
3.4/Q2,Charls最新文章解读!

文章题目:Prediction of sarcopenia at different time intervals: an interpretable machine learning analysis of modifiable factors
DOI:10.1186/s12877-025-05792-1
中文标题:不同时间间隔的肌肉减少症预测:可修改因素的可解释机器学习分析
发表杂志:BMC Geriatr
影响因子:2区,IF=3.4
发表时间:2025年2月
今天给大家分享一篇在 2025年2月发表在《BMC Geriatr》(2区,IF=3.4)的文章。本研究旨在建立不同时间间隔的中国老年人肌肉减少症风险预测模型,并识别和比较导致肌肉减少症发展的可改变因素。
研究方法:本研究使用了中国健康与养老纵向研究 (CHARLS) 中 3,549 名 60 岁及以上参与者的数据。通过 AWGS2019 算法评估肌肉减少症状况。将考虑多因素基线变量的 2 年和 4 年肌肉减少症风险完整模型与可修改模型进行了比较。使用八种机器学习 (ML) 算法构建这些模型,并通过受试者工作特征曲线下面积 (AUC-ROC) 评估性能。应用 SHapley Additive exPlanations (SHAP) 进行模型解释。
Table&Figure



结果解读:参与者的平均年龄为 67.0 岁(SD = 6.1),其中 47.8% 为女性(1,696 名参与者)。ML 模型实现了中等性能,eXtreme Gradient Boosting (XGBoost) 在 2 年预测中成为完整模型和可修改模型中的最佳模型,AUC 分别为 0.804 和 0.795(DeLong 检验,P = 0.665)。相比之下,在 4 年预测中,Light Gradient Boosting Machine (LightGBM) 表现最佳,AUC 分别为 0.795 和 0.769(P = 0.053)。SHAP 分析强调性别和估计的肾小球滤过率 (eGFR) 是完整模型和可修改模型中最重要的预测因子。
结论:基于不同时间间隔的可修改因素的预测模型有助于识别患肌肉减少症风险较高的中国老年人。这些发现强调了在肌肉减少症预防策略中优先考虑功能能力和社会心理决定因素的重要性。
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!