《Healthcare》:Machine Learning-Based Multidimensional Health Decline Prediction Framework: Data-Driven Modeling for the Middle-Aged and Elderly Population
编辑推荐:
背景:随着全球人口老龄化加剧,45岁及以上人群面临诸多挑战,包括残疾、疼痛、认知障碍、听力和抑郁。本研究旨在利用机器学习和深度学习方法开发预测模型,用于预测中老年人群的健康结局和疾病风险,同时识别影响该人群疾病患病率和生活质量的关键因素。方法:本研究基于中国健
背景:随着全球人口老龄化加剧,45岁及以上人群面临诸多挑战,包括残疾、疼痛、认知障碍、听力和抑郁。本研究旨在利用机器学习和深度学习方法开发预测模型,用于预测中老年人群的健康结局和疾病风险,同时识别影响该人群疾病患病率和生活质量的关键因素。方法:本研究基于中国健康与养老追踪调查(CHARLS)数据库(2015-2018年),涵盖20,967名参与者。采用机器学习和深度学习技术,利用69个变量创建了残疾、疼痛、认知障碍、听力和抑郁的预测模型。应用最小冗余最大相关性(MRMR)特征选择策略和增量特征选择(IFS)方法识别关键变量。通过受试者工作特征曲线下面积(ROC-AUC)评估最优预测模型的准确性。结果:分析产生了15个预测模型,其中TabPFN在预测残疾、疼痛、认知障碍、听力和抑郁方面表现最佳,AUC分别达到0.802、0.860、0.814、0.769和0.856。Shapley可解释性分析确定了影响这些健康结局的前五个关键特征。结论:所提出的模型可以评估中老年人群多种疾病的患病风险,表明早期预防和有效干预可能降低发病率。此外,该研究提供了影响健康的关键因素的见解,为个性化健康管理和精准干预策略提供了科学基础。
随着全球人口老龄化加速,45岁以上中老年人群面临残疾、疼痛、认知障碍、听力损失和抑郁等多重健康挑战。这些疾病不仅降低患者生活质量,还显著增加家庭和社会的照护与经济负担。传统研究多采用逻辑回归等统计方法,难以捕捉危险因素的时间依赖性与高阶交互作用;而现有机器学习模型(如XGBoost、CNN-BiLSTM)在预测准确性上仍存在不足,例如残疾预测AUC仅0.724,认知障碍模型AUC为0.73,听力预测模型存在过拟合(训练集AUC 0.887 vs 测试集0.678)。因此,开发更精准、稳健的预测模型对于早期识别高风险人群、制定个性化干预策略至关重要。该论文发表在《Healthcare》。
研究人员基于中国健康与养老追踪调查(CHARLS)数据库(2015-2018年),纳入20,967名参与者,利用69个变量(涵盖人口学、生活方式、体检、实验室指标等)构建预测模型。关键技术方法包括:采用最小冗余最大相关性(MRMR)算法进行特征排序,结合增量特征选择(IFS)确定最优特征子集;使用合成少数类过采样技术(SMOTE)和随机欠采样处理类别不平衡;模型训练引入TabPFN(基于预训练Transformer的贝叶斯推理模型)和PyCaret平台(评估14种传统机器学习算法,如梯度提升分类器(GBC)、随机森林(RF)等),通过10折交叉验证调参;最终在独立测试集上以ROC-AUC和准确率(ACC)评估,并采用Shapley加性解释(SHAP)进行模型可解释性分析。
**3.1 基线特征与疾病发生率**
统计分析显示:残疾患病率13.91%(2917/20,967),疼痛27.86%(5843/20,967),认知障碍5.86%(1229/20,967),听力损失34.62%(7259/20,967),抑郁10.34%(2169/20,967)。各健康结局组与非组之间在睡眠质量、日常生活活动能力(ADL)、止痛药使用、视力、慢性病等变量上存在显著差异(p<0.005),表明这些因素是多发性健康风险的共同潜在影响因素。
**3.2 模型评估与比较**
通过14种机器学习算法的10折交叉验证,各健康结局的最优传统模型分别为:GBC(残疾)、ETC(疼痛)、LightGBM(认知障碍)、RF(听力)、GBC(抑郁)。与TabPFN在独立测试集比较,TabPFN在所有任务中均取得更高AUC:残疾0.802(95% CI: 0.800-0.803)、疼痛0.860(95% CI: 0.858-0.862)、认知障碍0.814(95% CI: 0.787-0.841)、听力0.769(95% CI: 0.767-0.771)、抑郁0.856(95% CI: 0.844-0.867),且优于先前报道的XGBoost(AUC=0.724)、GBM(AUC=0.742)等模型,未出现明显过拟合。
**3.3 SHAP模型解释**
SHAP分析揭示各健康结局的关键预测因子:
- 残疾:睡眠质量、听力、ADL、步行速度、午睡时间;
- 疼痛:睡眠质量、婚姻满意度、听力、吸烟状态、婚姻状况;
- 认知障碍:听力、血小板计数(PLT)、午睡时间、睡眠质量、HbA
1c;
- 听力:睡眠质量、婚姻满意度、疼痛程度、远视、视力;
- 抑郁:健康满意度、婚姻满意度、残疾状态、婚姻状况、社会参与。
其中睡眠质量、听力、婚姻满意度等变量在多个模型中重复出现,提示这些因素可能构成不同健康结局的共有风险特征。
**讨论总结**:TabPFN凭借其大规模预训练策略,能有效捕捉变量间的非线性关系和高阶交互,无需大量超参数调优即可在中小规模数据集上实现稳定预测,优于传统机器学习方法。SHAP分析识别的关键预测因子与既往研究一致,如睡眠质量与残疾、疼痛的关联,听力损失与认知衰退的流行病学证据,婚姻满意度对抑郁的保护作用等。研究创新点在于同时关注五种健康结局,系统比较多种算法,并引入TabPFN提升预测性能。局限性包括缺乏外部验证、缺失值处理、横断面数据限制因果推断。未来需开展多中心、多民族外部验证,并结合纵向随访数据建立动态模型,以及多模态数据融合(影像、基因、可穿戴设备)以增强临床适用性。
**研究结论**:本研究基于CHARLS数据库开发了中老年人群残疾、疼痛、认知障碍、听力损失和抑郁五种健康结局的预测模型,系统比较了多种机器学习算法的性能。结果表明,TabPFN在所有五个预测任务中均取得最佳表现,展现出稳健的预测准确性和强泛化能力。得益于其大规模预训练策略,TabPFN能有效捕捉变量间的复杂非线性关系,并在中小规模数据集上无需广泛超参数调优即可产生可靠预测,从而增强了模型的可重复性、易用性和临床适用性。这些特点使其特别适合结构化临床表格数据的建模。基于SHAP可解释性分析,本研究进一步识别了与不同健康结局相关的关键因素,提升了预测模型的可解释性,并提示不同健康状态可能共享共同的风险因素。这些发现为多种健康结局的联合风险评估提供了新视角。总体而言,本研究验证了TabPFN在中老年人群多维健康结局预测中的应用价值,为人工智能在早期健康风险识别、精准风险评估和个性化健康管理中的应用提供了方法学基础,也为社区健康筛查、基层医疗管理和公共卫生决策提供了科学依据。