印度地下水污染物与高血压风险的机器学习关联分析：基于地理空间与多模型预测的公共卫生启示

来自印度的研究人员针对该国1/4人口罹患高血压且依赖地下水饮用的现状，首次通过机器学习模型（ANN/RF/XGBoost）结合地理空间分析（SEM/LISA），揭示了pH>8.5（AOR=2.12）、砷>0.01mg/L（AOR=1.09）等6项水质参数与高血压的显著关联，RF模型预测精度达R2=0.9970，为高风险区域（西北及东部邦）的水质干预提供科学依据。

　　

这项开创性研究揭示了印度地下水理化特性与高血压风险的隐秘关联。通过整合国家家庭健康调查(NFHS-5)的712,666例个体数据与中央地下水委员会(CGWB)的水质监测数据，研究团队运用莫兰指数(Moran’s I)和空间误差模型(Spatial Error Model, SEM)进行地理空间建模，发现pH值突破8.5时高血压风险翻倍(调整后比值比AOR=2.12)，而砷浓度超过0.01mg/L、硝酸盐>45mg/L等污染物同样显著推高风险。

机器学习三剑客——人工神经网络(Artificial Neural Networks, ANN)、随机森林(Random Forest)和极限梯度提升(Extreme Gradient Boosting, XGBoost)展开性能对决，最终随机森林以近乎完美的预测能力(R2=0.9970)锁定德里、旁遮普等高风险区域。有趣的是，传统认为无害的镁离子(>30mg/L)也展现出1.03倍的风险增幅，这为"水中隐形杀手"理论增添了新证据。

该研究不仅首次绘制出印度高血压水质风险地图，更开创性地提出"水质-疾病"预测模型框架。西北部地下水的高电导率(>300μS/cm)与东部邦的硫酸盐污染(>200mg/L)形成鲜明地域特征，暗示着差异化的干预策略。这些发现为公共卫生部门敲响警钟——改善供水系统已不仅是环境议题，更是遏制心血管疾病流行的关键突破口。