
-
生物通官微
陪你抓住生命科技
跳动的脉搏
具有聚集性心血管风险因素的社区居民的健康行为特征及潜在支持需求:基于社区预防的潜在特征与可解释机器学习分析
《BMC Public Health》:Health behavior profiles and potential support needs among community residents with clustered cardiovascular risk factors: a latent profile and explainable machine learning analysis for community-based prevention
【字体: 大 中 小 】 时间:2026年08月01日 来源:BMC Public Health 4.4
编辑推荐:
摘要背景具有聚集性心血管风险因素的社区居民在健康行为模式上可能存在显著差异,这给基于社区的 cardiovascular预防和健康行为干预带来了挑战。本研究旨在识别具有不同健康行为水平的亚群体,并运用可解释机器学习方法分析与这些亚群体特征相关的因素。方法这项二次分析使用了475名
具有聚集性心血管风险因素的社区居民在健康行为模式上可能存在显著差异,这给基于社区的 cardiovascular预防和健康行为干预带来了挑战。本研究旨在识别具有不同健康行为水平的亚群体,并运用可解释机器学习方法分析与这些亚群体特征相关的因素。
这项二次分析使用了475名具有聚集性心血管风险因素的社区居民的横断面问卷数据。健康行为通过“健康促进生活方式量表II”(HPLP-II)的六个维度进行评估。通过潜在特征分析(LPA)来识别可能反映不同行为支持需求的潜在健康行为特征。样本按照8:2的比例分为训练集和内部验证集。变量选择则采用最小绝对值收缩和选择回归法以及随机森林算法。共建立了五种分类模型并进行比较,最终选定的模型还通过Shapley加性解释法进行了进一步分析。
研究共识别出四种健康行为亚群体:低健康促进行为群体(9.7%)、低至中等健康促进行为群体(45.5%)、中至高健康促进行为群体(34.3%)以及高健康促进行为群体(10.5%)。在内部验证集中,随机森林模型的各项评估指标表现相对均衡,准确率为0.777,Kappa值为0.640,宏观平均精确率为0.852,宏观平均F1值为0.714,曲线下面积为0.892;不过该模型对少数类别的识别仍需进一步验证。SHAP分析表明,健康行为能力、社会支持、自我效能感以及年龄是决定亚群体分类的关键因素。
具有聚集性心血管风险因素的社区居民在健康行为方面存在显著差异。这些研究结果为健康行为的差异性提供了实证依据,有助于制定分层化的健康行为支持策略以及基于社区的cardiovascular预防措施。
具有聚集性心血管风险因素的社区居民在健康行为模式上可能存在显著差异,这给基于社区的 cardiovascular预防和健康行为干预带来了挑战。本研究旨在识别具有不同健康行为水平的亚群体,并运用可解释机器学习方法分析与这些亚群体特征相关的因素。
这项二次分析使用了475名具有聚集性心血管风险因素的社区居民的横断面问卷数据。健康行为通过“健康促进生活方式量表II”(HPLP-II)的六个维度进行评估。通过潜在特征分析(LPA)来识别可能反映不同行为支持需求的潜在健康行为特征。样本按照8:2的比例分为训练集和内部验证集。变量选择则采用最小绝对值收缩和选择回归法以及随机森林算法。共建立了五种分类模型并进行比较,最终选定的模型还通过Shapley加性解释法进行了进一步分析。
研究共识别出四种健康行为亚群体:低健康促进行为群体(9.7%)、低至中等健康促进行为群体(45.5%)、中至高健康促进行为群体(34.3%)以及高健康促进行为群体(10.5%)。在内部验证集中,随机森林模型的各项评估指标表现相对均衡,准确率为0.777,Kappa值为0.640,宏观平均精确率为0.852,宏观平均F1值为0.714,曲线下面积为0.892;不过该模型对少数类别的识别仍需进一步验证。SHAP分析表明,健康行为能力、社会支持、自我效能感以及年龄是决定亚群体分类的关键因素。
具有聚集性心血管风险因素的社区居民在健康行为方面存在显著差异。这些研究结果为健康行为的差异性提供了实证依据,有助于制定分层化的健康行为支持策略以及基于社区的cardiovascular预防措施。