体检化验算出来的身体年龄，能说明什么

算出来的数现在只能说明一群人里风险的高低，还不能拿去给某一个人下判断。

2026 年 11 月 12 日，一项英国研究被 PubMed 收录，发表在 The Lancet Digital Health。研究者做的东西叫 ClinicalAge：不用额外抽一管血，只用医院和社区诊所里本来就存着的化验、诊断和用药记录，给一个人算出一个「身体年龄」。开发用的是英国生物样本库里 32 万多人的资料，外部验证用了英国基层诊疗数据库里 472 万多人的记录。

这个数算得稳不稳呢？从结果看，它和十几项体能测量、十项公认的衰老标记、31 种和年龄相关的疾病，以及后来的死亡情况都对得上。但它学的参照物本身只有九项常规化验，摘要里又没写清每升高一档算多少，所以到今天为止，它是一个研究工具，还不是体检报告上能加的一行。

身体年龄这个说法，底子是九项常规化验

ClinicalAge 学的是另一个已有的指标，叫表型年龄（PhenoAge），2018 年由美国团队在一项全国营养与健康调查里建立，用的是实际年龄加九项常规化验：白蛋白、肌酐、血糖、C 反应蛋白、淋巴细胞百分比、平均红细胞体积、红细胞分布宽度、碱性磷酸酶、白细胞计数。

这九项是从一批常规化验里按「谁更能预测死亡」筛出来的。筛法是一种带惩罚项的生存分析模型，再用十折交叉验证，也就是把数据分成十份、轮流拿九份建模一份检验，防止模型只记住了手里这批人。

为什么偏偏是这九项呢？每一项在身体里都对着一条看得见的过程。

白蛋白由肝脏合成，长期吃得不够、或者身体一直在打慢性炎症的消耗战，它就往下走。肌酐是肌肉代谢的废物，由肾小球滤出去，升高说明肾的滤过能力在退，肌肉特别多的人也会偏高。血糖反映的是胰岛素还压不压得住糖。

C 反应蛋白和白细胞计数一起反映的是炎症水平。人老了以后会出现一种低度、持续、查不出感染源的炎症状态，学界叫它炎性衰老。炎症里的信号分子会跑遍全身，血管内皮、骨髓、肌肉、脑子都受它影响，牵一发而动全身，所以一个炎症指标能带出很多系统的信息。

淋巴细胞百分比对应的是免疫系统的组成变化。胸腺在成年以后逐渐萎缩，新的 T 细胞越来越少，免疫细胞的比例跟着变，这是免疫衰老最容易在血常规上露出来的地方。

平均红细胞体积和红细胞分布宽度管的是骨髓造血的稳定性。前者是红细胞的平均大小，后者是大小的离散程度，后者升高说明造出来的红细胞大小不齐，骨髓的节奏乱了。碱性磷酸酶来自肝胆和骨头，反映的是胆道通不通、骨代谢快不快。

九项合起来，覆盖了肝、肾、糖代谢、炎症、免疫和造血。把它们按各自的权重加到实际年龄上，就得到表型年龄；表型年龄减去实际年龄，正值表示生理上比同龄人显老。在这项调查里，年轻成人中有一种病的人，表型年龄比没病的人大 0.2 岁，有两三种病的大约大 0.6 岁；校正了实际年龄和性别之后，表型年龄和全因死亡、多数病因的死亡都显著相关。

这项研究把算法搬到了病历上

表型年龄要求九项化验在同一次抽齐。体检能做到，日常看病做不到。有人只查了血糖和肌酐，有人三年前查过血常规，有人只有一张感冒时的化验单。

ClinicalAge 绕开的就是这一点。研究者用的是 transformer 深度学习模型，这类模型本来是用来处理一段话里词的先后顺序的，它的长处正是读一长串先后发生、长短不齐的记录。把一个人多年的诊断、用药、操作和化验按时间排成一串喂进去，模型自己从里面找规律，输出一个年龄数，训练时以表型年龄作为参照答案。

开发队列是英国生物样本库里的 32 万多人，中位实际年龄 58.0 岁，中位表型年龄 56.0 岁。外部验证换了一套完全不同的数据：英国基层诊疗数据库里 472 万多人的匿名记录，中位年龄 51.0 岁。

学得像不像呢？算出来的 ClinicalAge 和表型年龄的 R² 是 0.819。R² 可以理解成「老师给的答案里，有多少被学生复现出来了」，0.819 大致是八成多，剩下的近两成差异模型没学到。

这一步换来的是覆盖面。不用额外抽血，不用凑齐九项，几百万人的既有记录就能跑，还能一年一年往下算，看一个人的身体年龄是怎么走的。

算出来的数，和哪些结果对得上呢

研究者接着拿这个数去对了四类东西。

第一类是 17 项功能测量，比如握力、肺功能这类能当场测出来的身体能力；第二类是十项公认的生物衰老标记。两类都显示出显著关联。

第三类是 31 种和年龄有关的疾病，包括 11 种癌症和 20 种非癌疾病。20 种非癌疾病在两个数据库里都显著相关。11 种癌症里，生物样本库这边 9 种显著（其中 7 种正相关、2 种负相关），基层诊疗数据库这边 10 种显著（8 种正相关、2 种负相关）。两种癌症为什么是负相关，摘要没有解释，这一点只能留着等全文和后续研究。

