基于机器学习揭示减重疗效关键因素：动机维持与行为干预的靶向突破

为解决减重治疗中个体差异显著的难题，来自ONTIME项目组的研究人员采用机器学习(XGBoost)结合SHAP值分析，系统评估1810名认知行为疗法(CBT-OB)参与者的138项特征。研究发现治疗时长(14.33±8.61周)、基线BMI(28.9±3.33)和动机维持是关键因素，动机持续者多减重1.4%(P<0.0001)，自我监测和零食摄入行为显著影响疗效。该研究为精准化减重干预提供了可调控的靶点策略。

　　

肥胖治疗领域迎来机器学习驱动的突破性发现！通过对1810名接受认知行为疗法(CBT-OB)的参与者进行多维数据分析，研究团队采用极端梯度提升算法(XGBoost)构建预测模型，并结合沙普利值(SHAP)解析关键影响因素。

数据显示，参与者平均减重达初始体重的8.45%，每周减重543克，但脱落率高达33%。治疗周期(14.33±8.61周)和基线BMI(28.9±3.33)构成基础变量，而动机水平成为最关键的调控因子——保持动机的群体比动机减退者多减重1.4%(P<0.0001)。行为维度上，"自我监测"执行度与"治疗期饮食习惯"(尤其是零食摄入频率)分列第二、三位影响因素。值得注意的是，运动量提升对加速减重速率具有特异性促进作用。

这些发现为精准医疗提供了明确靶点：未来减重方案应重点构建动机维持体系，优化实时自我监测技术(如可穿戴设备应用)，并针对性设计抗零食干预模块。该研究注册于ClinicalTrials.gov(NCT02829619)，其机器学习驱动的分析范式为代谢性疾病管理开辟了新路径。