基金項目"上海中醫(yī)藥大學“杏林學者-護理青年”人才計劃項目，編號：HLXL07

作者簡介"張毓，主管護師，碩士研究生

* 通訊作者"周旭，E-mail：372501531@qq.com

引用信息"張毓，周旭，陳丹，等.機器學習在老年健康管理中的應用范圍綜述［J］.循證護理，2025，11（1）：49-60.

摘要""目的：對機器學習在老年健康管理中的應用進行范圍綜述，為機器學習在該領域的研究提供指導。方法：以喬安娜布里格斯研究所范圍綜述指南為方法學框架，檢索PubMed、EMbase、Web of Science、Scopus、中國知網(wǎng)、萬方數(shù)據(jù)庫和中國生物醫(yī)學文獻數(shù)據(jù)庫中機器學習在老年健康管理領域中應用的相關(guān)研究，檢索時限為建庫至2023年1月16日。對納入文獻進行數(shù)據(jù)提取及匯總分析。結(jié)果：納入27篇文獻，涉及的主題包括健康風險評估、健康監(jiān)測、健康費用管理等。算法類型包括決策樹算法（DT）、樸素貝葉斯算法（NBM）、支持向量機算法（SVM）、神經(jīng)網(wǎng)絡算法（NN）、K?Means算法（KM）、強化學習（RL）等機器學習算法。結(jié)論：機器學習對老年健康管理中的健康監(jiān)測、風險預警有效，未來研究可繼續(xù)關(guān)注機器學習在老年健康領域?qū)嵺`轉(zhuǎn)化與實踐效果、數(shù)字安全與倫理等問題。

關(guān)鍵詞""機器學習；人工智能；老年；健康管理；護理；范圍綜述

doi：10.12102/j.issn.2095?8668.2025.01.009

健康管理是以預防和控制疾病的發(fā)生、發(fā)展，減少醫(yī)療費用，提高生活質(zhì)量為目的，通過對健康、亞健康和各種慢性病人群提供健康管理服務（對個體或群體的健康進行全面評估、監(jiān)測、分析，提供健康咨詢和指導），將健康成本前移，從而控制健康風險，提升健康水平［1］。目前，我國正加速進入深度老齡化階段，老年人健康管理順應人口快速老齡化需要，為積極老齡化提供新思路。除了傳統(tǒng)的環(huán)境適老化改造外，人工智能技術(shù)也為老年健康服務突破實踐困境帶來了契機。人工智能是由人類根據(jù)經(jīng)驗知識編寫規(guī)則，由計算機系統(tǒng)去完成智力任務的領域，而機器學習（machine learning，ML）和深度學習（deep learning，DL）是實現(xiàn)這一目標的具體方法［2］。機器學習建立在先進的統(tǒng)計、計算和概率技術(shù)上，構(gòu)建自動從數(shù)據(jù)集學習的系統(tǒng)，并需要有限的（監(jiān)督的）或不需要（無監(jiān)督的）人工輸入來產(chǎn)生準確的預測和見解［3］。目前，機器學習已被應用于各種健康服務過程，如疾病檢測和診斷、健康評估和監(jiān)測、治療結(jié)果的預后和預警，改善健康研究和臨床人力管理。此外，移動和可穿戴傳感器技術(shù)、人工智能監(jiān)測系統(tǒng)和遠程醫(yī)療服務也在健康服務領域取得了進步［4］。本范圍綜述旨在審查國內(nèi)外機器學習在老年人健康評估和健康監(jiān)測中的應用，提出機器學習在老年健康管理領域的問題與挑戰(zhàn)，以期為健康老齡化下“人工智能+養(yǎng)老”提供科學參考。

1 資料與方法

以喬安娜布里格斯研究所（Joanna Briggs Institute，JBI）范圍綜述指南為方法學框架［5］，根據(jù)范圍綜述的系統(tǒng)綜述和薈萃分析優(yōu)先報告的條目（PRISMA for Scoping Reviews，PRISMA?ScR）指南進行報告［6］。

1.1 確定研究問題

依據(jù)研究對象（participants，P）、概念（concept，C）及情境（context，C）確定范圍審查中要解決的總體目標，探討機器學習技術(shù)如何應用于老年人健康管理領域。具體問題包括：1）機器學習被應用于老年人健康管理的哪些方面？2）機器學習在健康服務運用過程中常見的算法類型有哪些？3）目前機器學習在老年健康管理領域面臨哪些機遇與挑戰(zhàn)？

