《PLOS One》：Broader factors associated with current adolescent overweight/obesity status in YRBSS 2023: Survey-aware analysis and calibrated AI-assisted classification
编辑推荐：
青少年超重与肥胖受人口学、行为及心理社会因素共同影响，但更广泛的预测变量信息能否比更换机器学习算法更稳定地提升当前超重/肥胖状态的横断面分类效果，此前尚不明确。本研究为横断面二次分析，采用2023年美国青少年风险行为监测系统（Youth Risk Behavi
青少年超重与肥胖受人口学、行为及心理社会因素共同影响，但更广泛的预测变量信息能否比更换机器学习算法更稳定地提升当前超重/肥胖状态的横断面分类效果，此前尚不明确。本研究为横断面二次分析，采用2023年美国青少年风险行为监测系统（Youth Risk Behavior Surveillance System, YRBSS）数据，共纳入17,814名12–18岁美国青少年。研究人员采用调查加权多变量逻辑回归（logistic regression, LR）识别独立相关因素，并在基础预测框架与扩展预测框架下分别评估随机森林（Random Forest, RF）与极限梯度提升（XGBoost, XGB）模型的性能。模型在独立测试集上评估区分度、阈值依赖性能、校准度及可解释性。超重/肥胖患病率为31.8%。男性及非裔美国人或黑人、西班牙裔/拉丁裔种族/族裔与超重/肥胖风险升高相关，而较高水平的中高强度体力活动（moderate-to-vigorous physical activity, MVPA）及更频繁的早餐摄入与风险降低相关。扩展模型性能优于对应基础模型：随机森林的受试者工作特征曲线下面积（ROC-AUC）从0.6241提升至0.6894，XGBoost从0.6217提升至0.6724。研究选取RF-Extended进行校准与解释。等渗校准（isotonic recalibration）在保持区分度的同时改善了概率可靠性，使Brier分数从0.2126降至0.1960，期望校准误差（expected calibration error, ECE）从0.1160降至0.0213。探索性SHAP（SHapley Additive exPlanations）分析显示，性别、种族/族裔、体力活动、睡眠时长、年龄及早餐频率是对RF-Extended输出贡献最大的特征。由于预测变量与体质指数（body mass index, BMI）状态在同一调查周期内测量，模型仅用于分类当前状态，不应解释为预测未来肥胖。任何筛查或预防应用，包括在越南青少年人群中的潜在应用，均需前瞻性及外部验证。
一、研究背景与问题
青少年超重与肥胖已成为全球重大公共卫生挑战。目前全球超过3.9亿儿童和青少年存在超重问题，其中约1.6亿人处于肥胖状态，且这一负担预计仍将持续上升。在美国，约19.7%的儿童和青少年当前处于肥胖状态。青少年超重/肥胖与心血管代谢健康受损、生活质量下降及心理健康问题等多种不良后果密切相关。因此，公共卫生领域不仅需要描述疾病负担，还需识别更可能处于当前超重/肥胖状态的人群特征，为未来预防研究和资源配置提供依据。
青少年超重/肥胖是多因素共同作用的结果，受生物学、行为、环境和社会因素的交互影响。除人口学因素外，体力活动、早餐摄入、睡眠等可改变的行为及心理社会变量均可能对超重/肥胖的横断面分布有所贡献。近年来，机器学习方法日益被用于肥胖分类与风险建模，已有系统综述评估其预测性能并与传统回归方法进行比较。针对青少年的研究也开始结合随机森林、XGBoost与SHAP方法刻画行为特征对肥胖分类的贡献。然而，现有研究在模型校准、调查加权流行病学推断、透明的内部验证以及模型特征贡献与独立流行病学相关因素之间的区分等方面仍存在重要方法学空白。对公共卫生而言，关键问题不仅在于哪种模型表现更好，更在于在可用变量范围内丰富预测框架能否比单纯更换算法更稳定地改善当前超重/肥胖状态的横断面分类效果。此外，模型校准与可解释性尤为重要，因为模型估计的超重/肥胖概率若用于未来辅助应用，必须可靠且可解释。模型评估还需置于公平性框架内，因为模型性能及其输出的实际意义在不同亚群中可能并不一致。
