Usia biologis PhenoAge vs KDM: mengapa kalkulator berbeda

Anda memasukkan usia dan hasil laboratorium yang sama ke dalam dua kalkulator usia biologis. PhenoAge menunjukkan 49. KDM menunjukkan 43. Usia kronologis Anda 46.

Angka mana yang benar?

Jawaban yang paling berguna adalah: kedua kalkulator menjawab pertanyaan statistik yang berbeda. PhenoAge dan Klemera–Doubal Method (KDM) dapat memakai biomarker darah yang saling tumpang tindih, tetapi keduanya tidak dirancang untuk menghasilkan angka yang identik. Karena itu, selisih di antara keduanya tidak otomatis berarti ada kesalahan.

Panduan ini menjelaskan mengapa PhenoAge dan KDM tidak sejalan, apa makna setiap hasil, dan cara memilih salah satunya untuk pelacakan yang konsisten. Jika Anda terlebih dahulu membutuhkan rumus, daftar biomarker, dan interpretasi dasar, mulai dari panduan lengkap tes darah PhenoAge dan KDM.

Jawaban singkat: PhenoAge dikalibrasi terhadap risiko kematian dan menyatakan risiko itu sebagai padanan usia. KDM terutama dikalibrasi berdasarkan cara biomarker berubah menurut usia kronologis dalam populasi acuan. Target, panel biomarker, koefisien, dan sampel acuan yang berbeda dapat menghasilkan usia biologis berbeda dari orang yang sama.

Jawaban singkat: PhenoAge dan KDM menjawab pertanyaan yang berbeda

PhenoAge memperkirakan usia yang setara dengan risiko kematian. KDM memperkirakan usia yang paling sesuai dengan profil biomarker multivariat. Karena target dan implementasinya berbeda, hasil darah yang sama secara sah dapat menghasilkan dua usia yang berbeda. Perbandingan yang benar adalah setiap skor dengan model yang sama dari waktu ke waktu—bukan PhenoAge melawan KDM seolah-olah keduanya mengukur satu besaran tetap.

Fakta utama

• PhenoAge dan KDM tidak mengukur konstruk yang sama. PhenoAge berorientasi pada mortalitas; KDM memperkirakan usia fisiologis multivariat.
• “KDM” adalah metode, bukan satu kalkulator universal. Hasilnya bergantung pada biomarker dan populasi acuan yang digunakan untuk melatihnya.
• PhenoAge lebih terstandardisasi. Versi klinis yang umum digunakan memiliki sembilan biomarker ditambah usia kronologis dan koefisien yang telah dipublikasikan.
• Sebuah hasil perlu menyebutkan implementasinya dengan tepat. Label seperti “usia KDM” belum lengkap tanpa panel, satuan, populasi pelatihan, dan rumus.
• Jangan merata-ratakan kedua usia tersebut. Pilih model yang sesuai dengan pertanyaan Anda dan bandingkan hasil berikutnya hanya dengan implementasi yang sama.
• Kedua skor bukan diagnosis. Bicarakan nilai laboratorium abnormal dan risiko klinis dengan tenaga kesehatan yang berkualifikasi.

Perbandingan dalam satu tabel

Fitur	PhenoAge	Usia biologis KDM
Target pelatihan utama	Risiko kematian	Pola usia kronologis pada berbagai biomarker
Input umum	9 biomarker darah + usia kronologis	Kumpulan biomarker klinis atau fungsional yang dapat dikonfigurasi; usia kronologis juga dapat masuk ke estimator
Makna keluaran	Usia pada populasi acuan yang terkait dengan risiko kematian perkiraan serupa	Usia yang paling sesuai dengan profil biomarker multivariat seseorang dalam model yang dipasang
Standardisasi	Rumus klinis umum yang telah dipublikasikan	Banyak implementasi yang valid
Kekuatan utama	Patokan tetap yang berorientasi risiko	Integrasi fleksibel dari banyak sistem fisiologis
Keterbatasan utama	Rumus linear tetap dapat sangat bereaksi pada penanda tertentu dan tidak menangkap setiap hubungan klinis nonlinier	Hasil sangat bergantung pada pilihan panel dan kalibrasi populasi
Aturan pelacakan terbaik	Rumus, satuan, kondisi laboratorium, dan definisi biomarker yang sama	Model terlatih, panel, satuan, populasi acuan, dan kondisi pemeriksaan yang sama

Kedua pendekatan adalah model populasi. Tidak satu pun mengukur langsung jumlah tahun jaringan Anda telah ada, dan tidak satu pun membuktikan bahwa suatu intervensi telah mengubah laju penuaan mendasar.

