**基于可解释机器学习的老年人失能三级风险分层预测模型:一项经外部验证的多队列研究**

《Frontiers in Public Health》:Development and external validation of a machine learning model for three-tier disability risk stratification in older adults

【字体: 大 中 小 】 时间:2026年09月18日 来源:Frontiers in Public Health 4.1

编辑推荐:

  摘要 研究背景:全球人口老龄化已使老年人失能成为一项重大公共卫生挑战。现有预测模型通常缺乏外部验证和可操作的风险分层。本研究旨在开发并外部验证一个可解释的三级机器学习框架,用于老年人失能风险预测与分层。 方法:训练集和内部验证集来源于中国健康与养老追踪调查

  
摘要

研究背景:全球人口老龄化已使老年人失能成为一项重大公共卫生挑战。现有预测模型通常缺乏外部验证和可操作的风险分层。本研究旨在开发并外部验证一个可解释的三级机器学习框架,用于老年人失能风险预测与分层。

方法:训练集和内部验证集来源于中国健康与养老追踪调查(China Health and Retirement Longitudinal Study, CHARLS)的前瞻性纵向开发队列(n = 3,599)。一项独立的横断面调查(n = 2,066)被用于模型的外部验证。纳入年龄≥65岁的个体。失能依据基本日常生活活动能力(Basic Activities of Daily Living, BADL)定义。经特征选择后,对五种候选机器学习技术进行评估以确定最优模型。采用SHapley加性解释(SHapley Additive exPlanations, SHAP)方法解释最优模型。最终,开发了一种三级风险分层方法,并使用决策曲线分析(Decision Curve Analysis, DCA)与Cochran-Armitage趋势检验进行验证。

结果:LASSO回归确定了七个关键预测因子。极端梯度提升(eXtreme Gradient Boosting, XGBoost)在内部测试集(AUC = 0.737)和外部验证队列(AUC = 0.782)中均实现了预测性能的最优平衡。SHAP分析揭示年龄、年龄校正查尔森合并症指数(Age-adjusted Charlson Comorbidity Index, ACCI)和下肢活动能力为最重要的全局预测因子。建立的风险分层阈值(33.17%和65.23%)成功将老年人分为三个等级。该三级分层系统在外部验证集中显示出实际失能发生率的显著梯度递增(Ptrend < 0.001),且在DCA中展现出广泛的临床净获益正值区间。

讨论:XGBoost模型在外部验证中表现出令人满意且一致的性能。SHAP提供了有临床意义的洞见,突出了年龄、下肢活动能力、心理状态和合并症负担的关键作用。经验证的三级分层系统弥合了复杂预测概率与实用临床决策之间的转化鸿沟。
**基于机器学习的老年人失能三级风险分层预测模型论文解读**

**一、研究背景与问题提出**

全球人口老龄化进程持续加速,老年人失能已成为严峻的公共卫生挑战。失能通常被定义为因生理、心理或社会因素导致个体在完成基本日常生活活动能力(Basic Activities of Daily Living, BADL)和/或工具性日常生活活动能力(Instrumental Activities of Daily Living, IADL)方面出现受限。据中国疾病预防控制中心数据,2020年我国失能老年人数量已达5271万,预计至2030年将超过7765万,占全部失能人口的57%。失能不仅影响个体独立性,还与抑郁、生活质量下降、住院率增加和死亡风险升高等不良结局密切相关。值得注意的是,老龄化过程中的失能并非孤立事件,而是多种风险因素长期累积及复杂非线性效应共同作用的动态过程。

尽管已有研究者利用传统逻辑回归和Cox比例风险回归等方法建立了老年人失能风险预测模型,但这些传统方法往往难以捕捉高维变量间的复杂非线性交互关系。近年来,机器学习(Machine Learning, ML)算法虽被逐渐应用于提升预测性能,但现有研究仍存在若干关键局限:其一,模型泛化性不足且普遍缺乏独立外部验证;其二,多数研究依赖单一预设算法而未进行模型选择,可能引入选择偏倚;其三,现有二分类预测模型大多未能将预测概率转化为可供临床实践操作的风险分层阈值。上述不足使得预测模型难以与实际分级干预策略有效对接。

