
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于机器学习的职业医学生多维运动行为与心理健康关联研究
《Scientific Reports》:Machine learning-based association analysis and cross-sectional classification of physical exercise behaviors and mental health among vocational medical students
【字体: 大 中 小 】 时间:2026年10月14日 来源:Scientific Reports 4.9
编辑推荐:
摘要职业医学生中普遍存在心理困扰,然而多维度的运动行为与心理健康之间的关系尚未得到详尽描述。本研究为横断面调查,于2024年9月至11月对中国的三所职业医学院校共1,127名学生进行了调查,采用机器学习方法分别完成两项分析任务:一是描述运动特征与心理状态之间的关联模式,二是对
职业医学生中普遍存在心理困扰,然而多维度的运动行为与心理健康之间的关系尚未得到详尽描述。本研究为横断面调查,于2024年9月至11月对中国的三所职业医学院校共1,127名学生进行了调查,采用机器学习方法分别完成两项分析任务:一是描述运动特征与心理状态之间的关联模式,二是对并发的心理风险进行分类。运动行为采用国际体力活动问卷简版(IPAQ-SF)并结合自编条目,涵盖运动方式、动机、社交背景和时间规律性;心理状态采用GAD-7、PHQ-9、PSS-10和SWLS量表,综合为三个有序分类,这些分类具有操作性而非诊断性质。随机森林特征排序、Apriori规则挖掘和K-Means聚类分析在以下三点上达成一致:每周运动频率在行为变量中信息量最大;高频中等强度有氧运动最常与低焦虑和低抑郁状态共存;同时发现了四个部分重叠的运动画像。XGBoost在包含226名学生(占全样本五分之一)的内部留出测试集上表现最佳(准确率0.889,95% CI 0.842–0.924;宏平均AUC 0.943),但对重度心理困扰的敏感度仅为0.769,且在留一学校交叉验证下准确率降至0.858。由于本设计为横断面研究且验证仅限于内部,这些发现描述的是关联关系,而非提供筛查工具。