利用韩国国家健康与营养调查的数据，采用机器学习技术识别与50岁及以上成年人腰痛相关的生活方式因素

《Nursing & Health Sciences》：Machine Learning Techniques for Identifying Lifestyle Factors Associated With Low Back Pain in Adults Aged 50 and Older Using Data From the Korean National Health and Nutrition Examination Survey

慢性下背部疼痛（cLBP）的预测模型研究：基于韩国国民健康与营养调查数据，运用机器学习（逻辑回归表现最佳，AUROC=0.721）识别出年龄≥68.2岁、女性、每日久坐≥6.5小时、每周步行<4-5次、力量训练<1次/周、吸烟>5包/终身等关键风险因素，并确定膳食蛋白质摄入<2.9份/日、碳水化合物占比55%-65%等阈值，为临床制定个性化预防策略提供依据。

　　慢性低背痛（cLBP）是一种在成年人中广泛存在的健康问题，其发生和发展受到多种生活方式因素的影响。尽管已有大量研究探讨了这些因素，但如何通过具体的行为阈值来识别高风险人群，并制定相应的干预策略仍然是一个挑战。本文通过机器学习方法，分析了韩国国家健康与营养调查（KNHANES）中5607名50岁及以上成年人的数据，旨在识别与cLBP相关的关键可改变生活方式因素及其具体阈值。研究采用多种机器学习算法进行建模，并通过AUROC和SHAP分析方法评估模型的性能与可解释性，最终发现逻辑回归模型在所有算法中表现最佳，具有较高的预测能力。研究结果表明，一些特定的行为模式与cLBP的发生密切相关，如久坐超过6小时/天、每周步行频率低于4-5次、每周进行力量训练不足1次、从事中等强度工作、高压力水平以及吸烟超过五包/年等。此外，饮食习惯也对cLBP有显著影响，例如每周外出就餐少于约2.2次、每日蛋白质摄入量低于2.9份或碳水化合物摄入比例低于总能量的55%-65%等行为均与cLBP风险增加有关。这些行为阈值为临床医生提供了实用的评估工具，能够更精准地识别高风险个体，并据此制定个性化的干预方案，以预防cLBP的发生。

cLBP的高发性不仅影响个人的生活质量，也给社会带来沉重的医疗负担。根据相关研究，cLBP占所有LBP病例的32%-42%，且其持续时间超过3个月，具有显著的慢性化趋势。由于cLBP的非特异性特征，传统的诊断方法往往难以明确其病因，导致治疗效果受限。因此，从预防的角度出发，识别影响cLBP发展的关键行为因素并设定可操作的阈值，成为改善患者预后的重要手段。研究中采用的机器学习方法能够有效捕捉复杂的非线性关系，相较于传统的统计方法，具有更高的预测准确性和更强的解释能力。通过SHAP分析，研究不仅明确了哪些行为因素对cLBP有显著影响，还进一步揭示了这些因素在不同水平下的具体作用，从而为临床干预提供了明确的指导方向。

在研究中，性别和年龄被识别为cLBP的最显著预测因素。女性和高龄人群更容易受到cLBP的影响，这可能与激素变化、脊柱退化、活动量减少以及心理因素有关。此外，久坐行为和中等强度工作也被证实与cLBP风险上升存在正相关。这些发现强调了职业环境与日常生活习惯对脊柱健康的重要性，提醒人们在日常活动中应注意保持适度的活动量，避免长时间保持同一姿势或进行重复性劳动。同时，研究还指出，每周步行不足4-5次、力量训练频率过低等行为也会显著增加cLBP的风险。这表明，即便是在老年人中，定期的身体活动仍然是维持脊柱健康的重要因素。

饮食方面，研究发现蛋白质摄入不足、碳水化合物摄入比例异常以及外出就餐频率过低均与cLBP的发生相关。尽管这些因素在整体影响上不如性别和年龄那么显著，但它们在预防cLBP方面仍具有重要作用。例如，每日蛋白质摄入低于2.9份会增加cLBP风险，这与韩国饮食指南中对蛋白质摄入量的推荐相一致。此外，碳水化合物摄入比例低于55%-65%也与cLBP风险上升有关，这可能是因为碳水化合物摄入不足会影响身体的能量供应，进而导致肌肉疲劳和脊柱稳定性下降。这些饮食相关的发现为个体化营养干预提供了依据，尤其在老年群体中，营养摄入的不足可能会进一步加剧脊柱问题。

吸烟行为也被证明是cLBP的一个重要预测因素。研究发现，吸烟超过五包/年的个体面临更高的cLBP风险，这与吸烟对血液循环和椎间盘退化的负面影响一致。因此，吸烟干预应成为cLBP预防的重要组成部分，尤其是在老年群体中，戒烟能够有效降低慢性疼痛的发生率。此外，研究还指出，高压力水平与cLBP的发生密切相关，这与心理社会因素在慢性疼痛中的作用一致。因此，压力管理应被视为cLBP预防的关键环节之一。

研究还通过SHAP分析，揭示了不同生活方式因素对cLBP风险的影响程度。例如，SHAP值显示，每周步行次数、久坐时间、蛋白质摄入量、外出就餐频率等连续变量在模型中的作用具有明显的阈值效应。这表明，通过设定具体的行为标准，可以更有效地识别高风险个体，并制定相应的干预措施。例如，久坐超过6小时/天的个体，其cLBP风险显著增加，因此在日常生活中应鼓励人们减少久坐时间，增加活动量。同样，每周步行不足4-5次或力量训练频率过低也会导致cLBP风险上升，提示个体应通过规律的运动方式来改善脊柱健康。

值得注意的是，研究中提出的这些行为阈值不仅适用于临床实践，也为社区层面的健康干预提供了方向。例如，社区健康护理人员可以通过简单的问卷或筛查工具，快速识别高风险个体，并为他们提供针对性的健康建议。此外，这些阈值还可以整合到电子健康记录系统中，作为自动提醒机制，帮助医护人员在日常诊疗中关注患者的脊柱健康。通过这种方式，不仅能够提高cLBP的预防效率，还能减少对药物治疗的依赖，降低医疗成本。

研究中还提到，虽然机器学习模型在预测cLBP方面表现出色，但其解释能力仍然是一个关键问题。SHAP分析通过可视化方法，帮助研究人员和临床医生更好地理解模型的预测依据，从而增强干预措施的科学性和实用性。此外，研究中使用的数据来源于2014-2015年的KNHANES，虽然具有广泛的代表性，但可能无法完全反映近年来的健康趋势或社会环境变化，特别是受新冠疫情影响下的生活方式调整。因此，未来的研究可以考虑使用更近期的数据，并采用纵向研究设计，以进一步验证这些行为阈值的稳定性，并探索新的风险因素。

总体而言，本研究通过机器学习方法，不仅识别了与cLBP相关的行为因素，还设定了具体的干预阈值，为慢性低背痛的预防提供了科学依据。这些阈值具有高度的可操作性，能够帮助临床医生在日常诊疗中更有效地识别高风险人群，并制定个性化的干预方案。此外，这些发现也对社区健康干预具有重要意义，可以作为健康教育和预防性护理的参考。通过将这些行为标准纳入健康管理体系，不仅能够提高cLBP的预防效果，还能改善老年人的整体健康状况，提高生活质量。