机器学习算法用于预测中国老年人的脆弱性:一个横截面研究

科学领域:

• 老年学是一门学科.
• 人工智能的人工智能
• 公共卫生 公共卫生

背景情况:

• 脆弱性是老龄化人口的重大健康问题,影响生活质量和医疗保健成本.
• 早期识别和干预对于管理老年人的虚弱至关重要.
• 预测建模为识别易受脆弱风险的个体提供了一种有希望的方法.

研究的目的:

• 评估各种机器学习 (ML) 算法对中国老年人脆弱性发生的预测准确度.
• 确定与该人口中的脆弱性有显著关联的关键人口和健康因素.
• 为了比较不同ML模型在预测脆弱性的性能.

主要方法:

• 利用了2020年中国健康与退休长度研究 (CHARLS) 中7880名中国老年参与者的数据.
• 应用了六个ML算法:物流回归 (LR),K-最近邻居 (KNN),支持矢量机 (SVM),决策树 (DT),LightGBM和随机森林 (RF).
• 使用AUC,灵敏度,特异性,NPV,PPV,DCA,Brier分数,换重要性和SHAP分析来评估模型性能.

主要成果:

• 轻GBM显示了最高的预测性能 (AUC高达0.816) 和最大的净效益.
• 脆弱的顶级预测因素包括多病症,抑郁症,自我评估健康,社交活动和饮酒.
• SHAP分析强调了LightGBM捕捉非线性效应的能力,而随机森林提供了更稳定的全球解释.

结论:

• 机器学习算法是预测中国老年人脆弱性的有效工具.
• 对于具有复杂特征交互的数据集,建议使用LightGBM,而随机森林则提供稳定性.
• 这些发现支持开发基于ML的查和干预策略,用于老年人群的脆弱性.