使用可解释机器学习模型预测中年和老年中国成年人握力相关的脆弱性:一项前性队列研究
Lisheng Yu1,2, Shunshun Cao3, Botian Song4
1Neurosurgery, The Second Affiliated Hospital of Wenzhou Medical University, Wenzhou, China.
Frontiers in public health
|January 1, 2025
概括
握力,认知功能,睡眠和BMI是老年人虚弱风险的关键预测因素. 机器学习模型,特别是用SHAP解释的LightGBM,准确地预测脆弱性,帮助个性化管理策略.
科学领域:
- 老年学是一门学科.
- 生物医学信息学 生物医学信息学
- 公共卫生 公共卫生
背景情况:
- 脆弱性是一个日益严重的全球健康问题,没有标准化的预测方法.
- 确定可靠的预测因素对于早期干预和管理至关重要.
研究的目的:
- 为了研究握力与脆弱风险之间的关联.
- 开发和解释一种最佳的机器学习模型,用于使用SHAP进行脆弱性预测.
主要方法:
- 利用了来自中国健康与退休长度研究 (CHARLS) 的数据.
- 采用LASSO回归来选择变量,并构建了六个机器学习模型.
- 选择LightGBM作为基于AUROC的最佳预测模型,并使用SHAP进行解释.
主要成果:
- 抓握强度与男性和女性的脆弱风险有显著的负相关性 (p < 0.001).
- 轻GBM模型的AUROC达到0.768 (95%CI为0.7410.795).
- 认知功能,睡眠时间,BMI和握力被确定为虚弱风险的关键预测因素.
结论:
- 由SHAP解释的LightGBM模型在预测脆弱风险方面表现出高准确性和稳定性.
- 改善握力,认知功能,睡眠时间和BMI可能会减轻脆弱的风险.
- 研究结果支持针对个体化的脆弱性管理策略.
