基于机器学习揭示生活方式与亚健康之间的关系：一项在中国广东省的横断面研究

doi:10.12114/j.issn.1007-9572.2025.0290

中国全科医学 ›› 2026, Vol. 29 ›› Issue (26): 3829-3837.DOI: 10.12114/j.issn.1007-9572.2025.0290

• 论著·主动健康干预研究 • 上一篇下一篇

基于机器学习揭示生活方式与亚健康之间的关系：一项在中国广东省的横断面研究

刘阳¹^,²^,³, 冯小洁¹^,³^,⁴, 陈洁瑜⁵, 罗仁⁵, 赵晓山⁵, 毕建璐¹^,²^,³^,^*()

1．510095　广东省广州市，广州中医药大学附属第五临床医院
2．510095　广东省广州市，广东省第二中医院内分泌科
3．510095　广东省广州市，广东省中医药研究开发重点实验室
4．510515　广东省广州市，南方医科大学南方医院中医科
5．510095　广东省广州市，广东省第二中医院呼吸科

收稿日期:2025-09-25 修回日期:2026-07-05 出版日期:2026-09-15 发布日期:2026-08-11
通讯作者: 毕建璐
作者贡献：
刘阳负责资料收集、数据整理分析及论文初稿撰写；冯小洁负责文献资料筛选；陈洁瑜、罗仁负责论文修订；赵晓山、毕建璐负责论文选题、构思设计、团队组建、全程质量控制及论文审校。
基金资助:
国家自然科学基金联合基金(U22A20365); 国家自然科学基金资助项目(T2341019); 国家自然科学基金重点项目(81830117); 广州市科技计划项目(2024B03J1343); 广东省中医药局科研项目(20241208); 广东省科技计划项目(2020A1414050029); 广东省医学科学基金资助项目(B2025015)

Revealing the Relationship between Lifestyle and Sub-health Based on Machine Learning: a Cross-sectional Study in Guangdong Province

LIU Yang¹^,²^,³, FENG Xiaojie¹^,³^,⁴, CHEN Jieyu⁵, LUO Ren⁵, ZHAO Xiaoshan⁵, BI Jianlu¹^,²^,³^,^*()

1. The Fifth Clinical College of Guangzhou University of Chinese Medicine, Guangzhou 510095, China
2. Department of Endocrinology, Guangdong Provincial Second Hospital of Traditional Chinese Medicine, Guangzhou 510095, China
3. Guangdong Provincial Key Laboratory of Research and Development in Traditional Chinese Medicine, Guangzhou 510095, China
4. Department of Traditional Chinese Medicine, Nanfang Hospital, Southern Medical University, Guangzhou 510515, China
5. Department of Respiratory, Guangdong Provincial Second Hospital of Traditional Chinese Medicine, Guangzhou 510095, China

Received:2025-09-25 Revised:2026-07-05 Published:2026-09-15 Online:2026-08-11
Contact: BI Jianlu

摘要/Abstract

摘要： 背景亚健康是介于健康与慢性病之间、具有可逆性的亚临床状态，现已受到广泛关注。现有研究证实，各类生活方式因素会显著影响亚健康状态的动态变化。目的本研究旨在采用机器学习方法探讨多种生活方式与亚健康的关联，同时构建亚健康预测模型，以期实现亚健康人群的早识别、早诊断及早干预。方法本研究为横断面调查，开展时间为2017年9月—2024年1月。采用多阶段整群抽样方法，在广东省7个具有代表性的城市中分阶段随机抽取调查点及单位，最终共纳入20 375名单位体检人群。由经过统一培训的调查人员在体检现场使用标准化问卷开展数据收集，包括亚健康评估量表、健康促进生活方式量表Ⅱ（HPLP-Ⅱ）等。采用SPSS 25.0和Python 3.9进行数据处理与分析，首先利用递归特征消除法进行特征筛选，基于逻辑回归、支持向量机、k近邻算法和XGBoost构建亚健康预测模型；随后结合五折交叉验证及数据平衡技术对模型性能进行评估与优化，以分析影响因素并预测亚健康状态。结果 20 375名研究对象中，健康人群2 586名（12.7%）、亚健康人群17 789名（87.3%）。亚健康人群中，男8 581名（48.2%），女9 208名（51.8%）。单因素分析结果显示，健康人群与亚健康人群的性别、年龄、受教育程度、婚姻状况、BMI、饮酒情况及HPLP-Ⅱ的52个条目得分比较，差异有统计学意义（P<0.05）；两者吸烟情况比较，差异无统计学意义（P>0.05）。特征选择结果显示，BMI和睡眠质量是与亚健康状态密切相关的关键因素。基于XGBoost算法构建的模型表现良好，准确率为0.860，F1分数为0.672。夏普利可加性解释（SHAP）分析结果进一步证实，上述变量在模型中具有较高贡献度，对亚健康状态的预测具有重要影响。结论本研究表明，BMI和睡眠质量是影响亚健康状态的关键因素，这可以为慢性病的有效预防与管理提供科学依据。在全球预测医学、预防医学及个性化医疗快速发展的背景下，亚健康风险的早期预测与精准干预有望实现疾病状态逆转，从而提升公共健康水平。

关键词: 亚健康, 生活方式, 健康促进, 预测学习模型, 机器学习, 夏普利可加性解释

Abstract:

Background

Sub-health status, as a subclinical and reversible stage between health and chronic disease, has received widespread attention. Previous studies have indicated that various lifestyle factors significantly influence the dynamic changes of sub-health.

