利用可解释的机器学习方法预测中国青少年健康相关生活质量较差的情况：学校适应能力、家庭环境和生活方式因素的作用

《Health and Quality of Life Outcomes》：Predicting poor health-related quality of life among Chinese adolescents using explainable machine learning: the role of school adjustment, family context, and lifestyle factors

　　

摘要

背景

青少年的健康相关生活质量（HRQoL）受到多个因素的影响，包括学校、家庭和个人生活方式。然而，目前关于准确预测青少年HRQoL以及识别可改变的决定因素的证据仍然有限。本研究旨在开发一个用于预测青少年HRQoL的机器学习模型，并确定与生活质量较低相关的关键环境因素。

方法

这项横断面研究共纳入了20,236名青少年（其中51.71%为女性；平均年龄为15.97岁）。使用经过验证的《儿童和青少年生活质量量表》（QLSCA）来评估他们的HRQoL。研究将涵盖学校适应能力、家庭特征和健康行为的20个预测因子输入到9个机器学习分类器和逻辑回归模型中。通过排列重要性、部分依赖图（PDPs）和SHapley加性解释（SHAP）方法来分析这些预测因子的贡献。此外，还根据性别和学校阶段进行了分层分析，以识别特定群体的决定因素。

结果

学校适应能力是HRQoL的主要预测因子，其中自我管理和同伴关系的影响最大。家庭因素排在其次，尤其是与父母一起进行更频繁的锻炼与较高的HRQoL相关。在生活方式方面，较高的身体活动和更健康的饮食模式与更好的HRQoL相关，而过长的屏幕使用时间则与较差的HRQoL相关。在分层分析中，同伴关系和身体活动对男孩的影响更大，而自我管理、与父母一起锻炼以及充足的睡眠对女孩的影响更为显著。初中生表现出与破坏性/反社会行为和屏幕使用时间更负相关的关系，而高中生则从家庭互动和健康行为中获益更多。

结论

可解释的机器学习分析表明，学校适应能力是青少年HRQoL的核心相关因素，与家庭特征和健康行为并列。这些发现为在教育、家庭和公共卫生领域实施有针对性的干预措施提供了多方面的证据，以改善青少年的HRQoL。