应用机器学习方法预测髋部骨折发生率:基于CHARLS数据集的洞察

《Frontiers in Public Health》:Machine learning approaches to predict hip fracture incidence: insights from the CHARLS dataset

【字体: 大 中 小 】 时间:2026年01月13日 来源:Frontiers in Public Health 3.4

编辑推荐:

  背景(Background):髋部骨折是老年人主要健康问题,严重影响患者生活质量并加重医疗系统负担。随着中国人口老龄化,其发病率预计上升,因此开发有效的预测模型以识别高危人群对预防至关重要。 目的(Objective):本研究旨在建立并验证一种可靠、准确的基于

  
背景(Background):髋部骨折是老年人主要健康问题,严重影响患者生活质量并加重医疗系统负担。随着中国人口老龄化,其发病率预计上升,因此开发有效的预测模型以识别高危人群对预防至关重要。 目的(Objective):本研究旨在建立并验证一种可靠、准确的基于机器学习(machine learning, ML)的髋部骨折发生率预测模型,以提高社区居民髋部骨折风险的预测水平。 方法(Methods):数据来源于中国健康与养老追踪调查(China Health and Retirement Longitudinal Study, CHARLS),纳入21,095名≥45岁受试者,其中616例报告发生髋部骨折。提取基线34项指标,包括人口学特征、生活方式、健康状况及心理健康与认知功能评分。研究人员采用10种ML算法(含随机森林(Random Forest, RF)、自适应提升(Adaptive Boosting, AdaBoost)、决策树(Decision Tree, DT)等)分析并确定最优模型。预测性能以受试者工作特征曲线下面积(area under the receiver operating characteristic curve, AUC)、灵敏度(sensitivity)、特异度(specificity)及F1分数评估。采用SHapley Additive exPlanations(SHAP)解释法识别关键影响因素,并通过个体层面分析解释异质性。 结果(Results):使用类权重(class-weighting)技术处理类别不平衡后,随机森林模型表现最佳,AUC为0.93,且具有较高灵敏度、特异度和F1分数。关键预测因子为:代谢当量(Metabolic Equivalent of Task, MET)、年龄、跌倒史(fall down)、饮酒、认知功能评分、午后午睡时长、居住地(城市/农村)、总睡眠时长及婚姻状况。该模型在内部及外部验证队列中均显示良好预测性能,表明模型较优。 结论(Conclusion):本研究所建ML预测模型对7年内首发髋部骨折具有较强预测性能。通过整合易获取、可改变的生活方式因素,该模型可作为识别高危个体的有望工具,为制定早期干预策略提供科学依据,但在临床实施前需进一步行前瞻性验证。
论文解读:基于CHARLS数据的机器学习模型预测中老年人髋部骨折风险研究
该研究发表于《Frontiers in Public Health》。目前髋部骨折风险预测工具如FRAX及Garvan骨折风险计算器(Fracture Risk Calculator, FRC)主要基于西方人群、依赖骨密度及临床生化指标,未充分纳入社会人口学、生活方式、心理健康等非侵入性指标,且缺乏针对中国社区人群的验证与优化。中国老龄化加速使髋部骨折负担加重,亟需开发基于本土队列、易获取指标、兼具高精度与可解释性的预测工具以助力社区早筛与早期干预。研究人员基于中国健康与养老追踪调查(CHARLS)队列数据,构建并验证了以随机森林(Random Forest, RF)为核心的机器学习预测模型,经SHAP(SHapley Additive exPlanations)方法筛选出9个关键预测因子,内部训练验证及独立外部验证均证实模型具有优异区分度与校准度,为国人髋部骨折风险分层及公共卫生干预提供了量化依据。
主要关键技术方法
研究人员以CHARLS队列(2011年基线、2018年随访确认结局)为样本来源,初筛21,095名≥45岁受访者,排除不合格及缺失>10%者后纳入18,879例(骨折616例)。选取34项协变量涵盖人口学、生活方式、慢性病、体力活动代谢当量(Metabolic Equivalent of Task, MET)、跌倒史、认知功能评分、抑郁量表、日常生活能力(activities of daily living, ADL)及工具性日常生活能力(instrumental activities of daily living, IADL)。缺失值以中位数插补,按8∶2划分为训练集与内部验证集,采用class_weight='balanced'处理类别不平衡。