
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于可解释机器学习的西藏高海拔地区成人体能状况不佳识别模型构建与逐城市验证研究
《BMC Public Health》:Interpretable machine learning for identifying poor physical fitness in adults across three high-altitude regions of Tibet: a cross-sectional study
【字体: 大 中 小 】 时间:2026年10月02日 来源:BMC Public Health 4.4
编辑推荐:
摘要背景快速识别体能状况不佳的成年人,有助于在资源受限的高海拔地区有针对性地配置早期行为干预和临床资源。本研究利用西藏国民体质监测数据,开发并进行了内部-外部验证(逐城市留出法)的可解释机器学习分类器,用于识别当前体能状况不佳的成年人。方法本横断面分析纳入了来自林芝(海拔31
快速识别体能状况不佳的成年人,有助于在资源受限的高海拔地区有针对性地配置早期行为干预和临床资源。本研究利用西藏国民体质监测数据,开发并进行了内部-外部验证(逐城市留出法)的可解释机器学习分类器,用于识别当前体能状况不佳的成年人。
本横断面分析纳入了来自林芝(海拔3100米)、拉萨(海拔3658米)和那曲(海拔4500米)的20至69岁成人5750人,样本来源于6160名抽样居民。体能状况不佳的定义依据《国民体质测定标准》的年龄分层总分界值(20-39岁<23分,40-59岁<18分,60-69岁<15分)。为限制结局(标签)泄漏,预测变量预先限定为可在体能测试之前获得的变量,包括人口学特征、运动行为、体脂指标和静息血流动力学测量值。采用按地点进行的内部-外部交叉验证(逐城市留出法),比较了逻辑回归、随机森林和XGBoost的表现。利用汇总留出预测值评估模型区分能力、精确率-召回率、校准度、临床相关阈值下的分类指标以及决策曲线性能,并采用Bootstrap重抽样计算95%置信区间。通过多重插补、无人体测量指标模型和地点校正分析检验了结果的稳健性。对匹配的梯度提升模型应用SHAP方法描述主要预测因子,并评估其与随机森林置换重要性的吻合度。
5750名成人中,2046人体能状况不佳(35.6%)。各地点患病率差异显著,从拉萨的27.6%到林芝的46.9%不等。随机森林模型表现出最高的汇总留出区分能力点估计值(AUROC 0.664,95% CI 0.649–0.681;AUPRC 0.560,95% CI 0.537–0.583;Brier分数0.212,95% CI 0.208–0.216),其次是XGBoost(AUROC 0.652,95% CI 0.637–0.667)和逻辑回归(AUROC 0.646,95% CI 0.631–0.661)。各模型间区分能力差异较小,XGBoost的Brier分数略低于随机森林。最优随机森林模型的校准度为中等(截距?0.26;斜率0.86)。在患病率匹配阈值下,随机森林的敏感度为0.71,特异度为0.48;在较低的固定阈值0.30下,敏感度上升至0.81,特异度为0.33,凸显了该工具仅用于筛查的性质。结果在完整病例分析、多重插补(AUROC 0.667)以及精简预测变量集中均表现出稳健性;无人身测量指标模型的表现显著更差(AUROC 0.55)。SHAP分析表明BMI、受教育程度、身高、性别、臂部皮褶厚度、城乡属性、运动强度、腰高比和收缩压为主要贡献因子,前12个主要预测变量的排序与随机森林置换重要性表现出高度秩一致性(Spearman ρ = 0.78)。
基于简单人口学、行为和人体测量变量的可解释树模型在识别高海拔成人当前体能状况不佳方面仅达到中等区分能力,逐地点验证表明其迁移能力有限但并非微不足道。体脂特征和社会经济-行为特征主导了模型归因,尽管体质标准中的人体测量评分部分解释了体型变量的突出性。作为初步筛查辅助工具,该模型可在全面体能测试困难时帮助优先确定需进一步评估的成年人,但应作为直接体能评估的补充而非替代,且在实际应用前需经过独立外部验证。
不适用。
快速识别体能状况不佳的成年人,有助于在资源受限的高海拔地区有针对性地配置早期行为干预和临床资源。本研究利用西藏国民体质监测数据,开发并进行了内部-外部验证(逐城市留出法)的可解释机器学习分类器,用于识别当前体能状况不佳的成年人。
本横断面分析纳入了来自林芝(海拔3100米)、拉萨(海拔3658米)和那曲(海拔4500米)的20至69岁成人5750人,样本来源于6160名抽样居民。体能状况不佳的定义依据《国民体质测定标准》的年龄分层总分界值(20-39岁<23分,40-59岁<18分,60-69岁<15分)。为限制结局(标签)泄漏,预测变量预先限定为可在体能测试之前获得的变量,包括人口学特征、运动行为、体脂指标和静息血流动力学测量值。采用按地点进行的内部-外部交叉验证(逐城市留出法),比较了逻辑回归、随机森林和XGBoost的表现。利用汇总留出预测值评估模型区分能力、精确率-召回率、校准度、临床相关阈值下的分类指标以及决策曲线性能,并采用Bootstrap重抽样计算95%置信区间。通过多重插补、无人体测量指标模型和地点校正分析检验了结果的稳健性。对匹配的梯度提升模型应用SHAP方法描述主要预测因子,并评估其与随机森林置换重要性的吻合度。
5750名成人中,2046人体能状况不佳(35.6%)。各地点患病率差异显著,从拉萨的27.6%到林芝的46.9%不等。随机森林模型表现出最高的汇总留出区分能力点估计值(AUROC 0.664,95% CI 0.649–0.681;AUPRC 0.560,95% CI 0.537–0.583;Brier分数0.212,95% CI 0.208–0.216),其次是XGBoost(AUROC 0.652,95% CI 0.637–0.667)和逻辑回归(AUROC 0.646,95% CI 0.631–0.661)。各模型间区分能力差异较小,XGBoost的Brier分数略低于随机森林。最优随机森林模型的校准度为中等(截距?0.26;斜率0.86)。在患病率匹配阈值下,随机森林的敏感度为0.71,特异度为0.48;在较低的固定阈值0.30下,敏感度上升至0.81,特异度为0.33,凸显了该工具仅用于筛查的性质。结果在完整病例分析、多重插补(AUROC 0.667)以及精简预测变量集中均表现出稳健性;无人身测量指标模型的表现显著更差(AUROC 0.55)。SHAP分析表明BMI、受教育程度、身高、性别、臂部皮褶厚度、城乡属性、运动强度、腰高比和收缩压为主要贡献因子,前12个主要预测变量的排序与随机森林置换重要性表现出高度秩一致性(Spearman ρ = 0.78)。
基于简单人口学、行为和人体测量变量的可解释树模型在识别高海拔成人当前体能状况不佳方面仅达到中等区分能力,逐地点验证表明其迁移能力有限但并非微不足道。体脂特征和社会经济-行为特征主导了模型归因,尽管体质标准中的人体测量评分部分解释了体型变量的突出性。作为初步筛查辅助工具,该模型可在全面体能测试困难时帮助优先确定需进一步评估的成年人,但应作为直接体能评估的补充而非替代,且在实际应用前需经过独立外部验证。
不适用。