直接回答你的四個問題
Q1 體脂率有 outcome 資料、能畫曲線嗎？
有。BIA 體脂的死亡曲線是 U 型（NHANES III 19 年追蹤：最低風險落在男 25–30%、女 30–35%）。但低體脂端的高風險，多半是反向因果（疾病、衰弱、抽菸先讓人變瘦），跟 BMI 曲線同一個陷阱。
Q2 高肌肉量能抵消高體脂嗎？（相撲）
能，但只是部分。脂肪量（FMI）增死亡、肌肉量（FFMI／SMMI）保護；最危險的表型是肌少型肥胖（高脂＋低肌）。這就是「fat-but-fit」與相撲悖論：高體脂＋高肌肉＋高體能，風險低於高體脂＋低肌肉。
Q3 能不能蒸餾出一個簡單好用的指標？
能，但不是體脂機。沒有任何單一體組成指標明確贏過 BMI（UK Biobank）。最實用、最有證據的單一指標是 腰高比 < 0.5（腰圍不超過身高一半，NICE 2022 正式建議），免機器、抓得到中央肥胖。
Q4 腰圍能當體脂代理？結論換得到腰圍嗎？
大致換得到。腰圍/腰高比是中央（內臟）脂肪的好代理，比 BMI 多給資訊（BMI 與腰圍相關只有 0.46–0.59，BMI 與體脂高達 0.80）。可能腰圍粗但內臟脂肪低（皮下脂肪主導，如受訓中的相撲）——是例外，不是常態。
7 路平行 fan-out（它怎麼查的）
同一個問題、七種角度同時查；每條線回報自己查到什麼。兩條空手的也誠實標出來。
七條裡兩條（UpToDate／DynaMed）因瀏覽器 session 失效空手——這正是誠實之處：不會假裝查過。其餘五條互補，足以覆蓋本題。
現抓 4 篇全文驗證（只引用看過全文）
導航線給的是「線索」。下面四篇是當場抓 OA 全文、讀過、確認數字後才引用的（L1）。
Dong 2018 · NHANES III（PLoS One）
BIA 體脂與死亡 U 型，19 年追蹤、4,999 死。最低風險：男 BF% 25–30%、女 30–35%。腰臀比加上去還能再分層。→ 體脂率確實畫得出風險曲線。
Knowles 2021 · UK Biobank（JAHA）
356,590 人 BIA。脂肪量與 CVD 強正相關（HR/SD 1.07）；但結論直白：體脂與肌肉的 BIA 量測，預測 CVD/死亡並不優於 BMI。
Wiebe & Tonelli 2025 · UK Biobank（BMJ Open）
全面校正後，只有腰臀比仍是正相關（HR 第95 vs 第5百分位 1.21）；BMI 反轉、BIA 體脂趨近無關。BMI 與腰圍相關僅 0.46–0.59 → 腰圍給的是 BMI 以外的資訊。
Chang 2022 · 台灣（Sci Rep）
1,200 名 ≥40 歲。骨骼肌質量指數（SMMI）比 BMI、FMI、FFMI 更能預測死亡，尤其長者；高脂肪／內臟脂肪分布增風險。→ 肌肉量是獨立、保護性的軸。
綜述
體脂率的死亡曲線：存在，但和 BMI 同病相憐
「體脂率資料較少」其實是錯覺。以 BIA 量測體脂、追長期死亡的世代研究是有的：NHANES III 追蹤 19 年得到一條清楚的 U 型曲線（Dong 2018），系統性回顧（Jayedi 2022，35 個世代、92 萬人，OE 導航浮現）也指向體脂約 25% 附近風險最低。問題不在「有沒有曲線」，而在這條曲線跟 BMI 曲線得了同一種病：低體脂端看似高風險，多半是反向因果——既有疾病、癌症、衰弱、抽菸先讓人消瘦，不是瘦本身有害。追蹤拉長、排除基線疾病與非吸菸者後，脂肪量與死亡的正相關才乾淨浮現。
為什麼體脂機贏不過 BMI？因為它只測了一半
UK Biobank 三十多萬人的 BIA 資料給了最直接的答案（Knowles 2021）：把體脂、肌肉量都測進去，預測 CVD 與死亡的能力，並沒有比 BMI 好。原因有二。其一，消費級 BIA（體脂機、InBody）對單一個體的誤差約 ±3–5%，DXA 才是黃金標準；它適合同條件追趨勢，不適合拿單一數字下判斷。其二，更重要：一個體脂數字把兩個方向相反的東西混在一起——脂肪量（壞）與瘦體量（好）。
把脂肪和肌肉拆開，相撲悖論就解開了
當研究改用脂肪質量指數（FMI）和去脂質量指數（FFMI）互相校正，圖像就清楚了：FMI 與死亡正相關，FFMI（或骨骼肌質量指數 SMMI）則是保護因子，在長者尤其明顯（Chang 2022；Sedlmeier 2021、Ying 2023 台灣 MJ 世代 42 萬人，導航浮現）。最危險的表型不是「胖」，是肌少型肥胖——高脂肪加低肌肉。
