《Children》:Machine Learning-Based Prediction of Six-Minute Walk Distance in Children with Obesity
编辑推荐:
背景:六分钟步行测试(6MWT)评估功能性运动能力,但现有的肥胖儿童参考方程依赖于传统线性回归,可能忽略了人体测量特征与功能性运动能力之间复杂的非线性关系。目的:本研究旨在开发并内部验证基于机器学习(ML)的预测模型,以及从可解释ML模型导出的初步预测方程,用
背景:六分钟步行测试(6MWT)评估功能性运动能力,但现有的肥胖儿童参考方程依赖于传统线性回归,可能忽略了人体测量特征与功能性运动能力之间复杂的非线性关系。目的:本研究旨在开发并内部验证基于机器学习(ML)的预测模型,以及从可解释ML模型导出的初步预测方程,用于预测突尼斯学龄肥胖儿童的六分钟步行距离(6MWD),并将其预测性能与传统回归方法进行比较。方法:研究人员分析了236名学龄肥胖儿童(104名女性,132名男性;6–12岁)的数据。人体测量指标包括体重(BM)、身高、体重指数(BMI)、腰围(WC)和臀围(HC)。评估了五种模型:线性回归、Ridge、Lasso、Elastic Net和XGBoost。使用五折交叉验证评估性能,并通过平均绝对误差(MAE)和均方根误差(RMSE)进行评价。预测变量重要性通过SHapley Additive exPlanation(SHAP)和Gini重要性进行评估。结果:XGBoost实现了最佳预测性能,MAE最低(女性17.4±2.5 m,男性19.5±1.9 m)和RMSE最低(女性25.3±3.1 m,男性26.4±2.2 m)。年龄是所有模型中最强的预测因子(SHAP: 54.2–62.0%;Gini重要性: 0.52–0.69),其次是身高和BMI。性别特异性分析表明,在女性中,年龄和BMI贡献了约80%的累积SHAP分析;而在男性中,年龄、身高和WC是主要因素。结论:与传统线性回归相比,ML,特别是XGBoost,显著改善了学龄肥胖儿童6MWD的预测。可解释ML通过评估人体测量预测因子的相对重要性提高了模型的可解释性。这些肥胖特异性预测模型可能更好地捕捉人体测量与功能性运动能力之间复杂的非线性关联。在常规临床或现场应用之前,这些初步的群体特异性模型应在更大的独立样本中进行验证。
**论文解读:基于机器学习预测肥胖儿童六分钟步行距离——从线性回归到可解释人工智能的范式转变**
**研究背景与问题**
儿童肥胖已成为全球性公共卫生问题,尤其在美洲和中东/北非地区,营养转型与城市化推动儿童肥胖率快速上升。在突尼斯,儿童与青少年肥胖率升高伴随生活方式改变,导致步行能力下降和心肺适能受损。六分钟步行测试(6MWT)是评估亚极量功能性运动能力的实用工具,但现有参考方程多基于正常体重或混合人群,忽略了肥胖儿童特有的体质量负荷与代谢负担。更重要的是,传统线性回归假设预测因子与结局之间存在线性、可加且有限交互的关系,难以捕捉人体测量指标(如年龄、身高、体重指数BMI、腰围WC)与六分钟步行距离(6MWD)之间潜在的非线性复杂关联。尽管Makni等曾专门为肥胖儿童建立线性预测方程,但线性模型的理论局限可能低估了真实关联。因此,有必要引入机器学习(ML)回归方法,以灵活建模非线性效应、高阶交互与多重共线性,并结合可解释人工智能(如SHAP)增强模型透明性,从而为肥胖儿童提供更精准的功能性运动能力评估工具。
**研究设计与方法**
本研究为横断面设计,从突尼斯苏塞地区Jawhara和Riadh学区招募236名学龄肥胖儿童(女性104人,男性132人,年龄6–12岁),纳入标准为BMI>国际肥胖工作组(IOTF)第97百分位。排除心血管、呼吸或肌肉骨骼疾病史。所有参与者及家长签署知情同意书,研究经苏塞医学院伦理委员会批准。研究人员采用标准化方案测量人体测量指标:体重(BM,kg)、身高(cm)、BMI(kg/m
