编辑推荐：
为解决老年残疾风险预测难题，浙江中医药大学研究人员开展基于机器学习构建老年残疾风险预测模型的研究。结果显示，RF 和 XGBoost 模型预测性能佳，还明确了关键影响因素。这为老年残疾早诊早防提供新手段，意义重大。
随着全球老龄化进程加速，老年健康问题日益凸显，残疾成为困扰老年人生活质量和社会医疗负担的重大难题。在中国，截至 2020 年 1 月，60 岁及以上残疾老年人超 4200 万，预计 2030 年将达 7700 万。残疾不仅限制老年人日常活动，增加跌倒、虚弱等不良事件风险，还让家庭照护压力剧增，加重医疗系统负担。此前研究虽已识别出年龄、抑郁、自评健康等诸多与残疾相关因素，但这些因素对残疾的影响机制并不完全明晰 。而且，以往构建老年残疾风险预测模型多采用逻辑回归和 Cox 回归等传统方法，预测效果差强人意，存在未排除混杂因素、适用性待验证等问题。一些利用机器学习算法构建模型的研究，也存在方法单一、样本选择局限等不足。在此背景下，开展更精准、全面的老年残疾风险预测研究迫在眉睫。
浙江中医药大学的研究人员挺身而出，开展了一项极具意义的研究。他们旨在利用机器学习算法构建预测模型，为医疗保健专业人员评估老年人残疾风险提供全新工具。研究成果发表在《Scientific Reports》上，为该领域带来了新的曙光。
研究人员使用的数据来自中国健康与养老追踪调查（CHARLS）。这是一项具有全国代表性的纵向调查，覆盖了中国 28 个省的 150 个县和 450 个村 / 居委会，收集了丰富的社会经济、健康等方面信息。研究以 2018 年为基线，2020 年为随访时间点，从最初的 19816 名参与者中，经过层层筛选，最终确定 3172 名 65 岁及以上、基线时无残疾的老年人纳入分析。
在研究过程中，研究人员运用了多种关键技术方法。他们采用国际公认的 Katz 量表评估老年人日常生活活动能力（ADL） ，以此判断是否残疾。在数据处理上，运用嵌套交叉验证划分数据集，通过超参数搜索获取模型最优参数；利用最小绝对收缩和选择算子（Lasso）模型筛选特征变量。此外，使用五种机器学习算法，包括逻辑回归（LR）、深度神经网络（DNN）、支持向量机（SVM）、随机森林（RF）和极端梯度提升（XGBoost）构建预测模型，并结合 Shapley 加性解释（SHAP）方法分析残疾风险的独立预测因素。
下面来看具体的研究结果：
- 基线特征：研究共纳入 3172 名参与者，随访结束时 695 人残疾。经样本平衡处理，训练集和测试集样本分布特征一致。基线特征比较发现，年龄、婚姻状况、教育水平等多方面因素在残疾和非残疾人群间存在显著差异。
- 模型性能评估：在比较五种机器学习算法构建的模型时，发现随机森林（RF）模型表现最佳，F1分数和准确率约为 0.92，召回率 0.96；XGBoost 模型表现也不错，F1分数 0.86，准确率 0.85。决策曲线分析（DCA）显示，RF 模型在预测真阳性样本时概率值极高，阈值概率提高到 0.9 时，假阳性数仅 1 个，临床价值最优。
- 模型可解释性分析：通过 SHAP 对 RF、XGBoost 和 DNN 模型进行可视化分析，发现自评健康是 RF 模型中最显著的预测因子。此外，睡眠时长、教育水平、关节炎状况和抑郁症状等也具有较高重要性。虽然不同模型中特征重要性排序存在差异，但自评健康、教育水平、睡眠时长等因素与 2 年残疾预测概率高度相关。
研究结论表明，随机森林（RF）和极端梯度提升（XGBoost）算法构建的机器学习模型，在预测老年残疾风险方面表现卓越，具有较强的预测能力和一定的泛化性。这些模型能有效识别高风险老年人，助力开展针对性干预。
在讨论部分，研究人员指出，自评健康状况对预测老年残疾风险最为有效，自我感觉健康状况差的老人，可能因忽视健康管理而加剧残疾风险。低教育水平老人因健康知识匮乏，残疾风险也更高。睡眠时长无论是过短还是过长，都可能通过影响身体健康，增加残疾风险。抑郁不仅在生理上加剧炎症反应，还在心理上降低老人服药依从性，进而提升残疾风险。同时，患高血压或关节炎的老人残疾风险也较高。
与以往研究相比，该研究在多方面取得了进步。通过过采样方法缓解数据不平衡问题，严格筛选样本减少干扰；使用多种评估指标全面验证模型性能；结合 SHAP 分析提升模型可解释性。不过，研究也存在局限性，如样本量受限、仅能预测两年后的残疾风险、缺乏外部验证、对残疾程度划分简单等。
总体而言，这项研究为老年残疾风险预测提供了新方向和有力工具。未来研究可扩大样本量、延长预测周期、开展多中心验证，推动预测模型从理论走向临床实践，为老年人健康保驾护航，减轻社会残疾负担，在老年健康管理领域具有不可忽视的重要意义。