Objective

This study aims to explore the association between diverse lifestyle factors and sub-health status using machine learning methods. In addition, it seeks to develop a predictive model for sub-health to enable early identification, diagnosis, and intervention in sub-health populations.

Methods

This study was a cross-sectional survey conducted from September 2017 to January 2024. A multistage cluster sampling method was employed to randomly select survey sites and units in stages from seven representative cities in Guangdong Province, with a total of 20 375 participants ultimately included. Data were collected on-site during routine health examinations by uniformly trained investigators using standardized questionnaires, including the Sub-health Assessment Scale and the Health-promoting Lifestyle ProfileⅡ (HPLP-Ⅱ). For statistical analysis, SPSS 25.0 and Python 3.9 were used for data processing and analysis. Feature selection was first performed using recursive feature elimination, and sub-health prediction models were then developed based on Logistic regression, support vector machine, k-nearest neighbors, and XGBoost. Subsequently, five-fold cross-validation and data balancing techniques were employed to evaluate and optimize model performance, aiming to identify associated factors and predict sub-health status.

Results

A total of 20 375 participants were included. Among them, 2 586 (12.7%) participants were classified as healthy, and 17 789 (87.3%) were classified as having sub-health status. In the sub-health group, there were 8 581 (48.2%) males and 9 208 (51.8%) females. Univariate analysis showed that there were statistically significant differences between the healthy and sub-health groups in sex, age, educational level, marital status, BMI, alcohol consumption, and the scores of all 52 HPLP-Ⅱ items (P<0.05), whereas no statistically significant difference was observed in smoking status (P>0.05). Feature selection results indicated that BMI and sleep quality were the key factors most closely associated with sub-health status. The model constructed based on the XGBoost algorithm demonstrated good performance, with an accuracy of 0.860 and an F1 score of 0.672. SHAP analysis further confirmed that these variables had high contributions to the model and played an important role in predicting sub-health status.

Conclusion

This study indicates that BMI and sleep quality are key factors associated with suboptimal health status, providing a scientific basis for the prevention and management of chronic diseases. Against the backdrop of rapid advances in predictive, preventive, and personalized medicine, early prediction and precise intervention for suboptimal health may facilitate disease state reversal and ultimately improve population health outcomes.

Key words: Sub-health, Lifestyle, Health promotion, Predictive learning models, Machine learning, SHapley Additive exPlanations

刘阳,冯小洁,陈洁瑜,等. 基于机器学习揭示生活方式与亚健康之间的关系：一项在中国广东省的横断面研究[J]. 中国全科医学, 2026, 29(26): 3829-3837. DOI: 10.12114/j.issn.1007-9572.2025.0290.
LIU Yang,FENG Xiaojie,CHEN Jieyu, et al. Revealing the Relationship between Lifestyle and Sub-health Based on Machine Learning: a Cross-sectional Study in Guangdong Province[J]. Chinese General Practice, 2026, 29(26): 3829-3837. DOI: 10.12114/j.issn.1007-9572.2025.0290.

