综述：机器学习模型在增强老年人健康相关指标预测中的应用：范围综述

这篇综述系统评价了机器学习（ML）在预测老年人健康相关指标（如成功老龄化（SA）、生活质量（QoL）、生活满意度（LS）等）中的应用。通过分析14项研究，发现随机森林（RF）、支持向量机（SVM）和人工神经网络（ANNs）等算法在预测SA（AU-ROC达0.975）、QoL（准确率96%）和LS（R2≈0.44）中表现优异，同时强调了社会因素（如生活满意度）和年龄的关键作用。研究为临床决策支持系统（CDSS）的开发提供了重要参考。

　　

引言

老龄化伴随生理功能衰退和多种疾病风险上升，如心血管疾病和神经退行性疾病。全球60岁以上人口预计2050年达21亿，亟需通过健康指标（如SA、QoL）的早期预测优化干预策略。机器学习（ML）因其强大的模式识别能力，成为预测老年人健康状态的新兴工具。

研究方法

基于PRISMA框架，筛选PubMed、Scopus和Web of Science的355篇文献，最终纳入14项研究。纳入标准聚焦于ML模型预测SA、QoL等指标的原创性研究，排除疾病特异性或非英文文献。

关键发现

算法性能对比

• 成功老龄化（SA）：RF在Ahmadi等研究中表现最优（灵敏度97.48%，AU-ROC 0.975），优于深度学习（DL）（AU-ROC 90%）。
• 生活质量（QoL）：ANNs（Ahmadi等）以95%灵敏度和96%准确率领先，RF次之（AU-ROC 0.822）。
• 生活满意度（LS）：支持向量回归（SVR）预测相关性达0.65（Shen等）。

关键预测因素

• 社会因素：SA和QoL研究中，社会关系（如正式社会凝聚力）和年龄被SHAP分析列为高权重特征。
• 多维数据整合：结合生理、心理和社会经济特征的研究（如Mirzaeian等）模型泛化能力更强（外部AU-ROC 0.895）。

讨论与展望

当前局限包括样本量不足（如健康行为研究仅1项）和部分模型缺乏可解释性。未来需扩大数据库覆盖（如非英语文献）并探索多模态数据（如基因组学）以提升预测精度。ML驱动的个性化健康评估将为老龄化社会提供精准干预蓝图。

（注：全文严格基于原文数据，未添加非引用结论。）