基于机器学习的Medicaid受益人非创伤性牙科相关急诊就诊预测模型构建及风险因素分析

本研究针对Medicaid受益人中非创伤性牙科相关急诊就诊(ED)率持续上升的问题，通过整合个体与区域级社会健康决定因素(SDOH)，开发了高性能的机器学习集成预测模型。研究团队利用四州 Medicaid 索赔数据构建的模型AUC达0.70-0.73，识别出年龄、种族、肌肉骨骼并发症及社区食品供应等关键预测因子，为精准干预提供了循证依据。该成果对优化口腔医疗资源配置、降低可避免ED支出具有重要政策意义。

　　

研究背景与意义
美国急诊科(ED)每年因非创伤性牙科问题产生超过20亿美元支出，其中Medicaid受益人的就诊率持续攀升。这类就诊95%仅获得临时处理而非根治性治疗，暴露出基层口腔医疗服务可及性的系统性缺陷。尤其值得注意的是，仅14.3%的Medicaid受益人在观察期内接受过牙齿清洁服务，在仅提供急诊牙科福利的佛罗里达州和佐治亚州，该比例更跌至3.4%以下。这种"急诊依赖"现象既加重医疗系统负担，又难以解决患者根本需求，亟需通过精准预测模型识别高风险人群并实施靶向干预。

哈佛大学牙医学院与哈佛医学院联合团队在《Scientific Reports》发表的研究，创新性地将机器学习与多层级社会风险因素分析相结合。研究人员利用佛罗里达州、佐治亚州、纽约州和北卡罗来纳州2016-2019年640万Medicaid受益人数据，构建了包含个体临床特征与社区SDOH指标的预测体系。该研究首次证实：整合县级食品供应指数、种族构成等区域变量后，机器学习模型的校准性能显著提升，尤其对高风险人群的预测准确率较传统逻辑回归提高1.2个百分点。

关键技术方法
研究采用两阶段建模策略：首先预测受益人在随访期内的Medicaid脱保概率，再将此概率作为协变量纳入主模型。从每州40万样本中随机抽取30万训练数据，应用包含弹性网络逻辑回归(LR)、随机森林(RF)、极限梯度提升(XGBoost)和神经网络(NN)的集成学习框架，通过5折交叉验证调参。最终模型在10万测试集上评估性能，使用SHAP值解析变量重要性。数据来源包括CMS的T-MSIS索赔文件和AHRQ的SDOH数据库。

主要研究结果

1. 人群特征与基线分析
队列平均年龄39.5岁，61.5%为女性。非创伤性牙科ED就诊率存在显著地域差异：佐治亚州最高(4.2%)，纽约州最低(2.6%)。ED使用者中吸烟(7.2% vs 5.4%)、药物滥用(6.4% vs 5.1%)和精神障碍(29.8% vs 24.3%)等合并症发生率显著高于非使用者。提供全面牙科福利的纽约州和北卡罗来纳州，年度洁牙服务使ED风险降低21.6%和12.7%。

2. 模型性能验证

四州集成模型的AUC介于0.70-0.73，灵敏度17%-23%，特异度93%-97%。如图1所示，模型在所有风险十分位组均保持良好校准度。北卡罗来纳州高风险人群(30岁以上黑人伴肌肉骨骼疾病)的预测概率(6.13%)与实际观察值(6.27%)高度吻合。

3. 关键预测因子解析

图2显示年龄、吸烟和肌肉骨骼疾病是跨州一致的重要预测因子。黑人种族在佛罗里达州增加ED风险(SHAP值+0.08)，而在北卡罗来纳州白人种族更具预测力。县级指标中，食品供应不足使佛罗里达州风险提升12%，非公民人口比例在纽约州显示保护效应。

结论与展望
该研究建立了首个整合多层级SDOH的牙科ED预测模型，证实机器学习能有效捕捉个体-社区因素的复杂交互作用。研究发现：扩大Medicaid牙科福利覆盖可降低22%的ED就诊风险，这为正在进行的《 accountable health communities》等支付改革提供了实证支持。未来可将该模型与社区健康工作者网络结合，实现"预测-干预-再评估"的闭环管理。研究局限性包括未测量牙科焦虑等心理因素，且模型在非黑人/白人群体中的泛化能力有待验证。

这项由Sung Eun Choi领衔的研究，通过创新性地融合公共卫生数据科学与政策分析，为破解"急诊科治牙痛"的医疗困境提供了新范式。其方法论框架可扩展至其他可预防性急诊就诊的预测，对实现医疗资源精准配置具有里程碑意义。