1.2 文獻檢索策略

計算機檢索PubMed、Web of Science、the Cochrane Library、Scopus、EMbase、中國知網(wǎng)、萬方數(shù)據(jù)庫、維普數(shù)據(jù)庫和中國生物醫(yī)學文獻數(shù)據(jù)庫，檢索時限為建庫至2023年1月16日。以PubMed為例，采用主題詞和自由詞結(jié)合進行檢索，英文檢索式為：\"machine learning\"［Title/Abstract］）"OR \"deep learning\"［Title/Abstract］"OR \"neural network\"［Title/Abstract］"OR \"machine learning\"［MeSH Terms］）"AND （（\"aged\"［Title/Abstract］"OR \"elderly\"［Title/Abstract］"OR \"older adult\"［Title/Abstract］"OR \"aged\"［MeSH Terms］"OR \"frail elderly\"［MeSH Terms］）AND （（\"nursing\"［Title/Abstract］"OR \"care\"［Title/Abstract］"OR \"health\"［Title/Abstract］"OR \"delivery of health care\"［MeSH Terms］"OR \"health services administration\"［MeSH Terms］）"。以中國知網(wǎng)為例，中文檢索式為：（TI=“機器學習”"OR TI=“深度學習”"OR TI=“神經(jīng)網(wǎng)絡”）"AND （"TI=“老年”"OR TI=“老齡”"OR TI=“老年人”"OR TI=“老齡化”）"AND （TI=“護理”"OR TI=“健康”"OR TI=“保健”）。

1.3 文獻納入與排除標準

納入標準：1）研究類型包括質(zhì)性研究、量性研究、混合性研究等；2）研究對象為老年人群；3）概念涉及機器學習、深度學習、人工神經(jīng)網(wǎng)絡在老年人健康管理中的應用；4）情境為老年人健康管理服務。排除標準：1）研究對象為年齡lt;65歲成年人群，或者明確為非老年人群；2）單純介紹機器學習的方法學研究；3）情境為老年住院病人的健康維護，疾病的檢測和診斷，治療結(jié)果的預后；4）文獻類型為綜述、會議摘要、指南等；5）無法獲取全文的文獻。

1.4 文獻篩選

將檢索到的文獻導入EndNote X9整理并去除重復文獻。由2名具有循證醫(yī)學背景的研究者根據(jù)納入和排除標準通過閱讀標題和摘要進行初篩，之后閱讀納入文獻全文進行復篩。篩選過程中如有疑問或分歧，與第3名研究者（具有機器學習研究背景）討論，最終確定納入文獻。

1.5 數(shù)據(jù)提取與分析

提取的信息包括作者、國家、主題類型、數(shù)據(jù)集、樣本量、算法模型、輸入特征、應用場景、應用效果、機器學習的作用，并進行匯總分析。

2 結(jié)果

2.1 文獻篩選結(jié)果

初步檢索共獲得相關(guān)文獻4 798篇，剔除重復文獻后剩余3 991篇。通過閱讀標題、摘要進行初篩，排除3 873篇；通過閱讀全文對118篇文獻進行復篩，排除機器學習方法學驗證、比較29篇，研究對象不符8篇，文獻類型不符15篇，無法獲得全文14篇，主題不符25篇，最終納入文獻27篇［7?33］，本研究僅納入中文與英文文獻。

2.2 納入文獻主題分析

本研究收錄的文獻發(fā)表時間為2018—2023年，涉及的主題包括健康風險評估、健康監(jiān)測、健康費用管理等。納入文獻包括9項中國研究、5項美國研究、6項韓國研究及澳大利亞、意大利、越南、西班牙、日本、巴西、伊朗各1項研究，詳見表1。

2.2.1 涉及的機器學習算法類型及數(shù)據(jù)分析

在老年健康監(jiān)測中，基于傳感器數(shù)據(jù)的行動追蹤和各種體征監(jiān)測可以使用監(jiān)督學習算法，如決策樹算法（decision tree，DT）、支持向量機算法（support vector machine，SVM）、Boosting提升方法、神經(jīng)網(wǎng)絡算法（neural networks，NN）等，預測老年人的健康狀況。日常活動量的監(jiān)測可以使用聚類算法或分類算法，如樸素貝葉斯算法（naive bayes model，NBM）、DT、隨機森林（random forest，RF）等。通過機器學習有助于提取重要特征，能夠提高預測效率，對應的文獻中分別使用了DT、RF等算法。在健康風險評估方面，基于個體特征信息的健康風險評估可以使用分類算法，如NBM、邏輯回歸（logistic regressing，LR）等，來評估老年人患某種疾病的風險。同時，基于臨床指標和生活方式等因素的評估可以使用回歸算法，如線性回歸、SVM等。需要注意的是，在具體應用中，機器學習的選擇和參數(shù)調(diào)節(jié)需要根據(jù)具體應用場景和數(shù)據(jù)特點進行綜合考慮和優(yōu)化。詳見表2 。

