基于双极模糊(bipolar fuzzy)决策方法识别结核病高风险年龄组

《Engineering Applications of Artificial Intelligence》:A bipolar fuzzy decision-making approach for identifying high-risk age groups of tuberculosis

【字体: 大 中 小 】 时间:2026年01月23日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  结核分枝杆菌(Mycobacterium tuberculosis)是结核病(TB)的病原体,主要累及肺部,但也可播散至脊柱、脑和肾脏等器官。TB虽为空气传播疾病,但其传播通常需要与感染者长期密切接触。TB仍是严重的全球健康威胁,需要统一的国际行动来进行预防、

  
结核分枝杆菌(Mycobacterium tuberculosis)是结核病(TB)的病原体,主要累及肺部,但也可播散至脊柱、脑和肾脏等器官。TB虽为空气传播疾病,但其传播通常需要与感染者长期密切接触。TB仍是严重的全球健康威胁,需要统一的国际行动来进行预防、诊断和治疗,这与可持续发展目标(SDG)第3项“良好健康与福祉”特别是目标3.3(旨在2030年前终结TB流行)密切相关。现实世界中TB医疗数据常含有不确定性与不精确性,模糊逻辑为解决确切信息缺失时的复杂决策提供了有效框架。在TB研究中,识别高风险年龄组具有挑战性,因为不同年龄组表现出不同的易感水平。为处理此类不确定性,研究人员将多准则妥协解排序(VIKOR, VIseKriterijumska Optimizacija I Kompromisno Resenje)与基于分类的吸引力测量(MACBETH, Measuring Attractiveness by a Categorical Based Evaluation Technique)方法整合在双极模糊(bipolar fuzzy)框架下。双极方法同时考虑正面与负面信息:MACBETH用于构建反映各准则重要性的加权偏好尺度,而VIKOR通过在最大化群体效用与最小化个体遗憾之间寻求妥协来识别最佳折中解。研究结果表明,2020年至2022年间65岁以上人群(子方案A14、A24、A34)受影响最严重;而45–64岁年龄组(子方案A43)在2023年脆弱性上升。这些变化主要归因于新型冠状病毒肺炎(COVID-19)防控导致TB治疗与监测服务中断。2022年方案A3尤为关键,因为同期管理TB与COVID-19给医疗系统带来巨大压力。此外,对比研究、机器学习(ML)验证与敏感性分析表明所提出的决策模型稳定可靠。
论文发表于《人工智能的工程应用》(Engineering Applications of Artificial Intelligence)。研究背景:结核病(TB)仍系全球重大公共卫生威胁,尤其印度占全球约25%的TB病例,不同年龄段因免疫水平、合并症、社会暴露等差异表现出异质性风险;真实世界TB数据存在报告不全、症状不典型、专家判断不一致等双向不确定性(正面表示报告病例所反映的脆弱性,负面表示漏报与认知不足导致的负面不确定性)。传统模糊集仅用单一隶属度无法同时刻画正反两面信息,直觉模糊集虽加入非隶属与犹豫度,但仍难以直接表达“支持”与“反对”并存的决策情境;现有多准则决策(MCDM)在TB年龄组风险识别中缺乏双极模糊(BFS)框架下的VIKOR与MACBETH集成方法,且双极梯形模糊数(BTrFN)对此类双向不确定性的表达能力优于常规模糊数,因此研究人员开展本研究以填补空白。
关键技术方法:研究人员采用印度政府开放数据平台(https://www.data.gov.in/resource/stateut-wise-tuberculosis-tb-case-notifications-2020-till-31-05-2023)获取的2020–2023年印度各邦TB病例按年龄组分通知数据;将年份设为方案(alternative),四个年龄组(0–15、15–45、45–64、>64岁)设为子方案(sub-alternative),选取若干高影响TB邦作为准则(criterion);在双极模糊环境下扩展熵测度以从正负两方面计算准则权重;构建双极梯形模糊数(BTrFN)表征专家评价与数据区间;集成MACBETH(基于语义类别两两比较构建加权偏好尺度)与VIKOR(在双极模糊下计算正理想解、负理想解、群体效用值、个体遗憾值及折中指标Q)进行方案与子方案排序;最后通过机器学习(ML)验证、对比其他MCDM方法及敏感性分析检验模型稳定性。
研究结果:研究人员设置“Study’s background”小节,给出模糊集(FS)、双极模糊集(BFS)、双极模糊数(BFN)等形式定义(含正负隶属函数ρ+:L→[0,1]、ρ?:L→[?1,0]等),为后续方法提供数学基础。“Proposed method: An integrated bipolar fuzzy (BF) VIKOR MACBETH method”小节提出双极模糊VIKOR-MACBETH集成流程:先将原始数据构造为双极模糊决策矩阵,用扩展熵法求准则正负权重,通过MACBETH将定性准则差异转为定量偏好值并融合权重,再在双极VIKOR中计算各方案与正、负理想解的距离度量(群体效用S、个体遗憾R、折中指标Q),得出方案与子方案排序。“Numerical illustration: Identifying the vulnerable age groups for tuberculosis in India using integrated bipolar fuzzy VIKOR-MACBETH method”小节以印度2020–2023年数据与五邦为例,构造双极梯形模糊矩阵并运行所提方法,获得各年份方案排序及内部年龄组子方案排序。“Outcomes and interpretations”小节分析得出:2020–2022年方案排序中2022年(A3)风险最高,子方案显示>64岁组(A14、A24、A34)为最脆弱年龄层;2023年方案排序变化,子方案中45–64岁组(A43)风险显著上升;研究人员指出此变化与COVID-19分散医疗资源、TB服务中断相关;对比传统VIKOR、TOPSIS及直觉模糊方法,双极模糊VIKOR-MACBETH排序一致性更高;ML验证(如分类模型对年龄组风险预测)与敏感性扰动权重实验均显示模型鲁棒性较好。
讨论与结论翻译:研究人员总结所提双极模糊集成VIKOR-MACBETH多准则决策框架能同时处理TB年龄组风险识别中的正向报告信息与负向不确定性(漏报、判断不一致等),通过扩展熵获得正负双视角准则权重,MACBETH实现定性差异定量化的加权偏好尺度,VIKOR给出折中最优解;应用于印度2020–2023年数据表明>64岁组在疫情前期最高危,45–64岁组在2023年脆弱性增加,年份方案显示2022年综合影响最大;该框架可为年龄分层TB防控(儿童筛查、成人工作场所筛查、中老年持续监测等)提供证据基础;对比研究、ML验证与敏感性分析证实模型稳定可靠;未来可将框架扩展至其他传染病风险分层与资源分配决策中。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号