图/表 7

参考文献 34

[1]	李海峰, 陈晓, 金如锋. 亚健康证候测试量表的编制和信效度分析[J]. 陕西中医, 2007, 28(5): 565-567.
[2]	赵瑞芹, 冯敬. 国内外亚健康问题的研究进展及对比分析[J]. 国外医学情报, 2002(3): 14-17.
[3]	Yan Y X, Dong J, Liu Y Q, et al. Association of suboptimal health status and cardiovascular risk factors in urban Chinese workers[J]. J Urban Health, 2012, 89(2): 329-338.
[4]	杨军韦, 梁杰, 刘敬文, 等. 焦虑障碍、抑郁障碍患者的睡眠质量及与焦虑、抑郁症状的相关性[J]. 神经疾病与精神卫生, 2022, 22(3): 166-171. DOI: 10.3969/j.issn.1009-6574.2022.03.003.
[5]	张桂欣, 许军. 亚健康的测量[J]. 中国全科医学, 2007, 10(11): 923-925.
[6]	Pender N J, Murdaugh C L, Parsons M A. Health promotion in nursing practice[J]. Nursing Standard, 2010, 5(23): 37.
[7]	Chen J Y, Cheng J R, Liu Y Y, et al. Associations between breakfast eating habits and health-promoting lifestyle, suboptimal health status in Southern China: a population based, cross sectional study[J]. J Transl Med, 2014, 12: 348. DOI: 10.1186/s12967-014-0348-1.
[8]	李莉, 吴敏, 龚崇学, 等. 亚健康失眠人群中医体质分布及睡眠质量与心理情绪的相关性研究[J]. 光明中医, 2025, 40(6): 1058-1060. DOI: 10.3969/j.issn.1003-8914.2025.06.005.
[9]	白逸晨, 秦苏杨, 周崇云, 等. 基于机器学习Voting集成算法的慢性咳嗽中医证候诊断模型构建[J]. 中医杂志, 2025, 66(11): 1119-1127. DOI: 10.13288/j.11-2166/r.2025.11.007.
[10]	黄文扬. 基于机器学习的健康体检数据慢性疾病风险预测研究[D]. 成都: 电子科技大学, 2024.
[11]	王济川, 郭志刚. Logistic回归模型——方法与应用[M]. 北京: 高等教育出版社, 2001.
[12]	陈晶. 亚健康自评量表的编制与大学生亚健康中医体质研究[D]. 广州: 南方医科大学, 2009.
[13]	Cao W J, Chen C S, Hua Y, et al. Factor analysis of a health-promoting lifestyle profile (HPLP): Application to older adults in Mainland China[J]. Arch Gerontol Geriatr, 2012, 55(3): 632-638.
[14]	Breiman L. Random forests[J]. Mach Learn, 2001, 45(1): 5-32.
[15]	Guyon I, Weston J, Barnhill S, et al. Gene selection for cancer classification using support vector machines[J]. Mach Learn, 2002, 46(1): 389-422. DOI: 10.1023/A:1012487302797.
[16]	Tibshirani R. Regression shrinkage and selection via the Lasso[J]. J R Stat Soc Ser B Stat Methodol, 1996, 58(1): 267-288.
[17]	Hearst M A, Dumais S T, Osuna E, et al. Support vector machines[J]. IEEE Intell Syst Their Appl, 1998, 13(4): 18-28.
[18]	Cover T, Hart P. Nearest neighbor pattern classification[J]. IEEE Trans Inf Theory, 1967, 13(1): 21-27.
[19]	Chen T Q, Guestrin C. XGBoost: a scalable tree boosting system[C]// Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. San Francisco: ACM, 2016: 785-794.
[20]	地力亚尔·吾斯曼江. 1990-2019年归因于吸烟、饮酒、高BMI的中国食管癌死亡率趋势分析[D]. 乌鲁木齐: 新疆医科大学, 2023.
[21]	李子悦, 方珈文, 林凯程. 1990—2019年中国归因于高体质指数的2型糖尿病疾病负担分析与预测研究[J]. 中国全科医学, 2024, 27(9): 1126-1133, 1148.
[22]	李玟, 木胡牙提. 健康体检人群TyG指数、TyG-BMI与心血管疾病高风险的关系研究[J]. 新疆医科大学学报, 2025, 48(1): 15-22.
[23]	颜丹虹, 甘同舟, 袁空军, 等. 1990—2019年中国高BMI所致的疾病负担分析与预测研究[J]. 中国全科医学, 2025, 28(10): 1200-1206. DOI: 10.12114/j.issn.1007-9572.2023.0903.
[24]	丁康致. 血清肌酐和血红蛋白及BMI与西藏地区藏族中老年居民骨质疏松的相关性及其预测价值分析[J]. 西安交通大学学报(医学版), 2024, 45(6): 1013-1019. DOI: 10.7652/jdyxb202406020.
[25]	Dobner J, Kaser S. Body mass index and the risk of infection - from underweight to obesity[J]. Clin Microbiol Infect, 2018, 24(1): 24-28. DOI: 10.1016/j.cmi.2017.02.013.
[26]	陈彧媛, 李艳. 肥胖有可能是情绪问题[C]//广州市第十三届健康教育与健康促进学术交流活动稿集. 深圳: 广东省中医院, 2022: 142-143.
[27]	Fernandes J, Ferreira-Santos F, Miller K, et al. Emotional processing in obesity: a systematic review and exploratory meta-analysis[J]. Obes Rev, 2018, 19(1): 111-120. DOI: 10.1111/obr.12607.
[28]	苟玉婷, 蒙艺, 邹丽琴. 社会经济地位与肥胖:测量工具、影响效应与作用机制的系统评价[J]. 中国社会医学杂志, 2022, 39(5): 601-606. DOI: 10.3969/j.issn.1673-5625.2022.05.027.
[29]	Tyrrell J, Jones S E, Beaumont R, et al. Height, body mass index, and socioeconomic status: Mendelian randomisation study in UK Biobank[J]. BMJ, 2016, 352: i582. DOI: 10.1136/bmj.i582.
[30]	王权峰, 井乐刚. 睡眠对免疫系统和健康的影响[J]. 生物学教学, 2025, 50(2): 5-8. DOI: 10.3969/j.issn.1004-7549.2025.02.002.
[31]	覃思伟, 任弘. 熬夜对神经-内分泌-免疫调节网络功能的危害及其调节策略[C]//2024年全国运动增强体质与健康学术会议, 2024: 50-52.
[32]	João K A D R, Jesus S N, Carmo C, et al. The impact of sleep quality on the mental health of a non-clinical population[J]. Sleep Med, 2018, 46: 69-73. DOI: 10.1016/j.sleep.2018.02.010.
[33]	Harrison Y, Horne J. Sleep loss impairs short and novel language tasks having a prefrontal focus[J]. J Sleep Res, 1998, 7(2): 95-100.
[34]	孟捷, 孙剑涛, 冯洁, 等. 女性居民感知压力、睡眠质量、社会支持与抑郁症状的关系[J]. 中国健康教育, 2024, 40(9): 798-802.

项目	健康人群（n=2 586）	亚健康人群（n=17 789）	χ²（Z）值	P值
性别[名（%）]			15.742	<0.001
男	1 139（44.0）	8 581（48.2）
女	1 447（56.0）	9 208（51.8）
年龄[M（P₂₅，P₇₅），岁]	29.0（21.0，38.0）	22.0（19.0，33.0）	16.397^a	<0.001
BMI[M（P₂₅，P₇₅），kg/m²]	20.8（18.9，23.0）	20.2（18.7，22.5）	6.817^a	<0.001
受教育程度[名（%）]			29.481	<0.001
高中及以下	194（7.5）	1 813（10.2）
大专	1 045（40.4）	6 413（36.1）
本科及以上	1 347（52.1）	9 563（53.8）
婚姻状况[名（%）]			200.436	<0.001
未婚	1 199（46.4）	10 857（61.0）
已婚	1 387（53.6）	6 932（39.0）
吸烟[名（%）]			1.823	0.177
否	2 185（84.5）	15 213（85.5）
是	401（15.5）	2 576（14.5）
饮酒[名（%）]			15.437	<0.001
否	2 493（96.4）	17 381（97.7）
是	93（3.6）	408（2.3）