2.2.2 應用范圍

納入的文獻中，主要研究場景為社區(qū)、養(yǎng)老中心、家庭，未納入醫(yī)院場景的相關(guān)文獻，大部分屬于零級、一級預防范疇。由于機器學習在數(shù)據(jù)挖掘及處理中的優(yōu)勢，常用于健康風險評估中。包括跌倒預測［9，16，18，22，28，33］、健康風險預測［11，27］、健康風險評估［14?15，29］、自殺風險預測［23?24］、CVD風險預測［13，25］。另外，機器學習可揭示復雜非線性關(guān)系，也被用于健康大數(shù)據(jù)分析，進行老年人健康監(jiān)測。如通過機器學習分析我國老年人營養(yǎng)與健康狀況數(shù)據(jù)等各類復雜變量之間的關(guān)系［10］；構(gòu)建個人健康指數(shù)模型，實現(xiàn)個人心臟健康動態(tài)評估［13］；通過可穿戴設備對老年人日?；顒拥莫毩⑿院妥灾餍赃M行測評［21］及活動監(jiān)測［12，20］。從中國大樣本縱向研究中探索老年人積極老齡化的決定因素［30］。最后，機器學習在多數(shù)據(jù)來源分析中也表現(xiàn)出較高的性能。如在低價值護理與癌癥病人自費關(guān)聯(lián)研究中，通過分析多個來源數(shù)據(jù)庫，發(fā)現(xiàn)超額自付費用是由低價值護理、護理碎片化和基礎慢性病組成［8］。

2.2.3 應用效果

機器學習相較傳統(tǒng)的算法具有自動化、泛化性、可解釋性等優(yōu)勢，應用效果顯著。機器學習可以自動地從老年人的健康監(jiān)控傳感器數(shù)據(jù)及健康指標中學習模式和規(guī)律，并利用這些模式和規(guī)律進行身體狀態(tài)的預測和決策。這使得機器學習具有更高的自動化和效率，能夠處理更高維度的數(shù)據(jù)集和復雜的監(jiān)測及預測任務［7?8］。另外，機器學習可以從訓練數(shù)據(jù)中學習一般化的模式和規(guī)律，這些模式往往需要具備相當經(jīng)驗的醫(yī)生或護理人員才能識別，機器學習將這些模式和規(guī)律應用于新的數(shù)據(jù)上進行預測和決策。這使得機器學習具有更好的泛化能力，能夠適應新的場景和數(shù)據(jù)集。如在老年人跌倒預測領域，作用顯著［16，22，28，33］。最后，一些機器學習（如DT［17，23?24，26］）可以生成可解釋的模型，使得用戶可以理解模型背后的推理和決策過程，對每個輸入特征在算法中的影響也都會有直觀的感受。

3 討論

3.1 老年人健康風險預測

基于機器學習的大數(shù)據(jù)分析能夠準確、經(jīng)濟地進行老年人健康風險評估。及時預測和識別導致老年人群意外死亡和受傷的高危因素，便于從個人、家庭、社區(qū)、社會層面實施預防性措施，降低老年人受傷或死亡的風險。

3.1.1 跌倒風險預測

跌倒風險預測在老年人健康風險評估中得到的關(guān)注度最高，并且已被證實能夠針對不同特點老年人群構(gòu)建學習模型。目前，非可穿戴系統(tǒng)和可穿戴設備均可應用于跌倒檢測和預防。其中，慣性測量單元（Inertial Measurement Unit，IMU）是跌倒檢測和預防最常用的可穿戴設備［34］。它的傳感器可以連接到身體的任何部位，敏感地測量步態(tài)或跌倒，增強了可穿戴傳感器作為社區(qū)居住環(huán)境中動態(tài)跌倒風險識別工具的潛力［16］。非可穿戴系統(tǒng)價格昂貴且可擴展性較差［34］，此類系統(tǒng)大多限制在某些特定環(huán)境下，如臥室和客廳等。此外，將EHR相關(guān)數(shù)據(jù)整合到跌倒風險預測模型中，被證實可產(chǎn)生更準確的跌倒風險監(jiān)測［28］。相較于傳統(tǒng)以量表的形式進行跌倒評估，機器學習能夠精準地挖掘非線性關(guān)系，指導綜合性跌倒預防干預而非單個因素的風險干預。

