在不同时间间隔中预测肉症:对可修改因素的可解释机器学习分析

科学领域:

• 老年学与公共卫生
• 生物统计学和机器学习
• 预防衰老和疾病预防

背景情况:

• 萨科佩尼亚对老年人构成重大健康风险,需要有效的预测和预防策略.
• 识别可修改的风险因素对于开发针对性的干预措施来对抗肉类病至关重要.
• 中国的老年人代表着越来越多的人口面临着独特的健康挑战,包括肉症.

研究的目的:

• 开发和验证机器学习 (ML) 模型,以预测中国老年人2年和4年间隔的肉病风险.
• 识别和比较随着时间的推移在萨科佩尼亚发展中的可修改因素的重要性.
• 为公共卫生战略提供信息,以预防老年人群中的肉症.

主要方法:

• 利用来自中国健康与退休长度研究 (CHARLS) 的3549名60岁以上的中国成年人的数据.
• 采用了八个机器学习算法来构建完整和可修改的风险预测模型,使用接收器运行特征曲线下的面积 (AUC-ROC) 进行评估.
• 应用了夏普利添加式解释 (SHAP) 来解释模型预测并确定关键风险因素.

主要成果:

• 极端梯度增强 (XGBoost) 和轻梯度增强机 (LightGBM) 分别显示了对2年和4年的预测的最佳性能.
• 模型实现了适度的预测性能,AUC从0.769到0.804.
• SHAP分析确定了性别和估计的淋巴细胞过率 (eGFR) 作为肉类风险的最重要的预测因素.

结论:

• 结合可修改因素的肉症风险预测模型可以有效地识别有风险的中国老年人.
• 在预防策略中优先考虑功能能力和心理社会决定因素,对于减轻肉症至关重要.
• 这些发现支持开发个性化,以证据为基础的干预措施,以预防肉类症.