یادگیری ماشین توان محدودی در شناسایی آمادگی جسمانی پایین در تبت دارد

مطالعه‌ای مقطعی روی ۵۷۵۰ بزرگسال ۲۰ تا ۶۹ ساله در سه منطقه مرتفع تبت نشان داد که مدل‌های یادگیری ماشین با قابلیت تفسیر می‌توانند افراد دارای آمادگی جسمانی پایین را با دقتی متوسط شناسایی کنند. در میان مدل‌های بررسی‌شده، جنگل تصادفی (Random Forest) بهترین عملکرد کلی را در داده‌های آزمون کنارگذاشته‌شده داشت و مساحت زیر منحنی مشخصه عملکرد گیرنده (AUROC) آن به ۰٫۶۶۴ رسید؛ فاصله اطمینان ۹۵ درصد این مقدار ۰٫۶۴۹ تا ۰٫۶۸۱ بود. پژوهشگران اعلام کردند که این مدل‌ها ممکن است در مناطقی که انجام آزمون‌های مستقیم دشوار است، به اولویت‌بندی افراد برای ارزیابی کامل‌تر آمادگی جسمانی کمک کنند؛ بااین‌حال، باید مکمل آزمون‌های مستقیم باشند، نه جایگزین آن‌ها، و پیش از استفاده به اعتبارسنجی مستقل در داده‌های بیرونی نیاز دارند.

این تحلیل بر داده‌های برنامه ملی پایش آمادگی جسمانی تبت متکی بود. شرکت‌کنندگان از سه منطقه انتخاب شدند: نینگچی در ارتفاع ۳۱۰۰ متری، لهاسا در ارتفاع ۳۶۵۸ متری و ناچو در ارتفاع ۴۵۰۰ متری. از میان ۶۱۶۰ فرد نمونه‌گیری‌شده، اطلاعات ۵۷۵۰ نفر وارد تحلیل شد. آمادگی جسمانی پایین بر اساس آستانه‌های تعیین‌شده برای گروه‌های سنی در استاندارد ملی آمادگی جسمانی چین تعریف شد: امتیاز کمتر از ۲۳ برای افراد ۲۰ تا ۳۹ ساله، کمتر از ۱۸ برای گروه سنی ۴۰ تا ۵۹ سال و کمتر از ۱۵ برای افراد ۶۰ تا ۶۹ سال. در مجموع، ۲۰۴۶ نفر، معادل ۳۵٫۶ درصد شرکت‌کنندگان، در این دسته قرار گرفتند. این نسبت در مناطق مختلف تفاوت چشمگیری داشت؛ از ۲۷٫۶ درصد در لهاسا تا ۴۶٫۹ درصد در نینگچی. این یافته نشان داد که شیوع آمادگی جسمانی پایین در هر سه منطقه یکسان نیست.

برای جلوگیری از نشت اطلاعات مربوط به پیامد مورد بررسی به مدل، پژوهشگران از پیش مجموعه‌ای از متغیرهای پیش‌بینی‌کننده را تعیین کردند که پیش از اجرای آزمون‌های عملکردی امتیازدهی‌شده قابل جمع‌آوری بودند. این متغیرها شامل ویژگی‌های جمعیت‌شناختی، رفتارهای ورزشی، شاخص‌های چربی و اندازه بدن و اندازه‌گیری‌های همودینامیک در حالت استراحت بودند. پژوهشگران عملکرد سه روش رگرسیون لجستیک، جنگل تصادفی و XGBoost را با استفاده از اعتبارسنجی متقابل داخلی ـ خارجی بر اساس محل سکونت مقایسه کردند. در این روش، هر بار داده‌های یک شهر برای ارزیابی کنار گذاشته می‌شد و مدل با داده‌های دو شهر دیگر آموزش می‌دید.

سپس پیش‌بینی‌های تجمیع‌شده برای داده‌های کنارگذاشته‌شده از نظر قدرت تفکیک، عملکرد منحنی دقت ـ فراخوانی، کالیبراسیون، عملکرد طبقه‌بندی در آستانه‌های مرتبط با کاربرد بالینی و عملکرد بر اساس منحنی تصمیم ارزیابی شدند. فاصله‌های اطمینان ۹۵ درصد نیز با بازنمونه‌گیری بوت‌استرپ محاسبه شد. جنگل تصادفی با مقدار AUROC برابر با ۰٫۶۶۴ بهترین برآورد نقطه‌ای از قدرت تفکیک کلی را به دست آورد. پس از آن، XGBoost با مقدار ۰٫۶۵۲ و فاصله اطمینان ۹۵ درصد بین ۰٫۶۳۷ تا ۰٫۶۶۷ قرار گرفت و رگرسیون لجستیک با مقدار ۰٫۶۴۶ و فاصله اطمینان ۹۵ درصد بین ۰٫۶۳۱ تا ۰٫۶۶۱ در رتبه بعدی بود. اختلاف عملکرد مدل‌ها اندک بود.