基于此，研究人员利用2023年YRBSS数据，结合调查加权多变量逻辑回归与机器学习分类方法，回答三个问题：其一，哪些独立相关因素与青少年当前超重/肥胖状态相关；其二，扩展包含行为和心理社会变量的预测框架能否比仅更换模型类别更稳定地改善校准后的横断面分类效果；其三，所选模型能否生成足够校准且可解释的当前超重/肥胖状态概率估计。由于预测变量与BMI状态在同一调查周期内测量，机器学习部分明确为横断面分类，不预测未来超重/肥胖的发生。
二、研究设计与主要技术方法
本研究为横断面二次分析，使用2023年YRBSS公开数据，数据于2025年11月10日获取用于研究。原始数据集包含20,103名受访者，因BMI-for-age百分位数（BMIPCT）缺失排除2,289人（占原始样本11.4%），最终分析样本为17,814名12–18岁青少年。研究采用调查加权描述性分析与逻辑回归，机器学习部分作为补充分析在分析样本上开展。结局变量定义为二分类超重/肥胖变量，阳性组包括超重或肥胖者，参照组为非超重者。预测框架包含基础框架与扩展框架两层嵌套结构，扩展框架在保留基础框架全部预测变量的基础上增加了YRBSS 2023中可用的更广泛行为和心理社会变量。机器学习预测变量按测量尺度编码，有序变量采用有序整数编码，名义变量采用独热编码，性别采用二值指示变量。缺失预测变量通过简单插补处理，插补参数仅从训练集估计并原样应用于测试集以避免信息泄漏。模型采用随机森林与XGBoost两种树基方法，在四种配置下评估，包括RF-Base、RF-Extended、XGB-Base和XGB-Extended。数据集按固定随机种子422分层抽样分为训练集（70%）和测试集（30%）。超参数调优仅在训练数据内使用Optuna配合五折分层交叉验证进行，以加权F1分数为优化目标。交叉验证期间SMOTENC在每折训练数据内独立应用，不应用于验证折或测试集。模型在独立测试集上评估ROC-AUC及阈值依赖指标。RF-Extended被选为最终模型，使用训练分区内验证数据进行等渗校准。模型可解释性采用Mean Decrease Gini、Gain及SHAP分析。调查加权逻辑回归使用SPSS 27.0，机器学习建模使用Python 3.11.23及相应工具包，分析代码公开于GitHub。
三、主要研究结果
样本特征与超重/肥胖患病率
原始YRBSS 2023数据集中20,103名受访者中，2,289人因BMI-for-age百分位数缺失被排除，最终分析样本为17,814人。被排除者与纳入者在年龄、性别和种族/族裔方面存在显著差异。分析样本中31.8%的青少年被分类为超重或肥胖。描述性层面，性别、种族、中高强度体力活动天数和饮水频率在不同体重组间存在显著差异，而年龄组差异不显著。超重/肥胖在男性中更为常见；非超重组中白人青少年占51.7%，肥胖组中降至41.3%，而西班牙裔/拉丁裔青少年比例从30.4%升至32.7%。无MVPA天数者比例从13.7%升至18.8%，每周7天均达到MVPA者比例从27.3%降至18.4%。
调查加权回归模型的独立相关因素
在基础模型中，最显著的相关因素主要为人口学变量和核心可改变行为。男性与结局风险升高相关（OR=1.33），西班牙裔/拉丁裔青少年相对参照组风险明显升高（OR=1.81）。最有利的MVPA水平与较低的超重/肥胖风险相关（OR=0.70），早餐频率呈一致的保护性模式，7天组风险最低（OR=0.59）。扩展预测框架后，主要关联结构基本保持稳定。男性OR在基础与扩展模型间几乎不变（1.33 vs 1.34），最有利MVPA水平保持保护性关联（0.70 vs 0.67），早餐效应基本维持。值得注意的是，睡眠在扩展模型中关联更明确（OR=1.32）。扩展框架的主要价值在于以公共卫生相关方式拓宽了所考虑的相关因素集合，而未破坏核心关联结构。
扩展预测框架对横断面分类的增益