這正是「fat-but-fit」與相撲力士的解答。受訓中的相撲選手 BMI 與體脂都極高，但他們同時有極高的肌肉量、極佳的體能，而且脂肪以皮下為主、內臟脂肪相對受訓練壓制——所以代謝上比外表健康。關鍵字是分布與肌肉：一旦退役、停訓，內臟脂肪與代謝疾病才追上來。高體脂能不能被抵消？能，但要靠肌肉與體能，而且是部分抵消，不是無限額度。
那到底該看什麼？腰高比 < 0.5
如果只能留一個指標，證據指向的不是體脂機，而是腰高比（腰圍 ÷ 身高）。Wiebe & Tonelli（2025）在 UK Biobank 全面校正後發現，BMI、腰臀比、BIA 體脂三者裡，只有腰圍相關指標校正後仍穩定正相關；而且 BMI 與腰圍的相關只有 0.46–0.59（BMI 與體脂卻高達 0.80），代表腰圍給的是 BMI 量不到的中央肥胖資訊。NICE 2022（NG246）因此正式建議：成人把腰圍維持在身高的一半以內（腰高比 < 0.5），就是最簡單、免機器、能揪出「BMI 正常但中央肥胖」者的指標。台灣有更該記的在地版本：國健署《成人肥胖防治實證指引》把過重定在 BMI ≥ 24、肥胖 ≥ 27（都比西方低），中央肥胖腰圍切點 男 ≥ 90、女 ≥ 80 公分——較低的門檻本身就反映亞洲人在較低 BMI、較細腰圍就累積較多內臟脂肪。
結論換得到腰圍嗎？大致可以
能。腰圍/腰高比是中央與內臟脂肪的好代理，比 BMI 更貼近心血管代謝風險。會不會「腰圍很粗、內臟脂肪卻很低」？會，但是例外：皮下脂肪主導、或肌肉/骨架較大的人（受訓相撲是極端例），腰圍會高估內臟脂肪。反過來，亞洲人常見「BMI 不高、內臟脂肪卻偏高」，腰高比反而更能抓出來。所以本文的結論可以換到腰圍，但帶一個提醒：腰圍不會幫你分辨內臟脂肪與皮下脂肪——要分辨，得回到影像或 DXA。對日常自我監測，腰高比 < 0.5 加上「別讓肌肉流失」，已經足夠好用。
文獻表（6S 分級）
每筆標出 EBM 6S 層級。L1＝原始研究、L4＝指引/教科書、L5＝同儕審查的臨床資料庫；OpenEvidence 為 LLM 聚合器（6S 空白），只當導航、不列為引用。
| 主張 | 文獻 | 層級 | 狀態 |
|---|---|---|---|
| 體脂% U 型死亡曲線；最低風險 BF% 25–30%(男)/30–35%(女) | Dong B, et al. PLoS One 2018;13:e0193368 (NHANES III) | L1 | 現抓全文已讀 |
| BIA 體脂/肌肉預測 CVD/死亡不優於 BMI；FM 正相關 | Knowles R, et al. J Am Heart Assoc 2021;10:e019337 (UK Biobank) | L1 | 現抓全文已讀 |
| 全校正後僅腰臀比正相關；BMI-腰圍相關 0.46–0.59 | Wiebe N, Tonelli M. BMJ Open 2025;15:e092962 (UK Biobank) | L1 | 現抓全文已讀 |
| SMMI 比 BMI/FMI/FFMI 更能預測死亡（尤其長者） | Chang CS, et al. Sci Rep 2022;12:7912 (Taiwan) | L1 | 現抓全文已讀 |
| 腰高比 < 0.5 風險分層建議 | NICE NG246, 2022（成人腰高比） | L4 | Gemini 導航 |
| 台灣過重 BMI≥24／肥胖 BMI≥27；中央肥胖腰圍 男≥90／女≥80 cm | 國民健康署《成人肥胖防治實證指引》(MOHW-HPA 2026) | L4 | 庫內全文（codex 浮現） |
| BMI-死亡 U/J 型、肥胖悖論、反向因果與吸菸干擾、FMI/FFMI、腰圍 | Handbook of Obesity 4e, Ch47（BMI 與死亡）／Ch3–4（測量與人體測量 vs DXA）／Ch27（內臟 vs 皮下脂肪） | L4 | 庫內全文 |
| BMI 侷限、需腰圍/腰高比佐證的肥胖診斷框架 | Lancet Diabetes Endocrinol 2025 臨床肥胖定義委員會 | L4 | 庫內全文 |