**二、研究方法概述**

本研究采用两阶段混合设计:基于CHARLS前瞻性纵向队列(n = 3,599,2015—2018年调查波次)进行模型开发与内部验证,并以杭州市和湖州市五家社区卫生服务中心连续招募的独立社区样本(n = 2,066,2024年7月至2025年12月)进行外部验证。研究对象均为65岁及以上且基线无失能的老年人,失能依据BADL六项任务中任何一项存在困难或需要帮助来判定。研究首先从CHARLS数据库中提取了涵盖社会人口学特征、生活方式、家庭与经济支持、合并症与住院史、健康状态与功能受限以及体格检查六大领域的46个候选预测变量,经Pearson相关分析剔除4个高度相关的冗余变量后,采用LASSO回归结合10折交叉验证进行特征选择,最终保留7个非零系数的关键预测因子。随后,研究人员在经SMOTE算法平衡类分布的训练集上对逻辑回归(Logistic Regression, LR)、随机森林(Random Forest, RF)、K近邻(K-Nearest Neighbors, KNN)、支持向量机(Support Vector Machine, SVM)和极端梯度提升(eXtreme Gradient Boosting, XGBoost)五种机器学习算法进行系统评估与比较,采用10折交叉验证配合重复五次网格搜索进行超参数调优。模型性能以受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUC)、准确度、灵敏度、特异度、F1分数和Brier分数综合评价。最优模型通过SHapley加性解释(SHapley Additive exPlanations, SHAP)方法进行全局和个体层面的可解释性分析。在风险分层环节,研究人员基于最大选择秩统计量原理,在训练集上以2%步长对预测概率的百分位数区间进行系统网格搜索,以最大化卡方统计量为准则确定最优阈值组合,将老年人群划分为低、中、高三个风险等级,并在外部验证队列中通过Cochran-Armitage趋势检验和决策曲线分析(Decision Curve Analysis, DCA)验证分层系统的梯度有效性和临床净获益。缺失数据采用基于随机森林的多重插补(Multiple Imputation by Chained Equations, MICE)处理,连续变量经Z-score标准化处理。

**三、主要研究结果**

**(一)基线特征**

研究共纳入5,665名参与者,其中训练集2,519人,内部验证集1,080人,外部验证集2,066人。模型开发队列中位年龄为70.00岁(四分位距IQR:67.00~74.00),男性略占优势(52.5%)。最常见的慢性病为高血压(40.9%)和关节炎(41.4%),自我报告抑郁症状的发生率达31.4%。训练集与内部验证集的所有基线特征分布高度一致(P > 0.05),为模型训练提供了客观基础;而外部验证队列与训练集相比显示出显著的协变量偏移和异质性(P < 0.05),外部集参与者年龄更大(中位年龄73.00岁)、女性比例更高(52.9%),但抑郁症状(3.0%)和关节炎(2.5%)的报告率显著更低,而糖尿病(13.6% vs. 9.6%)和高血压(57.6% vs. 40.9%)等代谢性慢性病负担更重。

**(二)特征选择**

如图1所示,LASSO回归系数轮廓图展示了候选特征随λ惩罚参数(log λ)增加的收缩轨迹。随着惩罚力度增大,信息量较低的变量系数逐步收缩至零。通过10折交叉验证,选取距离最小偏似然偏差一个标准误所对应的λ值,最终严格筛选出七个具有非零系数的稳健预测因子子集。尽管年龄校正查尔森合并症指数(Age-adjusted Charlson Comorbidity Index, ACCI)本身已纳入年龄调整,但实际年龄与ACCI之间的相关性较低(r = 0.31),LASSO同时保留了这两个变量并赋予非零系数,支持二者对模型的独立贡献。

**(三)模型评估**

五种机器学习算法在训练集、内部测试集和外部验证集上的详细性能指标见表2,受试者工作特征(Receiver Operating Characteristic, ROC)曲线见图2。在内部测试集中,XGBoost模型展现出具有竞争力的预测性能,AUC为0.737(95% CI: 0.701~0.774),F1分数达0.499。基线LR模型虽保持稳定(AUC: 0.734, F1: 0.476),但其他算法表现出明显的权衡取舍:SVM模型虽在内部测试中灵敏度最高(0.750),但特异度降至0.605,提示假阳性倾向较高;XGBoost则提供了更均衡的临床性能特征,灵敏度为0.660,特异度为0.731。KNN模型表现最差,内部队列AUC仅为0.683。在独立外部验证队列中,XGBoost展示出令人满意的泛化与校准能力,AUC为0.782(95% CI: 0.743~0.820),Brier分数为0.078,表明概率估计的准确度较高。关键的是,XGBoost在外部队列中保持了最高的灵敏度(0.712),优于LR模型(0.673)和RF模型(其灵敏度骤降至0.286)。这些发现凸显了XGBoost算法在跨人群条件下捕捉稳定且高鉴别力临床表型的能力,因此被选为后续可解释性分析和风险分层系统开发的最优框架。