Apa yang dirancang untuk diperkirakan PhenoAge

Clinical Phenotypic Age dikembangkan dari data U.S. National Health and Nutrition Examination Survey. Para peneliti menyaring puluhan penanda klinis rutin dan menggunakan model kelangsungan hidup terpenalti untuk memilih usia kronologis ditambah sembilan biomarker yang memprediksi kematian.

Input tersebut adalah:

1. albumin;
2. kreatinin;
3. glukosa;
4. protein C-reaktif;
5. persentase limfosit;
6. volume korpuskular rata-rata;
7. lebar distribusi sel darah merah;
8. fosfatase alkali;
9. jumlah sel darah putih;
10. usia kronologis.

Model mula-mula memperkirakan risiko kematian. Lalu, model itu mengonversi risiko tersebut menjadi usia ketika rata-rata orang dalam populasi acuan akan memiliki risiko yang sebanding. Konversi kedua inilah yang membuat keluarannya tampak seperti usia dalam tahun yang familier.

PhenoAge 52 bukan berarti setiap organ secara biologis berusia 52 tahun. Itu berarti model memberikan profil risiko kematian yang sebanding dengan nilai acuannya untuk usia tersebut. Nilai terkaitnya, percepatan PhenoAge, menanyakan apakah hasilnya lebih tua atau lebih muda dari yang diharapkan setelah memperhitungkan usia kronologis.

Dalam validasi yang dipublikasikan, Phenotypic Age memprediksi morbiditas dan mortalitas di berbagai subkelompok demografis dan kesehatan. Hal itu membuatnya berguna sebagai ringkasan padat yang berorientasi risiko. Namun, skor tersebut tidak menjadi diagnosis klinis atau ramalan pribadi yang terjamin.

Apa yang dirancang untuk diperkirakan usia biologis KDM

KDM mengambil jalur yang berbeda. Metode ini memeriksa bagaimana setiap biomarker terpilih berubah seiring usia dalam sampel acuan, seberapa besar variasi yang tidak terjelaskan tersisa, dan bagaimana berbagai penanda saling berkaitan. Kemudian metode ini mencari usia biologis yang paling mendamaikan seluruh pola biomarker seseorang.

Dalam bahasa sederhana, KDM bertanya:

Pada usia berapa kombinasi pengukuran fisiologis ini paling masuk akal menurut model acuan ini?

Penanda yang mengikuti usia dengan lebih kuat dan presisi dapat menyumbang informasi lebih besar. Penanda dengan hubungan usia yang lemah atau derau residual tinggi biasanya menyumbang lebih sedikit. Metode ini juga memperhitungkan bahwa estimasi usia biologis sendiri memiliki ketidakpastian.

Ini adalah kerangka yang kuat, tetapi membawa konsekuensi penting: tidak ada satu angka KDM yang universal.

Satu studi dapat membangun KDM dari albumin, kreatinin, glukosa, tekanan darah, fungsi paru, dan kekuatan genggam. Studi lain dapat memakai panel laboratorium berbeda. Satu model mungkin spesifik menurut jenis kelamin; model lain menggabungkan semua jenis kelamin. Satu model dapat dilatih pada NHANES; model lain pada UK Biobank atau kohort nasional. Semuanya dapat disebut KDM, tetapi tidak harus memberikan hasil yang sama.

Mengapa hasil darah yang sama menghasilkan usia berbeda

1. Model mengoptimalkan target yang berbeda

PhenoAge memilih dan memberi bobot variabel berdasarkan kemampuannya memprediksi kematian. KDM secara tradisional memberi bobot variabel berdasarkan hubungannya dengan usia kronologis dan variasi residualnya.

