基于数字纵向数据与机器学习揭示暴食行为表型及其情境模式

为解决肥胖干预中长期效果不佳的问题，研究人员开展了一项结合可穿戴传感器与生态瞬时评估（EMA）的暴食行为研究，通过机器学习算法成功预测暴食事件（AUROC=0.86）并识别出五种暴食表型，为个性化干预提供了新方向。

　　

肥胖已成为全球最严峻的公共卫生挑战之一。自1975年以来，全球肥胖患病率增长了三倍，截至2022年，已有超过8.9亿成年人被诊断为肥胖。尽管已有多种药物和行为干预手段，但传统减肥策略往往难以实现长期效果，多数人在干预结束后12个月内体重反弹。暴食（overeating）作为肥胖的核心行为因素，其背后的心理、环境和生理机制尚未被充分揭示。以往研究多依赖自我报告数据，存在回忆偏差和报告延迟等问题，且缺乏对暴食行为动态多维特征的捕捉。

为了突破这一瓶颈，由Farzad Shahabi、Boyang Wei等学者组成的研究团队在《npj Digital Medicine》发表了题为“Unveiling overeating patterns within digital longitudinal data on eating behaviors and contexts”的研究论文。该研究通过融合可穿戴传感器、生态瞬时评估（EMA）和膳食回顾数据，构建了一套数字化行为监测与分析方法体系，旨在揭示暴食的复杂模式及其背后的表型特征。

研究团队开展了为期14天的“SenseWhy”项目，招募了65名肥胖（BMI≥30 kg/m²）成年人，最终纳入48名有效参与者，共收集2302餐观察数据。参与者佩戴胸戴式可穿戴相机，配合移动应用完成餐前餐后EMA问卷，并由营养师进行24小时膳食回顾访谈。相机共记录6343小时视频，研究人员人工标注了微动作（如咀嚼、吞咽），并结合EMA获取心理与情境数据。

关键技术方法包括：1）使用可穿戴相机与移动应用采集多模态数据；2）通过XGBoost机器学习模型预测暴食事件，并采用SMOTE处理类别不平衡问题；3）基于半监督学习（深度神经网络编码器+UMAP降维+K-means聚类）识别暴食表型；4）利用z-score分析表征聚类特征。所有操作均通过美国西北大学IRB审批（STU00204564）。

Supervised overeating detection

研究比较了XGBoost、SVM和Na?ve Bayes模型性能，发现XGBoost在融合EMA与被动传感数据的特征全集上表现最优（AUROC=0.86，AUPRC=0.84）。SHAP分析显示，感知暴食（perceived overeating）、咀嚼次数、轻食摄入（light refreshment）、失控感（LOC）和咀嚼间隔是关键预测因子。仅使用被动传感数据（如咀嚼、咬合特征）时模型性能中等（AUROC=0.69），表明行为特征虽具预测潜力，但需结合心理情境数据以提升精度。

Semi-supervised overeating phenotype clustering

通过半监督聚类分析，研究从2246餐中识别出5类暴食表型：

• •

  “外卖盛宴”（Take-out Feasting）：以餐厅外卖、社交用餐为特征，平均能量摄入1006.53 kcal；

• •

  “晚间餐厅狂欢”（Evening Restaurant Reveling）：涉及堂食、夜间进食与享乐性饮食，平均摄入1154.89 kcal；

• •

  “晚间渴望”（Evening Craving）：以饥饿驱动、家庭自制餐为主，平均摄入1024.96 kcal；

• •

  “失控性享乐进食”（Uncontrolled Pleasure Eating）：伴随任务分心、高享乐倾向与失控感，平均摄入1100.70 kcal；

• •

  “压力驱动夜间零食”（Stress-driven Evening Nibbling）：由压力、孤独感触发夜间进食，平均摄入1380.44 kcal。

聚类结果均通过轮廓系数（silhouette score≥0.42）和GMM验证，表型间具有显著行为与情境差异。

讨论与意义

该研究首次通过数字化纵向数据与机器学习揭示了暴食的异质性表型，突破了传统单一维度分析的局限。五种表型分别对应社会情境、昼夜节律、情绪调节和认知控制等多重机制，为个性化干预提供了精准靶点。例如，“压力驱动夜间零食”表型可结合实时压力管理反馈，而“外卖盛宴”表型需针对社交环境设计行为干预策略。

研究的创新性在于：1）定义了基于个人化能量基准的暴食客观标准（z-score≥1）；2）整合被动传感与EMA数据，克服了自我报告偏差；3）通过可解释机器学习（SHAP）和半监督聚类实现了行为表型的可量化解析。未来工作可延长监测周期、纳入临床指标（如BMI轨迹），并探索实时干预系统的可行性。

该研究为数字健康领域提供了范式转换：从“一刀切”的肥胖干预转向基于行为表型的精准策略，为攻克肥胖这一复杂疾病开辟了新路径。