PhenoAge 与 KDM 生物年龄：为什么计算器会得出不同结果

你将相同年龄和同一份化验结果输入两个生物年龄计算器。PhenoAge 显示 49 岁，KDM 显示 43 岁，而你的实际年龄是 46 岁。

哪个数字才对？

最有用的答案是：这两个计算器在回答不同的统计学问题。PhenoAge 和 Klemera–Doubal Method（KDM）可以使用部分重叠的血液生物标志物，但它们本来就不是为了得出完全相同的结果而设计的。因此，两者之间存在差距并不自动意味着计算出错。

本指南说明 PhenoAge 与 KDM 为什么会不一致、每个结果实际代表什么，以及如何选择一种方法进行一致的追踪。如果你想先了解公式、生物标志物清单和基本解读，请阅读我们的PhenoAge 与 KDM 血液检测完整指南。

**快速回答：**PhenoAge 以死亡风险为校准目标，并把该风险表达为年龄等值；KDM 主要依据参考人群中生物标志物随实际年龄变化的模式进行校准。不同的目标、标志物组合、系数和参考样本，都会让同一个人从相同化验结果得到不同的生物年龄。

快速回答：PhenoAge 与 KDM 回答的是不同问题

**PhenoAge 估计的是与死亡风险相当的年龄；KDM 估计的是最符合多变量生物标志物特征的年龄。**由于目标和具体实现不同，同一份血液结果合理地可能得到两个不同年龄。正确的比较方式，是把每个分数与它自己在不同时间点的同一模型相比，而不是把 PhenoAge 与 KDM 当成对同一固定量的两次测量。

关键事实

**PhenoAge 与 KDM 衡量的并不是同一种构念。**PhenoAge 以死亡风险为导向；KDM 估计多变量生理年龄。
**“KDM”是一种方法，不是一个全球统一的计算器。**其输出取决于训练时使用的生物标志物和参考人群。
**PhenoAge 的标准化程度更高。**常用临床版本采用已发表的九项生物标志物、实际年龄和固定系数。
**结果应说明具体实现方式。**如果没有标志物面板、单位、训练人群和公式，“KDM 年龄”这个标签并不完整。
**不要把两个年龄取平均。**选择符合你问题的模型，并且未来只和同一实现方式的结果比较。
**两种分数都不是诊断。**异常化验值和临床风险应与合格的医疗专业人士讨论。

一张表看懂差异

特征	PhenoAge	KDM 生物年龄
主要训练目标	死亡风险	生物标志物随实际年龄变化的模式
常见输入	9 项血液生物标志物 + 实际年龄	可配置的临床或功能性生物标志物；实际年龄也可能进入估计器
输出含义	在参考人群中，与相似估计死亡风险对应的年龄	在该拟合模型下，最符合个人多变量生物标志物特征的年龄
标准化程度	常见的已发表临床公式	存在多种合理实现
主要优势	固定、以风险为导向的基准	可灵活整合多个生理系统
主要局限	线性的固定公式可能对特定指标反应强烈，且不能捕捉每一种非线性临床关系	结果高度依赖面板选择和人群校准
最佳追踪规则	使用同一公式、单位、实验室条件和标志物定义	使用同一训练模型、面板、单位、参考人群和检测条件

两种方法都是人群模型。它们都不会直接测量你的组织实际存在了多少年，也都不能证明某项干预改变了衰老的根本速度。

PhenoAge 被设计用来估计什么

临床表型年龄（Clinical Phenotypic Age）基于美国国家健康与营养检查调查（NHANES）数据开发。研究人员从几十项常规临床指标中筛选，并用惩罚生存模型选出实际年龄和九项可预测死亡风险的生物标志物。

这些输入包括：

白蛋白；
肌酐；
葡萄糖；
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；
实际年龄。

模型首先估计死亡风险，随后将该风险转换为：参考人群中平均个体在什么年龄会有可比风险。第二步转换使输出看起来像一个熟悉的“年龄（岁）”。

PhenoAge 为 52 岁，不代表你身体的每个器官都在生物学上是 52 岁。它表示模型为你分配了一个与该年龄参考值相近的死亡风险特征。相关指标 PhenoAge acceleration（PhenoAge 加速度）则是在控制实际年龄后，询问结果是否比预期更老或更年轻。