Perbedaan itu penting. Sebuah biomarker dapat sangat berkaitan dengan kematian tanpa berubah mulus seiring usia. Biomarker lain dapat mengikuti usia kronologis dengan baik tetapi memberi informasi independen yang lebih sedikit tentang risiko jangka dekat. Algoritme menghargai sifat yang berbeda, sehingga keduanya memberi bobot yang berbeda.

2. Panel biomarker mungkin hanya sebagian tumpang tindih

Rumus PhenoAge klinis standar tetap pada sembilan biomarker ditambah usia. KDM dapat dikonfigurasi. Bahkan ketika sebuah kalkulator daring meminta subset yang tampak familier, kalkulator itu mungkin menghilangkan, menambahkan, atau mentransformasi variabel dibanding implementasi KDM lain.

Hasil berbasis 10 penanda laboratorium tidak dapat dipertukarkan langsung dengan KDM yang dibangun dari 18 pengukuran laboratorium dan fungsi organ. Komposisi panel mengubah arti “lebih tua” dan “lebih muda” di dalam model.

3. Usia kronologis masuk dengan cara berbeda

Usia kronologis secara eksplisit dimasukkan dalam model mortalitas PhenoAge. Dalam KDM, usia kronologis dapat bertindak sebagai sumber informasi tambahan dalam rumus estimasi, tergantung implementasinya.

Hal ini cenderung menarik kedua keluaran menuju pola populasi terkait usia, tetapi tidak dengan kekuatan atau logika yang sama. Oleh karena itu, dua orang dengan nilai biomarker identik tetapi usia kronologis berbeda tidak harus menerima hasil percepatan yang sama.

4. KDM bergantung pada populasi acuannya

Koefisien KDM diperkirakan dari suatu kumpulan data. Ubah rentang usia, profil kesehatan, distribusi jenis kelamin, etnisitas, negara, metode laboratorium, atau periode kalender, maka hubungan biomarker-usia dapat berubah.

Ini bukan sekadar catatan teknis. Model yang dilatih pada orang dewasa relatif sehat berusia 40–70 tahun dapat berperilaku berbeda pada usia 25 atau 85 tahun. Menerapkan model jauh di luar rentang pelatihannya adalah ekstrapolasi, ketika angka tahun yang tampak presisi dapat menyesatkan.

PhenoAge juga mencerminkan populasi pengembangannya dari NHANES Amerika Serikat, tetapi implementasi klinis yang banyak dipakai biasanya mempertahankan koefisien yang dipublikasikan. Kalkulator KDM lebih mungkin memuat kalibrasi yang berbeda meskipun memakai label yang sama.

5. Satuan dan transformasi dapat mengubah skor

PhenoAge memerlukan satuan yang tepat. Protein C-reaktif adalah sumber kesalahan klasik karena rumus yang dipublikasikan memakai nilai yang ditransformasi dan kalkulator mungkin meminta mg/L sementara laporan memakai mg/dL. Kreatinin, glukosa, jumlah sel darah putih, dan fosfatase alkali juga memerlukan pencocokan satuan yang cermat.

Implementasi KDM dapat menstandardisasi, mentransformasi log, melakukan winsorisasi, atau memproses input dengan cara lain sesuai alur pelatihannya. Jika kalkulator tidak mendokumentasikan langkah ini, Anda tidak dapat mereproduksi atau membandingkan hasilnya dengan andal.

Sebelum menafsirkan hasil yang mengejutkan, lakukan audit satuan dan input dalam panduan kami tentang perubahan PhenoAge dan derau laboratorium.

6. Satu penanda yang tidak biasa dapat lebih penting dalam satu model

Bayangkan seseorang dengan glukosa, albumin, penanda ginjal, dan hitung darah yang sangat baik, tetapi protein C-reaktif sementara meningkat setelah infeksi.

PhenoAge dapat bergerak nyata karena persamaan tetap yang berorientasi mortalitas memberi CRP kontribusi yang sudah ditentukan. Model KDM dengan banyak ukuran tambahan mungkin mengencerkan sinyal tunggal itu, atau justru bereaksi kuat jika CRP memiliki gradien usia yang andal dalam populasi acuannya. Jawabannya bergantung pada versi KDM yang dipasang.

