基于机器学习的模型来预测健康成年人的握力:一项基于全国数据集的研究
Mina Park1, Yeo Hyung Kim1, Jung Soo Lee1
1Department of Rehabilitation Medicine, College of Medicine, The Catholic University of Korea, Seoul 06591, Republic of Korea.
Journal of clinical medicine
|March 17, 2025
概括
机器学习模型准确地估计了成年人的手握力 (HGS). XGBoost模型显示出对临床应用的卓越预测准确性和通用性.
科学领域:
- 健康科学 卫生科学 卫生科学
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 手握强度 (HGS) 是整体健康和功能状况的关键指标.
- 准确估计HGS对于早期诊断和个性化干预至关重要.
- 现有的HGS评估方法在大规模的人口研究中可能存在局限性.
研究的目的:
- 开发和比较机器学习模型来估计健康成年人的HGS.
- 为了确定HGS预测的最准确和最可概括的模型.
- 探索影响HGS估计的关键预测因素.
主要方法:
- 分析了2014-2019年21147名韩国成年人 (年龄大于19岁) 的数据.
- 开发和评估多项式回归 (PR),多层感知子 (MLP) 和极端梯度增强 (XGBoost) 模型.
- 利用人口统计,人体测量和体力活动数据作为预测因素;使用RMSE和R2.2评估模型.
主要成果:
- 根据性别,年龄和手的优势,HGS的差异很大,男性和年轻人表现出更高的力量.
- XGBoost模型实现了最高的预测准确性和通用性,R2为0.717.
- 在XGBoost模型中,HGS的关键预测因素包括体重,年龄,身高和腰围.
结论:
- 在HGS估计中,XGBoost模型表现出高于PR和MLP的性能.
- 使用机器学习准确的HGS估计具有临床应用的巨大潜力.
- 这种方法可以支持早期疾病检测,有针对性的干预措施和个性化的健康目标设定.
