Novas estruturas computacionais para entender como o ambiente molda o envelhecimento
Durante décadas, os cientistas procuraram entender como forças ambientais em larga escala-como poluição, desigualdade estruturale instabilidade política –moldar a saúde humana ao longo do tempo. No entanto, esses esforços foram limitados por uma lacuna persistente: a falta de ferramentas conceituais e metodológicas robustas para capturar a complexidade desses fenômenos em nível macro e seu impacto no envelhecimento.
Grande parte da pesquisa se concentrou em fatores isolados, confiando em modelos simplistas que não refletem as exposições simultâneas e interagentes que as pessoas enfrentam em contextos do mundo actual. Freqüentemente negligenciado é o fato de que o envelhecimento não é apenas um processo biológico – é profundamente incorporado nas condições sociais, materiais e políticas em que vivemos.
Uma nova geração de Abordagens computacionais está transformando esta paisagem. De exposome-Modelos amplos e inteligência synthetic para integração multi-cômicaprevisão de envelhecimento biológico, Fatores associados ao envelhecimento saudávela análise de Interações ambientais-genéticase análise de rede, essas ferramentas permitem que os pesquisadores vinculem exposições ambientais complexas a trajetórias de envelhecimento individuais. Essa mudança representa uma oportunidade crítica para desenvolver modelos mais ecológicos, sensíveis ao contexto e relevantes para políticas.
Seguindo milhares de vidas em todo o mundo para modelar o envelhecimento
Em um Estudo recenteUtilizamos análises transversais e longitudinais para mapear o envelhecimento globalmente. A análise transversal incluiu 161.981 adultos saudáveis de 40 países-Latina América e Caribe, Europa, Ásia (China, Coréia do Sul, Israel, Índia) e África (Egito). A análise longitudinal seguiu 21.631 participantes na América Latina, Europa e Ásia, juntamente com uma coorte independente da África do Sul de 5.431 indivíduos, para observar como as trajetórias de envelhecimento se desenrolam com o tempo.
Treinamos um modelo de inteligência synthetic (regressor de aumento de gradiente) usando 90% da amostra para prever a idade das pessoas com base em fatores de saúde e estilo de vida, incluindo os protetores e os riscos. Em seguida, testamos o quão bem o modelo funcionou usando os 10% restantes dos dados, com um método chamado validação cruzada. O modelo funciona criando uma série de árvores de decisão, onde cada uma aprende com os erros do anterior, resultando em estimativas de idade progressivamente mais precisas (Figura 1).
Figura 1. O aumento do gradiente constrói um forte modelo preditivo, ajustando iterativamente pequenas árvores de decisão aos demais erros. a) começando com uma previsão constante F0(x) (linha vermelha), cada iteração calcula resíduos rok= yfOkay-1(x) (laranja) e treina uma árvore simples hok(x) (azul) para prever. O modelo atualizado Fok(x) = fOkay-1(x)+hok(x) (vermelho) melhora gradualmente adicionando uma correção em escala (h: taxa de aprendizado). b) Cada árvore residual se divide de acordo com os recursos mais relevantes, atribuindo correções às folhas. A escala dessas correções garante que apenas parte do resíduo seja abordada a cada vez. As árvores subsequentes refinam o que resta, produzindo um conjunto de alta precisão.
Utilizamos várias medidas para avaliar o desempenho do modelo, mas, por simplicidade, este weblog destaca apenas dois: R² e RMSE. R² quantifica a proporção da variação da idade que o modelo explica, enquanto o RMSE nos diz a que distância as previsões do modelo estão, em média, em anos. Na amostra completa, o R² foi de 0,26 (o modelo explica 26%) e o RMSE foi de 8,47. Teve um desempenho melhor no atraso–subgrupo de envelhecimento (r² = 0,57 e rmse = 6,51 anos); e ainda melhor no grupo de envelhecimento acelerado (r² = 0,69 e rmse = 5,44).
