使用机器学习优化儿童和青少年近视预测:一个多因素风险评估模型
Yue Xi1, Wei Zhu2, Wenjing Yan3
1School of Physical Education, Shanghai University, Shanghai, China.
Frontiers in medicine
|December 1, 2025
概括
这项研究确定了可改变的行为和社会人口学因素,这些因素有助于儿童近视. 机器学习模型强调了父母的近视和身体活动作为针对性预防策略的关键预测因素.
科学领域:
- 眼科医生 眼科 眼科
- 公共卫生 公共卫生
- 数据科学数据科学数据科学
背景情况:
- 儿童近视是一个日益关注的问题,大多数研究都集中在遗传学和环境上.
- 这项研究调查了可修改的行为,社会人口统计学和心理因素.
- 它还探讨了机器学习 (ML) 在识别有风险的儿童方面的实用性.
研究的目的:
- 确定儿童和青少年近视的可修改风险因素.
- 评估机器学习模型在预测近视方面的有效性.
- 为有针对性的预防和干预策略提供信息.
主要方法:
- 一项对中国学校2086名学生的横截面调查.
- 风险因素识别的 LASSO 和后勤回归.
- 十个机器学习算法 (包括LightGBM) 用于预测,SHAP用于解释.
主要成果:
- 在研究人群中,近视的患病率为25.12%.
- 关键的独立风险因素包括父母近视,独生子女身份和身体活动.
- 轻GBM显示出最好的预测性能 (AUC = 0.738).
结论:
- 机器学习模型确定了儿童近视的显著可修改的风险因素.
- 这些发现表明有针对性的行为干预和预防策略的潜力.
- ML模型对于识别风险因素是有价值的,但尚未用于临床诊断.
