机器学习揭示军事队列研究中调查未完成风险因素：美国千禧年队列研究的启示

本研究针对纵向队列研究中调查未完成(Survey non-completion)这一影响数据有效性的关键问题，开发了准确率达99%的机器学习算法，在139,595名美国现役/退役军人的千禧年队列研究(MCS)中发现新入伍者未完成率高达15.43%。研究首次系统揭示了调查问题敏感性(OR=1.17)、章节位置(RR=0.53)等设计因素与黑人非裔(OR=1.73)、士兵军衔等个体特征对MNAR(非随机缺失)模式的差异化影响，为优化军事健康研究设计提供了循证依据。论文发表于《BMC Medical Research Methodology》。

　　

在军事医学研究领域，获取高质量的纵向健康数据犹如在暴风雨中掌舵——调查问卷的完成率直接关系到研究结论的可靠性。美国千禧年队列研究(Millennium Cohort Study, MCS)作为规模最大、历时最长的现役与退役军人健康研究，面临着所有队列研究者共同的噩梦：参与者开始填写问卷却中途放弃，这种被称为"调查未完成"(Survey non-completion)的现象，会导致非随机缺失数据(Missing Not At Random, MNAR)，如同航海图上突然出现的空白区域，使研究结论偏离真实航道。更棘手的是，军事人员作为特殊群体，既承受着战场暴露、频繁调动等职业压力，又因行政要求而面临"调查疲劳"，这使得传统基于普通人群的缺失数据处理方法可能完全失效。

为破解这一难题，Naval Health Research Center（海军健康研究中心）的Nate C. Carnes博士团队在《BMC Medical Research Methodology》发表了一项开创性研究。研究人员开发了新型机器学习算法，对2019-2021年期间13.9万余名MCS参与者的调查数据进行了深度剖析，首次系统揭示了军事人群中调查未完成的风险图谱。这项研究不仅为军事健康研究提供了方法学创新，其发现对普通人群的队列研究同样具有启示价值。

研究团队采用三项关键技术：首先开发基于逻辑回归的序贯分类算法，通过分析每个参与者的缺失值标记与问题位置的对应关系，以99%准确率识别真正的调查未完成者；其次利用增强迪基-富勒检验(Augmented Dickey-Fuller test)区分MNAR与MAR(随机缺失)模式；最后通过泊松回归和逻辑回归模型，分别量化39个调查章节属性（敏感性、位置、长度）和个体特征（军衔、种族等）对未完成率的影响。所有分析均基于MCS最新调查周期数据，包含80,986名随访者和58,609名新入伍者。

测试缺失模式

机器学习算法成功将新入伍者15.43%的未完成率与随访者0.29%的极低未完成率区分开。ADF检验显示新入伍者数据呈非平稳性(ADF=-2.53, p=0.108)，证实存在MNAR模式；而随访者数据为MAR模式(ADF=-4.16, p<0.001)。

直观显示非完成者在特定问题位置后缺失率骤增的特征性模式。

调查属性影响

泊松回归模型(R²_pseudo=0.312)揭示三大关键发现：位于问卷前段的章节相对风险降低47%(RR=0.53, 95%CI[-0.67,-0.61])；高敏感性问题使风险增加17%(RR=1.17, 95%CI[0.13,0.18])；而问题数量少的章节风险显著升高(RR=0.54, 95%CI[-0.63,-0.59])。这意味着传统"把敏感问题后置"的设计策略可能适得其反。

个体特征影响

逻辑回归模型(R²_pseudo=0.02)显示：黑人非裔(OR=1.73, 95%CI[1.60,1.86])和西班牙裔(OR=1.25, 95%CI[1.17,1.34])未完成风险显著高于白人；士兵较军官风险高34%(OR=0.66, 95%CI[0.61,0.72])；现役人员比预备役风险高26%(OR=0.74, 95%CI[0.68,0.80])。值得注意的是，已婚者(OR=0.77)和退役人员(OR=0.68)表现出更高的问卷完成坚持度。

这项研究在方法学和应用层面均取得突破性进展。算法层面，开发的序贯分类器解决了传统缺失数据处理方法无法区分MNAR与MAR的痛点，其99%的准确率为后续研究设立了新标准。实践层面，发现调查属性解释31.2%的变异度，远超个体特征(2%)的贡献，颠覆了"调查未完成主要取决于受访者特征"的传统认知，证明通过优化问卷设计（如避免短章节、平衡敏感问题分布）可显著提升数据质量。特别值得关注的是，研究揭示了军事人群特有的风险模式——士兵、现役人员和少数族裔的高未完成率，提示未来研究需针对这些群体采用差异化激励策略。

该研究的现实意义尤为突出：首先为MCS等大型军事队列研究的权重调整提供了精确的偏差校正参数；其次建立的机器学习流程可直接应用于其他纵向研究；最后提出的"问题数量阈值效应"等新发现，为全球问卷设计指南的修订提供了实证依据。正如作者强调，在过渡到纯网络调查的时代，这项研究及时警示我们：便捷的数据收集方式可能伴随新的数据质量问题，而智能算法的介入将成为保障研究效度的关键防线。