范围综述：机器学习用老年多维评估数据预测健康结局，40项研究无外部验证
一项发表于《国际医学信息学杂志》的范围综述系统梳理了2012至2024年间将机器学习（ML）用于老年多维评估数据的40项研究，发现模型多用于预测跌倒、功能衰退、衰弱、死亡和再入院，XGBoost在8项研究中表现最佳，但所有研究均未做外部验证，小样本、缺乏校准和数据不平衡等局限普遍存在。
该证据提示：老年心理健康相关的ML模型仍处早期，预测性能尚不能直接转化为临床可用工具。
研究论文原始来源可核对
事实与证据边界
研究遵循Arksey与O'Malley框架并以PRISMA-ScR报告，检索6个数据库的同行评审研究（2012–2024年），纳入40项研究，多数来自高收入国家的社区或医院场景。 常见建模结局包括跌倒、功能衰退、衰弱、死亡和医院再入院； 最常见数据域为共病、认知、情绪和日常生活活动能力（ADL/IADL）。
40项中25项比较了多种算法，XGBoost在8项研究中为表现最佳模型。 内部验证常见，但无一项研究进行外部验证； 小样本、缺乏校准和数据不平衡等方法学局限普遍，性能指标差异很大。 方法学质量用PROBAST+AI（人工智能）工具评估。
分析判断
仅依据摘要可见内容：该综述属于摘要级证据，未披露各研究具体性能数值与人群构成，不能据此推断任何模型具备临床有效性。 最值得注意的信号是外部验证完全缺位——这意味着现有模型在跨机构、跨人群场景中的稳健性未知，从研究到老年照护实际的转化仍存在明显缺口。
情绪作为常见数据域被纳入建模，说明心理维度已进入老年健康预测研究视野，但目前只是模型输入之一，并非独立验证的心理干预工具。
后续观察信号
- 追踪该综述团队或他方是否开展外部验证队列研究
- 核查40项纳入研究中涉及情绪与认知数据的具体模型与样本特征（需获取全文）