项目	健康人群（n=2 586）	亚健康人群（n=17 789）	χ²（Z）值	P值
性别[名（%）]			15.742	<0.001
男	1 139（44.0）	8 581（48.2）
女	1 447（56.0）	9 208（51.8）
年龄[M（P₂₅，P₇₅），岁]	29.0（21.0，38.0）	22.0（19.0，33.0）	16.397^a	<0.001
BMI[M（P₂₅，P₇₅），kg/m²]	20.8（18.9，23.0）	20.2（18.7，22.5）	6.817^a	<0.001
受教育程度[名（%）]			29.481	<0.001
高中及以下	194（7.5）	1 813（10.2）
大专	1 045（40.4）	6 413（36.1）
本科及以上	1 347（52.1）	9 563（53.8）
婚姻状况[名（%）]			200.436	<0.001
未婚	1 199（46.4）	10 857（61.0）
已婚	1 387（53.6）	6 932（39.0）
吸烟[名（%）]			1.823	0.177
否	2 185（84.5）	15 213（85.5）
是	401（15.5）	2 576（14.5）
饮酒[名（%）]			15.437	<0.001
否	2 493（96.4）	17 381（97.7）
是	93（3.6）	408（2.3）

条目	健康人群（n=2 586）				亚健康人群（n=17 789）				χ²值	P值
条目	1分	2分	3分	4分	1分	2分	3分	4分	χ²值	P值
D1_1	389（15.0）	1 781（68.9）	370（14.3）	45（1.7）	1 552（8.7）	11 698（65.8）	3 888（21.9）	649（3.6）	183.641	<0.001
D2_1	343（13.3）	1 608（62.2）	538（20.8）	90（3.5）	654（3.7）	6 178（34.7）	8 238（46.3）	2 690（15.1）	1 435.757	<0.001
D3_1	323（12.5）	1 351（52.2）	710（27.5）	193（7.5）	511（2.9）	4 548（25.6）	8 004（45.0）	4 678（26.3）	1 563.481	<0.001
D4_1	210（8.1）	1 175（45.4）	883（34.1）	314（12.1）	1 024（5.8）	5 700（32.0）	7 205（40.5）	3 815（21.4）	260.118	<0.001
D5_1	247（9.6）	1 057（40.9）	825（31.9）	455（17.6）	644（3.6）	4 280（24.1）	7 013（39.4）	5 829（32.8）	626.797	<0.001
D6_1	246（9.5）	1 504（58.2）	666（25.8）	164（6.3）	511（2.9）	5 238（29.4）	8 614（48.4）	3 390（19.1）	1 294.814	<0.001
D7_1	123（4.8）	1 100（42.5）	1 030（39.8）	330（12.8）	263（1.5）	4 344（24.4）	8 757（49.2）	4 410（24.8）	587.503	<0.001
D8_1	242（9.4）	1 520（58.8）	685（26.5）	134（5.2）	706（4.0）	6 377（35.8）	8 123（45.7）	2 572（14.5）	786.311	<0.001
D9_1	339（13.1）	1 339（51.8）	669（25.9）	235（9.1）	790（4.4）	5 628（31.6）	7 526（42.3）	3 817（21.5）	899.365	<0.001
D10_1	733（28.3）	1 448（56.0）	336（13.0）	66（2.6）	1 769（9.9）	9 419（52.9）	5 123（28.8）	1 465（8.2）	934.318	<0.001
D11_1	451（17.4）	1 474（57.0）	525（20.3）	131（5.1）	2 233（12.6）	9 723（54.7）	4 423（24.9）	1 375（7.7）	84.215	<0.001
D12_1	209（8.1）	1 104（42.7）	883（34.1）	383（14.8）	506（2.8）	3 897（21.9）	7 897（44.4）	5 453（30.7）	827.170	<0.001
D13_1	634（24.5）	1 341（51.9）	500（19.3）	106（4.1）	2 658（14.9）	8 353（47.0）	5 097（28.7）	1 644（9.2）	280.352	<0.001
D14_1	345（13.3）	1 488（57.5）	637（24.6）	113（4.4）	1 118（6.3）	8 418（47.3）	6 517（36.6）	1 724（9.7）	368.746	<0.001
D15_1	375（14.5）	1 613（62.4）	525（20.3）	70（2.7）	929（5.2）	8 796（49.4）	6 411（36.0）	1 614（9.1）	652.065	<0.001
D16_1	701（27.1）	1 377（53.2）	428（16.6）	79（3.1）	4 027（22.6）	9 848（55.4）	2 994（16.8）	898（5.0）	40.052	<0.001
D17_1	945（36.5）	1 269（49.1）	313（12.1）	56（2.2）	4 339（24.4）	9 534（53.6）	3 082（17.3）	818（4.6）	205.400	<0.001
D18_1	690（26.7）	1 425（55.1）	394（15.2）	74（2.9）	3 493（19.6）	10 090（56.7）	3 383（19.0）	803（4.5）	87.390	<0.001
D19_1	835（32.3）	1 183（45.7）	380（14.7）	184（7.1）	3 502（19.7）	7 840（44.1）	3 976（22.4）	2 460（13.8）	310.442	<0.001
D20_1	660（25.5）	1 458（56.4）	383（14.8）	83（3.2）	3 446（19.4）	9 387（52.8）	3 790（21.3）	1 144（6.4）	133.276	<0.001
D21_1	785（30.4）	1 259（48.7）	406（15.7）	132（5.1）	3 330（18.7）	8 710（49.0）	3 928（22.1）	1 800（10.1）	254.562	<0.001
D22_1	908（35.1）	1 303（50.4）	294（11.4）	81（3.1）	3 905（22.0）	9 676（54.4）	2 931（16.5）	1 267（7.1）	263.698	<0.001
D23_1	536（20.7）	1 596（61.7）	380（14.7）	74（2.9）	1 763（9.9）	10 099（56.8）	4 840（27.2）	1 077（6.1）	422.279	<0.001
