5.0/Q1，Charls最新文章解读！

文章题目：Development of a Longitudinal Model for Disability Prediction in Older Adults in China: Analysis of CHARLS Data (2015-2020)

DOI：10.2196/66723

中文标题：中国老年人残疾预测纵向模型的开发：CHARLS 数据分析 （2015-2020）

发表杂志：JMIR Aging

影响因子：1区，IF=5.0

发表时间：2025年4月

今天给大家分享一篇在2025年4月发表在《JMIR Aging》（1区，IF=5.0）的文章。本研究旨在构建有效的残疾预测模型，用于中国老年人的早期干预和管理，整合身体、认知、生理和心理因素。

研究方法：分析了2015 年至 2020 年中国健康与退休纵向研究 （CHARLS） 的数据，涉及 2450 名最初身体健康的老年人。数据集被随机分为一个数据占 70% 的训练集和一个数据占 30% 的测试集。具有 10 倍交叉验证的 LASSO 回归确定了关键预测因子，然后将其用于开发极端梯度提升 （XGBoost） 模型。使用接收者作特征曲线、校准曲线以及临床决策和影响曲线评估模型性能。使用 SHapley 加法解释 （SHAP） 值解释变量贡献。

Table&Figure

结果解读：LASSO 回归用于评估 36 个潜在预测因子，从而产生一个包含 9 个关键变量的模型：年龄、握力、站立平衡、5 次重复椅子站立测试 （CS-5）、疼痛、抑郁、认知、呼吸功能和合并症。XGBoost 模型显示训练集的曲线下面积为 0.846 （95% CI 0.825-0.866），测试集的曲线下面积为 0.698 （95% CI 0.654-0.743）。校准曲线显示出可靠的预测准确性，训练集和测试集的平均绝对误差分别为 0.001 和 0.011。临床决策和影响曲线显示出跨风险阈值的显着效用。SHAP 分析确定疼痛、呼吸功能和年龄是主要预测因素，突出了它们在残疾风险中的重要作用。手柄和 CS-5 也对模型产生了重大影响。开发了一个基于 Web 的应用程序，用于个性化风险评估和决策。

结论：开发并验证了中国老年人5 年残疾风险的可靠预测模型。该模型能够识别高危个体，支持早期干预并优化资源分配。未来的工作将侧重于使用新的 CHARLS 数据更新模型，并使用外部数据集对其进行验证。 

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！