在已发表的验证中，表型年龄能够在多个不同人口学和健康亚组中预测疾病负担和死亡风险。这使它成为紧凑、以风险为导向的汇总指标；但这并不会让它成为临床诊断，也不是对个人未来的保证性预测。

KDM 生物年龄被设计用来估计什么

KDM 走的是另一条路径。它考察每个选定生物标志物如何随年龄在参考样本中变化、还剩下多少无法解释的变异，以及各指标彼此之间的关系；然后找出最能协调个人完整生物标志物模式的生物年龄。

用通俗的话说，KDM 问的是：

在这个参考模型下，哪一个年龄最能合理解释这组生理测量值？

与年龄关系更强、更精确的指标可能提供更多信息；与年龄关系较弱或残余噪声较高的指标通常权重较小。该方法还会考虑生物年龄估计本身存在不确定性。

这是一个很有力的框架，但也带来一个重要结论：并不存在一个唯一、通用的 KDM 数字。

一项研究可能用白蛋白、肌酐、葡萄糖、血压、肺功能和握力建立 KDM；另一项研究可能用不同的化验面板。一个模型可能按性别分别训练，另一个可能把不同性别合并；一个可能在 NHANES 上训练，另一个可能基于 UK Biobank 或某个国家队列。它们都可以称为 KDM，却不必给出相同结果。

为什么相同的血液检查会得到不同年龄

1. 模型优化的目标不同

PhenoAge 选择并加权变量，是为了预测死亡风险；传统 KDM 则按变量与实际年龄的关系及其残余变异进行加权。

这个区别很重要。某个生物标志物可能与死亡风险高度相关，却不会随年龄平滑变化；另一个指标可能很好地追踪实际年龄，却对近期风险提供较少独立信息。算法奖励的是不同性质，因此给出的权重也不同。

2. 生物标志物面板可能只部分重叠

标准临床 PhenoAge 公式固定使用九项生物标志物加年龄；KDM 则可以配置。即使某个在线计算器要求填写熟悉的指标，它相对于另一个 KDM 实现也可能省略、增加或转换变量。

基于 10 项化验指标的结果，不能直接与基于 18 项化验和器官功能指标建立的 KDM 互换。面板的组成改变了模型内部“更老”和“更年轻”的含义。

3. 实际年龄进入模型的方式不同

实际年龄被明确纳入 PhenoAge 的死亡风险模型。根据具体实现，实际年龄也可以作为 KDM 估计公式中的额外信息来源。

这往往会把两个输出都拉向人群中的年龄模式，但拉力的强度和逻辑并不相同。因此，拥有相同生物标志物数值、但实际年龄不同的两个人，未必得到相同的年龄加速度结果。

4. KDM 依赖其参考人群

KDM 系数来自一个数据集。只要年龄范围、健康状况、性别分布、族群、国家、实验室方法或日历时期发生变化，生物标志物与年龄的关系就可能改变。

这不只是技术细节。一个在 40–70 岁、相对健康成人中训练的模型，在 25 岁或 85 岁时的表现可能不同。将任何模型应用于训练范围之外都属于外推，此时看似精确到“几年”的数字可能产生误导。

PhenoAge 也反映了其美国 NHANES 开发人群，不过广泛使用的临床实现通常保留已发表系数；而 KDM 计算器更可能在共用同一名称的同时包含不同校准方式。

5. 单位和转换会改变分数

PhenoAge 需要精确的单位。C 反应蛋白是经典错误来源：已发表公式使用转换后的数值，而计算器可能要求 mg/L，化验报告却使用 mg/dL。肌酐、葡萄糖、白细胞计数和碱性磷酸酶同样需要仔细匹配单位。