D24_1	1 197（46.3）	1 118（43.2）	224（8.7）	45（1.7）	7 216（40.6）	8 801（49.5）	1 445（8.1）	305（1.7）	36.775	<0.001
D25_1	1 003（38.8）	1 135（43.9）	346（13.4）	102（3.9）	4 974（28.0）	8 012（45.0）	3 316（18.6）	1 476（8.3）	180.770	<0.001
D26_1	1 778（68.8）	692（26.8）	95（3.7）	18（0.7）	11 722（65.9）	5 531（31.1）	422（2.4）	101（0.6）	32.381	<0.001
D27_1	556（21.5）	1 349（52.2）	518（20.0）	161（6.2）	1 980（11.1）	7 511（42.2）	5 830（32.8）	2 457（13.8）	465.230	<0.001
D28_1	1 315（50.9）	1 066（41.2）	178（6.9）	27（1.0）	8 069（45.4）	8 228（46.3）	1 220（6.9）	257（1.4）	29.893	<0.001
D29_1	1 790（69.2）	633（24.5）	137（5.3）	24（0.9）	12 051（67.7）	4 858（27.3）	695（3.9）	166（0.9）	18.130	<0.001
D30_1	1 544（59.7）	855（33.1）	160（6.2）	19（0.7）	9 427（53.0）	7 063（39.7）	1 042（5.9）	226（1.3）	50.374	<0.001
D31_1	1 321（51.1）	1 001（38.7）	215（8.3）	41（1.6）	7 287（41.0）	7 191（40.4）	2 707（15.2）	540（3.0）	147.995	<0.001
D32_1	781（30.2）	1 296（50.1）	439（17.0）	66（2.6）	3 434（19.3）	7 527（42.3）	5 338（30.0）	1 459（8.2）	392.791	<0.001
D33_1	693（26.8）	1 317（50.9）	464（17.9）	111（4.3）	3 288（18.5）	8 575（48.2）	4 646（26.1）	1 246（7.0）	168.233	<0.001
D34_1	773（29.9）	1 197（46.3）	479（18.5）	133（5.1）	4 786（26.9）	7 534（42.4）	3 979（22.4）	1 440（8.1）	56.227	<0.001
D35_1	814（31.5）	1 229（47.5）	437（16.9）	96（3.7）	4 746（26.7）	7 790（43.8）	3 823（21.5）	1 381（7.8）	100.120	<0.001
D36_1	652（25.2）	1 548（59.9）	330（12.8）	53（2.0）	2 639（14.8）	11 273（63.4）	3 196（18.0）	666（3.7）	208.726	<0.001
D37_1	465（18.0）	1 458（56.4）	567（21.9）	93（3.6）	1 600（9.0）	8 884（49.9）	5 996（33.7）	1 285（7.2）	339.524	<0.001
D38_1	1 012（39.1）	1 315（50.9）	223（8.6）	34（1.3）	4 899（27.5）	10 698（60.1）	1 778（10.0）	382（2.1）	149.524	<0.001
D39_1	444（17.2）	1 520（58.8）	537（20.8）	84（3.2）	2 018（11.3）	9 758（54.9）	4 933（27.7）	1 043（5.9）	138.212	<0.001
D40_1	850（32.9）	1 224（47.3）	388（15.0）	120（4.6）	4 657（26.2）	8 118（45.6）	3 682（20.7）	1 296（7.3）	98.150	<0.001
D41_1	140（5.4）	735（28.4）	795（30.7）	916（35.4）	523（2.9）	2 897（16.3）	5 553（31.2）	8 816（49.6）	323.669	<0.001
D42_1	321（12.4）	1 582（61.2）	567（21.9）	112（4.3）	587（3.3）	6 726（37.8）	8 451（47.5）	2 007（11.3）	1 162.244	<0.001
D43_1	195（7.5）	1 258（48.6）	921（35.6）	211（8.2）	602（3.4）	5 954（33.5）	8 663（48.7）	2 542（14.3）	391.249	<0.001
D44_1	341（13.2）	1 543（59.7）	585（22.6）	115（4.4）	675（3.8）	7 503（42.2）	7 207（40.5）	2 381（13.4）	890.817	<0.001
D45_1	215（8.3）	1 474（57.0）	778（30.1）	114（4.4）	507（2.9）	5 441（30.6）	9 170（51.5）	2 639（14.8）	1 049.130	<0.001
D46_1	206（8.0）	1 658（64.1）	589（22.8）	126（4.9）	431（2.4）	7 248（40.7）	7 849（44.1）	2 237（12.6）	868.813	<0.001
D47_1	497（19.2）	1 607（62.1）	422（16.3）	53（2.0）	2 064（11.6）	10 196（57.3）	4 649（26.1）	825（4.6）	235.702	<0.001
D48_1	229（8.9）	1 466（56.7）	722（27.9）	163（6.3）	729（4.1）	7 459（41.9）	7 091（39.9）	2 472（13.9）	405.642	<0.001
D49_1	374（14.5）	1 629（63.0）	503（19.5）	78（3.0）	874（4.9）	7 642（43.0）	7 481（42.1）	1 770（9.9）	949.008	<0.001
D50_1	486（18.8）	1 363（52.7）	565（21.8）	169（6.5）	1 588（8.9）	7 723（43.4）	6 187（34.8）	2 277（12.8）	447.518	<0.001
D51_1	291（11.3）	1 537（59.4）	633（24.5）	120（4.6）	672（3.8）	6 731（37.8）	7 761（43.6）	2 594（14.6）	895.102	<0.001
D52_1	255（9.9）	1 553（60.1）	664（25.7）	111（4.3）	944（5.3）	7 214（40.6）	7 406（41.6）	2 209（12.4）	555.267	<0.001