第四类是死亡。校正了临床指标和生活方式之后，ClinicalAge 与全因死亡的风险比在生物样本库里是 1.23，95% 置信区间 1.21 到 1.24；在基层诊疗数据库里是 1.36。癌症死亡分别是 1.12 和 1.17，心血管死亡分别是 1.33 和 1.36。

风险比 1.23 的意思是，这个数每高一档的人，随访期内死亡的发生率是参照人群的 1.23 倍。95% 置信区间是这个倍数的误差范围，区间整段都在 1 的右边，说明关联的方向稳定，不是抽样碰出来的。

值得留意的是两个数据库给出的倍数并不一样，基层诊疗数据库这边普遍更高。两套数据的人群年龄、就诊原因和记录密度都不同，这种差别本身说明一件事：倍数的大小跟着人群走，换一个地方的人群，数字要重新算。

三十到五十岁这一段，为什么最要紧

研究里最有现实意味的一段，是把同一批人一年一年的 ClinicalAge 连成曲线之后看到的：分叉发生在中年。

后来得了糖尿病、高血压、抑郁，或者有生活方式相关疾病的人，在中年就已经出现加速，也就是身体年龄往上走得比实际年龄快。注意这是一条时间上的先后关系，不能倒过来说是模型让人得了病。

为什么分叉会在这一段呢？这几种病的共同点是起病慢、早期不难受。血压高十年可以没有任何感觉，血糖在糖尿病前期这个阶段能待好几年，抑郁常常被当成累。它们对身体的损耗是通过血管内皮、糖基化终产物、皮质醇和炎症这些途径一点点累积的，等到器官功能露出问题，往前已经走了很长一段。

化验单上的变化比症状早。肌酐刚过线、糖化血红蛋白刚进前期、C 反应蛋白常年偏高一点，单看每一项都够不上诊断，合到一块算，趋势就出来了。这正是防微杜渐该做事的时间点：在还只是一组轻度异常的时候调整，而不是等诊断成立。

几个数字没写清，结论就只能停在群体层面

这项研究做得扎实，但要用到某一个人身上，还隔着几道坎，下面逐条看吧。

第一道在它的老师身上。ClinicalAge 以表型年龄为参照答案，学生的上限就是老师。表型年龄只覆盖了炎症、免疫、造血、肝肾和糖代谢这几条线，骨密度、认知功能、听力、肌肉质量都不在九项化验里。模型学得再像，也只能像到老师看得见的范围。

第二道是单位。摘要给出了 1.23、1.36 这些倍数，却没有交代每高一档具体是多少，是高 1 岁，还是高一个标准差。单位不明，这个数就没法换算成「我比同龄人老几岁、风险高多少」。把 1.23 说成「老一岁就多两成死亡风险」，是似是而非的读法，原文没有这样写。

第三道是人群。两套数据都来自英国。中国人群的化验参考区间、疾病谱、就诊和记录习惯都不一样，直接搬过来用是以偏概全。

第四道是因果。所有结果都是关联，没有任何一项证明把这个数降下来就能少得病、多活几年。要回答这个问题，得有一项干预试验：按身体年龄分组，一组照常，一组加强干预，再看几年后的发病和死亡有没有差别。现在还没有。

还有一道藏在深度学习本身。transformer 读的是整串病历，它凭哪几条记录给出这个年龄数，模型自己说不清楚。拿到一个偏高的数，知其然，不知其所以然，医生没法据此调整处理。

化验单上的这几项，自己能看出什么

身体年龄现在用不上，但算它的那九项化验，体检单上多半都有，读懂它们的含义是现在就能做的事吧。

C 反应蛋白常年轻度偏高，提示身体里有持续的炎症来源。牙周炎、慢性鼻窦炎、幽门螺杆菌感染、睡眠呼吸暂停、肥胖都可能是源头，顺藤摸瓜找出来并处理掉，比反复复查一个数字有意义。

红细胞分布宽度升高而血红蛋白还正常，常常是缺铁、缺维生素 B12 或叶酸的早期表现，往下该查的是铁代谢和维生素水平。

白蛋白偏低要分情况：吃得不够、肝合成能力下降、肾里漏蛋白、慢性炎症消耗，处理方向完全不同，一张化验单定不了，要结合其他检查。

肌酐轻度升高先看肌肉量和近期蛋白摄入，再看估算的肾小球滤过率，单凭一次肌酐说肾不好并不可靠。

碱性磷酸酶升高要分清来源是肝胆还是骨头，常规做法是同时看另一项胆道酶和钙磷水平。

这几项里只要有一项反复异常，拿着历年的体检报告去找医生看趋势，比用任何公式算一个年龄数都实在。身体年龄这类指标的价值在人群层面：找出一群风险偏高的人，再去研究对他们加强干预有没有用。到了个人头上，判断依据仍然是症状、病史、化验和影像，不能一概而论。

参考来源

Lian J, et al. Lancet Digit Health 2026 (ClinicalAge)

Liu Z, et al. PLoS Med 2018;15(12):e1002718 (Phenotypic Age)

Horvath S. Genome Biol 2013;14(10):R115

Hannum G, et al. Mol Cell 2013;49(2):359-367

AI 辅助整理，作者审核；内容仅供参考，具体诊疗请遵医嘱。