《Preventive Medicine Reports》：Explainable machine learning for identifying overweight or obesity in preschool children: A multi-regional cross-sectional study in Heilongjiang, China
编辑推荐：
目的：构建并内部验证可解释机器学习模型，用于识别中国黑龙江省学龄前儿童当前超重或肥胖。方法：本横断面分析使用2020年8月下旬至11月下旬在哈尔滨、双鸭山和绥化收集的监测数据。排除35名体重测量缺失的儿童后，将1228名儿童在插补前分为训练集（860名）和内部
目的：构建并内部验证可解释机器学习模型，用于识别中国黑龙江省学龄前儿童当前超重或肥胖。方法：本横断面分析使用2020年8月下旬至11月下旬在哈尔滨、双鸭山和绥化收集的监测数据。排除35名体重测量缺失的儿童后，将1228名儿童在插补前分为训练集（860名）和内部验证集（368名）。超重或肥胖定义为体质指数标准差评分（BMI SDS）≥+1。采用最小绝对收缩和选择算子（LASSO）回归为七种模型筛选预测因子。结果：最终保留五个预测因子：睡眠充足性、出生体重、母亲体质指数（BMI）、周末中高强度身体活动（MVPA）和周末屏幕时间。随机森林（RF）具有最高的受试者工作特征曲线下面积（AUC）数值（0.82；95%置信区间[CI]，0.77，0.86）、最低的Brier评分（0.16）、最高的准确率（0.76）和最高的F1评分（0.62）。周末身体活动在全球重要性中排名最高，其次为母亲BMI。结论：可解释机器学习可在人体测量评估不可用时支持预筛查优先级排序，但不应替代实测身高体重或标准BMI分类。仍需外部验证。
研究背景方面，儿童超重与肥胖仍是重大公共卫生问题，2024年全球估计有3550万五岁以下儿童超重，相关医疗和社会成本加重负担。儿童肥胖与不良心血管代谢风险谱相关，且持续至成年期的肥胖与后期心血管危险因素相关。幼儿园阶段已建立的肥胖可能持续整个童年期，支持早期识别。儿童肥胖反映生物、行为和社会因素的交互作用，情境框架将儿童行为置于家庭和更广泛环境背景中，世界卫生组织（WHO）指南将身体活动、久坐行为和睡眠整合于24小时框架内。天气为儿童日常行为提供额外背景，系统综述将较低温度和较大降雨量与儿童青少年更多久坐时间相关联。机器学习可识别多维数据中的预测模式并容纳非线性关系，但人群健康应用需仔细评估预测性能和可推广性。在此背景下，研究人员利用黑龙江省三城市学龄前儿童监测和问卷数据，旨在构建并内部验证识别当前超重或肥胖的模型，并使用Shapley加法解释（SHAP）解释所选模型。预期应用为补充性预筛查优先级排序，而非替代BMI分类。
研究人员开展了一项横断面二次分析，使用2020年黑龙江省国民体质监测数据库及补充省级监测数据，参与者来自哈尔滨、双鸭山和绥化，数据收集于2020年8月下旬至11月下旬第五次国民体质监测周期。研究纳入3–6岁发育基本正常、无已知先天或遗传疾病及身体活动禁忌证的儿童。1263名儿童中排除35名体重测量缺失者，最终分析样本1228名，其中380名超重或肥胖、848名非超重或肥胖。主要结论为随机森林在内部验证中表现出最高的AUC数值和最低Brier评分，被选为解释对象，模型解释突出以周末MVPA为首、依次为母亲BMI、周末屏幕时间、睡眠充足性和出生体重的联合预测特征。重要意义在于行为、母亲和早期生活信息可在人体测量评估不可用时支持预筛查优先级排序，但模型不应替代实测身高体重或BMI分类，实施前需外部验证和前瞻性评估。
关键技术方法方面（不超过250字）：研究采用横断面设计，数据来源于2020年黑龙江省国民体质监测数据库及补充省级监测数据，样本来自哈尔滨、双鸭山和绥化三城市，共纳入1228名3–6岁儿童。采用多重插补链式方程（MICE）处理缺失数据，生成5个随机完整数据集并使用完成指数2。采用LASSO回归进行预测因子筛选，以十倍交叉验证和一标准误规则确定lambda.1se。构建七种机器学习模型：逻辑回归、决策树、随机森林、极端梯度提升（XGBoost）、轻量梯度提升机（LightGBM）、支持向量机（SVM）和人工神经网络（ANN）。通过AUC、Brier评分、校准曲线和决策曲线分析评估性能。采用SHAP（KernelExplainer和TreeExplainer）解释随机森林模型。
