Estimation of biological age using HRV data: comparison of the Klemera-Dubal method with the multiple linear regression method

把你的身体想象成一辆高科技汽车。你可以通过查看里程表来了解它行驶了多少英里——这就是你的历法年龄（chronological age），即你活了多少年。但两辆里程数相同的车，其状态可能完全不同：一辆可能是闪亮、调校精良的机器，而另一辆可能正在锈迹斑斑，引擎发出咔哒声。科学家们将这种第二种衡量标准称为生物学年龄（biological age）。这是一种预测你的身体实际感觉如何以及功能如何的方法，并将其与同龄人的平均水平进行比较。

为了在不拆解引擎的情况下检查引擎状况，医生通常会观察心率变异性（HRV）。HRV 不仅仅是计算你的心跳有多快，它测量的是每次心跳之间微小的、有节奏的停顿。这就像乐队里的鼓手。一个完美的机器人鼓手会在精确到每一分秒的地方敲击军鼓。然而，人类鼓手则会加入细微的、自然的节奏变化，以保持音乐的生命力和响应性。一颗健康、年轻的心脏就像一位熟练的爵士鼓手，不断调整节奏以应对压力、放松和运动。随着我们年龄的增长，或者当我们的健康状况下降时，心脏往往会变得更加僵硬，就像一个无法跟上音乐节奏的节拍器。通过分析这些微妙的节奏，研究人员希望建立一个“健康评分”，告诉我们我们的内部引擎是在像 25 岁还是 70 岁的机器一样运转，而无需关注实际的生日。

---

心跳大侦探故事

在这项研究中，一位名叫 Pysaruk 的研究员扮演了侦探的角色，试图解开一个棘手的谜题：仅通过聆听一个人的心跳节奏，哪种数学方法最擅长猜测一个人的生物学年龄？

这位侦探拥有一支由 343 名志愿者（193 名女性和 150 名男性）组成的团队，年龄从 20 岁到 90 岁不等。他在志愿者静静仰卧时记录了他们的心跳，捕捉到了他们心脏交响乐中的九种不同“音符”。然后，他测试了三种不同的数学“猜谜机器”，以观察哪一个能最准确地预测年龄。

三种猜谜机器

1. 标准计算器（多元线性回归或 MLR）： 这是老派的方法。它观察心脏数据并画出一条直线来猜测年龄。问题在于？它往往有点懒惰。它倾向于认为年轻人比实际年龄大，而老年人比实际年龄小，有点像一位为了保险起见给每个人都打“C”等级的老师。
2. 固定计算器（带有 Dubina 校正的 MLR）： 这是同一个标准计算器，但进行了手动微调。研究人员添加了一条规则，强制机器停止懒惰并纠正自身的错误。然而，为了做到这一点，机器必须在做出猜测时“偷看”这个人的实际生日（历法年龄）。这就像一个学生在考试时通过看答案解析来修正自己的错误答案。它得到了正确的分数，但并不是真正对知识水平的公平测试。
3. 智能 AI（Klemera-Doubal 方法或 KDM）： 这是一种高级的新方法。它不仅仅是画一条直线，而是根据每个心跳音符的可靠程度来分配权重。如果一个音符摇摆不定且不可靠，AI 会降低它的权重；如果另一个音符非常清晰，它就会仔细倾听。至关重要的是，它在做出猜测时不会偷看这个人的实际生日；它纯粹通过心脏数据来推算。

结果：谁赢得了比赛？

研究使用一种称为**平均绝对误差（MAE）**的分数来衡量每台机器偏离真相的程度。你可以把它理解为“误差距离”。如果机器猜你是 45 岁，而你实际是 40 岁，那么误差距离就是 5 年。数字越低，说明侦探的表现越好。

以下是各台机器的表现：

• 标准计算器 (MLR)： 它是最差的侦探。

  • 对于女性，平均误差为 6.57 年。
  • 对于男性，误差为 7.47 年。
  • 结论： 猜测太多，错误也太多。

• 固定计算器 (MLR + Dubina)： 它表现得好多了，但它作弊了。

  • 对于女性，误差降至 4.79 年。
  • 对于男性，误差降至 5.90 年。
  • 结论： 虽然准确，但它依赖于预先知道答案来修正错误。

• 智能 AI (KDM)： 它是明显的获胜者，但有一个非常重要的前提条件。

  • 对于女性，误差仅为 4.34 年。
  • 对于男性，它表现得极其接近，误差仅为 3.67 年。
  • 前提条件： 这个 AI 对它所倾听的“音符”极其敏感。当研究人员尝试在男性的模型中加入基础的心跳间隔（称为 NN 间隔）时，整个系统崩溃了。它要么给出不可能的数学结果，要么开始直接复制这个人的实际年龄，使得“生物学”猜测失去了意义。AI 之所以对男性有效，是因为研究人员小心地排除了那个特定的不可靠音符。
  • 结论： 只要你选择了正确的“配方成分”，它就能在不偷看日历的情况下找到最准确的答案。

性别差异的故事

研究还发现了一些关于男女“心脏音乐”的有趣现象。女性的心跳节奏在涉及衰老方面更加一致且易于解读。对于女性，“侦探”可以清晰地听到与年龄相关的变化。

而在男性身上，心跳节奏则显得有些嘈杂。研究表明，男性的心率可能会受到生活方式、吸烟或体力活动等其他因素的影响，使得“年龄信号”难以被捕捉。由于这些原因，在所有方法中，男性的误差距离普遍较高，但 KDM 方法即使在嘈杂的数据中仍然是最精确的——前提是它不要尝试使用不可靠的 NN 间隔。

局限性与未来

虽然 Klemera-Doubal 方法 (KDM) 是全场明星，但研究人员警告说，它并非魔法。它需要非常仔细地选择要倾听哪些“心脏音符”。如果你选错了音符（比如在男性身上，基础心跳间隔被证明对于这种特定的数学模型来说太不可靠了），整个系统就会崩溃或给出荒谬的结果。

此外，这项研究只是一个时间切片。研究人员是在用于构建模型的同一组人身上测试这些方法的。这就像厨师品尝自己做的汤来判断是否美味；汤可能很好喝，但我们需要把它端给陌生人吃，才能确定它真的美味。研究表明，虽然 KDM 是目前最有前景且在科学上最严谨的方法，但我们需要在新的群体中测试它，以观察它在现实世界中是否依然有效。

底线是： 如果你想在不查看出生证明的情况下，仅凭心跳了解你的生物学年龄，那么 Klemera-Doubal 方法 是目前工具箱中最优秀的工具。它是最准确、最诚实、且最不容易被混乱的人类心脏现实所迷惑的方法——但前提是你必须足够细心，能够选对要倾听的心跳音符。