比较可解释的机器学习模型对于中年和老年人有或没有疼痛的跌倒风险

科学领域:

• 老年学是指老年学的学科.
• 公共卫生 公共卫生
• 生物统计学 生物统计学

背景情况:

• 疼痛是中年和老年人普遍存在的问题.
• 疼痛被认为是跌倒的危险因素,但潜在的机制仍然不清楚.
• 布对老年人口的健康和独立性构成重大威胁.

研究的目的:

• 为老年人开发和验证四年跌倒风险预测模型,分别为有疼痛和没有疼痛的人.
• 确定不同人群中跌倒的关键预测因素 (有和没有疼痛).
• 阐明疼痛特征在跌倒风险中的作用.

主要方法:

• 利用来自中国健康与退休长度研究 (2011-2015年) 的13074名中年及老年人的数据.
• 采用了五个机器学习算法和145个候选特性来构建预测模型.
• 应用沙普利增量解释 (SHAP) 进行模型解释性和逻辑回归 (LR) 进行分析.

主要成果:

• 经调整后勤回归证实疼痛是跌倒的重要危险因素 (OR 1.40).
• 下肢疼痛 (OR 1.71),严重疼痛 (OR 1.53) 和多部位疼痛 (OR 1.43) 显示了最高的相关跌倒风险.
• 该LR模型表现出卓越的性能 (疼痛组的AUC-ROC为0.732,非疼痛组的0.692).
• 关键预测因素不同:跌倒史和身高是常见的;疼痛特异性因素包括功能限制和慢性疾病得分;非疼痛特异性因素包括年龄和认知功能.

结论:

• 疼痛特征与中年和老年人中跌倒风险增加有显著的关联.
• 机器学习模型可以有效地识别高风险个体,特别是那些经历疼痛的人.
• 独特的预测特征需要针对有疼痛和没有疼痛的个体制定有针对性的防摔策略.