3.1.2 衰弱早期識別

衰弱與老年人不良健康結(jié)局風險的增加密切相關(guān)，表現(xiàn)為機體抵抗應激能力減退、易損性增加。對衰弱狀態(tài)早期識別、預警及干預尤為重要［35］。機器學習有助于納入有針對性的健康評估以識別老年人衰弱前的因素。機器學習模型發(fā)現(xiàn)較高的BMI和較低的肌肉質(zhì)量、較差的握力和平衡、較高的痛苦程度、較差的睡眠質(zhì)量，呼吸急促、尿失禁與衰弱前期有關(guān)［27］，與以往研究結(jié)果一致［36］。機器學習在預測衰弱前期方面，F(xiàn)ried衰弱表型量表（FFP）和"臨床虛弱量表（CFS）的受試者工作特征曲線下面積（AUC）分別為"0.817 和"0.722。通過機器學習特征選擇，F(xiàn)FP 的性能提高了7.4%，CFS 的性能提高了7.9%［27］。但是針對不同緊急事件，需要選擇合適的機器學習來改進衰弱早期識別和預測［11］。ANN和SVM的死亡率預測結(jié)果顯示出更高的性能，在死亡率、緊急住院、殘疾、骨折和緊急入院這幾個問題中，DT分類器的精度最低；其他模型（GP、LR、RF、ANN和SVM）表現(xiàn)更好。所有模型都顯示，預測緊急入院事件的準確性低于預測骨折和殘疾的準確性。在預測緊急住院方面，只有"SVM表現(xiàn)出更好的性能。因此，機器學習也可以作為開發(fā)決策支持工具的基礎。

3.1.3 心理健康風險預測

應用機器學習預測模型有助于開展心理健康風險預測。一方面，心理健康問題診斷人為性、主觀性強，機器學習可以充分利用數(shù)據(jù)特征進行挖掘；另一方面，通過機器學習綜合利用眾多變量來提高預測能力的性能［23?24］。堆疊集成模型在泛化和魯棒性方面優(yōu)于單一預測模型。在一項關(guān)于韓國老年人焦慮癥預測中，SVM + RF + LGBM + AdaBoost +極致梯度提升法（XGBoost）堆疊集成模型，具有比單個預測模型更高的準確性、精度、召回率和"F1 分數(shù)。研究發(fā)現(xiàn)，家庭因素（如家庭關(guān)系和家庭支持或照顧引起的不良心理狀態(tài)）對韓國老年人焦慮影響更高［14］。機器學習不僅可以用于社區(qū)老年人心理健康風險預測，也可以用于篩查易患抑郁癥的農(nóng)村和城市殘疾老年人［29］。

3.1.4 CVD風險預測

機器學習在預測CVD病人的死亡率、住院以及再次入院等方面準確性較高。因此，運用機器學習能夠早期發(fā)現(xiàn)病人的風險因素，早期給予干預，從而達到降低病人不良預后發(fā)生率及提升生活質(zhì)量的目的。在過去的20年中，已經(jīng)開發(fā)了360多個CVD風險預測模型［37?38］，代表性的有美國心臟病學會/美國心臟協(xié)會（ACC/AHA）推薦的匯集隊列風險方程（PCE）模型，可預測穩(wěn)定型冠心病（CHD）預后的模型（ABC?CHD）模型，CVD PORT模型（Purpose 、Goal、Result、Task，管理模型），Q心血管風險預測模型（QRISK）等。隨著更多數(shù)學模型在風險預測中的應用，CVD預測模型也得到了改進。Yang等［25］CVD風險預測顯示，RF較多元回歸模型的基準有明顯改進，優(yōu)于其他機器學習模型。此外，RF可以處理某些數(shù)據(jù)丟失的問題，并且可以在分類時給出每個特征變量的重要分數(shù)，從而篩選出在分類中起重要作用的變量。在CVD風險模型實踐轉(zhuǎn)化中，許崇云［13］通過建立個人心臟健康指數(shù)模型，借助機器學習構(gòu)建多層感知器模型進行心臟健康分析，從而對心臟健康動態(tài)評估，設計并實現(xiàn)了心臟健康評估系統(tǒng)，驗證了相關(guān)體征數(shù)據(jù)和心臟健康風險評估。

3.2 老年人健康監(jiān)測與管理

為了應對老齡化帶來的各種社會問題，特別是老齡化對護理及社會服務市場的沖擊，世界衛(wèi)生組織倡導通過新技術(shù)（智能環(huán)境、社交機器人、機器學習等）為老年人提供友好的城市生態(tài)系統(tǒng)［40］。基于機器學習的助老系統(tǒng)在改善老年人生活質(zhì)量和適老化護理服務中具有巨大的潛力。

