
-
生物通官微
陪你抓住生命科技
跳动的脉搏
职业伤害和疾病后长期工作残疾的可解释性预测:时间验证与性别特异性表现
《Journal of Occupational Rehabilitation》:Explainable Prediction of Prolonged Work Disability After Occupational Injury and Disease: Temporal Validation and Sex-Specific Performance
【字体: 大 中 小 】 时间:2026年09月26日 来源:Journal of Occupational Rehabilitation 2.7
编辑推荐:
摘要目的比较用于预测职业伤害或疾病后长期缺工的可解释模型,并评估其时间校准性及性别特异表现。方法我们分析了2022至2025年间在西班牙记录的182,051起已结案的缺工病例。长期缺工定义为≥101天。在2022–2023年数据上拟合惩罚逻辑回归、随机森林、XGBoost和L
比较用于预测职业伤害或疾病后长期缺工的可解释模型,并评估其时间校准性及性别特异表现。
我们分析了2022至2025年间在西班牙记录的182,051起已结案的缺工病例。长期缺工定义为≥101天。在2022–2023年数据上拟合惩罚逻辑回归、随机森林、XGBoost和LightGBM,于2024年进行模型选择,并在2022–2024年数据上重新拟合。此前考察的2025年队列在未用于拟合或选择的情况下进行了重新评估。评估了判别能力、校准度、Brier评分及操作特征,采用2,000次配对病例bootstrap重抽样。附加分析考虑了性别、不同持续时间阈值以及年龄和工龄的非线性效应;使用SHAP描述预测因子的贡献度。
2025年队列包含45,773起病例和3,756例结果(8.2%)。LightGBM的ROC-AUC最高(0.829;95% CI 0.823–0.836),逻辑回归的PR-AUC最高(0.389;0.373–0.406),随机森林的Brier评分最低(0.063)。XGBoost的F1评分最高(0.342)。性别对比未能证实等效性。伤害描述、身体部位、事故机制、年龄和工龄是XGBoost SHAP的主要贡献因子。结案病例的选择限制了结果的解释,尤其是在365天时点。
没有哪种机器学习模型全面优于惩罚逻辑回归。在实施之前,校准度、操作层面的权衡、外部验证以及前瞻性影响评估仍然至关重要;同时必须核实预测因子在通知时是否可获得。
比较用于预测职业伤害或疾病后长期缺工的可解释模型,并评估其时间校准性及性别特异表现。
我们分析了2022至2025年间在西班牙记录的182,051起已结案的缺工病例。长期缺工定义为≥101天。在2022–2023年数据上拟合惩罚逻辑回归、随机森林、XGBoost和LightGBM,于2024年进行模型选择,并在2022–2024年数据上重新拟合。此前考察的2025年队列在未用于拟合或选择的情况下进行了重新评估。评估了判别能力、校准度、Brier评分及操作特征,采用2,000次配对病例bootstrap重抽样。附加分析考虑了性别、不同持续时间阈值以及年龄和工龄的非线性效应;使用SHAP描述预测因子的贡献度。
2025年队列包含45,773起病例和3,756例结果(8.2%)。LightGBM的ROC-AUC最高(0.829;95% CI 0.823–0.836),逻辑回归的PR-AUC最高(0.389;0.373–0.406),随机森林的Brier评分最低(0.063)。XGBoost的F1评分最高(0.342)。性别对比未能证实等效性。伤害描述、身体部位、事故机制、年龄和工龄是XGBoost SHAP的主要贡献因子。结案病例的选择限制了结果的解释,尤其是在365天时点。
没有哪种机器学习模型全面优于惩罚逻辑回归。在实施之前,校准度、操作层面的权衡、外部验证以及前瞻性影响评估仍然至关重要;同时必须核实预测因子在通知时是否可获得。