KDM 的实现可能根据训练流程对输入进行标准化、对数转换、缩尾处理或其他预处理。如果计算器没有说明这些步骤，你就无法可靠地复现或比较其输出。

在解读出乎意料的结果前，请先完成我们关于 PhenoAge 变化与实验室噪声的单位和输入审计。

6. 某一个异常指标在一个模型中的影响可能更大

设想一个人葡萄糖、白蛋白、肾脏指标和血细胞计数都很好，但感染后暂时出现 C 反应蛋白升高。

PhenoAge 可能明显上升，因为它的固定风险导向方程为 CRP 赋予了明确贡献；一个包含许多额外测量的 KDM 模型可能稀释这一单一信号，也可能在其参考数据中 CRP 具有可靠年龄梯度时反应很强。答案取决于所拟合的 KDM 版本。

反过来，若一个人握力和肺功能持续偏低，但其他血液化学结果良好，那么包含功能测量的 KDM 可能捕捉到这种模式；标准临床 PhenoAge 则不会，因为这些测量不是它的输入。

两种输出都不一定“错”。每一种方法都只能看到它被构建来看的变量。

三种不一致模式及其提示

模式	可能解释	最好的下一步检查
PhenoAge 较老，KDM 接近实际年龄	一项或多项 PhenoAge 高权重风险指标不理想，但更广泛的 KDM 模式仍符合年龄特征	检查各个 PhenoAge 贡献项、单位、炎症和近期疾病
KDM 较老，PhenoAge 接近实际年龄	KDM 面板包含 PhenoAge 没有纳入的年龄敏感功能或临床测量	确认具体 KDM 面板和驱动结果的指标
两者都较老或都较年轻	多个生理信号可能在两种模型中方向一致	确认检测条件标准化，并在复测中观察是否持续

这些是解读假设，不是诊断。计算器的综合年龄绝不应取代对葡萄糖、肾功能、炎症、血细胞计数、血压或其他任何输入指标的临床解读。

如需了解涵盖血液、甲基化和可穿戴设备分数的更广泛框架，请阅读为什么生物年龄检测会得出不同结果。

应该使用哪个计算器？

应根据你想支持的决策来选择。

想要可复现、以死亡风险为导向的基准时，使用 PhenoAge

当你拥有所需的化验数值，并希望将结果与广泛发表的固定公式比较时，PhenoAge 是更清晰的选择。它相对容易复现、审计和再次计算。

尤其适用于以下情况：

九项必需指标都可获得，且单位正确；
你希望与已发表的临床表型年龄文献保持连续性；
你可以在相似条件下重复同一面板；
你理解这个年龄是风险等值摘要，而不是字面意义上的组织年龄。

想要更广泛的生理年龄模型时，使用 KDM

如果有文档完善的实现方式，能结合多个相关系统，并针对与你相似的人群校准，KDM 可能更合适。

尤其适用于以下情况：

具体生物标志物面板和系数或软件已披露；
参考人群和有效年龄范围有说明；
同一个训练模型在未来测量中仍可使用；
你关心的是多变量生理偏离，而不是固定的死亡风险导向分数。

不要因为哪个结果更年轻就选哪个

“挑计算器”会制造虚假的精确感。如果测试足够多的公式，总会有一个给出令人满意的年轻数字；这并不意味着它更适合回答你的问题。

相反，应在看结果之前记录模型，然后把方法固定下来。

五点计算器审计

在信任 PhenoAge 或 KDM 结果前，请核实：

**身份：**计算器是否说明了确切方法和来源论文？
**输入：**它是否列出所有必需生物标志物和可接受单位？
**实现：**对于 KDM，它是否披露面板、系数或软件、训练人群和有效年龄范围？
**可复现性：**你能否两次输入同样的数值，并导出或记录结果？
**解读：**它是否说明不确定性，并避免诊断或抗衰老治疗声明？

如果一个工具未通过身份或实现检查，应把它看作不透明的应用分数，而不是研究级的 PhenoAge 或 KDM 估计。

如何比较不同时间点的结果

最安全的纵向问题不是“我的真实生物年龄是多少？”，而是：

在可比的测量条件下，同一个模型是否出现了持续变化？

请采用以下流程：

保持计算器版本和公式不变；
在可行时使用同一家实验室；
匹配空腹状态和一天中的检测时间；
急性疾病期间或异常高强度运动后不要立即检测；
记录药物和补充剂变化；
保存原始化验数值，而不只保存最终年龄；
在改变计划前复测出乎意料的结果；
检查哪些输入发生变化，以及变化是否具有临床意义。

