机器学习用于分析健康生活方式数据:范围审查和指南
Tony Estrella1,2, Lluis Capdevila1,2, Carla Alfonso1,2
1Sport Research Institute, Universitat Autònoma de Barcelona, Bellaterra, Spain.
JMIR human factors
|March 3, 2026
概括
本次审查强调了将机器学习 (ML) 应用于健康生活方式数据的差距,强调需要严格的数据采集和可解释性. 建议包括使用多领域数据和可解释AI (XAI) 来获得个性化的健康见解.
科学领域:
- 数据科学与健康行为研究数据科学与健康行为研究
- 机器学习在生活方式研究中的应用
背景情况:
- 数据科学的进步使多式联运信息集成成为大规模生活方式研究的工具.
- 尽管人们越来越感兴趣,但在将机器学习 (ML) 应用于健康行为研究方面仍然存在重大方法差距.
研究的目的:
- 在健康生活方式数据分析中系统审查监督的ML应用.
- 检查数据类型,ML过程 (包括可解释的AI/XAI) 和软件工具.
- 提供指导方针,以提高未来ML健康研究的质量和透明度.
主要方法:
- 按照PRISMA-ScR指南进行系统审查.
- 在PubMed,PsycINFO和科学网上进行了搜索.
- 包括65项符合预定义标准的研究.
主要成果:
- 大多数研究 (74%) 整合了多领域的生活方式数据 (身体活动,饮食,睡眠,压力).
- 随机森林是最常见的算法; 33.84%的XAI方法 (沙普利增量解释占主导地位).
- R和Python是主要的软件工具;制定了方法和报告准则.
结论:
- 对于健康生活方式数据的ML的方法差距需要从数据采集到可解释性.
- 多域数据增强了理解,但代表性受到获取方法的限制.
- 整合XAI和标准化报告 (例如R tidymodels) 可以提高严格性,透明度和个性化干预.