مساحت زیر منحنی دقت ـ فراخوانی برای مدل جنگل تصادفی ۰٫۵۶۰ بود و فاصله اطمینان ۹۵ درصد آن بین ۰٫۵۳۷ تا ۰٫۵۸۳ قرار داشت. امتیاز بریر این مدل نیز ۰٫۲۱۲ بود، با فاصله اطمینان ۹۵ درصد بین ۰٫۲۰۸ تا ۰٫۲۱۶. مدل XGBoost در این شاخص اندکی بهتر عمل کرد و امتیاز بریر پایین‌تری به دست آورد. کالیبراسیون مدل جنگل تصادفی در حد متوسط بود؛ عرض از مبدأ آن ۰٫۲۶- و شیب آن ۰٫۸۶ گزارش شد.

عملکرد مدل‌ها با تغییر آستانه مورد استفاده برای طبقه‌بندی شرکت‌کنندگان تغییر می‌کرد. در آستانه‌ای که با شیوع مشاهده‌شده تطبیق داده شده بود، حساسیت مدل جنگل تصادفی ۰٫۷۱ و ویژگی آن ۰٫۴۸ بود. کاهش آستانه ثابت به ۰٫۳۰، حساسیت را به ۰٫۸۱ افزایش داد، اما ویژگی را به ۰٫۳۳ کاهش داد. این نتایج نشان می‌دهد که کاربرد اصلی ابزار، غربالگری است: مدل می‌تواند افراد بیشتری را برای ارزیابی‌های تکمیلی شناسایی کند، اما در عین حال، شمار افرادی را که به‌اشتباه دارای آمادگی جسمانی پایین تشخیص داده می‌شوند نیز افزایش می‌دهد.

نتایج در تحلیل افرادی که داده‌های کامل داشتند، در تحلیل مبتنی بر جایگذاری چندگانه داده‌های گمشده و در تحلیل‌هایی که از مجموعه محدودتری از متغیرهای پیش‌بینی‌کننده استفاده می‌کردند، پایدار ماند. در روش جایگذاری چندگانه، مقدار AUROC مدل جنگل تصادفی ۰٫۶۶۷ بود. در مقابل، مدلی که اطلاعات مربوط به اندازه‌گیری‌های پیکرسنجی را حذف می‌کرد، عملکرد بسیار ضعیف‌تری داشت و مقدار AUROC آن به ۰٫۵۵ رسید. این تفاوت بر نقش اطلاعات مربوط به اندازه بدن و چربی در پیش‌بینی‌های مدل تأکید می‌کند.

تحلیل قابلیت تفسیر مدل نشان داد که شاخص توده بدنی (BMI)، سطح تحصیلات، قد، جنسیت، ضخامت چین پوستی بازو، شهری یا روستایی بودن محل سکونت، شدت فعالیت ورزشی، نسبت دور کمر به قد و فشار خون سیستولیک از مهم‌ترین عوامل مؤثر بر پیش‌بینی‌ها بودند. رتبه‌بندی ۱۲ متغیر اصلی با نتایج اهمیت متغیرها بر اساس جایگشت در مدل جنگل تصادفی همخوانی قابل‌توجهی داشت؛ ضریب همبستگی اسپیرمن بین دو رتبه‌بندی ۰٫۷۸ بود.

نویسندگان هشدار دادند که اهمیت بالای متغیرهای مرتبط با اندازه بدن تا حدی به ساختار استاندارد ملی آمادگی جسمانی چین مربوط می‌شود؛ زیرا بخش پیکرسنجی در امتیازدهی این استاندارد، خود یکی از مؤلفه‌های تعریف آمادگی جسمانی پایین است. در مجموع، اعتبارسنجی جداگانه بر اساس محل مطالعه نشان داد که مدل‌ها قابلیت انتقال محدودی، اما غیرقابل‌چشم‌پوشی، میان سه منطقه مورد بررسی در تبت دارند.

از آنجا که پژوهش مقطعی بود و فقط جمعیت بزرگسال مناطق مورد بررسی را در بر می‌گرفت، نتایج آن به شناسایی وضعیت موجود آمادگی جسمانی محدود می‌شود. این مطالعه تغییرات آمادگی جسمانی در طول زمان، پیامدهای آینده یا این موضوع را ارزیابی نکرد که آیا مداخلات مبتنی بر نتایج غربالگری می‌توانند سلامت افراد را بهبود دهند یا خیر.

موضوع پژوهش: غربالگری آمادگی جسمانی پایین با استفاده از یادگیری ماشین در میان بزرگسالان ساکن سه منطقه مرتفع تبت

عنوان مقاله پژوهشی: یادگیری ماشین تفسیرپذیر برای شناسایی آمادگی جسمانی پایین در بزرگسالان در سه منطقه مرتفع تبت: یک مطالعه مقطعی

منبع مقاله پژوهشی: Chen, T., Zhao, X., Sun, R., Bian, B., & Liang, W. (2026). Interpretable machine learning for identifying poor physical fitness in adults across three high-altitude regions of Tibet: a cross-sectional study. BMC Public Health. https://doi.org/10.1186/s12889-026-29461-z

اعتبارسنجی دیجیتال مقاله (DOI): 10.1186/s12889-026-29461-z

کلیدواژه‌ها: یادگیری ماشین، آمادگی جسمانی، سلامت در ارتفاعات، تبت، جنگل تصادفی، XGBoost، مطالعه مقطعی، غربالگری، چربی بدن، تفسیرپذیری مدل

منبع خبر: ترزا اودوم، ۲۶ اکتبر ۲۰۲۶، «یادگیری ماشین توان محدودی در شناسایی آمادگی جسمانی پایین در تبت دارد»، Scienmag.