Sekarang bayangkan kekuatan genggam dan fungsi paru yang secara konsisten lebih rendah, dengan kimia darah yang selebihnya baik. KDM kaya fungsi dapat mencatat pola itu, sedangkan PhenoAge klinis standar tidak, karena ukuran tersebut bukan inputnya.

Tidak satu pun hasil harus “salah”. Setiap model hanya melihat variabel yang memang dirancang untuk dilihatnya.

Tiga pola ketidaksepakatan dan maknanya

Pola	Penjelasan yang masuk akal	Pemeriksaan terbaik berikutnya
PhenoAge lebih tua, KDM mendekati usia kronologis	Satu atau lebih penanda PhenoAge berbobot mortalitas kurang baik, tetapi pola KDM yang lebih luas tetap khas sesuai usia	Periksa kontributor PhenoAge individual, satuan, peradangan, dan penyakit baru-baru ini
KDM lebih tua, PhenoAge mendekati usia kronologis	Panel KDM memasukkan ukuran fungsional atau klinis yang sensitif terhadap usia dan tidak ada dalam PhenoAge	Identifikasi panel KDM yang tepat dan penanda yang mendorong hasilnya
Keduanya lebih tua atau keduanya lebih muda	Beberapa sinyal fisiologis mungkin selaras di berbagai model	Konfirmasi kondisi yang terstandardisasi dan keberlanjutan pada pemeriksaan ulang

Ini adalah hipotesis interpretasi, bukan diagnosis. Usia agregat dari kalkulator tidak boleh mengesampingkan interpretasi klinis glukosa, fungsi ginjal, peradangan, hitung darah, tekanan darah, atau input lain mana pun.

Untuk kerangka yang lebih luas tentang skor darah, metilasi, dan perangkat pakai, lihat mengapa tes usia biologis berbeda.

Kalkulator mana yang sebaiknya digunakan?

Pilih berdasarkan keputusan yang ingin Anda dukung.

Gunakan PhenoAge jika Anda ingin patokan yang dapat direproduksi dan berorientasi mortalitas

PhenoAge adalah pilihan yang lebih jelas ketika Anda memiliki nilai laboratorium yang diperlukan dan ingin membandingkan hasil dengan rumus tetap yang banyak dipublikasikan. Skor ini relatif mudah direproduksi, diaudit, dan dihitung kembali.

PhenoAge terutama berguna ketika:

• semua sembilan penanda yang diperlukan tersedia dalam satuan yang tepat;
• Anda ingin kesinambungan dengan literatur Clinical Phenotypic Age yang dipublikasikan;
• Anda dapat mengulangi panel yang sama dalam kondisi serupa;
• Anda memahami bahwa usia tersebut adalah ringkasan setara risiko, bukan usia jaringan secara harfiah.

Gunakan KDM jika Anda ingin model usia fisiologis yang lebih luas

KDM dapat lebih sesuai bila implementasi yang terdokumentasi dengan baik menggabungkan beberapa sistem relevan dan dikalibrasi untuk populasi yang serupa dengan Anda.

KDM terutama berguna ketika:

• panel biomarker dan koefisien atau perangkat lunak yang tepat diungkapkan;
• populasi acuan dan rentang usia valid didokumentasikan;
• model terlatih yang sama akan tetap tersedia untuk pengukuran mendatang;
• Anda peduli pada penyimpangan fisiologis multivariat, bukan satu skor risiko mortalitas tetap.

Jangan memilih berdasarkan hasil mana yang lebih muda

Berburu kalkulator menciptakan rasa presisi yang keliru. Jika Anda mencoba cukup banyak rumus, salah satunya akhirnya akan menghasilkan angka yang menyenangkan. Itu tidak membuatnya lebih valid untuk pertanyaan Anda.

Sebaliknya, dokumentasikan model sebelum melihat hasilnya. Lalu pertahankan metodenya.

