《Scientific Reports》：Machine learning reveals drivers of cold-related illness during energy infrastructure attacks in Wartime Ukraine
编辑推荐：
在俄罗斯入侵乌克兰导致能源基础设施遭受攻击的背景下，为探究严寒环境下平民的健康风险，研究人员开展了关于寒冷相关疾病驱动因素的主题研究。该研究通过机器学习（ML）模型分析调查数据，发现呼吸道感染（影响75.2%参与者）和冻伤（影响3.76%参与者，老年人中达10%）高发，并识别出年龄、家庭规模、经济状况和供暖方式等关键预测因子。此研究首次在活跃战区应用ML评估能源攻击对健康的冲击，为冲突地区及寒冷气候下的公共卫生干预提供了关键证据。
2022年2月爆发的俄罗斯入侵乌克兰事件，不仅造成了直接的人员伤亡，更引发了一场深远的人道主义危机。其中，针对能源基础设施的系统性攻击，使得数百万乌克兰平民在严寒的冬季面临供暖、供电和供水中断的严峻挑战。乌克兰冬季气温可低至零下20摄氏度甚至零下30摄氏度，能源系统的瘫痪将平民暴露于极端的寒冷环境中，极大地增加了寒冷相关疾病的风险。然而，在活跃的战区背景下，这种针对民用能源设施的蓄意破坏对平民健康，特别是对呼吸道感染和寒冷损伤的影响，此前尚未有系统性的研究。理解这些健康风险的驱动因素，对于在冲突和极端气候条件下制定有效的公共卫生干预措施至关重要。
为了填补这一知识空白，由Kimia Marvi、Ubydul Haque等人组成的研究团队在《Scientific Reports》上发表了题为“Machine learning reveals drivers of cold-related illness during energy infrastructure attacks in Wartime Ukraine”的研究论文。该研究旨在（1）描述冲突期间呼吸道感染和寒冷损伤的模式；（2）识别脆弱的社会人口学群体；（3）评估家庭适应策略；（4）评价冬季准备措施对健康结局的影响。这是首个在活跃冲突区应用机器学习方法考察能源基础设施攻击后寒冷相关事件健康影响的研究。
研究人员开展此项研究主要依赖于几个关键技术方法。首先，研究数据来源于一项具有全国代表性的横断面调查。该调查由TGM Research在2023年4月5日至5月15日期间进行，通过配额抽样设计，从乌克兰24个州（oblast）招募了2311户家庭，每户由一名18-72岁的成年人完成在线问卷，收集了关于2022-2023年冬季（12月至2月）的人口统计学、居住条件、健康状况（包括呼吸道感染症状和寒冷损伤）以及家庭适应策略等信息。其次，研究采用了严格的数据预处理流程，对数据中的占位符和异常值进行了清洗和转换，最终保留了2111份（91.3%）有效问卷用于分析。第三，也是本研究的核心，是机器学习模型的构建与应用。研究团队使用了六种监督式机器学习算法——决策树（DT）、随机森林（RF）、XGBoost、AdaBoost、支持向量机（SVM）和多层感知器（MLP）——来预测二分类结局变量（呼吸道感染与症状、寒冷损伤），并识别最重要的预测因子。模型性能通过准确率、精确度、召回率和F1分数等指标进行评估，并采用5折交叉验证和超参数优化来确保模型的稳健性和泛化能力。特征重要性则通过平均不纯度减少（MDI）等方法进行计算。
呼吸道感染与症状高发且与家庭特征密切相关
研究结果显示，呼吸道感染与症状在受访者中极为普遍，影响了75.2%的参与者。感染率在30-44岁（78%）和60岁以上（80%）的成年人中最高。有儿童或老年人的家庭感染率也更高。机器学习模型预测家庭层面呼吸道感染与症状时，AdaBoost和XGBoost模型表现最佳（F1分数分别达80.342%和81.353%）。特征重要性分析一致表明，年龄和家庭规模是预测呼吸道感染与症状的最重要因素。例如，XGBoost模型将“家庭规模”列为最关键预测因子。此外，经济因素，如对汇率、养老金数额和低收入的担忧，也被识别为重要预测变量。这表明，大家庭可能因收容其他流离失所的家庭而导致过度拥挤，增加了感染传播风险，而经济不稳定可能限制家庭采取有效防寒措施的能力。
老年人面临显著的寒冷损伤风险
尽管寒冷损伤在总体参与者中占比为3.76%，但在60岁以上的老年人口中，这一比例高达10%。这表明老年人在能源基础设施崩溃的严寒环境中异常脆弱。在预测老年人寒冷损伤的模型中，XGBoost展示了最高的准确率（77.895%）和精确度（52.886%），而AdaBoost获得了最高的F1分数（33.876%）。不同模型对关键预测因子的排序有所差异：决策树、随机森林和AdaBoost模型均将“年龄”视为最重要的预测特征，而XGBoost模型则将“焦虑（老年人）”排名最高，其次是“肺炎（老年人）”和“潮湿”。此外，“州（地区）”和“家庭规模”也是预测老年人寒冷损伤的重要变量。居住在顿涅茨克、赫尔松、卢甘斯克和扎波罗热等前线或俄控州的老年人寒冷损伤发生率较高，可能与这些地区能源基础设施受损更严重、老年人撤离困难或居住条件恶劣有关。
家庭适应策略与冬季准备的影响
研究还深入探讨了家庭的适应策略和冬季准备情况。调查发现，近50%的受访者表示其供暖设备在入侵期间被毁，13.7%的受访者在严寒中难以获取木材或燃料。机器学习模型分析揭示，一些能源节约行为（如洗冷水澡、依靠衣物和毯子保暖）与呼吸道感染症状相关，可能反映了在供暖不足情况下的无奈选择，同时也增加了健康风险。相反，拥有功能性壁炉、电暖器等供暖设备则被识别为可能的保护性因素。焦虑情绪和恶劣的居住条件（如潮湿）也被模型识别为加剧老年人寒冷损伤和呼吸道感染风险的因素，突出了心理健康与物理环境在健康结局中的交互作用。
本研究通过机器学习方法，首次在战时环境下系统揭示了能源基础设施攻击对平民健康，特别是寒冷相关疾病的深远影响。研究发现呼吸道感染极其普遍，而老年人则是寒冷损伤的极高危人群。研究确定了家庭规模、年龄、经济稳定性、地区（尤其是前线或俄控地区）、焦虑情绪以及供暖条件等一系列关键风险因素。这些发现强调了在冲突背景下，针对民用能源设施的攻击会通过剥夺供暖而加剧公共卫生危机。
研究的结论具有重要的现实意义。它指出，在寒冷气候地区的冲突中，保护能源基础设施对于保障平民健康至关重要。公共卫生干预措施需要有针对性地关注脆弱群体，特别是老年人，以及生活在基础设施严重受损地区的人群。干预策略应包括确保供暖和燃料供应、改善居住条件、提供心理健康支持，以及为大规模流离失所导致的过度拥挤家庭制定感染预防措施。尽管研究存在诸如自我报告数据可能存在的偏倚、样本代表性局限（农村地区代表不足）以及寒冷损伤病例较少导致的模型预测挑战等限制，但其发现无疑为理解和管理冲突相关寒冷暴露的健康风险提供了宝贵的科学依据。这项研究警示，在严寒冬季对能源基础设施的蓄意攻击，不仅会造成直接创伤，还可能因寒冷相关疾病和呼吸道感染的流行，导致大规模的痛苦和残疾，这在乌克兰当前的局势以及其他处于寒冷或季节性变化气候区的冲突中都是一个亟待重视的公共卫生问题。
