不同时间间隔下中国关节炎中老年人失能发生的预测：一种可解释的机器学习方法

《BMC Public Health》：Prediction of disability onset at different time intervals among Chinese middle-aged and older adults with arthritis: an interpretable machine learning approach

　　

摘要

目标

本研究旨在利用机器学习方法构建模型，预测基线时无残疾的中老年关节炎患者在不同时间间隔内残疾的发生情况。

方法

本研究回顾性收集了中国健康与养老追踪调查（CHARLS）的数据。我们纳入了2015年1,925名和1,800名年龄≥45岁、患有关节炎且基线无残疾的社区居住成人，分别用于2015–2018年和2015–2020年的预测。构建并评估了机器学习（ML）模型，以评估基本日常生活活动（BADL）残疾、工具性日常生活活动（IADL）残疾、日常生活活动（ADL）残疾（BADL或IADL残疾）以及同时残疾（BADL和IADL残疾）的风险。进一步应用Shapley可加解释（SHAP）来探索模型决策中的关键预测因子。

结果

总体而言，候选预测算法取得了中等表现，逻辑回归（LR）比更灵活的机器学习方法表现出更好的性能，BADL、IADL、ADL和同时残疾预测的最大受试者工作特征曲线下面积（AUROC）在2015–2018年期间分别为0.666、0.699、0.700、0.717，在2015–2020年期间分别为0.719、0.721、0.722、0.766。SHAP结果显示，抑郁评分、年龄、体重、身高、肺功能和认知功能在残疾预测中起关键作用，尤其是抑郁评分和年龄。

结论

研究结果表明，预测模型可能有助于识别残疾高风险的关节炎患者。本分析中发现的重要预测因子可能有助于未来的预测研究，但其因果作用需要通过专门的因果分析来进一步确定。