基于人体成分数据建立预测老年人衰弱的机器学习模型

背景 目前衰弱评估量表众多,多数指标难以客观定量.人体成分分析仪能快速获得与衰弱评估相关的定量数据,在大数据的挖掘与分析中机器学习具有一定的优势.目的 建立基于人体成分数据的机器学习模型,评价其诊断预测衰弱的价值.方法 2021年4?-?6月收集北京10个社区65岁以上老年人体检数据,以Fried衰弱表型量表作为衰弱诊断的金标准,筛选相关指标,建立随机森林、支持向量机、logistic回归和XGBoost模型,运用ROC曲线、敏感度和特异性等评价模型的预测效能.结果 共纳入558例数据进行建模分析,其中衰弱前期122例,非衰弱436例.随机森林算法筛出年龄、50?kHz全身相位角、骨骼肌质量、体脂百分比等10个重要性靠前的特征,并据此建立四个预测模型.Logistic回归模型的整体预测效能最高,ROC曲线下面积达到0.872,敏感度和特异性分别为78.38％和80.15％,预测准确率为79.76％.另外三种模型的整体效能差异不大,预测准确率均超过75％.结论 基于人体成分数据建立的logistic回归模型在预测老年人衰弱的效能上高于其他机器学习模型,且预测准确率较高,可用于衰弱的早期临床诊断.