**(四)SHAP分析**

SHAP方法应用于XGBoost模型的结果如图3所示,综合SHAP汇总图将全局特征重要性(以叠加条形图长度表示)与个体局部影响的分布(以蜂群散点表示)相结合。从全局角度看,年龄、年龄校正查尔森合并症指数(ACCI)和下肢活动能力(Lowermob)是新发失能的最重要预测因子。抑郁症状(Depression)的整体重要性排名也高于上肢活动能力(Uppermob)和爬楼梯困难(Climsa)等特定机械性限制。在个体层面,ACCI、Lowermob、Depression和Uppermob的高取值(黄色/橙色点)始终映射至正向SHAP值,提示失能风险升高;相反,这些特征的低取值(紫色点)呈负向聚集,具有保护性。值得注意的是,尽管走100米困难(Walk100m)因基线发生率低而在整体重要性中排名最末,但其存在时会产生极端正向SHAP值(>0.25),凸显严重的步行受限是关键的独立警示信号。

**(五)风险分层与决策曲线分析**

为实现个体化临床干预,XGBoost模型生成的连续预测概率被转化为可操作的三级风险分层系统。阈值33.17%和65.23%产生了最高卡方统计量(χ2 = 2849.68),据此将队列分层为低风险(概率 < 33.17%)、中风险(33.17% ≤ 概率 < 65.23%)和高风险(概率 ≥ 65.23%)三个类别。在外部验证队列的严格评估中,如表3所示,实际失能发生率随预定义风险等级显著递增(低风险1.9%、中风险6.8%、高风险52.4%),Cochran-Armitage趋势检验证实风险等级分配与观察到的失能结局之间存在高度显著的剂量-反应关系(Ptrend < 0.001)。DCA曲线(图4)显示,在极宽泛的阈值概率范围内(从0%至约70%),应用XGBoost模型指导早期失能干预所获得的净临床获益均优于"全治疗"或"全不治疗"策略。即使在高风险阈值65.23%这一极度保守水平下,XGBoost模型仍保持正的临床净获益。

**四、讨论与结论**

**讨论要点:** 本研究基于CHARLS纵向数据系统开发并比较了五种机器学习模型,并在独立外部社区队列中进行验证,XGBoost模型在内部和外部验证中均优于其他算法。与Zhang等人基于身体表现指标的ADL失能预测模型(最大AUC = 0.732,无外部验证)、Han和Wang需要广泛实验室生物标志物的模型(AUC = 0.803,无外部验证)、以及Xiang等人针对高血压患者的XGBoost模型相比,本研究的特色在于:采用LASSO进行特征筛选,系统比较五种算法,运用SMOTE缓解类不平衡,优先选取易获取的预测因子(年龄、ACCI、活动受限、抑郁症状),并提供了在地理分布截然不同的浙江省社区队列中的独立外部验证。外部验证队列与开发队列在多个基线特征上的差异反映了真实的人群异质性,同时也构成了对模型真实稳健性和跨区域适用性的检验。SHAP分析揭示的核心预测因子(年龄、合并症负担、下肢活动能力)与近期一项关于衰弱发病预测模型的范围综述一致。特别值得注意的是,心理状态在整体重要性中超越了部分特定机械性限制,提示抑郁症状在加速老年人功能衰退中扮演核心角色。三级风险分层系统克服了传统二分类预测的局限,外部验证证实在不同等级间存在显著梯度趋势,且DCA证实具有实质性临床净获益。高风险组虽仅占约9%,但实际失能发生率高达52.4%,表明模型在精准识别最脆弱少数人群方面具有满意精度。本研究局限包括:CHARLS数据为自我报告可能存在回忆偏倚,外部验证集与开发集基线特征存在显著差异提示校准度可能因人群而异,基线失能状态部分变量基于回顾性回忆识别,未纳入社会支持结构等潜在相关变量,三级分层系统的前瞻性临床有效性尚未经实践检验。

**研究结论:** 综上所述,本研究成功开发、解释并外部验证了一个总体稳健的老年人失能风险预测机器学习框架。优化的XGBoost模型展现出合理的预测性能和跨队列可迁移性,尤其在真实世界临床环境中保持了所需的筛查灵敏度。SHAP分析的整合解开了机器学习模型的"黑箱",凸显了年龄、合并症负担、下肢活动能力和抑郁症状的关键预测作用。最重要的是,将连续概率评分转化为经外部验证的三级风险分层系统,为老年健康管理提供了一个具有潜在实用价值和成本效益的工具。该框架可望助力优化医疗资源配置,赋能医疗卫生服务提供者和政策制定者实施早期、个体化、分层级的干预措施,从而促进健康老龄化并潜在地延缓失能的发生。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号