计算策略招募优化"全民健康计划"队列的代表性与覆盖度研究

本研究针对大型生物医学数据库（如"全民健康计划"All of Us）中群体代表性不足的问题，开发了基于Kullback-Leibler散度（KLD）的双目标优化算法，通过动态分配招募资源显著提升了队列与美国人口普查（Census）的相似性（代表性）和各人口分组的均衡性（覆盖度）。研究团队利用2017-2022年真实招募数据验证，该方法可使68%人口亚组达到理想分布，为大规模生物医学研究提供了可操作的招募策略模板。

　　

在人工智能重塑医疗研究的时代，生物医学数据的"代表性鸿沟"正成为制约科学发现的瓶颈。美国国家医学院报告指出，临床试验中群体代表不足导致的研究结果偏差，可能在2020-205年间造成数千亿美元经济损失。更严峻的是，当机器学习模型（如分类器）在缺乏代表性的数据上训练时，对少数群体的预测准确率会系统性降低。这种"数据偏见"不仅影响科学可靠性，更会侵蚀公众对研究的信任——这正是"全民健康计划"（All of Us Research Program）立志构建"美国史上最多元健康数据库"的核心动因。

由范德堡大学等机构组成的跨学科团队在《npj Digital Medicine》发表的研究，创新性地将流行病学概念转化为可计算的优化目标。研究者定义"代表性"为队列人口分布与普查数据的相似度（KLD(C||P)），"覆盖度"为各亚组分布的均衡性（KLD(C||U)）。通过分析26万余名具有电子健康记录（EHR）站点标识的参与者数据，团队开发出动态资源分配算法，在保持总招募量不变前提下，使代表性指标改善18%（KLD从0.1834降至0.1508），覆盖度指标提升9%（KLD从1.0450降至0.9557）。

研究关键技术包括：1) 基于50个EHR站点的历史招募数据构建响应分布矩阵；2) 采用Dirichlet分布模拟站点人口特征的不确定性；3) 设计含资源分配约束（最大最小比≤148）的双目标优化函数；4) 通过季度更新的迭代策略调整资源分配。特别值得注意的是，算法能自动识别关键站点——如优先增加纽约783站点（亚裔代表率达普查水平）和洛杉矶412站点（非裔代表突出）的招募资源，同时减少波士顿305站点等人口分布趋同站点的投入。

【当前All of Us招募状态】
分析显示，该项目已成功使69.42%参与者来自传统研究不足群体（UBR），其中45.15%为种族/族裔少数群体，接近其75%和45%的招募目标。但亚裔（特别是非西班牙语裔亚裔男性）和太平洋岛民群体仍持续低于普查水平。时序分析揭示疫情后招募策略变化：2020年前侧重覆盖度提升（黑人参与者占比达26.4%峰值），2021年后转向更高普查代表性。

【战略招募模拟结果】
在21个季度（2017-2022）的仿真中，算法使目标人口亚组比例从58%（35/60组）提升至68%（41/60组）落入"理想区间"（介于普查比例与均匀分布之间）。图7的提琴图直观显示，非西班牙语裔亚裔、太平洋岛民等群体的分布显著改善。站点资源分配呈现适应性特征：芝加哥321站点（太平洋岛民代表突出）保持高优先级，而费城944站点（非裔代表突出）资源分配增加10倍，匹兹堡699站点（UBR比例低）则减少投入。

【方法论创新价值】
研究突破体现在三方面：首先将熵理论中的KLD指标扩展为可平衡的双目标函数，通过超椭圆（n=0.522）量化最优解集；其次利用真实世界招募数据（而非假设分布）验证算法；最后将政策空间从先前研究的9个站点扩展到50个，更贴近实际复杂度。作者特别指出，均匀分布虽最大化覆盖度但不符合现实（如90%参与者需来自少数族裔），因此需在"理想数学构造与现实招募目标间取得平衡"。

这项研究为大规模队列建设提供了可量化的决策工具。正如讨论部分强调，当算法识别出纽约三站点（752/783/689）虽处同一区域但人口特征互补时，证明"有限分布差异也能显著影响队列质量"。未来可将该框架扩展至收入、性取向等更多维度，或用于评估新站点的开设价值。对于正致力于"健康中国2030"等大型队列建设的国家而言，这种计算驱动的方法尤其具有借鉴意义——它证明通过科学优化有限的招募资源，完全可以在不增加成本的前提下，构建更具代表性和科研价值的人群数据库。