《Behavioral Sciences》：Understanding Multilevel Correlates of Long-Term Physical Activity Trajectories Among Middle-Aged and Older Adults: A Machine-Learning Analysis
编辑推荐：
背景：晚年身体活动（PA）与复杂的多层次因素交织在一起，是一个重要的行为科学课题。本研究考察了中老年人异质性的长期PA模式，并探讨了按社会生态模型（SEM）组织的多层次基线变量如何促进轨迹分类。方法：纵向数据来自中国健康与养老追踪调查（CHARLS）。研究人员
背景：晚年身体活动（PA）与复杂的多层次因素交织在一起，是一个重要的行为科学课题。本研究考察了中老年人异质性的长期PA模式，并探讨了按社会生态模型（SEM）组织的多层次基线变量如何促进轨迹分类。方法：纵向数据来自中国健康与养老追踪调查（CHARLS）。研究人员使用潜类别增长模型（LCGM）和增长混合模型（GMM）对重复测量的PA进行建模，以识别不同的轨迹组。随后将所得的轨迹成员身份用于探索性机器学习分类分析，其中根据SEM组织的基线变量评估其对分类的相对贡献。结果：识别出三条PA轨迹：持续低PA、高-下降PA和中等-上升PA。在评估的分类器中，随机森林（RF）显示出最高的内部分类性能，AUC值在0.943至0.945之间。社交参与、年龄、教育水平和性别在两个随机森林分类任务中表现出最一致的变量重要性排名。结论：研究结果强调，中老年人的长期PA模式并非遵循单一统一轨迹，而是表现出显著的轨迹异质性。在社会生态模型内组织的多层次因素对区分不同PA轨迹显示出探索性价值，表明未来PA研究应超越整体活动水平，进一步考虑个体的动态轨迹背景及其相应的分类相关特征。
**中老年人长期身体活动轨迹的多层次相关因素：一项机器学习解读**
**研究背景与问题**
随着全球人口老龄化加速，促进健康老龄化已成为紧迫的公共卫生优先事项。世界卫生组织预测，到2050年，60岁及以上人口将达22亿，占全球总人口近四分之一；在中国，这一比例预计将超过三分之一。身体活动（PA）作为可改变的行为因素，被广泛认可为维持功能能力、预防慢性病、提升生活质量及改善心理健康的关键手段。然而，以往研究虽考察了中老年人PA水平的相关因素，但对PA变化的长期模式仍理解不足。PA并非静态行为：尽管中年活跃的个体更可能在晚年保持活跃，但总体PA随年龄增长呈下降趋势，且下降模式在个体间并非一致。系统综述表明，三或四类轨迹解最为常见，且不活跃或低活跃轨迹常构成最大亚组。在中国，基于CHARLS数据的研究也识别出三种不同模式：持续低PA、中等PA伴逐渐下降、持续高PA伴显著波动。这些发现表明，中老年PA呈现整体年龄相关下降、个体间显著异质性及阶段依赖波动特征。因此，亟需识别不同长期PA轨迹及其区分因素。
**研究目的与研究内容**
本研究使用CHARLS纵向数据，旨在实现三个连续且互补目标：第一，描述性目标——通过LCGM和GMM识别并描述中老年人异质性PA轨迹；第二，分类目标——开发并内部评估五种机器学习模型，用于区分两个预设成对分类任务中的轨迹成员身份；第三，探索性目标——以社会生态模型（SEM）为指导，组织个体、人际、组织及政策相关层面的基线变量，评估其对分类的相对贡献。研究发表于《Behavioral Sciences》。
**主要技术方法（不超过250字）**
研究人员使用CHARLS 2011、2013和2018三波数据，样本源自中国健康与养老追踪调查（CHARLS），最终纳入3112名参与者。PA通过代谢当量（MET）加权评分操作化，使用LCGM和GMM识别异质性轨迹。随后，将轨迹成员身份作为分类结果，应用五种机器学习模型（随机森林RF、XGBoost、支持向量机SVM、K近邻KNN、多层感知器MLP）进行二分类任务（高-下降PA vs 持续低PA；中等-上升PA vs 持续低PA）。采用重复10折分层交叉验证评估模型性能，并以RF的变量重要性排名分析SEM组织下的12个基线变量（个体层面：年龄、性别、教育水平、自评健康、抑郁症状、睡眠、生活满意度；人际层面：婚姻状况、子女支持、社交参与；组织层面：退休状态；社会/政策层面：补贴）。数据标准化与SMOTE仅应用于训练集，避免信息泄露。
**研究结果**
**轨迹识别结果**：LCGM和GMM分析确定三轨迹增长混合模型（GMM3）为最优模型（SABIC = 112,226.326，熵 = 0.853，VLMR-LRT p < 0.001，BLRT p < 0.001）。三条轨迹分别为：持续低PA（67.5%）、高-下降PA（16.3%）和中等-上升PA（16.1%）。高-下降PA轨迹在2011年PA水平最高（M = 336.84），随后下降；中等-上升PA轨迹在2011年为中等水平（M = 234.69），2018年上升（M = 307.51）；持续低PA轨迹始终保持低水平（均值约85.75-90.67）。分类质量指标（平均后验概率0.869-0.958，正确分类比值11.21-57.68）表明三类之间分离良好。
**模型性能比较**：在五种机器学习模型中，RF在两个分类任务中均表现出最高的内部分类性能，AUC值达0.943-0.945。因此，RF的变量重要性被用于描述性分析。
**变量重要性排名**：在区分高-下降PA与持续低PA的任务中，社交参与排名最高；在区分中等-上升PA与持续低PA的任务中，年龄排名最高。总体而言，社交参与、年龄、教育水平和性别在两个分类任务中均表现出较高且一致的分类相关性。
**讨论与结论**
**讨论部分总结**：本研究识别出三条PA轨迹，其中持续低PA轨迹占最大比例（67.5%），与既往研究一致，表明长期PA不足是主要行为模式。RF模型显示，社交参与、教育水平、年龄和性别具有高分类相关性。值得注意的是，描述性统计显示持续低PA组的社交参与均值最高，这看似矛盾，实则反映了社交参与的多维度性——CHARLS测量的社交参与包含体力活动形式（如运动、气功）和久坐/低强度活动（如打麻将、下棋），后者可能更常见于低PA个体。因此，社交参与在RF中保持高重要性，但方向需结合具体活动类型解释。此外，抑郁症状和自评健康作为个体层面变量，也贡献于轨迹分类。研究还指出，持续低PA组应关注PA启动与障碍减少；高-下降PA组应关注PA维持，其中社交参与可能是关键；中等-上升PA组中年龄作为不可变标志，但社交参与和自评健康可能是更可变的候选领域。
**研究结论翻译**：利用CHARLS纵向数据，本研究识别出中国中老年人三条不同的PA轨迹：持续低PA、高-下降PA和中等-上升PA。在评估的机器学习模型中，随机森林显示出最高的内部分类性能，社交参与、年龄、教育水平和性别在两个分类任务中表现出最一致的变量重要性排名。这些发现扩展了当前对异质性PA轨迹及其多层次分类特征的认识，表明中老年人的长期PA不应被理解为单一统一模式，而应视为具有潜在不同分类相关特征的轨迹模式。因此，未来PA研究应超越整体活动水平，进一步考察个体的动态轨迹背景、轨迹特异性行为特征以及可能与PA启动、维持或积极变化相关的潜在可改变领域。总体而言，将PA轨迹建模与机器学习方法结合在社会生态框架内，可能为生成健康老龄化和PA促进的未来研究问题提供有用的探索性策略。
