
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于机器学习的社区居住老年人肌少症风险预测模型
《Scientific Reports》:A machine learning-based risk prediction model for sarcopenia among community-dwelling older adults
【字体: 大 中 小 】 时间:2026年08月27日 来源:Scientific Reports 4.9
编辑推荐:
摘要在全球人口老龄化的背景下,肌少症已成为社区居住老年人中重要的公共卫生关注点。然而,在缺乏专业诊断设备的初级保健环境中,早期识别肌少症仍然是一个挑战。这项横断面研究纳入了 2023 年 4 月至 2024 年 8 月期间在中国新疆招募的 3,135 名社区居住老年人(年龄≥
在全球人口老龄化的背景下,肌少症已成为社区居住老年人中重要的公共卫生关注点。然而,在缺乏专业诊断设备的初级保健环境中,早期识别肌少症仍然是一个挑战。这项横断面研究纳入了 2023 年 4 月至 2024 年 8 月期间在中国新疆招募的 3,135 名社区居住老年人(年龄≥60 岁)。肌少症根据 AWGS-2019 标准进行诊断。使用 LASSO 回归进行特征选择,并在训练集(70%,n = 2,195)上训练了九种监督学习算法,即随机森林、LightGBM、XGBoost、逻辑回归、K 近邻、支持向量机(SVM)、人工神经网络、决策树和弹性网络。使用受试者工作特征曲线下面积(AUC)、校准曲线、Brier 评分和 DeLong 检验在独立测试集(30%,n = 940)上评估模型性能。使用 SHAP 方法解释模型输出。肌少症的患病率为 12.47% (391/3,135)。LASSO 回归选择了 21 个预测变量;在排除细胞内水后,消除了多重共线性(所有方差膨胀因子 < 3)。在测试集中,弹性网络和支持向量机表现最佳,AUC 均为 0.929。SHAP 分析显示,体质指数(BMI)、体脂百分比(PBF)和年龄是前三大贡献预测因子;较高的 BMI 是保护因素,而较高的 PBF 和年龄增加了风险。基于常规临床变量的弹性网络和支持向量机模型可以准确预测社区居住老年人的肌少症风险,显示出良好的区分度和校准度。这些模型易于使用,无需专用设备,适用于资源有限的社区环境,有助于高风险人群的早期识别和针对性干预。