五个国际队列中老龄人口数字排斥的机器学习分类

Machine learning classification of digital exclusion in ageing populations across five international cohorts

作者信息Shenwei Wan, Cong Fu, Can Lu, Zhiwen Ding, Shiyuan Wang, Lei Zhou, Xiaoguang Lei
PMID42919895
发布时间2026-10
DOI10.1038/s41746-026-03268-z

实验完整度

中

基于五个队列的横断面数据,使用6种分类器进行5折交叉验证和留一队列验证,但无纵向或前瞻性验证。

主要模型

CHARLS队列(中国中老年人) ELSA队列(英国老年人) HRS队列(美国老年人) MHAS队列(墨西哥老年人) SHARE队列(欧洲多国老年人)

重点核对

数字排斥定义:未报告互联网或电子邮件使用,基于调查波次的自报数据 14个候选特征:年龄组、性别、婚姻状况、教育水平、家庭财富四分位、家庭收入四分位、就业状况、吸烟状况、酒精消费、体力活动、自评健康、ADL受限、IADL受限、慢性病计数 模型训练采用分层5折交叉验证,预处理、编码、超参数调优和校准均限于训练折 留一队列验证:每次以一个队列为外部目标,模型拟合于其余四个队列的合并数据 抑郁关联分析:交叉拟合分类评分标准化后,使用逻辑回归调整年龄、性别、教育水平和慢性病计数

摘要

数字排斥可能限制对日益数字化的健康和公共服务的获取,但其跨国结构和模型可移植性仍不确定。我们分析了CHARLS、ELSA、HRS、MHAS和SHARE中71,689名中老年人的协调横断面数据。数字排斥定义为未报告互联网或电子邮件使用,作为基本数字参与的代理指标。梯度提升对同期排斥的判别AUC为0.734–0.850,但逻辑回归表现相似(0.721–0.846;差异0.001–0.013)。在SHARE内,描述性国家水平排斥从丹麦的20.1%到波兰的79.2%不等。留一队列验证显示部分可移植性,平均AUC衰减为0.026。交叉拟合分类评分与同期抑郁相关(合并调整OR 2.23,95% CI 1.83–2.71)。这些发现支持数字排斥的人群水平特征描述,但在无外部验证的情况下不支持前瞻性或个体水平风险预测。

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
数字排斥在五个国际老龄队列中是否具有可分类的横断面结构,分类性能与特征模式是否跨队列可移植?
核心机制
数字排斥呈现共享但异质的社会健康结构,教育、收入、年龄组和财富是反复出现的贡献特征,但特征-结局关系因环境而异,复杂机器学习相比逻辑回归仅带来微小判别增益。
主要证据
71,689名中老年人的协调数据;梯度提升AUC 0.734–0.850,逻辑回归AUC 0.721–0.846;留一队列验证平均AUC衰减0.026;交叉拟合分类评分与同期抑郁相关(合并调整OR 2.23,95% CI 1.83–2.71)。
研究意义
支持数字排斥的人群水平特征描述,可为识别基本数字非参与集中的环境和群体提供参考,但在无前瞻性外部验证的情况下不支持个体水平预测或自动化服务准入决策。

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。

1

队列数据协调与数字排斥定义

在五个国际老龄队列中建立可比的数字排斥测量和分析框架

使用CHARLS、ELSA、HRS、MHAS和SHARE的协调数据,将数字排斥定义为调查波次未报告互联网或电子邮件使用,选取14个可协调的社会人口学、健康行为和健康状态特征

2

队列内横断面分类模型开发与内部验证

评估能否从常规可用的社会健康特征判别同期数字排斥状态,并比较复杂机器学习与逻辑回归的判别增益

在每个队列内部分别开发六种分类器(逻辑回归、随机森林、梯度提升、AdaBoost、XGBoost、LightGBM),使用分层5折交叉验证生成折外概率,计算ROC-AUC、PR-AUC、Brier评分和校准指标

3

特征贡献分析

识别模型分类同期数字排斥所依赖的特征及其跨队列变异

从Ridge逻辑回归提取标准化系数以表征特征贡献,并对梯度提升模型使用SHAP值作为补充解释,总结全局平均绝对SHAP重要性

4

跨队列可移植性验证

评估分类模型和特征模式能否跨队列迁移

实施留一队列验证,使用逻辑回归,每次以一个队列为外部目标,模型拟合于其余四个队列的合并数据,比较外部AUC与内部AUC的差异(可移植性差距),并评估拦截重校准前后的Brier评分

5

分类评分与同期抑郁的关联分析

评估数字排斥分类评分的健康相关性

使用内部5折交叉拟合的分类评分,标准化后以逻辑回归检查其与同期抑郁的关联,调整年龄、性别、教育水平和慢性病计数

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
数字排斥定义与样本纳入
数字排斥定义:未报告互联网或电子邮件使用;纳入标准:属于源队列分析年龄范围且数字排斥状态和全部14个候选特征均有观测数据;各队列样本量:CHARLS 17,969、ELSA 7,916、HRS 16,439、MHAS 15,419、SHARE 13,946
阅读提示:Methods中Study design and data sources、Outcome definition小节;Supplementary Table 6
分类模型开发与内部验证
六种分类器及超参数设置;分层5折交叉验证;预处理、编码、超参数调优和校准限于训练折;未使用合成重采样
阅读提示:Methods中Model development and cross-sectional classification小节;Supplementary Table 7
跨队列可移植性验证
留一队列验证使用逻辑回归;每次以一个队列为外部目标,模型拟合于其余四个队列的合并数据;可移植性差距定义为内部AUC与外部AUC之差;拦截重校准前后Brier评分
阅读提示:Methods中Cross-cohort validation and sensitivity analyses小节;Fig. 5
分类评分与同期抑郁的关联分析
交叉拟合分类评分标准化至均值0、标准差1;逻辑回归调整年龄、性别、教育水平和慢性病计数;抑郁未包含在14个分类特征中;合并随机效应OR及95% CI
阅读提示:Methods中Cross-cohort validation and sensitivity analyses小节;Fig. 6
SHARE内国家水平描述性分析
使用国家可识别的SHARE Wave 7提取数据;国家由SHARE mergeid前缀识别,比利时和瑞士语言区域前缀合并至对应国家;计算未加权描述性百分比;仅用于描述SHARE内异质性,未用于模型拟合、调优、校准或留一队列验证
阅读提示:Methods中Study design and data sources小节;Results中Digital exclusion varies across cohorts and within SHARE小节;Supplementary Table 5