基于机器学习的公共卫生系统韧性预测模型构建与应用：来自巴西州府城市的实证研究

本研究针对公共卫生系统韧性评估缺乏预测性指标的难题，巴西研究人员创新性地采用机器学习（ML）技术，基于WHO健康系统六大构建模块框架，开发了公共卫生韧性系数（CoReS）预测模型。通过分析2010-2022年巴西27个州府城市的面板数据，研究发现门诊服务量和卫生人力配置等指标与系统韧性呈显著正相关，而孕产妇死亡率等负向指标则揭示脆弱环节。该研究为危机前的韧性预判和精准资源分配提供了数据驱动的新范式，相关成果发表于《BMC Medical Informatics and Decision Making》。

　　

全球公共卫生系统正面临前所未有的挑战：从COVID-19大流行到气候灾害，从医疗资源挤兑到结构性不平等，传统的事后评估模式已难以应对复合型危机。巴西作为全民健康覆盖（UHC）的典型国家，其统一医疗系统（SUS）在疫情期间暴露出显著的地区韧性差异——圣保罗州每十万人口COVID-19死亡率仅为马瑙斯的1/3，这种差异究竟源于系统内在的脆弱性，还是可预测的韧性缺陷？奥斯瓦尔多·克鲁兹基金会（Fiocruz）的研究团队在《BMC Medical Informatics and Decision Making》发表的研究给出了数据驱动的答案。

研究团队创造性地将世界卫生组织（WHO）提出的健康系统六大构建模块（领导治理、卫生人力、信息系统、医疗产品、服务供给和筹资）转化为14个可量化指标，包括门诊量（Healthcare services or consultations）、卫生专业人员密度（Healthcare professionals）等正向指标，以及孕产妇死亡率（Maternal mortality）等逆向指标。通过H2O AutoML平台构建的堆叠集成模型（Stacked Ensemble），首次实现了公共卫生系统韧性的动态预测，其测试集均方根误差（RMSE）低至0.12。

关键技术包括：1）采用巴西DATASUS系统2010-2022年27个州府城市的面板数据，通过中位数插补处理8%的缺失值；2）应用极值梯度提升（XGBoost）和深度神经网络捕捉非线性关系；3）通过变量极性调整（如将死亡率指标反向标准化）确保指标方向一致性；4）采用时间分层验证（2020-2022年COVID-19数据作为测试集）验证模型外推能力。

主要发现

1. 韧性驱动因素：门诊服务量超过阈值（标准化值0.2）后，CoReS呈现加速增长趋势（

   
   ），表明基层医疗服务规模效应显著。

2. 区域异质性：圣保罗市CoReS达0.82（全国均值0.48），而马卡帕市持续下降至0.32，揭示南北发展鸿沟（

   
   ）。

3. 实证验证：模型预测结果与真实事件高度吻合，如库里蒂巴市CoReS与孕产妇死亡率相关系数达-0.92（

   
   ），而与COVID-19死亡率的负相关（r=-0.9）证实其危机预测价值。

该研究的突破性在于将模糊逻辑（Fuzzy Logic）的事后评估转化为机器学习的事前预测，其构建的"韧性热力图"可精准定位系统脆弱点——例如研究发现初级保健敏感病症住院率（Primary Care Sensitive Conditions hospitalizations）每上升10%，系统韧性下降4.3个百分点。这种量化关系为巴西政府实施"北部卫生人力强化计划"等干预措施提供了科学依据。

正如讨论部分强调，该模型的价值不仅在于技术创新，更在于其可扩展性：通过调整变量权重，可适配于环境灾害预警、疫苗分发优化等场景。研究者特别指出，未来需将农村地区纳入分析框架，并开发针对家庭健康战略（ESF）等具体项目的定制化模型，从而真正实现"韧性导向的精准公共卫生治理"。这项研究为全球中低收入国家在有限资源条件下提升系统韧性提供了可复制的技术路径。