使用机器学习预测生物年龄.
Kai Zhang1,2, Po-Chung Chen3, YiYang Huang4
1Yiwu Industrial and Commercial College, Yiwu, Zhejiang, China.
PloS one
|September 24, 2025
概括
这项研究开发了一种机器学习模型,使用健康数据预测生物年龄,优于现有方法. 实施其个性化的健康建议可以延长许多人的预期寿命.
科学领域:
- 老年学和生物信息学
- 精准医学和公共卫生
背景情况:
- 台湾面临着人口快速老龄化和对个性化医疗保健的日益增长的需求.
- 准确评估个体生理衰老对于有针对性的健康干预至关重要.
研究的目的:
- 开发一种机器学习模型,利用健康检查数据预测生物年龄.
- 通过剩余寿命估计量化生理年龄,并确定关键的衰老生物标志物.
- 为延长寿命提供数据驱动的健康建议.
主要方法:
- 利用LightGBM进行生物年龄预测,将其性能与XGBoost.com进行比较.
- 采用MICE归算来处理缺失的数据,评估其对预测准确性的影响.
- 应用Kaplan-Meier (K-M) 估计器生存分析以验证生物年龄作为健康指标.
- 使用SHAP和PCC解释识别了具有影响力的衰老生物标志物.
主要成果:
- 在LightGBM模型中,与XGBoost.com相比,预测性能 (R平方) 提高了11.40%.
- MICE归算使预测准确度提高了23.35%.
- 该模型有效地区分了健康状况组,并确定了与主要死亡原因有显著重叠的关键衰老生物标志物.
- 个性化的健康建议可能会将预期寿命延长64.58%.
结论:
- 拟议的机器学习模型准确预测生物年龄,并作为有效的健康状况指标.
- 鉴定到的生物标志物和个性化建议对于精确的健康和寿命延长策略具有实际意义.
- 这项研究为应对人口老龄化和推进个性化医疗保健提供了方法论支持和数据.