条目	健康人群（n=2 586）				亚健康人群（n=17 789）				χ²值	P值
条目	1分	2分	3分	4分	1分	2分	3分	4分	χ²值	P值
D1_1	389（15.0）	1 781（68.9）	370（14.3）	45（1.7）	1 552（8.7）	11 698（65.8）	3 888（21.9）	649（3.6）	183.641	<0.001
D2_1	343（13.3）	1 608（62.2）	538（20.8）	90（3.5）	654（3.7）	6 178（34.7）	8 238（46.3）	2 690（15.1）	1 435.757	<0.001
D3_1	323（12.5）	1 351（52.2）	710（27.5）	193（7.5）	511（2.9）	4 548（25.6）	8 004（45.0）	4 678（26.3）	1 563.481	<0.001
D4_1	210（8.1）	1 175（45.4）	883（34.1）	314（12.1）	1 024（5.8）	5 700（32.0）	7 205（40.5）	3 815（21.4）	260.118	<0.001
D5_1	247（9.6）	1 057（40.9）	825（31.9）	455（17.6）	644（3.6）	4 280（24.1）	7 013（39.4）	5 829（32.8）	626.797	<0.001
D6_1	246（9.5）	1 504（58.2）	666（25.8）	164（6.3）	511（2.9）	5 238（29.4）	8 614（48.4）	3 390（19.1）	1 294.814	<0.001
D7_1	123（4.8）	1 100（42.5）	1 030（39.8）	330（12.8）	263（1.5）	4 344（24.4）	8 757（49.2）	4 410（24.8）	587.503	<0.001
D8_1	242（9.4）	1 520（58.8）	685（26.5）	134（5.2）	706（4.0）	6 377（35.8）	8 123（45.7）	2 572（14.5）	786.311	<0.001
D9_1	339（13.1）	1 339（51.8）	669（25.9）	235（9.1）	790（4.4）	5 628（31.6）	7 526（42.3）	3 817（21.5）	899.365	<0.001
D10_1	733（28.3）	1 448（56.0）	336（13.0）	66（2.6）	1 769（9.9）	9 419（52.9）	5 123（28.8）	1 465（8.2）	934.318	<0.001
D11_1	451（17.4）	1 474（57.0）	525（20.3）	131（5.1）	2 233（12.6）	9 723（54.7）	4 423（24.9）	1 375（7.7）	84.215	<0.001
D12_1	209（8.1）	1 104（42.7）	883（34.1）	383（14.8）	506（2.8）	3 897（21.9）	7 897（44.4）	5 453（30.7）	827.170	<0.001
D13_1	634（24.5）	1 341（51.9）	500（19.3）	106（4.1）	2 658（14.9）	8 353（47.0）	5 097（28.7）	1 644（9.2）	280.352	<0.001
D14_1	345（13.3）	1 488（57.5）	637（24.6）	113（4.4）	1 118（6.3）	8 418（47.3）	6 517（36.6）	1 724（9.7）	368.746	<0.001
D15_1	375（14.5）	1 613（62.4）	525（20.3）	70（2.7）	929（5.2）	8 796（49.4）	6 411（36.0）	1 614（9.1）	652.065	<0.001
D16_1	701（27.1）	1 377（53.2）	428（16.6）	79（3.1）	4 027（22.6）	9 848（55.4）	2 994（16.8）	898（5.0）	40.052	<0.001
D17_1	945（36.5）	1 269（49.1）	313（12.1）	56（2.2）	4 339（24.4）	9 534（53.6）	3 082（17.3）	818（4.6）	205.400	<0.001
D18_1	690（26.7）	1 425（55.1）	394（15.2）	74（2.9）	3 493（19.6）	10 090（56.7）	3 383（19.0）	803（4.5）	87.390	<0.001
D19_1	835（32.3）	1 183（45.7）	380（14.7）	184（7.1）	3 502（19.7）	7 840（44.1）	3 976（22.4）	2 460（13.8）	310.442	<0.001
D20_1	660（25.5）	1 458（56.4）	383（14.8）	83（3.2）	3 446（19.4）	9 387（52.8）	3 790（21.3）	1 144（6.4）	133.276	<0.001
D21_1	785（30.4）	1 259（48.7）	406（15.7）	132（5.1）	3 330（18.7）	8 710（49.0）	3 928（22.1）	1 800（10.1）	254.562	<0.001
D22_1	908（35.1）	1 303（50.4）	294（11.4）	81（3.1）	3 905（22.0）	9 676（54.4）	2 931（16.5）	1 267（7.1）	263.698	<0.001
D23_1	536（20.7）	1 596（61.7）	380（14.7）	74（2.9）	1 763（9.9）	10 099（56.8）	4 840（27.2）	1 077（6.1）	422.279	<0.001
D24_1	1 197（46.3）	1 118（43.2）	224（8.7）	45（1.7）	7 216（40.6）	8 801（49.5）	1 445（8.1）	305（1.7）	36.775	<0.001
D25_1	1 003（38.8）	1 135（43.9）	346（13.4）	102（3.9）	4 974（28.0）	8 012（45.0）	3 316（18.6）	1 476（8.3）	180.770	<0.001
D26_1	1 778（68.8）	692（26.8）	95（3.7）	18（0.7）	11 722（65.9）	5 531（31.1）	422（2.4）	101（0.6）	32.381	<0.001