3.2.1 活動監(jiān)測與行為識別

基于大數(shù)據(jù)和機器學習開發(fā)的用于監(jiān)控老年人活動的傳感器和智能設備，可對老年人日?；顒踊虍惓；顒蛹靶袨檫M行識別和預測?？纱┐髟O備和機器學習的使用有助于創(chuàng)建一個整體和半生態(tài)模型，通過將傳感器嵌入到腕帶、智能衣服、智能手機或智能手表、臂帶或胸帶中，在不干擾老年人日?；顒拥那闆r下收集老年人的生理體征、姿勢、步態(tài)和運動、社交互動或日?；顒樱?9］。非可穿戴傳感器主要通過物聯(lián)網(wǎng)環(huán)境中壓力、聲學、視頻等傳感器對老年人活動進行監(jiān)測。利用收集到的活動監(jiān)測數(shù)據(jù)，識別和評估老年人行為正常/異常情況。如認知障礙早期識別［40］、阿爾茨海默病激越行為［41］、癡呆癥行為和心理癥狀［42］以及藥物依從性行為［43］。除此之外，結(jié)合文本識別數(shù)據(jù)，使用重復測量的機器學習模型在老年人活動監(jiān)測方面也具有良好的表現(xiàn)［12］。

3.2.2 營養(yǎng)評估

機器學習預測模型可以通過分析流行病學或大型臨床研究數(shù)據(jù)，總體把握人群中營養(yǎng)風險。在中國老年人維生素D分類模型中［10］，利用RF和集成學習方法，分析老年人營養(yǎng)與健康狀況監(jiān)測數(shù)據(jù)（膳食調(diào)查數(shù)據(jù)、人群信息、身體活動情況、社會經(jīng)濟因素等各類復雜變量之間的關(guān)系），為結(jié)合數(shù)據(jù)和專業(yè)領域知識驅(qū)動提供思路和借鑒。除了利用大數(shù)據(jù)分析、云計算、機器學習掌握人群通用值提供健康營養(yǎng)建議外，捕捉營養(yǎng)生物效應的個體化性質(zhì)，滿足個性化需求，提供精準營養(yǎng)服務，也是未來的發(fā)展方向［44］。

3.2.3 健康費用管理

機器學習在預測與控制醫(yī)療保健成本中具有研究前景。在一項利用機器學習模型預測患癌老年人低價值護理和超額自付費用關(guān)系的研究中，發(fā)現(xiàn)接受低價值護理的個體自付費用更高［8］。低價值護理是指提供對病人臨床益處不明確或沒有臨床益處的醫(yī)療保健服務、醫(yī)學檢查和程序［8］，會給病人本人、家庭、政府和社會帶來巨大的經(jīng)濟負擔。采用機器學習識別超額成本負擔的主要預測因子，可從個人層面降低慢性病和癌癥病人的經(jīng)濟毒性，醫(yī)療層面減少低價值護理，政府和社會層面減輕財政負擔，有效控制醫(yī)療成本。此外，機器學習能通過挖掘高度個性化的病人信息，幫助醫(yī)護人員了解病人護理軌跡并有效指導出院準備服務，縮短住院時間，提高成本效益［46］。

4 現(xiàn)存的問題及展望

4.1 實踐轉(zhuǎn)化率較低

目前，機器學習在老年健康管理領域中主要應用于風險早期識別與預測，已被證實能充分挖掘更深層次的隱含規(guī)律，捕獲與處理變量之間多層次、交互的非線性關(guān)系，對高風險因素進行綜合干預與早期預測，能有效減少不良事件發(fā)生。但仍有一些問題需要解決。首先，在一些研究中缺乏外部驗證。機器學習在某種程度上可以被視為內(nèi)部驗證，當前諸多模型聚焦于算法的驗證和優(yōu)化，并非實用性考量。其次，在機器學習驗證及操作過程中的實際操作的可行性也是容易被忽略的問題［45］。再次，對于預測模型，尚沒有完善的可靠性和臨床可用性評估工具［25］。最后，極少研究會收集有關(guān)受試者對風險預測模型的態(tài)度及醫(yī)學專業(yè)人士對機器學習風險評估的建議，以完善數(shù)據(jù)模型。因此，研究人員應該致力于提高機器學習的解釋性，讓用戶更好地理解算法的結(jié)果。同時需要建立標準的數(shù)據(jù)庫以及算法模型，提高算法以及整套工具使用的擴展性，降低操作難度。另外，通過與老年護理機構(gòu)、養(yǎng)老護理院、醫(yī)院等相關(guān)機構(gòu)合作，了解醫(yī)護人員的需求和建議，不斷完善和優(yōu)化機器學習算法。

