基于机器学习的韩国低收入家庭灾难性卫生支出分类预测模型研究

《BMC Health Services Research》：Machine learning based classification of catastrophic health expenditures: a cross-sectional study of Korean low-income households

本研究针对韩国全民医保制度下低收入家庭仍面临灾难性卫生支出(CHE)风险的问题，利用韩国健康面板调查(KHPS)数据，采用随机森林、梯度提升、决策树、岭回归、神经网络和AdaBoost等机器学习算法，开发了CHE分类预测模型。研究发现AdaBoost模型预测性能最佳(AUROC=89.8%)，识别出经济状况、慢性疾病和年龄是CHE关键风险因素，为早期识别高风险群体和制定精准干预策略提供了科学依据。

　　

在全民医保覆盖率高达97%的韩国，一个令人困惑的现象依然存在：部分低收入家庭在面临疾病时，仍然会陷入"因病致贫"的困境。灾难性卫生支出(Catastrophic Health Expenditure, CHE)就像一把悬在弱势群体头上的达摩克利斯之剑，当家庭自付医疗费用超过其支付能力的一定比例时，这些家庭就不得不削减基本生活开支，甚至借债看病，陷入恶性循环。

尽管韩国建立了全民医保体系，但医疗系统中的自付费用、非报销项目等问题，使得低收入家庭在面对重大疾病时依然脆弱。特别是随着人口老龄化加剧和慢性病患病率上升，医疗费用持续增长，进一步加剧了这些家庭的经济风险。研究发现，2010至2015年间，韩国标准中位收入150%以上的家庭CHE发生率从0.9%降至0.5%，而收入低于标准中位收入50%的家庭却从10.0%升至12.8%，贫富差距在医疗保障方面呈现出令人担忧的扩大趋势。

为破解这一难题，研究人员开展了一项创新性研究，采用机器学习技术来预测和分类低收入家庭的CHE风险。该研究基于2019年韩国健康面板调查数据，从全国代表性样本中筛选出4,031名低收入成年人作为研究对象，这些参与者的收入均低于标准中位收入的100%，符合韩国政府医疗救助项目的资格标准。

关键技术方法

研究采用十折交叉验证确保结果可靠性，使用Wrapper逐步后向剔除法进行特征选择，比较了六种机器学习算法（随机森林、梯度提升、决策树、岭回归、神经网络和AdaBoost）的性能。通过受试者工作特征曲线下面积(AUROC)、准确率、精确度、召回率和F1分数等指标评估模型效果，并分析了影响CHE发生的关键因素。

研究结果

CHE发生率达26.2%，特定群体风险突出

研究发现，低收入家庭的CHE发生率为26.2%，显著高于一般人群。进一步分析显示，老年人、慢性病患者、失业者等群体的CHE风险明显更高。65岁及以上老年人的CHE发生率达到22.3%，而18-64岁人群仅为3.9%；患有慢性病的群体CHE发生率为23.5%，而无慢性病群体仅为2.7%。这些数据揭示了健康不公平在医疗经济负担方面的具体表现。

AdaBoost模型表现最优，预测性能卓越

在比较的六种机器学习算法中，AdaBoost表现最为出色，当使用全部13个特征变量时，其AUROC达到89.8%，准确率为83.1%，精确度为82.4%，召回率为83.1%，F1分数为82.1%。随机森林、梯度提升、决策树、岭回归和神经网络的AUROC分别为84.9%、73.5%、84.5%、68.7%和78.5%，均低于AdaBoost模型。这一结果表明集成学习方法在处理医疗经济风险预测问题上的优势。

经济状况、慢性病和年龄是三大核心风险因素

通过特征重要性分析，研究确定了影响CHE发生的关键因素。经济状况排名第一，其次是慢性病和年龄，这三大因素是预测低收入家庭CHE风险的最重要指标。婚姻状况和家庭人口数位列第四、第五，而主观健康意识、残疾和未满足医疗需求等因素的重要性相对较低。这一发现为针对性干预措施的设计提供了明确方向。

研究结论与意义

本研究首次将机器学习技术应用于韩国低收入家庭CHE风险预测，建立了高效的分类模型。AdaBoost算法展现出的优异性能表明，机器学习方法在健康经济风险预测领域具有重要应用价值。研究确定的三大核心风险因素——经济状况、慢性病和年龄，为精准识别高风险群体提供了科学依据。

从政策层面看，研究成果支持建立两级筛查体系：首先在基层医疗机构识别CHE风险群体，然后通过深入评估和个性化支持，防止不必要的医疗支出。特别是对于老年人、慢性病患者和失业者等高危群体，需要建立社会支持网络，提供持续的健康管理服务。

研究还指出，除了直接医疗费用补贴外，更应关注促进经济独立性的支持政策。例如，扩大"老年人就业项目"等促进经济活动的措施，可能比单纯提供补贴更能从根本上降低CHE风险。韩国现有的慢性病管理政策也可以考虑扩大覆盖范围，将更多经济风险因素纳入管理范畴。

该研究的实际意义在于，它为建立预防性的CHE风险管理体系提供了技术支撑，有助于实现从被动救助向主动预防的转变，推动医疗保障体系向更加公平、可持续的方向发展。