谁处于低饮食质量的高风险?一种使用机器学习的精准公共卫生营养方法

《The Journal of Nutrition》:Who is at high risk of poor diet quality? A precision public health nutrition approach using machine learning

【字体: 大 中 小 】 时间:2026年07月23日 来源:The Journal of Nutrition 3.7

编辑推荐:

  背景:次优饮食质量会导致健康状况不佳。社会生态模型各层面的众多因素相互交织,影响个体的饮食质量。精准公共卫生营养框架可用于理解这些因素如何共同塑造人群中多个亚组的饮食质量,然而,这一框架的操作化极具挑战性。 目的:本研究旨在评估机器学习是否可用于操作化精准公共

  
背景:次优饮食质量会导致健康状况不佳。社会生态模型各层面的众多因素相互交织,影响个体的饮食质量。精准公共卫生营养框架可用于理解这些因素如何共同塑造人群中多个亚组的饮食质量,然而,这一框架的操作化极具挑战性。
目的:本研究旨在评估机器学习是否可用于操作化精准公共卫生营养方法,通过更精确地识别低饮食质量成年人比例最高的亚组以及饮食质量最重要的预测因子。
方法:研究人员对2018年和2019年加拿大国际食品政策研究(International Food Policy Study, IFPS)的横断面数据进行了二次分析(n=5,093)。共使用了四个领域(社会人口学特征与社会经济地位;食品政策与环境;食品素养;健康相关实践与指标)内的42个候选预测因子。采用健康饮食指数2015(Healthy Eating Index-2015, HEI-2015)评估饮食质量;将HEI-2015评分的三分位数定义为结局。进行了条件推断树(conditional inference tree, CIT)和条件随机森林(conditional random forest, CRF)分析。
结果:CIT使用六个预测因子将样本分为七个亚组,这些亚组中低、中或高饮食质量的成年人比例不同。低饮食质量的概率在各亚组中为16.9%至49.9%。低饮食质量成年人比例最高的亚组特征是对使用≤4种烹饪技术感到自信。基于CRF模型和条件变量重要性,饮食质量最重要的五个预测因子为:食品标签使用频率、烹饪技术使用自信度、自评总体健康、家庭食物不安全状况和健康素养。
结论:本研究提供了证据,表明机器学习方法可用于操作化精准公共卫生营养方法。
论文解读文章
研究背景与问题:在多数高收入国家,成年人的饮食质量普遍欠佳,这显著增加了罹患身心健康问题的风险。然而,不同个体的饮食质量存在差异。众多因素在社会生态模型的多个层面以复杂方式相互交织,共同塑造个体的饮食模式。精准公共卫生营养框架旨在理解这些因素如何共同决定不同人群亚组的饮食质量,从而更精确地识别高风险亚组。然而,使用传统统计方法(如参数回归模型)操作化这一框架极为困难,因为这些方法难以同时处理大量变量间的交互作用、对数据分布有严格假设,且易产生假阳性结果。因此,研究人员探索利用机器学习方法,以数据驱动的方式识别具有高比例低饮食质量成年人的亚组,并确定饮食质量的最重要预测因子。本研究论文发表在《The Journal of Nutrition》。

主要技术方法:研究人员对2018年和2019年加拿大国际食品政策研究(International Food Policy Study, IFPS)的横断面数据进行二次分析,最终样本量为5,093名成年人。采用健康饮食指数2015(Healthy Eating Index-2015, HEI-2015)评分(三分位数)作为结局变量。主要分析方法包括:(1)条件推断树(Conditional Inference Tree, CIT),一种非参数数据挖掘方法,用于识别最能预测结局的变量组合,从而划分亚组;(2)条件随机森林(Conditional Random Forest, CRF),一种集成学习方法,用于评估各预测因子的相对重要性。模型使用42个候选预测因子,涵盖社会人口学特征与社会经济地位、食品政策与环境、食品素养、健康相关实践与指标四个领域。

研究结果:
1. 描述性统计:参与者平均年龄46.7岁,51.5%为女性,71.0%为白人,62.7%生活在食物安全家庭。平均HEI-2015评分为51.5±15.3。
2. 条件推断树分析:CIT使用六个预测因子(烹饪技术使用自信度、自评总体健康、食品标签使用频率、烟草使用、职业、食物不安全状况)将样本划分为七个亚组。低饮食质量概率最高的亚组(49.9%)为对使用≤4种烹饪技术感到自信的个体;第二高概率亚组(48.5%)为对使用>4种烹饪技术自信、自评健康良好/非常好/优秀、从不/很少/有时使用食品标签且偶尔/每天使用烟草的个体。高饮食质量概率最高的亚组(52.7%)为对使用>4种烹饪技术自信、自评健康良好/非常好/优秀、经常/总是使用食品标签且生活在食物安全家庭的个体。
3. 条件随机森林分析:CRF识别出20个最重要预测因子,排名前五的依次为:食品标签使用频率、烹饪技术使用自信度、自评总体健康、家庭食物不安全状况、健康素养。与CIT结果一致,前四个预测因子均出现在CIT的六个预测因子中。
4. 模型性能:CIT在训练集和测试集上的总体分类准确率分别为45.1%和43.7%,超过随机分类器(约33%);CRF的袋外准确率分别为47.8%和49.6%。两个模型的Kappa值均表明预测优于随机水平,且训练集与测试集性能接近,未出现过度拟合。

讨论与结论:讨论部分指出,CIT和CRF的一致结果支持了模型的有效性。从精准公共卫生营养视角,低烹饪技能亚组具有最高的低饮食质量风险,而高烹饪技能但较少使用食品标签、自评健康且吸烟的亚组风险次之,表明烹饪技能需与其他因素协同作用。高饮食质量亚组则具备高烹饪技能、频繁使用食品标签、自评健康且食物安全,凸显了多因素保护作用。研究还发现,传统社会经济地位指标(如收入、教育)在CIT中未作为首要分割变量,但食物不安全状况和CRF中的多个社会经济指标(如教育、收入充足性)仍为重要预测因子,提示需结合政策(如食品标签法规)、技能建设(如烹饪课程)和经济支持(如健康食品补贴)的多层次干预策略。

研究结论翻译:总之,本研究提供了证据,表明机器学习方法可被用于操作化精准公共卫生方法。研究人员基于涵盖社会生态模型所有层面的大量预测因子,更精确地识别了低饮食质量成年人比例较高的亚组,并确定了塑造成年人饮食质量的最重要预测因子。研究结果表明,结合改善食品环境的人群层面政策与针对高风险亚组特定需求的技能建设计划和经济支持的社会生态学多层次方法,可能有助于制定应对导致低饮食质量的社会过程的策略。鉴于饮食质量与发病率和死亡率密切相关,更精确地识别低饮食质量高风险亚组并进行干预,是改善人群健康、减少饮食与健康不公平的优先事项。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号