4.2 數(shù)據(jù)質(zhì)量受多種因素影響

良好的數(shù)據(jù)集應該具有泛化性，其質(zhì)量直接影響機器學習模型的性能。目前，數(shù)據(jù)集主要來源于自主收集的數(shù)據(jù)和公共數(shù)據(jù)集。自主收集的數(shù)據(jù)集一般樣本量較小，容易造成過擬合，影響算法的擴展性和泛化性；而公共數(shù)據(jù)集樣本量較大，訓練數(shù)據(jù)和實際應用場景往往是跨文化、種族，造成算法的精度下降［13］。除此之外，數(shù)據(jù)集類型也會影響到預測結(jié)果。如基于EHR 的數(shù)據(jù)集，類似于幸存者偏差的問題，造成沒有受傷的跌倒不上報而存在漏報［9］。自我報告的數(shù)據(jù)可能會受到回憶偏差和社會期望的影響，從而影響數(shù)據(jù)準確性［18］。另外，數(shù)據(jù)收集的實驗性環(huán)境還會缺乏生態(tài)有效性驗證。因此，如何在算法過程中排除生態(tài)性不同造成的結(jié)果干擾也是需要考慮的因素。

4.3 數(shù)字安全有待增強

人工智能的廣泛應用在為老年群體提供諸多便利，享受數(shù)字紅利的同時，所面臨的數(shù)字安全問題也進一步凸顯。特別是基于物聯(lián)網(wǎng)的智能家居、智慧病房的使用，易將涉及個人人身安全與財產(chǎn)安全的數(shù)據(jù)泄露。因此，基于生物識別令牌的物聯(lián)網(wǎng)和信息安全可以作為未來技術(shù)的發(fā)展方向，以確保老年人的隱私和安全。此外，人工智能技術(shù)的廣泛應用還可能會影響維系社會群體情感、推動社會發(fā)展的價值觀念改變，如獨居老人的子女贍養(yǎng)問題［47］。所以，需強化相關(guān)法律風險和道德風險的規(guī)制，明確利益相關(guān)方權(quán)、責、利的界限。最后，重視老年人心理感受，增強情感關(guān)懷，強調(diào)技術(shù)治理的精神情感回歸［48］。

4.4 提高醫(yī)療從業(yè)者信息素養(yǎng)，加強人機協(xié)同

AI技術(shù)與社會發(fā)展的深度融合下，各種智能設備如智能傳感器、智能穿戴設備、智能家居設備、智能服務機器人等在老年健康管理領域得到廣泛應用，以技術(shù)手段為積極老齡化提供保障，幫助老年人實現(xiàn)自我增能與自我發(fā)展［47］。而基于機器學習的多種應用對使用者的信息素養(yǎng)有較高的要求。一方面，需要加強老年健康維護者，如醫(yī)護人員、養(yǎng)老機構(gòu)從業(yè)者、老年社會工作者等信息素養(yǎng)的培訓，鼓勵醫(yī)學信息人才加入老年健康管理隊伍；另一方面，從算法角度出發(fā)，機器學習算法開發(fā)與應用中需要與醫(yī)護人員協(xié)同，建立機器學習算法和人類專業(yè)知識相結(jié)合的易于操作和推廣的智能醫(yī)療系統(tǒng)。

4.5 探索大數(shù)據(jù)背景下個性化需求解決路徑

精準醫(yī)學與精準護理是未來醫(yī)學發(fā)展的方向，而機器學習通過大數(shù)據(jù)挖掘，可準確提取各類人群的需求與標簽，針對各人群進行個性化推薦、精準服務等多樣化健康服務。未來的研究可將機器學習與老年人的特定需求及其生活環(huán)境相匹配，滿足同類人群乃至個體精準需求。不僅可以在一級、二級預防進行更具針對性的臨床前數(shù)據(jù)處理、床邊診斷協(xié)助、病人分層、臨床決策和風險預警，也可在零級預防階段開發(fā)與應用，提高個體健康質(zhì)量。

5 小結(jié)

本研究結(jié)果表明，機器學習在健康促進方面具有重要作用，與同類型研究結(jié)果一致［49］。未涉及機器學習算法方法學討論，納入研究大多數(shù)停留在可用性研究階段，具體實施及推廣效果尚待進一步研究。未來研究可繼續(xù)關(guān)注機器學習在老年健康領域?qū)嵺`轉(zhuǎn)化與實踐效果、數(shù)字安全與倫理等問題。

參考文獻：

［1］ 向運華，王曉慧.人工智能時代老年健康管理的重塑與聚合［J］.武漢大學學報（哲學社會科學版），2020，73（2）：101-112.

［2］ CHOI R Y，COYNER A S，KALPATHY-CRAMER J，et al. Introduction to machine learning，neural networks，and deep learning［J］.Translational Vision Science amp; Technology，2020，9（2）：14.

［3］ SHATTE A B R，HUTCHINSON D M，TEAGUE S J. Machine learning in mental health：a scoping review of methods and applications［J］.Psychological Medicine，2019，49（9）：1426-1448.

［4］ SAPCI A H，SAPCI H A. Innovative assisted living tools，remote monitoring technologies，artificial intelligence-driven solutions，and robotic systems for aging societies：systematic review［J］.JMIR Aging，2019，2（2）：e15429.

