机器学习方法在识别社区居住的老年人虚弱状况恶化过程中物理、心理和社会预测因素中的应用：一项纵向队列研究

《Geriatrics & Gerontology International》：Machine Learning Approaches to Identify Physical, Psychological, and Social Predictors of Worsening Frailty Transitions Among Community-Dwelling Older Adults: A Longitudinal Cohort Study

衰老社会中的体弱恶化过渡对医疗成本和健康结局影响显著，本研究基于台湾老龄化纵向研究数据（2007-2011），纳入1670名60岁以上成人，运用改良Fried标准评估基线及随访体弱状态，定义恶化过渡为研究终点。通过随机森林、支持向量机等4种机器学习算法构建预测模型，结果显示随机森林算法AUROC达0.88，前10预测因子涵盖年龄、抑郁症状、社会参与等多维因素。表明机器学习可有效识别传统统计未捕捉的体弱恶化非线性模式，为精准干预提供依据。

　　

摘要

背景

虚弱对老龄化社会构成了重大挑战，人们越来越关注虚弱状态的转变问题。虚弱状态的恶化与更高的住院风险、更高的死亡率和较高的医疗成本相关。尽管虚弱受到多种因素的影响，但由于身体、心理和社会因素之间的相互依赖和非线性关系，导致虚弱状态恶化的具体因素仍不清楚。机器学习能够有效识别健康数据中的非线性模式，但在这一领域尚未得到充分应用。

方法

在这项纵向研究中，我们分析了2007年至2011年台湾老龄化纵向研究（TLSA）的数据，研究对象为1670名60岁及以上的社区居民。使用改良的Fried标准对参与者的虚弱状态进行评估，将其分为非虚弱、亚虚弱和虚弱三类。虚弱状态的恶化被定义为研究结果变量，包括从非虚弱到亚虚弱、从非虚弱到虚弱以及从亚虚弱到虚弱的转变。研究考察了身体、心理和社会变量作为预测因素。我们应用了四种机器学习算法，包括逻辑回归、随机森林、支持向量机和极端梯度提升算法，并通过接收者操作特征曲线下面积（AUROC）来评估模型性能。

结果

在研究期间，30.2%的参与者出现了虚弱状态的恶化。在测试的机器学习模型中，随机森林算法的预测性能最高，AUROC值为0.88。导致虚弱状态恶化的前10个预测因素包括年龄、婚姻状况、性别、抑郁症状严重程度、教育水平、社会参与度、饮酒情况、社会支持、认知状态和体力活动。

结论

虚弱状态的恶化是由多种因素和复杂相互作用引起的。机器学习方法能够有效处理多维数据，并揭示传统统计方法无法捕捉到的模式。这些发现有助于我们更好地理解虚弱状态的进展，并为老年人制定有针对性的干预措施提供支持。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可向通讯作者索取。由于隐私或伦理限制，这些数据不对外公开。