基于机器学习的城市极端温度暴露与早产风险时空预测及健康规划启示

本研究针对极端温度对早产(PTB)的影响机制不明、空间风险分布不清的问题，通过整合31万孕妇GPS数据与多源环境数据，创新性地采用机器学习模型揭示温度暴露与PTB的非线性关系。发现14-21°C为安全阈值，首次绘制城市热岛/冷岛风险图谱，为气候适应性城市规划提供循证依据。发表于《Environmental Research》的成果标志着环境健康研究方法学的重要突破。

　　

随着全球气候变化加剧，极端天气事件频发，城市热岛效应持续强化，孕妇群体正面临前所未有的环境健康威胁。早产(Preterm Birth, PTB)作为全球公共卫生难题，每年影响1340万新生儿，不仅导致婴儿死亡率和并发症风险骤增，更与成年期慢性疾病存在显著关联。尽管已知PTB病因涉及遗传、行为等多因素，约半数病例仍无法解释。近年研究发现，孕期温度暴露可能是关键环境诱因——孕妇因特殊的生理状态，体温调节能力下降而更易受极端温度影响，可能通过诱发胎膜早破、催产素分泌异常等机制导致PTB。然而，现有研究多局限于线性模型，难以捕捉温度-PTB关系的复杂非线性特征，更缺乏对风险空间分异规律的解析。

针对这一科学空白，中国国家自然科学基金资助的研究团队开展了一项突破性研究。通过整合武汉市2014-2016年311,972名孕妇的居住地GPS数据与高分辨率环境数据集，创新性地将机器学习算法与空间分析技术结合，首次系统揭示了极端温度暴露的时空风险格局。研究证实温度与PTB呈U型剂量反应关系，14-21°C为最安全区间，超出此范围每升高/降低1°C，PTB风险分别增加12%/9%。更值得注意的是，空间分析识别出热相关风险集中分布于汉口等城市热岛区域，而冷风险则呈现全域扩散特征。这项发表于《Environmental Research》的成果，为气候适应性城市规划提供了精准的决策支持。

关键技术方法包括：1) 基于湖北省卫健委提供的母婴大数据构建回顾性队列；2) 采用XGBoost算法处理温度暴露的非线性特征；3) 通过SHAP值解析关键预测因子贡献度；4) 结合核密度估计与Getis-Ord Gi*热点分析绘制风险空间图谱。模型性能优异(AUC=0.93)，克服了传统logistic回归对非线性关系捕捉不足的缺陷。

【Model Performance】
机器学习模型展现出卓越的预测能力：AUC达0.93，准确率96%，加权F1分数0.96。特别针对5.92%的PTB少数类样本，Macro F1仍保持0.78，证明模型在类别不平衡场景下的稳健性。

【Discussion】
研究发现：1) 温度-PTB关系呈显著U型曲线，与英美日研究结论一致，但首次在中国超大城市验证该模式；2) 温度波动较绝对温度更具危害性，单日温差>5°C使风险提升23%；3) 城市热岛效应使中心城区热暴露风险增加1.8倍，而郊区低温风险更为突出；4) 高龄孕妇(>35岁)对温度敏感度是适龄孕妇的2.3倍，凸显中国二孩政策下的特殊脆弱群体。

【Conclusion】
该研究开创性地将机器学习与空间流行病学结合，不仅确立14-21°C的孕期温度安全阈值，更绘制出全球首套城市尺度PTB温度风险地图。成果对指导热应激预警系统建设、优化医疗资源空间配置具有重大实践价值。特别是针对中国高龄孕妇比例攀升的现实，研究为制定差异化的孕期健康防护策略提供了科学依据，标志着环境健康研究从传统统计分析向智能空间决策支持的范式转变。