［5］ LOCKWOOD C，DOS SANTOS K B，PAP R. Practical guidance for knowledge synthesis：scoping review methods［J］.Asian Nurs Res，2019，13（5）：287-294.

［6］ TRICCO A C，LILLIE E，ZARIN W，et al. PRISMA extension for scoping reviews（PRISMA-ScR）：checklist and explanation［J］.Annals of Internal Medicine，2018，169（7）：467-473.

［7］ YOON S，CHOI T，ODLUM M，et al. Machine learning to identify behavioral determinants of oral health in inner city older his panic adults［J］.Studies in Health Technology and Informatics，2018，251：253-256.

［8］ ILOABUCHI C，DWIBEDI N，LEMASTERS T，et al. Low-value care and excess out-of-pocket expenditure among older adults with incident cancer--a machine learning approach［J］.Journal of Cancer Policy，2021，30：100312.

［9］ YE C Y，LI J M，HAO S Y，et al. Identification of elders at higher risk for fall with statewide electronic health records and a machine learning algorithm［J］.International Journal of Medical Informatics，2020，137：104105.

［10］ 許曉青，張堅，趙文華.應用機器學習構(gòu)建中國老年人維生素D分類模型［J］.中華預防醫(yī)學雜志，2021，55（12）：1475-1481.

［11］ TAREKEGN A，RICCERI F，COSTA G，et al. Predictive modeling for frailty conditions in elderly people：machine learning approaches［J］.JMIR Medical Informatics，2020，8（6）：e16678.

［12］ SPEISER J L，CALLAHAN K E，IP E H，et al. Predicting future mobility limitation in older adults ：a machine learning analysis of health ABC study data［J］.The Journals of Gerontology Series A，Biological Sciences and Medical Sciences，2022，77（5）：1072-1078.

［13］ 許崇云.基于深度學習的老年人心臟健康分析與評估方法研究［D］.哈爾濱：哈爾濱工業(yè)大學，2020.

［14］ BYEON H. Exploring factors for predicting anxiety disorders of the elderly living alone in South Korea using interpretable machine learning：a population-based study［J］.International Journal of Environmental Research and Public Health，2021，18（14）：7625.

［15］ SU D，ZHANG X Y，HE K，et al. Use of machine learning approach to predict depression in the elderly in China：a longitudinal study［J］.Journal of Affective Disorders，2021，282：289-298.

［16］ LOCKHART T E，SOANGRA R，YOON H，et al. Prediction of fall risk among community-dwelling older adults using a wearable system［J］.Scientific Reports，2021，11（1）：20976.

［17］ WU X，PARK S.An inverse relation between hyperglycemia and skeletal muscle mass predicted by using a machine learning approach in middle-aged and older adults in large cohorts［J］.J Clin Med，2021，10（10）：2133.

［18］ YANG R M，PLASEK J M，CUMMINS M R，et al. Predicting falls among community-dwelling older adults：a demonstration of applied machine learning［J］.Computers，Informatics，Nursing，2021，39（5）：273-280.

［19］ BUI H M，HA M H，PHAM H G，et al.Predicting the risk of osteoporosis in older Vietnamese women using machine learning approaches［J］.Sci Rep，2022，12（1）：20160.

［20］ DO NASCIMENTO C F，BATISTA A F M，DUARTE YAO，et al. Early identification of older individuals at risk of mobility decline with machine learning［J］.Archives of Gerontology and Geriatrics，2022，100：104625.

［21］ GARCIA-MORENO F M，BERMUDEZ-EDO M，RODRíGUEZ-GARCíA E，et al. A machine learning approach for semi-automatic assessment of IADL dependence in older adults with wearable sensors［J］.International Journal of Medical Informatics，2022，157：104625.

［22］ IKEDA T，COORAY U，HARIYAMA M，et al. An interpretable machine learning approach to predict fall risk among community-dwelling older adults：a three-year longitudinal study［J］.Journal of General Internal Medicine，2022，37（11）：2727-2735.

［23］ KIM J，GWAK D，KIM S，et al. Identifying the suicidal ideation risk group among older adults in rural areas：developing a predictive model using machine learning methods［J］.Journal of Advanced Nursing，2023，79（2）：641-651.

［24］ NA K S，GEEM Z W，CHO S E. The development of a suicidal ideation predictive model for community-dwelling elderly agedgt;55 years［J］.Neuropsychiatr Dis Treat，2022，18：163-172.

［25］ YANG L，WU H B，JIN X Q，et al. Study of cardiovascular disease prediction model based on random forest in eastern China［J］.Scientific Reports，2020，10（1）：5245.

［26］ RYU S I，LEE Y，JUN S，et al.A pilot study of machine learning-based algorithms to assist integrated care for older community-dwelling adults［J］.Comput Inform Nurs，2022，40（10）：718-724.