D27_1	556（21.5）	1 349（52.2）	518（20.0）	161（6.2）	1 980（11.1）	7 511（42.2）	5 830（32.8）	2 457（13.8）	465.230	<0.001
D28_1	1 315（50.9）	1 066（41.2）	178（6.9）	27（1.0）	8 069（45.4）	8 228（46.3）	1 220（6.9）	257（1.4）	29.893	<0.001
D29_1	1 790（69.2）	633（24.5）	137（5.3）	24（0.9）	12 051（67.7）	4 858（27.3）	695（3.9）	166（0.9）	18.130	<0.001
D30_1	1 544（59.7）	855（33.1）	160（6.2）	19（0.7）	9 427（53.0）	7 063（39.7）	1 042（5.9）	226（1.3）	50.374	<0.001
D31_1	1 321（51.1）	1 001（38.7）	215（8.3）	41（1.6）	7 287（41.0）	7 191（40.4）	2 707（15.2）	540（3.0）	147.995	<0.001
D32_1	781（30.2）	1 296（50.1）	439（17.0）	66（2.6）	3 434（19.3）	7 527（42.3）	5 338（30.0）	1 459（8.2）	392.791	<0.001
D33_1	693（26.8）	1 317（50.9）	464（17.9）	111（4.3）	3 288（18.5）	8 575（48.2）	4 646（26.1）	1 246（7.0）	168.233	<0.001
D34_1	773（29.9）	1 197（46.3）	479（18.5）	133（5.1）	4 786（26.9）	7 534（42.4）	3 979（22.4）	1 440（8.1）	56.227	<0.001
D35_1	814（31.5）	1 229（47.5）	437（16.9）	96（3.7）	4 746（26.7）	7 790（43.8）	3 823（21.5）	1 381（7.8）	100.120	<0.001
D36_1	652（25.2）	1 548（59.9）	330（12.8）	53（2.0）	2 639（14.8）	11 273（63.4）	3 196（18.0）	666（3.7）	208.726	<0.001
D37_1	465（18.0）	1 458（56.4）	567（21.9）	93（3.6）	1 600（9.0）	8 884（49.9）	5 996（33.7）	1 285（7.2）	339.524	<0.001
D38_1	1 012（39.1）	1 315（50.9）	223（8.6）	34（1.3）	4 899（27.5）	10 698（60.1）	1 778（10.0）	382（2.1）	149.524	<0.001
D39_1	444（17.2）	1 520（58.8）	537（20.8）	84（3.2）	2 018（11.3）	9 758（54.9）	4 933（27.7）	1 043（5.9）	138.212	<0.001
D40_1	850（32.9）	1 224（47.3）	388（15.0）	120（4.6）	4 657（26.2）	8 118（45.6）	3 682（20.7）	1 296（7.3）	98.150	<0.001
D41_1	140（5.4）	735（28.4）	795（30.7）	916（35.4）	523（2.9）	2 897（16.3）	5 553（31.2）	8 816（49.6）	323.669	<0.001
D42_1	321（12.4）	1 582（61.2）	567（21.9）	112（4.3）	587（3.3）	6 726（37.8）	8 451（47.5）	2 007（11.3）	1 162.244	<0.001
D43_1	195（7.5）	1 258（48.6）	921（35.6）	211（8.2）	602（3.4）	5 954（33.5）	8 663（48.7）	2 542（14.3）	391.249	<0.001
D44_1	341（13.2）	1 543（59.7）	585（22.6）	115（4.4）	675（3.8）	7 503（42.2）	7 207（40.5）	2 381（13.4）	890.817	<0.001
D45_1	215（8.3）	1 474（57.0）	778（30.1）	114（4.4）	507（2.9）	5 441（30.6）	9 170（51.5）	2 639（14.8）	1 049.130	<0.001
D46_1	206（8.0）	1 658（64.1）	589（22.8）	126（4.9）	431（2.4）	7 248（40.7）	7 849（44.1）	2 237（12.6）	868.813	<0.001
D47_1	497（19.2）	1 607（62.1）	422（16.3）	53（2.0）	2 064（11.6）	10 196（57.3）	4 649（26.1）	825（4.6）	235.702	<0.001
D48_1	229（8.9）	1 466（56.7）	722（27.9）	163（6.3）	729（4.1）	7 459（41.9）	7 091（39.9）	2 472（13.9）	405.642	<0.001
D49_1	374（14.5）	1 629（63.0）	503（19.5）	78（3.0）	874（4.9）	7 642（43.0）	7 481（42.1）	1 770（9.9）	949.008	<0.001
D50_1	486（18.8）	1 363（52.7）	565（21.8）	169（6.5）	1 588（8.9）	7 723（43.4）	6 187（34.8）	2 277（12.8）	447.518	<0.001
D51_1	291（11.3）	1 537（59.4）	633（24.5）	120（4.6）	672（3.8）	6 731（37.8）	7 761（43.6）	2 594（14.6）	895.102	<0.001
D52_1	255（9.9）	1 553（60.1）	664（25.7）	111（4.3）	944（5.3）	7 214（40.6）	7 406（41.6）	2 209（12.4）	555.267	<0.001

