用病历就能算生物年龄：匈牙利 950 万人的 EHR-AGE 模型

研究的出发点

生物年龄时钟目前最大的问题是不实用。组学时钟（甲基化、蛋白组、代谢组）虽然精度高，但又贵又慢，临床常规场景下根本拿不到数据。

但有一类数据几乎人人都有——电子病历（EHR）里的诊断记录。

研究设计

• 期刊：npj Aging，2026-09-28
• 数据：匈牙利全国人口（约 950 万人）2010-2021 年的 ICD-10 诊断编码
• 方法：用患者过去 3 年的诊断历史训练机器学习模型，预测实际年龄

结果

• 预测性能：Pearson r = 0.89，平均绝对误差（MAE）= 7.78 岁
• 关键验证：模型的「年龄加速」（预测年龄 − 实际年龄）与全因死亡率相关

第二点是这类模型能不能被称为「生物年龄」的分水岭——如果只是拟合了年龄，那毫无意义；只有当「偏离实际年龄」能预测坏结果时，它才测到了真实的健康状态。

为什么这个方向值得关注

因为它把生物年龄从「高端体检项目」拉到了「任何有电子病历的医院都能跑」的层面。不需要新增检测、不需要耗材，只需要把已有的诊断编码喂进模型。

潜在用途包括：识别「看起来没大病但实际衰老加速」的人群、辅助慢病风险分层、评估干预效果。

必须说清的局限

1. 病历依赖就医行为——很少去医院的人，病历稀疏，模型可能失效或给出偏低的年龄
2. MAE 7.78 岁不算高精度——个体层面误差比甲基化时钟大得多
3. 诊断编码受医生习惯和医保规则影响——不同国家、不同时期的编码实践差异很大，跨国迁移需重新验证
4. 单一国家数据——匈牙利全国样本是优点，但外推性仍需其他医疗体系验证

本站定位 🟡 初步证据：方法学上有价值，且有人群级别的验证，但尚未成为临床工具。