［27］ SAJEEV S，CHAMPION S，MAEDER A，et al.Machine learning models for identifying pre-frailty in community dwelling older adults［J］.BMC Geriatr，2022，22（1）：794.

［28］ THAPA R，GARIKIPATI A，SHOKOUHI S，et al.Predicting falls in long-term care facilities：machine learning study［J］.JMIR Aging，2022，5（2）：e35373.

［29］ XIN Y，REN X H. Predicting depression among rural and urban disabled elderly in China using a random forest classifier［J］.BMC Psychiatry，2022，22（1）：118.

［30］ YU J，HUANG W X，KAHANA E. Investigating factors of active aging among Chinese older adults：a machine learning approach［J］.The Gerontologist，2022，62（3）：332-341.

［31］ LIN S W，WU Y F，HE L X，et al.Prediction of depressive symptoms onset and long-term trajectories in home-based older adults using machine learning techniques［J］.Aging amp; Mental Health，2023，27（1）：8-17.

［32］ NA K S.Prediction of future cognitive impairment among the community elderly：a machine-learning based approach［J］.Sci Rep，2019，9（1）：3335.

［33］ RAZMARA J，ZABOLI M H，HASSANKHANI H. Elderly fall risk prediction based on a physiological profile approach using artificial neural networks［J］.Health Informatics Journal，2018，24（4）：410-418.

［34］ USMANI S，SABOOR A，HARIS M，et al.Latest research trends in fall detection and prevention using machine learning：a systematic review［J］.Sensors，2021，21（15）：5134.

［35］ 秦源，呂苗華，郝曉楠，等.社區(qū)老年人衰弱風險預測模型的研究進展［J］.護理研究，2022，36（20）：3674-3677.

［36］ YUAN Y，LIN S Y，LIN W W，et al.Modifiable predictive factors and all-cause mortality in the non-hospitalized elderly population：an umbrella review of Meta-analyses［J］.Experimental Gerontology，2022，163：111792.

［37］ DAMEN J A，HOOFT L，SCHUIT E，et al.Prediction models for cardiovascular disease risk in the general population：systematic review［J］.BMJ，2016，353：i2416.

［38］ GUO Z T，TANG J Y，HAN H Y，et al. Cardiovascular disease risk prediction models in the Chinese population--a systematic review and Meta-analysis［J］.BMC Public Health，2022，22（1）：1608.

［39］ ANGHEL I，CIOARA T，MOLDOVAN D，et al. Smart environments and social robots for age-friendly integrated care services［J］.International Journal of Environmental Research and Public Health，2020，17（11）：3801.

［40］ ZHANG Q，LI J，BIAN M，et al.Retinal imaging techniques based on machine learning models in recognition and prediction of mild cognitive impairment［J］.Neuropsychiatr Dis Treat，2021，17：3267-3281.

［41］ GOERSS D，HEIN A，BADER S，et al.Automated sensor-based detection of challenging behaviors in advanced stages of dementia in nursing homes［J］.Alzheimer′s amp; Dementia，2020，16（4）：672-680.

［42］ AHAMED F，SHAHRESTANI S，CHEUNG H.Internet of Things and machine learning for healthy ageing：identifying the early signs of dementia［J］.Sensors，2020，20（21）：6031.

［43］ AUSTIN J，KLEIN K，MATTEK N，et al. Variability in medication taking is associated with cognitive performance in nondemented older adults［J］.Alzheimer's amp; Dementia，2017，6（1）：210-213.

［44］ KIRK D，CATAL C，TEKINERDOGAN B. Precision nutrition：a systematic literature review［J］.Computers in Biology and Medicine，2021，133：104365.

［45］ WANG Y，LIU J，WANG W，et al. Lifetime risk for cardiovascular disease in a Chinese population：the Chinese multi-provincial cohort study［J］.European Journal of Preventive Cardiology，2015，22（3）：380-388.

［46］ 胡歡婷，洪思思，賈盈盈，等.機器學習在患者出院準備服務中的應用進展［J］.中華護理雜志，2024，59（3）：378-384.

［47］ 潘旦.正向老齡化理論下老年社會工作智能化發(fā)展研究［J］.華東理工大學學報（社會科學版），2020，35（5）：64-73.

［48］ 謝瑜，謝熠.大數(shù)據(jù)時代技術(shù)治理的情感缺位與回歸［J］.自然辯證法研究，2022，38（1）：124-128.

［49］ GOH Y S，YONG J Q Y O，CHEE B Q H，et al. Machine learning in health promotion and behavioral change：scoping review［J］.Journal of Medical Internet Research，2022，24（6）：e35831.

（收稿日期：2024-03-27；修回日期：2024-10-10）

（本文編輯"張建華）