探索一种可解释的基于机器学习的查方式,用于在中国社区居住的老年人中发现肌肉质量较低的情况,使用例行体检信息
Wentao Gu1,2, Qisijing Liu1,2, Dongfei Tan3
1Research Institute of Public Health, Tianjin Key Laboratory of Food Science and Health, School of Medicine, Nankai University, No. 38, Tongyan Road, Haihe Education Park, Tianjin, 300350, China.
BMC geriatrics
|February 17, 2026
概括
这项研究开发了一个可解释的机器学习模型,使用例行体检数据来选老年人肌肉质量较低的情况. 该模型有效地识别了有风险的个体,帮助社区环境中的早期干预.
科学领域:
- 老年学与公共卫生
- 生物医学信息学 生物医学信息学
- 临床诊断 临床诊断 临床诊断
背景情况:
- 全球人口老龄化面临肌肉健康和与年龄相关的肌肉损失的挑战.
- 传统的低肌肉质量查方法是昂贵的,并且对于定期的自我监测是不切实际的.
- 常规体检数据有潜力开发可访问的查工具.
研究的目的:
- 探索一种可解释的机器学习方法,用于选低肌肉质量的中国社区居住的老年人.
- 评估使用例行体检数据来预测低肌肉质量的可行性.
- 开发一个用户友好的工具,用于在资源有限的环境中临床应用.
主要方法:
- 从健康队列中招募了569名老年人 (≥60岁).
- 通过BIA和AWGS 2019标准使用尾骨肌肉质量指数 (ASMI) 评估低肌肉质量.
- 开发并比较了三种监督机器学习模型 (随机森林,弹性网) 使用常规体检数据,使用SHAP进行解释性和Shiny框架进行部署.
主要成果:
- 17.4%的参与者肌肉质量较低.
- 随机森林模型实现了低肌肉质量分类的高性能 (AUC=0.872).
- 弹性网模型显示了对ASMI的强有力的预测 (R2=0.763).
- 关键预测因素包括BMI,年龄,小腿周长,MNA得分和HDL.
结论:
- 常规体检数据可以有效地选社区居住的老年人的低肌肉质量.
- 一种可解释的机器学习方法提供了卓越的预测性能和运营可行性.
- 开发的工具可以指导进一步的标准评估,并支持初级卫生保健机构的临床实践.