小差异必须结合测量误差和模型不确定性解读。计算器显示到小数点后一位，并不意味着其精度真的达到 0.1 岁。我们的生物年龄置信区间指南说明了为什么屏幕上的精确度可能超过模型的确定性。

不要平均 PhenoAge 和 KDM。两个定义不同构念的平均值没有既定临床含义，也会让未来变化更难追溯原因。

SuperAge 如何处理 PhenoAge 与 KDM

SuperAge 的设计目标是让最终分数始终连接到其证据。它不会把一个生物年龄数字当作判决，而是帮助你在 iPhone 上整理底层血液指标、趋势和计算背景。

当 PhenoAge 和 KDM 出现分歧时，这一点尤其重要。有用的信息通常不是“49”与“43”之间的差距，而是：

哪些生物标志物驱动了每个估计；
计算是否使用了正确单位；
是否与上一次使用同一方法；
变化是否分布在多个系统；
是否有急性事件可以解释这一波动。

若要作更广泛的方法选择，请比较表观遗传时钟与血液生物标志物年龄。无论使用哪种方法，都应把医疗决策锚定在经过验证的临床测量和专业照护上。

常见问题

为什么我的 PhenoAge 与 KDM 生物年龄不同？

两者使用不同的数学目标，也可能使用不同的生物标志物。PhenoAge 将估计死亡风险转换为年龄等值；KDM 则估计在特定参考人群中最符合多变量生物标志物模式的年龄。

PhenoAge 比 KDM 更准确吗？

对于所有目的而言，并不存在普遍赢家。表现取决于结局、队列、实现方式和生物标志物可用性。比较研究显示，两者都可以预测重要健康结局。请选择目标和验证最符合你问题的模型。

所有 KDM 计算器都会给出相同结果吗？

不会。KDM 是一种可以用不同生物标志物和人群拟合的建模方法。两个 KDM 计算器都可能合理，却给出不同年龄。可信工具应说明其模型。

我可以比较 PhenoAge 与 KDM 加速度吗？

你可以观察两者是否大体都指向“比预期更老”或“更年轻”，但它们以年为单位的数值不能直接互换。做纵向追踪时，应将 PhenoAge 与同一 PhenoAge 公式比较，KDM 与同一 KDM 实现比较。

我应该把 PhenoAge 与 KDM 取平均吗？

不应该。对不同训练方式的分数取平均，不会得到经过验证的“更真实”生物年龄；还可能掩盖造成分歧的生物标志物或模型因素。

我应该和医生讨论哪个结果？

应讨论底层化验或功能数值，尤其是超出临床参考范围或持续变化的项目。综合生物年龄结果可以提供背景，但它不是诊断或治疗目标。

核心结论

PhenoAge 与 KDM 不一致，是因为它们以不同方式定义生物年龄。

PhenoAge 问的是：什么实际年龄对应相似的模型化死亡风险？KDM 问的是：在参考人群中，什么年龄最能解释一组多变量生理特征？理解这一点后，差异不再像一个坏掉的计算器，而是揭示了每个模型所强调的内容。

为明确目的选择一个实现方式，保存原始输入，标准化复测条件，追查变化背后的生物标志物。永远不要让一个计算得出的年龄凌驾于可靠的临床解读之上。

追踪年龄背后的证据

想把血液指标、生物年龄背景和长期趋势放在一起管理吗？下载 SuperAge，保留每个结果背后的输入，而不只看醒目的年龄数字。

参考文献

Levine ME, Lu AT, Quach A, et al. An epigenetic biomarker of aging for lifespan and healthspan. Aging. 2018;10(4):573–591.
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.
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.
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.
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.
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.
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.

本文仅供教育用途，不提供医疗建议、诊断或治疗。