Audit kalkulator lima poin

Sebelum mempercayai hasil PhenoAge atau KDM, periksa:

1. Identitas: Apakah kalkulator menyebutkan metode tepat dan makalah sumbernya?
2. Input: Apakah kalkulator mencantumkan setiap biomarker yang diperlukan dan satuan yang diterima?
3. Implementasi: Untuk KDM, apakah kalkulator mengungkapkan panel, koefisien atau perangkat lunak, populasi pelatihan, dan rentang usia valid?
4. Reproduksibilitas: Dapatkah Anda memasukkan nilai yang sama dua kali dan mengekspor atau mencatat hasilnya?
5. Interpretasi: Apakah kalkulator menjelaskan ketidakpastian dan menghindari klaim diagnosis atau terapi antipenuaan?

Jika suatu alat gagal pada pemeriksaan identitas atau implementasi, perlakukan hasilnya sebagai skor aplikasi yang tidak transparan, bukan estimasi PhenoAge atau KDM kelas riset.

Cara membandingkan hasil dari waktu ke waktu

Pertanyaan longitudinal yang paling aman bukanlah “Berapa usia biologis saya yang sebenarnya?” Melainkan:

Apakah model yang sama bergerak secara konsisten dalam kondisi pengukuran yang sebanding?

Gunakan protokol ini:

• pertahankan versi kalkulator dan rumus yang sama;
• gunakan laboratorium yang sama bila memungkinkan;
• samakan status puasa dan waktu pemeriksaan;
• hindari pemeriksaan saat sakit akut atau segera setelah latihan yang sangat berat;
• catat perubahan obat dan suplemen;
• simpan nilai laboratorium mentah, bukan hanya usia akhir;
• ulangi hasil yang tidak diharapkan sebelum mengubah rencana Anda;
• periksa input mana yang bergerak dan apakah perubahannya bermakna secara klinis.

Perbedaan kecil harus ditafsirkan dengan mempertimbangkan kesalahan pengukuran dan ketidakpastian model. Kalkulator yang menampilkan satu angka desimal belum tentu akurat hingga sepersepuluh tahun. Panduan kami tentang interval kepercayaan usia biologis menjelaskan mengapa presisi di layar dapat melampaui kepastian model.

Jangan merata-ratakan PhenoAge dan KDM. Rata-rata dari dua konstruk yang didefinisikan secara berbeda tidak memiliki makna klinis yang telah ditetapkan dan membuat perubahan di masa depan lebih sulit didiagnosis.

Cara SuperAge menangani PhenoAge dan KDM

SuperAge dirancang untuk menjaga skor akhir tetap terhubung dengan buktinya. Alih-alih menampilkan satu angka usia biologis sebagai vonis, aplikasi ini membantu mengatur penanda darah, tren, dan konteks perhitungan yang mendasarinya di iPhone Anda.

Pembedaan itu penting ketika PhenoAge dan KDM berbeda. Informasi yang berguna sering kali bukan jarak antara “49” dan “43”, melainkan:

• biomarker mana yang mendorong setiap estimasi;
• apakah perhitungan memakai satuan yang benar;
• apakah metode yang sama digunakan pada pemeriksaan sebelumnya;
• apakah perubahan tersebar di beberapa sistem;
• apakah kejadian akut dapat menjelaskan pergerakan tersebut.

Untuk keputusan metode yang lebih luas, bandingkan jam epigenetik dengan usia biomarker darah. Metode apa pun yang Anda gunakan, pastikan keputusan medis tetap bertumpu pada ukuran klinis yang tervalidasi dan perawatan profesional.

Pertanyaan yang sering diajukan

Mengapa PhenoAge saya berbeda dari usia biologis KDM saya?

Keduanya memakai target matematika yang berbeda dan mungkin menggunakan biomarker berbeda. PhenoAge mengonversi perkiraan risiko kematian menjadi padanan usia. KDM memperkirakan usia yang paling sesuai dengan pola biomarker multivariat dalam populasi acuan tertentu.

Apakah PhenoAge lebih akurat daripada KDM?

Tidak ada pemenang universal untuk setiap tujuan. Kinerja bergantung pada luaran, kohort, implementasi, dan ketersediaan biomarker. Penelitian perbandingan menunjukkan keduanya dapat memprediksi luaran kesehatan penting. Pilih model yang target dan validasinya sesuai dengan pertanyaan Anda.