2)、腰围(WC)和臀围(HC)。6MWT按照美国胸科学会(ATS)指南在30米平直走廊进行,记录总步行距离(6MWD)。统计与ML分析:连续变量以中位数和四分位距描述,使用Spearman秩相关评估变量间关联。建立五种监督回归模型:线性回归、Ridge、Lasso、Elastic Net和极端梯度提升(XGBoost)。所有预测变量(年龄、BM、身高、BMI、WC、HC)同时纳入模型,未进行预选特征。数据标准化后,采用五折交叉验证评估性能,以平均绝对误差(MAE)和均方根误差(RMSE)为指标。XGBoost超参数通过网格搜索优化(n_estimators=100, max_depth=5, learning_rate=0.1, subsample=0.8, colsample_bytree=0.8, min_child_weight=1)。模型解释使用Gini重要性和SHapley Additive exPlanation(SHAP)值,计算平均绝对SHAP值并构建累积贡献曲线,以约80%累积贡献阈值识别主导预测因子。作为探索性步骤,基于SHAP选出的预测因子,为总体样本及性别亚组推导初步线性和异速生长预测方程。所有ML分析使用Python 3.9.7及scikit-learn、XGBoost、SHAP、SciPy等库。
**研究结果**
1. **描述性特征与相关性**:总样本中位年龄9.0岁,男性中位6MWD(535.0 m)显著高于女性(497.5 m)。Spearman相关分析显示,6MWD与年龄相关性最强(ρ=0.68–0.80),其次为身高、BM、BMI、WC、HC(ρ=0.45–0.63),所有p<0.001。
2. **模型预测性能**:五折交叉验证后,XGBoost在总体样本中表现最优(MAE=19.0±1.9 m,RMSE=25.3±2.0 m),优于线性回归(MAE=23.5±1.6 m,RMSE=31.2±2.1 m)、Ridge、Lasso和Elastic Net。性别分层分析中,XGBoost同样取得最低MAE(女性17.4±2.5 m,男性19.5±1.9 m)和RMSE。因此选择XGBoost作为最终模型进行可解释性分析。
3. **特征重要性及排序一致性**:在所有分组中,年龄均为最强预测因子,SHAP重要性54.2–62.0%,Gini重要性0.52–0.69,Spearman相关系数最高。身高在总体和男性中重要性较高,但在女性中排序一致性较低。BMI在女性中重要性突出(SHAP=17.2),而男性中WC、BM、HC贡献中等。累积SHAP曲线显示:总体样本中年龄、身高、BMI累计贡献约80%;女性中年龄和BMI贡献约81%;男性中年龄、身高、WC贡献约89%。
4. **初步预测方程**:基于SHAP选出的主导变量,导出了线性与异速生长方程。总体:6MWD=186.4+38.1·年龄+1.9·身高?2.1·BMI(R
2=0.68,交叉验证MAE=20.8 m);女性:6MWD=312.7+42.5·年龄?2.9·BMI?1.8·HC(R
2=0.65);男性:6MWD=98.5+34.8·年龄+2.2·身高?1.5·WC(R
2=0.70)。这些方程为初步探索性结果,需外部验证。
**讨论与结论总结**
讨论部分指出,XGBoost在内部交叉验证中优于传统线性回归,MAE降低4–5 m,但差异较小,且未进行外部验证,因此仅表明内部预测性能更优而非绝对优越。SHAP分析一致确认年龄是6MWD的最强预测因子,反映了生长相关发育对步行能力的主导作用。双变量分析中体质量相关指标与6MWD正相关,但多变量ML模型中相对重要性下降,提示初始正相关主要受正常生长过程驱动,而非体成分的直接效应;对于同龄同身高儿童,增大的体质量与中心性肥胖反而与较差的6MWD相关,呈现抑制效应模式。性别特异性差异提示,女孩中BMI和HC更重要,男孩中身高和WC更重要,可能与成熟度和脂肪分布差异有关。研究还讨论了动机、24小时运动指南等行为因素的潜在影响,但本研究未纳入。研究局限性包括:样本量(n=236)低于先验计算的最小要求(319),虽满足回归分析每变量10–20例的标准,但性别亚组稳定性有限;缺乏外部验证;未考虑生物学年龄、成熟状态及心理因素。结论部分翻译:本研究探讨了ML方法在预测学龄肥胖儿童6MWD中的性能,并识别了最具影响力的预测因子。在五种测试模型中,XGBoost最适合进一步分析。基于SHAP的解释显示,年龄是所有组中最一致的预测因子,而其余人体测量特征的相对贡献在总体样本、女性和男性之间存在差异。通过SHAP识别的预测因子,将复杂的ML输出转化为更易解释的亚组特异性预测方程(线性和异速生长)。这些发现表明,ML知情建模可以补充传统回归方法,用于识别肥胖儿童6MWD的相关预测因子,并支持预测方程的开发。然而,所提出的方程应被视为初步、群体特异性的预测方程,在成为参考方程或推荐用于临床、现场或研究应用之前,需要在大型独立队列中进行外部验证。论文发表在《Children》。