两种树基算法中，扩展模型均优于对应基础模型。随机森林AUC从0.6241升至0.6894，XGBoost从0.6217升至0.6724，算法内增益在配对比较中具有统计学显著性。RF-Extended因此被选为最终模型进行校准与解释。亚组分析显示性别和种族组间存在中等程度变异。敏感性分析显示，去除SMOTENC后RF-Extended的ROC-AUC从0.6894降至0.6830，XGB-Extended从0.6724降至0.6671，但两种扩展模型的相对排序不变。学习曲线分析显示所有四种配置均呈预期收敛模式，训练-验证差距随训练数据增加而收窄，未提示严重过拟合。训练集与测试集并行结果显示训练加权F1略高于测试集值，差异相对较小。
所选最终模型的校准
等渗校准使RF-Extended校准曲线更接近理想线。校准后AUC变化极小（0.6894 vs 0.6891），而概率可靠性显著改善，Brier分数从0.2126降至0.1960，ECE从0.1160降至0.0213。准确度导向阈值从原始概率尺度的0.564变为校准概率尺度的0.439。在主要校准前准确度导向操作点，RF-Extended达到准确度0.6486、灵敏度0.5640、特异度0.6878。在灵敏度导向分析中，校准后阈值0.304应用于测试集时灵敏度为0.6841，准确度0.6139，特异度0.5814。完整病例敏感性分析纳入8,739人，RF-Extended性能与主要插补分析大致相似，表明主要机器学习结果未受插补程序实质性影响。
模型输出贡献特征的探索性解释
探索性SHAP分析显示，性别和种族/族裔对模型输出贡献最大，其次为MVPA天数、睡眠时长、年龄、早餐频率、心理健康和饮水摄入。水果、蔬菜沙拉、汽水和薯条摄入、戒烟状态、电子烟使用和大麻使用贡献较小。SHAP值的水平分布表明各特征值如何将拟合模型输出向超重/肥胖类别方向或相反方向移动。这些模式描述RF-Extended的行为，不应解释为独立关联、因果效应或改变特征会改变超重/肥胖状态的证据。
四、讨论与结论
本研究显示，YRBSS 2023中青少年超重/肥胖同时反映背景人口学差异和可改变行为因素，分析样本中超重/肥胖负担为31.8%。核心相关因素如性别、种族、MVPA和早餐在基础与扩展模型中基本一致，表明扩展预测框架未改变基本流行病学逻辑。研究核心发现是，在基于调查的青少年公共卫生数据中，丰富预测框架比单纯更换两种常见树基算法能为横断面分类带来更一致的收益。RF-Extended的AUC为0.6894，明显优于RF-Base，等渗校准在基本保持区分度的同时显著改善概率可靠性。SHAP分析显示对模型预测贡献最大的特征包括性别、种族/族裔、体力活动、睡眠时长、年龄和早餐频率，这些变量均具有既定流行病学相关性。
研究结果可能为未来学校健康或社区辅助应用研究提供参考，但当前横断面分析不能确立前瞻性筛查效用。任何实施前均需前瞻性和外部验证，以及可行性、可接受性、公平性、隐私和数据治理评估。扩展模型包含心理健康和物质使用相关敏感信息，误分类后果需在预期环境中评估。任何未来应用应作为专业评估的补充而非自动化决策系统。校准结果强调，若模型预期支持公共卫生行动，仅凭区分度不足。亚组分析显示模型区分度在性别和种族组间不完全一致，不能据此断定模型不公平，但表明模型输出不应假设在每个亚组中具有相同可靠性。
本研究的优势包括：使用YRBSS 2023这一全国相关且近期调查数据集；基础与扩展框架的直接比较可量化预测变量丰富的增益；将调查加权回归与横断面机器学习分类整合于单一分析叙事；将校准、解释和亚组检查置于核心位置而非仅报告AUC。局限性包括：横断面设计基于自我报告数据，不支持因果推断；SHAP分析仅为探索性，不识别独立决定因素；11.4%原始样本因BMI百分位缺失被排除且与纳入样本存在人口学差异；机器学习部分仅通过内部验证评估，泛化性需进一步评估；YRBSS未测量许多上游结构性决定因素。
结论：本研究显示，用YRBSS中可用的行为和心理社会变量扩展预测框架，可以比单纯更换算法更稳定地改善青少年当前超重/肥胖状态的校准横断面分类。对模型输出贡献最大的特征包括体力活动、早餐频率和睡眠时长等具有既定公共卫生相关性的变量。所选模型应被理解为横断面分类模型而非预测未来肥胖的工具。未来研究应优先进行前瞻性和外部验证，随后评估潜在实际应用，方可考虑任何筛查或实施。