Bridging previu e a idade cronológica para revelar Bbags
Primeiro, calculamos as lacunas de idade bio -comportamental (BBABs) subtraindo a idade actual de cada pessoa da idade prevista pelo nosso modelo. Um BBAB maior que zero significa envelhecimento mais rápido que a média. Para remover a tendência dessas lacunas brutas de flutuar com o aumento da idade (um artefato de regressão ao meio), regredimos os BBAs brutos na idade cronológica, produzindo uma interceptação α e β da inclinação. O BBag corrigido é então o residual (com coeficientes de regressão derivados dos dados de treinamento e aplicados aos dados de teste) desse ajuste:
Os BBags corrigidos mostraram um envelhecimento tardio na Europa, seguido pela Ásia e pela América Latina, com a África exibindo o maior envelhecimento acelerado. Os países de baixa renda sofreram envelhecimento mais acelerado do que os países de alta renda (ΔD = 0,48 por GNI, ΔD = 0,56 pelo PIB). Condições exposomais adversas, incluindo baixa qualidade do ar, desigualdade estrutural e de gênero, pressões de migração, fraca representação política e liberdades democráticas limitadas, estavam todas fortemente associadas a BBags acelerados entre os países, destacando como os ambientes de nível macro impulsionam as disparidades de envelhecimento.
Traduzir o envelhecimento acelerado em perfis de risco epidemiológico
Para estudar como o envelhecimento acelerado afeta a saúde, classificamos BBags em dois grupos: valores acima de zero (envelhecimento acelerado) e valores em ou abaixo de zero ou abaixo. Em seguida, usamos isso sim/não como o principal fator em nosso Modelos epidemiológicos. Para resultados transversais (cognição e capacidade funcional), ajustamos os modelos de regressão logística do formulário:
a partir dos quais os odds ratios foram calculados como eB1 e riscos atribuíveis como diferença nas probabilidades de eventos entre grupos expostos e não expostos.
Para resultados longitudinais (mudanças no bem-estar, cognição e funcionalidade na vida cotidiana ao longo do tempo), calculamos o risco relativo (RR), a proporção de probabilidades de desfecho em ágistas acelerados versus não acelerados e risco atribuível (AR), a diferença absoluta entre essas probabilidades (Risokexpor-Risoknão exposto).
ORs e RRs em nível de país foram agrupados por meio de meta-análises de efeitos comuns e aleatórios (Reml, I²). Essa estrutura garantiu estimativas robustas e comparáveis de como o envelhecimento biobehavioral acelerado se traduz em declínio no mundo actual em cognição e função em diversos configurações.
Nas análises transversais, os AGERS acelerados tiveram uma razão de possibilities de 7,64 para declínio funcional (risco atribuível ≈ 27,2 %) e uma razão de possibilities de 4,41 para comprometimento cognitivo (risco atribuível ≈ 14,8 %). No acompanhamento longitudinal, os BBags acelerados foram associados a um risco relativo de 1,40 para declínio funcional, 1,25 para declínio cognitivo e 1,16 para declínio do bem-estar. Quando os resultados de todos os países foram combinados, a meta-análise mostrou que os BBags acelerados dobraram aproximadamente as possibilities de comprometimento funcional e cognitivo e aumentaram os riscos a longo prazo em dois a três vezes, com efeitos consistentes em ambientes de alta e baixa renda, apesar da variação moderada entre os estudos.
Passando de modelos fragmentados para a ciência do envelhecimento ambiental integrado
Podemos ir além da visão reducionista de que o envelhecimento é moldado principalmente por comportamentos individuais ou fatores biológicos isolados. O envelhecimento é incorporado dinamicamente nos sistemas ecológicos mais amplos em que habitamos. Estes são sistemas marcados pela poluição, desigualdade, agitação social e instabilidade política. Essas forças em nível macro estruturam o ritmo e a qualidade de como envelhecemos.
Nossa capacidade de entender e agir sobre essas forças tem sido limitada por lacunas metodológicas. No entanto, novas ferramentas computacionais agora nos permitem rastrear a impressão do ambiente no envelhecimento biológico com precisão sem precedentes. Isso marca uma mudança de modelos fragmentados para abordagens integrativas que representam a complexidade das exposições do mundo actual.
A figura do pôster foi criada pelo ChatGPT com a supervisão dos autores.
A Figura 1 foi criada pelos autores usando Python e Inkscape.