比较10种ML算法(RF、AdaBoost、DT、支持向量机(support vector machine, SVM)、XGBoost、人工神经网络(artificial neural network, ANN)、Extra Trees、梯度提升机(gradient boosting machine, GBM)、K近邻(K-Nearest Neighbor, KNN)、Logistic回归),以10折交叉验证调参,依据AUC、灵敏度、特异度、F1分数遴选最优模型。通过SHAP值进行全局及局部解释并降维筛选特征。外部验证采用襄阳第一人民医院独立队列(n=1,200,骨折37例)。以决策曲线分析(decision curve analysis, DCA)、校准图、Brier分数及Hosmer-Lemeshow检验评估临床净获益与校准度。
研究结果
3.1 Study population and design
从CHARLS数据库初筛21,095人,排除258人数据不全及1,958人<45岁后,最终纳入18,879人(髋部骨折616例),按8∶2切分训练集(15,103)与内部验证集(3,776),另收集1,200人外部验证队列。流程图展示研究对象筛选与分组过程。
3.2 Analysis of factors linked to hip fractures in middle-aged and older adults
组间比较显示,髋部骨折组相较非骨折组年龄更大,更多居住农村、教育程度低、独居,夜间及总睡眠时间短,合并症多,MET及活动水平低,跌倒比例高,认知功能评分低,抑郁评分高,ADL/IADL能力下降(p<0.001);性别比、午睡时间、癌症史及剧烈运动无显著差异(p>0.05)。
3.3 Model development and performance comparison
十种ML模型中Random Forest综合表现最优:训练/验证集AUC=0.93,准确度(accuracy)=0.97,F1分数=0.55,在类别不平衡数据中对正负样本的权衡识别能力最强,故选定为最终模型。各模型ROC曲线佐证RF具最高或接近最高AUC。
3.4 Simplification of model features
以RF测试不同特征数对应的AUC等指标,发现特征数由34缩减至9时AUC保持稳定,少于9个时显著下降,确定最简有效特征数为9个。含9特征的RF模型显著优于含4特征模型。
3.5 10-fold cross-validation and external validation
RF模型10折交叉验证平均AUC=0.91±0.01。外部验证队列AUC=0.89,精确率—召回率曲线下面积(area under the precision-recall curve, AUPRC)=0.867。校准图显示预测概率与观测事件一致性良好,Hosmer-Lemeshow检验p=0.48,Brier分数=0.0103,提示校准佳。DCA显示阈值概率0.01~0.81区间内RF模型较"全干预"或"不干预"策略具更高净获益。
3.6 SHAP analysis
SHAP全局解释排序前9位预测因子依次为:MET、年龄、跌倒史、饮酒、认知功能评分、午后午睡时长、居住地(农村)、总睡眠时长、婚姻状况。Beeswarm图展示各特征取值高低(红高蓝低)对风险方向的影响:增龄、低MET(<3,000)或过高MET(>9,000)、有跌倒史、饮酒、认知评分低、午睡>60 min、农村居住、总睡眠不足、未婚/丧偶/离婚(独居倾向)均推高骨折风险;MET呈U形关联——MET 3,000~9,000区间风险降低,过低或过高均升风险;认知功能评分>10及夜间睡眠>400 min具保护作用。个案局部解释(waterfall plot)演示单例个体各特征对预测值的贡献方向及大小。
讨论与结论翻译
讨论指出本研究三大创新:首次面向中国人群整合广泛非侵入性社会—生活方式—心理指标构建社区可筛查工具;通过严谨算法比对与SHAP解释获得高精度且可诠释模型,揭示MET对髋部骨折的非线性(U形)影响;弥补现有西方案具在中国人群适用性不足的缺口。局限性含骨折事件为自报存回忆偏倚、CHARLS部分数据为横断面问卷、缺失值插补潜在偏差等,但独立外部验证AUC=0.89支持模型泛化能力。该模型可供临床及公卫人员早期识别高危对象,指导个体化运动(适度MET水平)、防跌倒、认知及睡眠管理,资源可倾斜配置至高危群以降低医疗负担,未来需在多中心前瞻性队列中进一步验证并可拓展纳入基因、影像及纵向电子健康档案。
结论(Conclusion):综上所述,本研究构建的预测模型是识别中老年人7年内髋部骨折发生风险的有望工具。通过整合易获取且可改变的生活方式因素,其为制定早期干预策略提供了科学依据,可能最终降低髋部骨折发生率。该基于机器学习的预测模型虽代表重要进展,但研究人员强调其在临床实施前仍需进一步的前瞻性验证。本研究凸显了髋部骨折风险的多因素本质及生活方式改良降低风险的潜力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号