯一可信的裁判是一个外部队列，并把AUROC和校准清楚地摆出来。

对临床医生而言，今天没有什么可以部署：一款单中心研究工具，未经前瞻性验证，未获批准，且是为芬兰编码系统设计的。一个读取病历、以不遗漏患者日常生活的衰弱看板这一想法，在中期是可信的——是对老年科医生的辅助，而非取而代之。对患者和公众而言，这个细微之处很重要："死亡风险升高七倍"描述的是一个从死亡率本身切分出来的人群，而非一个在别处得到验证的预测。这丝毫不减损尽早——从五十来岁起——发现一种仍被广泛漏诊的衰弱的价值。

延伸阅读

预印本可在medRxiv（10.64898/2026.06.23.26356323）上获取。关于用语言模型从临床病历中提取信息，参见我们对Genosolver（读取报告以诊断罕见病）的解读；关于一个风险模型的外部验证及其在原中心之外的性能下降，参见一个10年卒中风险模型；关于所宣称性能与真实条件验证之间的鸿沟，参见一个依从性模型的真实世界验证。

编辑透明度：法文版由Tatakoto编辑部在阅读预印本的基础上撰写并署名。英文、西班牙文和中文译本借助AI辅助生成并经审校。