基于机器学习模型的巴西南部成人牙科服务使用预测：聚焦性别与种族公平性研究

本研究针对巴西成人牙科服务利用不平等问题，采用CatBoost等5种机器学习算法构建预测模型（AUC=0.77），首次揭示模型在混合种族群体（"pardos"）中存在显著预测偏差（AUC=0.57）。通过SHAP值分析锁定"末次就诊时间"等关键特征，为优化公共卫生资源分配提供数据支持，同时警示AI医疗中的算法公平性风险。

　　

全球口腔健康领域正面临严峻挑战——世界卫生组织数据显示，口腔疾病困扰着35亿人，而低收入国家人均牙科支出仅为高收入国家的1/500。这种悬殊差距在巴西尤为突出：2019年全国调查显示，仅53.2%的成年人定期看牙医，低收入群体就诊率更低。更令人担忧的是，现有医疗资源分配系统难以精准识别高危人群，传统统计方法无法有效捕捉复杂的社会决定因素。在此背景下，巴西的研究团队在《Journal of Dentistry》发表了一项开创性研究，首次将机器学习技术应用于拉丁美洲牙科服务利用预测，并系统评估了算法在不同人口亚组中的表现差异。

研究团队采用前瞻性队列设计，数据源自"EAI Pelotas?"项目，包含3,461名18岁以上成年人的47项基线特征（含社会人口学、行为学和健康指标）。通过10折交叉验证优化超参数，对比测试了梯度提升（Gradient Boosting）、XGBoost、LightGBM、CatBoost和人工神经网络（Artificial Neural Network）五种算法性能。采用SHAP值进行特征重要性分析，并运用AIF360工具包中的Reweighing算法校正种族偏差。

3. 结果
3.1 模型性能
CatBoost在测试集表现最优（AUC=0.77，95%CI[0.73-0.80]），较仅用"末次就诊时间"的逻辑回归（AUC=0.69）显著提升。精简模型保留5个关键预测因子（末次就诊时间、教育程度、就诊机构类型、年龄和性别）后仍保持AUC=0.76。

3.2 公平性分析
模型在性别间表现均衡（女性AUC=0.76 vs 男性AUC=0.78），但种族差异显著：黑人群体AUC达0.82，而混血群体（"pardos"）骤降至0.57。即便采用偏差校正算法，混血群体的AUC仍低于其他种族0.20个点。

3.3 特征重要性
SHAP分析显示，末次就诊时间（<6个月就诊者76.9%会复诊）、教育程度（大学学历者就诊率67.8%）和私立机构就诊史是三大最强预测因子。值得注意的是，社会经济地位（ABEP评分）的预测贡献度低于预期。

4. 讨论
该研究揭示了机器学习在公共卫生领域的双重性：一方面，CatBoost模型展现出优秀的整体预测能力，其AUC值超越既往美国同类研究；另一方面，算法在混血群体中的"失明"现象（AUC=0.57接近随机猜测）暴露出严峻的公平性缺陷。这种差异可能源于样本失衡（混血者仅占6%）或未测量的结构性歧视因素。

从临床实践角度看，研究确认了"就诊惯性"现象——近期就诊史是最强预测因子，这支持了"连续性护理"理念在口腔健康中的重要性。教育程度的突出影响则提示，健康素养干预可能比单纯扩大保险覆盖更能改善服务利用。

该研究的创新价值在于：首次验证机器学习在发展中国家牙科预测的适用性；建立包含47维特征的预测框架；采用TRIPOD+AI标准规范报告流程。局限性包括COVID-19疫情期间数据采集的时效性影响，以及未能区分预防性与治疗性就诊的差异。

这项研究为公共卫生决策者提供了重要启示：AI工具在资源优化方面潜力巨大，但必须配套开发公平性监测系统。未来研究应扩大少数族裔样本量，探索迁移学习（Transfer Learning）在跨种族应用中的可行性，并开发能同时兼顾精度与公平的新型算法架构。正如作者强调，在口腔健康领域，"算法公平不应是事后补救，而应是模型设计的起点"。