Apakah semua kalkulator KDM memberikan hasil yang sama?

Tidak. KDM adalah metode pemodelan yang dapat dipasang dengan biomarker dan populasi berbeda. Dua kalkulator KDM dapat sama-sama sah tetapi menghasilkan usia berbeda. Alat yang tepercaya harus mendokumentasikan modelnya.

Bisakah saya membandingkan PhenoAge dengan percepatan KDM?

Anda dapat melihat apakah keduanya secara umum menunjukkan lebih tua atau lebih muda dari yang diharapkan, tetapi nilai tahunnya tidak dapat dipertukarkan langsung. Untuk pelacakan longitudinal, bandingkan PhenoAge dengan rumus PhenoAge yang sama dan KDM dengan implementasi KDM yang sama.

Haruskah saya merata-ratakan PhenoAge dan KDM?

Tidak. Merata-ratakan skor yang dilatih secara berbeda tidak menciptakan usia biologis yang lebih “benar” dan tervalidasi. Hal ini juga dapat menyembunyikan biomarker atau model yang menyebabkan ketidaksepakatan.

Hasil mana yang perlu saya bicarakan dengan dokter?

Bicarakan nilai laboratorium atau fungsional yang mendasarinya, terutama apa pun yang berada di luar rentang rujukan klinis atau berubah terus-menerus. Hasil usia biologis agregat dapat memberi konteks, tetapi bukan diagnosis atau target pengobatan.

Intinya

PhenoAge dan KDM berbeda karena keduanya mendefinisikan usia biologis secara berbeda.

PhenoAge menanyakan usia kronologis berapa yang sesuai dengan risiko kematian termodelkan serupa. KDM menanyakan usia berapa yang paling menjelaskan profil fisiologis multivariat dalam populasi acuannya. Setelah Anda memahaminya, ketidaksepakatan itu tidak lagi tampak seperti kalkulator rusak, melainkan menunjukkan apa yang ditekankan setiap model.

Pilih satu implementasi untuk tujuan yang jelas. Simpan input mentah. Standarkan pemeriksaan ulang. Selidiki biomarker di balik perubahan. Dan jangan pernah membiarkan satu usia hasil perhitungan mengalahkan interpretasi klinis yang baik.

Lacak bukti di balik usia

Ingin menyimpan penanda darah, konteks usia biologis, dan tren longitudinal Anda bersama-sama? Unduh SuperAge dan simpan input di balik setiap hasil—bukan hanya angka utama.

Referensi

1. Levine ME, Lu AT, Quach A, et al. An epigenetic biomarker of aging for lifespan and healthspan. Aging. 2018;10(4):573–591.
2. Liu Z, Kuo PL, Horvath S, Crimmins E, Ferrucci L, Levine M. A new aging measure captures morbidity and mortality risk across diverse subpopulations from NHANES IV. PLOS Medicine. 2018;15(12):e1002718.
3. Klemera P, Doubal S. A new approach to the concept and computation of biological age. Mechanisms of Ageing and Development. 2006;127(3):240–248.
4. Levine ME. Modeling the rate of senescence: can estimated biological age predict mortality more accurately than chronological age?. The Journals of Gerontology: Series A. 2013;68(6):667–674.
5. Kwon D, Belsky DW. A toolkit for quantification of biological age from blood chemistry and organ function test data: BioAge. GeroScience. 2021;43(6):2795–2808.
6. Parker DC, Bartlett BN, Cohen HJ, et al. Association of blood chemistry quantifications of biological aging with disability and mortality in older adults. The Journals of Gerontology: Series A. 2020;75(9):1671–1679.
7. Liu Z, Kuo PL, Horvath S, et al. No winners or losers: clinical chemistry-based biological aging metrics perform similarly across cohorts and health outcomes. The Journals of Gerontology: Series A. 2025;80(11):glaf179.

Artikel ini hanya untuk tujuan edukasi dan tidak memberikan nasihat medis, diagnosis, atau pengobatan.