使用机器学习模型,识别身体活跃和不活跃的中老年人和老年人的主观预期寿命风险因素
Jian Yang1, Zhihui Li2, Ming Wu3
1College of Physical Education and Health, East China Normal University, Shanghai, China.
BMC public health
|October 15, 2025
概括
机器学习模型确定了老年人主观预期寿命的关键风险因素. 年龄和感知健康是至关重要的,指导活跃和不活跃个体的差异化健康策略.
科学领域:
- 公共卫生 公共卫生
- 老年学是一门学科.
- 计算生物学 计算生物学
背景情况:
- 身体活动显著影响公共健康,与福祉和主观预期寿命有关.
- 了解主观预期寿命的风险因素对于制定有针对性的健康干预措施至关重要.
- 这项研究的重点是根据中年和老年人的身体活动水平来区分这些因素.
研究的目的:
- 确定中年和老年人主观预期寿命的风险因素.
- 为了比较活跃和不活跃的身体活动水平的个体之间的这些因素.
- 为差异化卫生干预策略提供证据基础.
主要方法:
- 利用了2018年中国健康与退休长度研究 (CHARLS) 中10,945名参与者的数据.
- 开发并比较了五个机器学习模型 (RF,LR,SVM,XGBoost,LightGBM) 用于活跃和不活跃的群体.
- 采用合成少数群体过量采样技术 (SMOTE),70/30列车/测试分割,并与格子搜索进行十倍交叉验证,以优化和评估模型 (AUC,精度,灵敏度,特异性,F1得分).
主要成果:
- 支持矢量机 (SVM) 在不活跃组表现最好 (AUC:0.797),确定"年龄"是关键因素.
- 光渐变增强机 (LightGBM) 在活跃组表现最好 (AUC:0.775),确定"感知健康"是关键因素.
- 在活跃和不活跃组之间观察到模型性能和关键风险因素的显著差异.
结论:
- 机器学习模型有效地识别了老年人主观预期寿命的关键风险因素.
- 研究结果强调了"年龄"对不活跃个体和"感知健康"对活跃个体的重要性.
- 结果支持根据身体活动水平制定量身定制的健康管理策略.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
7.9K
11:21Methodology for Establishing a Community-Wide Life Laboratory for Capturing Unobtrusive and Continuous Remote Activity and Health Data
Published on: July 27, 2018
8.6K
