基于时间序列模型的美国老年肥胖率未来趋势预测及公共卫生策略启示

本研究针对美国65岁以上人群肥胖率持续攀升的公共卫生挑战，采用ARIMA、LSTM、GRU、RF、VAR和XGBoost六种时间序列模型，对2013-2022年数据进行建模分析，预测至2035年的肥胖流行趋势。结果显示所有模型均预测肥胖率将持续增长，其中XGBoost预测2035年将达44.3%，VAR与XGBoost表现最优（R2≥0.999）。该研究为老龄化社会医疗资源配置和政策制定提供了关键数据支持，填补了老年肥胖预测领域的空白。

　　

随着全球城市化进程加速，高热量饮食与缺乏运动的生活方式导致肥胖成为21世纪最严峻的公共卫生问题之一。尤其对于65岁以上老年人群，肥胖会显著增加心血管疾病、糖尿病、高血压等慢性病风险，同时带来沉重的社会经济负担——预计到2060年全球肥胖相关支出将高达18万亿美元。尽管已有大量针对儿童和青少年的肥胖预测研究，但专门针对老年人群的系统性预测仍属空白。这一知识缺口使得公共卫生部门难以制定精准的干预策略。

为应对这一挑战，研究人员在《Obesity Medicine》发表了一项开创性研究，通过先进的时间序列分析方法预测美国老年肥胖率至2035年的演变趋势。研究团队收集了2013-2022年美国65岁以上人群肥胖率年度数据（来源：Statista平台），创新性地将传统统计模型与机器学习技术相结合，采用自回归积分滑动平均模型(ARIMA)、长短期记忆网络(LSTM)、门控循环单元(GRU)、随机森林(RF)、向量自回归模型(VAR)和极限梯度提升(XGBoost)六种方法进行横向比较。

关键技术方法包括：通过自相关函数(ACF)和偏自相关函数(PACF)确定ARIMA(3,1,3)最优参数；利用LSTM和GRU捕捉时间序列的长期依赖关系；采用XGBoost进行特征重要性排序；使用R²、均方误差(MSE)等指标评估模型性能。

【时间序列预测结果】
ARIMA模型显示老年肥胖率将从2022年的30.6%稳步上升至2035年的35.0%，而VAR模型预测更为严峻（37.9%）。机器学习模型普遍预测更快增速：RF、LSTM和GRU分别给出40.6%、41.3%和39.8%的预测值，XGBoost则预警44.3%的峰值风险。

【模型性能评估】
VAR和XGBoost展现出近乎完美的拟合优度（R²=0.9995/0.9993），显著优于LSTM（0.9004）和GRU（0.8648）。ARIMA作为传统方法代表表现稳健（R²=0.9420），证实其在线性趋势预测中的可靠性。

研究结论指出，肥胖在老年人群中的持续蔓延已成必然趋势，这要求公共卫生系统必须提前规划医疗资源。多模型比较证实，集成学习方法（如XGBoost）和多元时间序列模型（VAR）在复杂非线性关系建模中具有显著优势。该研究不仅填补了老年肥胖预测的方法学空白，更通过精确的量化预测为政策制定者提供了关键决策依据——包括预防性医疗资源配置、社区健康干预方案优化以及相关慢性病管理体系建设。值得注意的是，不同模型预测结果的差异（35.0%-44.3%）反映了肥胖流行影响因素的复杂性，提示未来研究需纳入更多社会经济变量以提升预测精度。这项研究为应对全球老龄化社会面临的肥胖危机提供了重要的科学工具和理论框架。