研究结果方面，第一，参与者特征：860名训练集儿童中266名（30.9%）超重或肥胖，结局组在婴儿喂养方式、母亲教育程度、睡眠充足性、出生体重、父母BMI、周末MVPA、周末户外玩耍时间和周末屏幕时间方面存在差异。第二，预测因子筛选与成对关联：在一标准误解（lambda.1se=0.0586）下保留五个非零系数预测因子，即睡眠充足性、出生体重、母亲BMI、周末MVPA和周末屏幕时间，所有七种候选模型均使用该预测因子集；训练集中绝对Spearman相关系数为0.05至0.36，最大关联为母亲BMI与周末屏幕时间（ρ=0.36），周末MVPA与周末屏幕时间呈ρ=?0.30。第三，模型性能：在内部验证集中，随机森林具有最高AUC数值（0.82；95%CI，0.77，0.86），其次为XGBoost（0.81；95%CI，0.76，0.86）和ANN（0.79；95%CI，0.74，0.84）；在固定分类阈值0.50下，随机森林具有最高准确率（0.76）、F1评分（0.62）、Cohen's kappa（0.44）和Youden's J（0.45），精确率、敏感度和特异度分别为0.60、0.64和0.81；随机森林Brier评分最低（0.16；95%CI，0.14，0.18），校准曲线在中段概率范围大致沿对角线，决策曲线在多数评估阈值范围内净获益优于全治和全不治策略。第四，SHAP模型解释：在所选随机森林中，基于平均绝对Shapley值的全局重要性排序为周末MVPA最高，其次为母亲BMI、周末屏幕时间、睡眠充足性和出生体重；较高周末活动通常获得负Shapley值，而较长周末屏幕时间、睡眠不足、较高母亲BMI和较高出生体重倾向于获得正值；TreeExplainer与KernelExplainer产生相同全局重要性排序。
讨论部分总结：随机森林表现出最高AUC数值和最低Brier评分，被选为解释对象，核心发现是行为、家庭和早期生活的联合预测特征，而非某一算法优于所有替代方案。决策树更敏感、SVM更特异，评估多个性能维度很重要，因为机器学习在临床预测中不一定优于传统回归。行为预测因子与训练样本中当前体重状态相关：超重或肥胖儿童周末MVPA较低、周末屏幕时间较长、睡眠不足更频繁。随机森林归因模式与这些未调整对比大致一致。学龄前儿童中，加速度计测量的MVPA与多项肥胖指标较低相关，但与连续BMI或腰围无关。较长屏幕时间与儿童超重或肥胖相关，较短睡眠时间与儿童青少年较高肥胖风险相关。母亲BMI和出生体重提供家庭和早期生活信息，两者在超重或肥胖儿童中均较高，归因模式大致对应。这些预测因子代表联合预测特征，成对相关性适中，全局重要性排序在TreeExplainer下不变。周末MVPA和屏幕时间提供预测信息，但日类型与报告者类型不可分割：教师报告上学日行为，监护人报告周末行为，观察期、回忆和活动强度判断差异可解释部分观察模式。研究优势包括三城市标准化监测、多域预测因子以及区分度、校准和决策曲线评估。局限性包括：横断面设计无法进行因果推断或预测未来肥胖发生；评估使用单次内部划分，同一验证集用于模型比较和选择，可能产生乐观性能估计；2020年数据可能不反映当前行为分布；使用五个完整数据集之一未量化插补间不确定性；问卷测量易受回忆和报告偏倚影响；数据集缺乏详细膳食摄入、气象测量、孕期增重、母亲代谢状态和纵向生长轨迹；0.50分类阈值未针对特定实施场景选择。
研究结论翻译：基于总体数值性能，随机森林被选用于解释黑龙江省学龄前儿童当前超重或肥胖。模型解释突出以周末MVPA为首、依次为母亲BMI、周末屏幕时间、睡眠充足性和出生体重的联合特征。这些归因描述模型预测，而非独立或因果效应。行为、母亲和早期生活信息可在人体测量评估不可用时支持预筛查优先级排序。模型不应替代实测身高、体重或BMI分类。实施前需使用更新数据进行外部验证和前瞻性评估。
