19 Novembre 2026

Psicologia Punto One | Psicologia e Psicologi nel Web

Menu

Menu

SCHEDA SCIENTIFICA2026Altra ricerca

Predizione mediante machine learning della salute percepita in adulti con differenti livelli di partecipazione all'esercizio fisico

Titolo originaleMachine learning prediction of self-rated health among adults under different physical exercise participation statuses.

Fan R, Zhang X, Shen J, Sun F

Frontiers in public health · 2026

PER COMPRENDERE LO STUDIO

Sintesi in italiano

Lo studio ha come obiettivo la previsione della salute percepita (self-rated health, SRH) in adulti che praticano o non praticano esercizio fisico, utilizzando modelli di machine learning per identificare i fattori predittivi principali e le differenze di importanza tra i gruppi. Sono stati analizzati dati estratti dal Chinese General Social Survey del 2021, suddividendo i partecipanti in due gruppi: chi pratica esercizio fisico e chi non lo fa. Sono stati sviluppati sette modelli di machine learning, tra cui Random Forest (RF) e Light Gradient Boosting Machine (LGBM), per prevedere lo stato di SRH. La valutazione dei modelli ha evidenziato che nel gruppo dei partecipanti l'RF ha mostrato un AUC relativamente alto, mentre nel gruppo dei non partecipanti l'LGBM ha avuto performance simili, con differenze di prestazione minime. Tra i principali predittori comuni si sono confermati l'impatto sulla salute ('Health Impact'), l'età e la presenza di depressione, sebbene con diversa importanza e distribuzione nei gruppi. Altri fattori come l'uso di internet e la presenza di amicizie sociali hanno avuto un ruolo predittivo secondario. Le analisi di stratificazione per frequenza di esercizio fisico e le analisi di sensibilità hanno mostrato cambiamenti limitati nelle prestazioni dei modelli e nei ranghi di importanza, confermando la stabilità dei predittori principali. Limiti significativi sono rappresentati dal carattere trasversale dei dati e dall'utilizzo di un solo anno di indagine, il che limita la validità esterna e l'applicabilità pratica dei modelli. Lo studio sottolinea l'importanza di considerare molteplici livelli di informazioni (funzionali, demografiche, emotive e sociali) per la predizione della salute percepita in diverse popolazioni. L'analisi offre un contributo utile per future ricerche e strategie di promozione della salute stratificate in base all'attività fisica.

Sintesi generata con IA. Verifica metodi, risultati e limiti nella pubblicazione originale.

Abstract e pubblicazione originale

L’abstract è consultabile nella fonte originale. Non viene ripubblicato qui perché non risulta verificata una licenza compatibile.

Leggi nella fonte originale ↗

Parole chiave

salute percepitaself-rated healthesercizio fisicomachine learningRandom ForestLGBMfattori predittivi2021 Chinese General Social Surveyanalisi stratificatamodellazione predittiva

Come citare questo studio

Fan R, Zhang X, Shen J, Sun F. (2026). Machine learning prediction of self-rated health among adults under different physical exercise participation statuses.. Frontiers in public health. DOI: 10.3389/fpubh.2026.1882082

Consulta la pubblicazione originale ↗