| 體脂% 劑量反應 MA，最低風險 ~25%（92 萬人） | Jayedi A, et al. Int J Obes 2022;46:1573 (35-cohort MA) | 導航 | OE 浮現，未讀全文 |
| FMI/FFMI 互校正；台灣 MJ 世代 42 萬 J 型 | Sedlmeier 2021 AJCN／Ying 2023 Obesity | 導航 | OE 浮現，未讀全文 |
怎麼把這些工具接起來（這就是 harness）
真正的問題不是「有哪些工具」，是「怎麼讓 Claude 真的用得到 UpToDate / DynaMed / Gemini / Grok，並且把文獻正確性查出來」。這層接線就叫 harness——大部分是確定性的膠水程式，LLM 只在需要判斷的接點出手。
一、每個工具怎麼接上 Claude（adapter）
| 工具 | 怎麼接 | 為什麼這樣接 |
|---|---|---|
| UpToDate / DynaMed （付費、無公開 API） | 一支純 stdlib Python CLI，用 osascript 去操作你「已經登入」的 Chrome 分頁：叫它輸入查詢、把 topic 內容讀回來。 | 不需要 API key、不破解登入；它跑在你的瀏覽器 session 上（UTD 走 CMU 圖書館 proxy）。雲端 LLM 沒有你的 cookie，這正是它拿不到、而你的本機 agent 拿得到的東西。 |
| OpenEvidence | 同樣 browser-driven（純 HTTP 被 DataDome 擋），在登入分頁裡 fetch()。 | OE 是 LLM 聚合器（無同儕審查）→ 只當導航，永遠不直接引用，它指到的 primary 才是要驗證的對象。 |
| Gemini / Grok | 各一支 CLI wrapper（gemini-pro.py / grok-x.py），檔案式 OAuth、自動 proxy 到放金鑰的機器。 | Claude 只要在 shell 跑這支程式，登入、grounding（Google 搜尋 / X 即時）全包好；wrapper 回 JSON。 |
| journal-fetch （要全文時） | 給一個 DOI，自動分流：OA 直抓、你的個人訂閱（NEJM/JASN）直抓、其餘付費走你的CMU 圖書館 proxy＋瀏覽器 cookie，把全文 PDF 收進 corpus。 | 把「導航線索」變成「真的讀得到的全文」——下一步才有東西可核對。 |
二、怎麼查文獻正確性（擋幻覺這一關）
DOI＝deterministic
一篇文獻一個永久 ID。harness 跑一行 curl 去 Crossref 查這個 DOI 在不在：在就真、404 就假。LLM 給的 DOI 可能整串是掰的，唯一的解是「叫它查、別信它背」。
只引用看過全文
導航線（OE/Gemini）給的是線索；harness 先用 journal-fetch 把全文抓進來、讓 LLM 讀過、核對每個數字，才升級成可引用（L1）。本文 4 篇 primary 就是這樣現抓現讀的。
交叉比對抓污染
這次 OpenEvidence 自己的文獻編號前後不一致——就是靠「回去抓 4 篇全文逐一核對」抓出來的。聚合器會把不同論文的發現張冠李戴，所以它的話一律當待驗證。
三、orchestration（把上面接成一條）
一份 skill（其實就是一個 markdown 合約 SKILL.md）定義「7 路平行查 ＋ 怎麼統整 ＋ 怎麼存檔」。
一段 workflow 程式把 7 條 lane 同時叫起來（平行，不是一條一條），收斂後接 journal-fetch ⟶ 寫進 corpus ⟶ Astro 自動上站 ⟶ health-communication 改寫成 FB ⟶ 部署。
全部加起來是幾百行膠水，不是魔法。確定的事（驅動瀏覽器、驗 DOI、抓全文、上站）交給程式；模糊的判斷（查什麼、怎麼統整、怎麼改寫）交給 LLM。這就是 harness。
方法與限制
BIA 的限制：消費級 BIA（體脂機/InBody）對個體誤差約 ±3–5%（黃金標準為 DXA），受水分、進食、運動影響大；適合同條件追趨勢，不適合單一數字下診斷。反向因果：所有「低指標高風險」的 U 型左端，都要先懷疑是疾病導致消瘦，而非消瘦致病。