3.0/Q2，Charls最新文章解读！

文章题目：Predicting grip strength-related frailty in middle-aged and older Chinese adults using interpretable machine learning models: a prospective cohort study

DOI：10.3389/fpubh.2024.1489848

中文标题：使用可解释的机器学习模型预测中国中老年人握力相关的虚弱症：一项前瞻性队列研究

发表杂志：Front Public Health

影响因子：2区，IF=3.0

发表时间：2024年12月

今天给大家分享一篇在 2024年12月发表在《Front Public Health》（2区，IF=3.0）的文章。本研究旨在探索握力与虚弱症之间的关联，并使用 SHapley Additive exPlanation (SHAP) 解释最佳机器学习 (ML) 模型来预测虚弱症的风险。

研究方法：研究数据取自中国健康与养老纵向研究（CHARLS）数据库。本研究分析了社会人口统计学、病史、人体测量、心理和睡眠参数。我们使用最小绝对收缩和选择算子（LASSO）回归来筛选模型以获得最佳预测变量，并构建了六个用于预测虚弱的 ML 模型。基于受试者工作特征曲线下面积（AUROC）比较六个 ML 模型的特征性能，并选择光梯度提升机（LightGBM）模型作为最佳预测虚弱模型。我们使用 SHAP 来解释 LightGBM 模型并揭示该模型预测虚弱的决策过程。

Table&Figure

结果解读：共纳入10834名符合条件的参与者。以握力最低四分位数为参考，当男性握力>29.00 kg或女性握力>19.00 kg时，握力与虚弱风险呈负相关（p <0.001）。LightGBM模型对虚弱的预测效果最佳，AUROC为0.768（95％CI 0.741〜0.795）。SHAP摘要图显示，所有特征按重要性顺序预测虚弱，其中认知功能被认为是最重要的预测特征。认知功能、夜间睡眠时间、体重指数（BMI）和握力越差，中老年人的虚弱风险就越高。SHAP个体力图清楚地表明，LightGBM模型在个体决策过程中预测虚弱。

结论：基于SHAP的握力相关LightGBM预测模型在预测衰弱风险方面具有较高的准确性和稳健性。提高握力、认知功能、夜间睡眠时间和BMI可降低衰弱风险，并可能为个体化衰弱管理提供策略。 

大家在科研路上，可以借鉴这种研究方法，为自己的课题添砖加瓦。万层高楼平底起，一起加油呀！