基本特征编码	评分
BMI	0.093 4
D42_1"充足睡眠"	0.081 0
D2_1"我觉得自己正在以积极的方式成长和改变"	0.058 3
年龄	0.043 4
D10_1"觉得每天都是有趣有挑战的"	0.032 7
D13_1"感到自己与一些比自己更强大的力量联系在一起"	0.020 8
D11_1"想办法满足自己的隐私需求"	0.020 0
D31_1"进行身体锻炼时达到预期的心率"	0.019 5
D35_1"每天吃面包、谷类食物、米或面"	0.019 1
D22_1"在业余时间参加（娱乐性的）体力活动"	0.018 9

基于机器学习揭示生活方式与亚健康之间的关系：一项在中国广东省的横断面研究

Revealing the Relationship between Lifestyle and Sub-health Based on Machine Learning: a Cross-sectional Study in Guangdong Province

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 34

相关文章 15

编辑推荐

Metrics

留言

模型	准确性	F1分数	灵敏度	特异度	AUC
逻辑回归	0.752	0.665	0.743	0.740	0.761
支持向量机	0.752	0.665	0.750	0.625	0.745
k近邻算法	0.726	0.619	0.735	0.625	0.748
XGBoost	0.860	0.672	0.810	0.823	0.813

[1]	袁越, 王思雪, 袁项青, 周纯祎, 熊丽莎, 张艾琳, 方雪莲, 王云翠. 中医健康行为量表的研制及信效度检验[J]. 中国全科医学, 2026, 29(26): 3865-3872.
[2]	昝子晴, 刘丽珠, 李梦宇, 张思琪, 刘璐, 尤莉莉. 基于经典测量理论和Rasch模型分析的初中生运动健康素养评价工具研究[J]. 中国全科医学, 2026, 29(24): 3519-3527.
[3]	曹艺馨, 李永智, 魏灵茜, 周岩, 高菲, 于琦. 传统计算方法和机器学习在癌症药物重定位中的应用现状研究[J]. 中国全科医学, 2026, 29(22): 3226-3232.
[4]	李戈, 周迎生, 田向阳, 高莹. 《ACLM临床实践指南：成人2型糖尿病及糖尿病前期治疗与缓解的生活方式干预指南》解读[J]. 中国全科医学, 2026, 29(22): 3086-3093.
[5]	陈佳丽, 张静静, 王和霞, 唐笑睿, 吴钰洁, 雷阳, 林征. 糖尿病前期人群慢性病资源利用的潜在剖面分析及其对健康促进行为的影响研究[J]. 中国全科医学, 2026, 29(16): 2244-2251.
[6]	中国营养学会肥胖防控分会. 中国肥胖行为与生活方式干预指南[J]. 中国全科医学, 2026, 29(16): 2113-2139.
[7]	陈章, 邱珊娇, 李安春, 何智光, 黄文静. 澳大利亚全科医生学会《全科医学的预防活动指南》解读与讨论：工作人群身体活动健康促进与全科实践[J]. 中国全科医学, 2026, 29(13): 1645-1648.
[8]	葛奥淇, 高欣怡, 李佳威, 李娟娟, 袁蓓蓓. 基层医务人员慢性病健康行为管理能力的培训干预及其效果：系统综述及Meta分析[J]. 中国全科医学, 2026, 29(09): 1109-1120.
[9]	留典淳, 王芊云, 陈晓莹, 韦雪寒, 王润泽, 彭红叶, 王莹, 薛雪, 杨国彦, 肖炜, 鲁春丽. 整合生活方式医学与中医学特色慢性病管理的医学干预模式构建与展望[J]. 中国全科医学, 2026, 29(07): 830-838.
[10]	清华大学健康中国研究院, 北京大学公共卫生学院, 南方科技大学全科医学院, 公共安全科学技术学会公共卫生安全与健康专业委员会. 中国成人疫苗接种健康促进策略专家共识[J]. 中国全科医学, 2026, 29(06): 681-687.
[11]	冯展鹏, 谭思洁, 郭振, 曹立全. 24 h活动行为对青少年代谢综合征的成分等时替代效益研究[J]. 中国全科医学, 2026, 29(03): 325-330.
[12]	李丽清, 万嘉雯, 曾传美, 林慧英. "卫生健康现代化"视角下江西省医防融合的重大慢性病管理模式及实施路径研究[J]. 中国全科医学, 2026, 29(03): 340-347.
[13]	韩笑, 李奇遇, 葛蒲, 范思园, 刘迪玥, 吴一波, 张清霜. 高血压患者行为生活方式对生命质量的影响研究[J]. 中国全科医学, 2025, 28(26): 3248-3258.
[14]	向心月, 张冰青, 欧阳煜钦, 汤文娟, 冯文焕. 短期内科门诊减重对肥胖患者动脉粥样硬化性心血管疾病风险的影响研究[J]. 中国全科医学, 2025, 28(26): 3229-3239.
[15]	熊鑫, 李洋, 石峰, 杨连, 段维, 陈蓓, 李勇, 赵林伟, 付泉水, 范小萍, 杨国庆. 基于人工智能的胸腰椎骨密度测定系统及其校准研究[J]. 中国全科医学, 2025, 28(19): 2398-2406.