基于机器学习揭示生活方式与亚健康之间的关系:一项在中国广东省的横断面研究OA

背景亚健康是介于健康与慢性病之间、具有可逆性的亚临床状态,现已受到广泛关注。现有研究证实,各类生活方式因素会显著影响亚健康状态的动态变化。目的本研究旨在采用机器学习方法探讨多种生活方式与亚健康的关联,同时构建亚健康预测模型,以期实现亚健康人群的早识别、早诊断及早干预。方法本研究为横断面调查,开展时间为2017年9月—2024年1月。采用多阶段整群抽样方法,在广东省7个具有代表性的城市中分阶段随机抽取调查点及单位,最终共纳入20375名单位体检人群。由经过统一培训的调查人员在体检现场使用标准化问卷开展数据收集,包括亚健康评估量表、健康促进生活方式量表Ⅱ(HPLP-Ⅱ)等。采用SPSS 25.0和Python 3.9进行数据处理与分析,首先利用递归特征消除法进行特征筛选,基于逻辑回归、支持向量机、k近邻算法和XGBoost构建亚健康预测模型;随后结合五折交叉验证及数据平衡技术对模型性能进行评估与优化,以分析影响因素并预测亚健康状态。结果20375名研究对象中,健康人群2586名(12.7%)、亚健康人群17789名(87.3%)。亚健康人群中,男8581名(48.2%),女9208名(51.8%)。单因素分析结果显示,健康人群与亚健康人群的性别、年龄、受教育程度、婚姻状况、BMI、饮酒情况及HPLP-Ⅱ的52个条目得分比较,差异有统计学意义(P<0.05);两者吸烟情况比较,差异无统计学意义(P>0.05)。特征选择结果显示,BMI和睡眠质量是与亚健康状态密切相关的关键因素。基于XGBoost算法构建的模型表现良好,准确率为0.860,F1分数为0.672。夏普利可加性解释(SHAP)分析结果进一步证实,上述变量在模型中具有较高贡献度,对亚健康状态的预测具有重要影响。结论本研究表明,BMI和睡眠质量是影响亚健康状态的关键因素,这可以为慢性病的有效预防与管理提供科学依据。在全球预测医学、预防医学及个性化医疗快速发展的背景下,亚健康风险的早期预测与精准干预有望实现疾病状态逆转,从而提升公共健康水平。