摘要
目的
预测肥胖的变量并不局限于个体层面的风险因素。本研究旨在评估肥胖患病率的多层次预测因子。
方法
本研究采用可解释人工智能（XAI）分析方法，对包含34个变量的美国县级数据集进行了横断面分析。训练了一个轻梯度提升机（Light Gradient Boosting Machine）模型来预测肥胖患病率，随后评估了模型性能和特征重要性。
结果
最优模型性能包含29个特征，解释了县级肥胖患病率78%的方差。肥胖患病率的主要预测因子是体力活动不足。其他高度重要的变量包括吸烟、过度饮酒、政治意识形态和区域文化。
结论
本研究使用XAI方法预测肥胖，在县级粒度上解释了78%的方差。在预测人群层面肥胖患病率的多部门和多学科方法中，应纳入上游和下游因素。
研究重要性
-
目前已知什么？
- ○
肥胖患病率的预测正越来越多地使用人工智能（AI）分析方法。
- ○
大多数这些研究使用的预测变量来自有限的层次和尺度。
- ○
-
本研究增加了什么？
- ○
本研究指出，一个定义明确的多层次生态学框架，作为分析的概念基础，支持可解释人工智能（XAI）分析方法的解释性和可信度。
- ○
文化、社会资本、政治和权力相关变量对于在县级粒度预测肥胖患病率（R2?=?0.78）是重要的补充。
- ○
-
这些结果如何改变研究方向或临床实践的重点？
- ○
本研究支持继续使用XAI方法进行肥胖预测。
- ○
应对美国肥胖患病率的努力应包括增强社会资本、利用区域文化规范和政治参与，以及更多下游个体层面因素。
- ○
利益冲突
作者声明不存在利益冲突。
数据可用性声明
支持本研究结果的数据可在County Health Rankings & Roadmaps; Nationhood Lab, CDC获取，网址为https://www.countyhealthrankings.org/。这些数据源自以下公共领域的资源：Nationhood Lab，https://osf.io/jxsz8/overview?view_only=968233c39a594d14bed3f201b24ec0f8；MRP意识形态指数，https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/BQKU4M；County Health Rankings，https://www.countyhealthrankings.org/health-data/methodology-and-sources/data-documentation；公民机会指数，https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/TCXRTM；CDC，https://www.atsdr.cdc.gov/place-health/php/svi/index.html；IPUMS，https://usa.ipums.org/usa/slave/slave.shtml。
