构建纵向队列与风险区间
构建新发无牙症的纵向分析样本，以识别从有牙到全口无牙的转变。
从CHARLS 2011-2018年数据中筛选有牙齿状态信息且后续随访的参与者，构建风险人-时间区间，排除已有无牙症者，最终纳入43,478个风险区间和2251例事件。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
超越年龄：中国老年人新发无牙症的空间与社会不平等
Beyond Ageing: Spatial and Social Inequalities in Incident Edentulism Among Older Chinese Adults
实验完整度
中研究基于大规模纵向队列数据，结合空间自相关、机器学习建模与SHAP解释及多因素回归，证据层级较多，但缺乏体外或动物模型等实验验证。
主要模型
中国健康与养老追踪调查（CHARLS）纵向队列 城市级空间单元
重点核对
新发无牙症的定义：由有牙到全口无牙的转变，基于自我报告 分析单元：风险人-时间区间，排除已有无牙症个体 模型验证：训练集、内部测试集、时间验证集及严格新参与者时间子集 主要预测因素：年龄、教育、户口、BMI、残疾、IADL限制等 统计方法：逻辑回归使用聚类稳健标准误，以人水平聚类
摘要
无牙症是口腔健康恶化的严重终点，也是健康老龄化面临的重大挑战。本研究旨在识别中国中老年人新发无牙症的高危人群、高危区域及城市-年份背景相关因素。方法：分析了2011年至2018年中国健康与养老追踪调查的纵向数据，共纳入43,478个处于风险中的人-时间区间，来自19,590名独特参与者，包含2251例新发无牙症事件。我们整合了空间制图、空间自相关分析、基于机器学习的特征选择与模型比较、基于SHAP的探索性解释以及不平等评估。新发无牙症被分析为区间特异性发病比例。结果：城市层面发病比例范围为0.00%至10.71%，并显示出显著的空间自相关（全局莫兰指数I = 0.137，P = .004）。高发病区域经常与不利的城市-年份背景标志物共存，包括较高的低教育比例、较强的农村居住结构、较高的农业户口比例和较低的家庭消费。XGBoost被保留为主要可解释的基于树的模型，用于SHAP解释（内部测试ROC-AUC = 0.730；时间验证ROC-AUC = 0.694）。SHAP分析确定年龄是模型输出的最大贡献因素（平均|SHAP| = 0.6007）。不平等评估进一步证实，年龄≥70岁的老年人（调整后OR = 4.384，P < .001）、小学及以下教育程度者（OR = 1.684，P < .001）、农业户口者（OR = 1.319，P < .001）、残疾者（OR = 1.181，P = .002）和IADL受限者（OR = 1.131，P = .032）的风险较高。结论：新发无牙症与个体社会经济和功能脆弱性相关，并在中国城市中表现出探索性的空间格局。临床意义：针对脆弱的老年人，特别是那些社会经济或功能处于劣势以及生活在不利或农村化地区的人，需要有针对性的口腔健康预防和保牙策略。关键词：新发无牙症、空间不平等、可解释机器学习、SHAP、XGBoost、中国
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 中国中老年人新发无牙症是否有空间聚集？其个体和城市层面相关因素是什么？
- 核心机制
- 研究发现年龄是主要预测因素，社会经济与功能脆弱性（低教育、农业户口、残疾、IADL限制）和城市层面不利背景（高农村居住比例、低消费）均与风险增加相关，但未揭示具体生物学机制。
- 主要证据
- 基于CHARLS 2011-2018年43,478个风险人-时间区间，经空间自相关分析、XGBoost模型与SHAP解释，显示年龄和教育是重要贡献因素，多因素回归证实年龄≥70岁、低教育、农业户口等与风险增加相关。
- 研究意义
- 研究意义在于为口腔健康干预提供依据，强调需要针对脆弱老人和不利区域采取预防策略。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
描述性统计与基线比较
描述样本基线特征并比较不同数据子集及事件组间的差异。
计算计数和百分比，使用卡方检验或Fisher精确检验比较训练集、内部测试集和时间验证集以及事件组和非事件组的特征分布。
空间制图与空间自相关分析
描述无牙症的空间分布并检验空间聚集性。
将个体数据聚合到省和城市层面，计算患病比例和新发比例，绘制主题图和双变量背景图，计算全局和局部莫兰指数。
机器学习特征选择与模型比较
选择关键预测因素并比较不同机器学习模型的性能。
在训练集内使用组感知递归特征消除进行特征选择，训练多种模型（逻辑回归、SVM、随机森林、Extra Trees、GBDT、AdaBoost、XGBoost、LightGBM），并在内部测试集和时间验证集评估性能。
SHAP解释与重要性分解
解释XGBoost模型的预测，量化各特征的贡献及交互作用。
使用SHAP值计算全局特征重要性，绘制蜂群图和依赖图，分解城市背景特征的主效应和交互效应，并通过自助采样评估排名稳定性。
不平等评估
将模型选中的预测因素转化为可解释的不平等对比组，估计粗和调整后的不平等指标。
根据选中预测因素定义参考组和比较组，计算风险差和风险比，并使用多变量逻辑回归估计调整后的比值比，标准误按人聚类。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据来源 | 使用CHARLS 2011-2018年数据，纳入年龄≥45岁且牙齿状态非缺失者 阅读提示：Methods: Data source and study population |
| 结果定义 | 新发无牙症定义为从有牙到全口无牙的转变，基于自我报告。 阅读提示：Methods: Outcome and candidate predictors |
| 分析单元 | 风险人-时间区间，排除已有无牙症者，事件发生后移出后续风险集。 阅读提示：Methods: Data source and study population |
| 模型验证 | 训练集、内部测试集、时间验证集及严格新参与者时间子集；训练-测试按参与者水平分割。 阅读提示：Methods: Model development and validation |
| 统计方法 | 多变量逻辑回归中标准误按人聚类。 阅读提示：Methods: Adjusted inequality estimates |