基于机器学习的中国关节炎患者跌倒风险预测模型:使用中国健康与退休纵向研究 (CHARLS) 数据库进行分析
Minglun Xiao1, Ting Tan1, Mao Liu2,3
1Department of Gerontology, Affiliated Banan Hospital of Chongqing Medical University, Chongqing, 401320, China.
Journal of health, population, and nutrition
|March 11, 2026
概括
一个新的机器学习模型使用多种健康数据预测了患有关节炎的成年人中跌倒风险. 关键因素包括年龄,睡眠,糖尿病,抑郁症,握力和ADL分数,有助于临床管理.
科学领域:
- 老年学是一门学科.
- 公共卫生 公共卫生
- 生物医学信息学 生物医学信息学
背景情况:
- 布是一个重要的全球公共卫生问题.
- 患有关节炎的人面临着由于疼痛,肌肉虚弱和自身感知缺陷而导致的高跌倒风险.
- 缺乏使用多种健康数据对患有关节炎的中国成年人进行全面的跌倒风险评估模型.
研究的目的:
- 开发和验证基于机器学习 (ML) 的预测模型,用于关节炎成年人的跌倒风险.
- 确定有助于降落风险的关键多维健康数据.
- 评估各种ML模型用于降落风险预测的性能.
主要方法:
- 利用了来自中国健康与退休长度研究 (CHARLS) 的数据.
- 综合多维健康数据以识别使用LASSO回归的风险因素.
- 开发并比较了9个ML模型,包括XGBoost,用于对训练 (70%) 和测试 (30%) 数据集的预测性绩效评估.
主要成果:
- 确定了六个主要的跌倒风险因素:年龄,睡眠时间,糖尿病,抑郁症,握力和日常生活活动 (ADL) 评分.
- XGBoost 模型在训练组中获得了最高的预测性能,AUC 在训练组中为 0.746,在测试组中为 0.734.
- 校准曲线和决策曲线分析显示了很好的模型准确性和临床实用性.
结论:
- 开发的ML模型有效地预测了患有关节炎的成年人的跌倒风险.
- 这种预测工具可以支持临床管理和公共卫生干预措施,以预防跌倒.
- 建议进行外部验证,以确认模型的通用性和临床适用性.
