摘要
目的
孤独感已成为日本老年人群中日益严重的公共卫生问题。我们的目标是构建一个预测老年人群孤独感出现的模型，并评估其预测性能。
方法
共有4050名参与者参与了我们的调查（平均随访时间为3.1年[范围：2.8–3.3年]）。其中，1806名基线时没有孤独感的老年人被纳入研究。孤独感通过UCLA孤独感量表（第3版）进行评估。得分≥44分表示随访时存在孤独感。我们使用12种机器学习算法开发了预测孤独感出现的模型。通过接收者操作特征曲线（ROC）下的面积（AUC）及其95%置信区间（CI）来评估模型的区分能力。敏感性分析考察了基线UCLA孤独感量表信息、模型稳定性以及类别不平衡处理对预测结果的影响。
结果
共有421名参与者（23.3%）在随访时报告感到孤独。XGBoost模型的AUC最高，为0.740（0.705–0.776），准确率为0.631，敏感性为0.806，特异性为0.577。SHAP分析表明，基线UCLA孤独感量表条目是影响预测结果的最重要因素之一。当排除所有基线UCLA孤独感量表条目后，模型测试AUC降至0.635。十折交叉验证结果显示，完整的XGBoost模型平均AUC为0.742 ± 0.065。
结论
XGBoost模型在预测三年内孤独感出现方面表现中等。然而，基线UCLA孤独感量表信息对模型性能有显著影响，而仅使用外部预测因素时的区分能力较弱。在实际应用之前，还需要进行进一步优化和外部验证。
关键点
-
我们开发了机器学习模型来预测日本老年人群三年内的孤独感出现。
-
XGBoost模型表现最佳（AUC为0.74），在识别风险方面具有较高的敏感性。
-
敏感性分析表明，模型结果在很大程度上依赖于基线UCLA孤独感量表信息，而仅使用外部预测因素时的区分能力较弱。
利益冲突
作者声明没有利益冲突。
数据可用性声明
本研究支持的数据可向通讯作者索取。
