基于XGBoost与SHAP的空间机器学习分析马里兰州ZCTA水平糖尿病诊断相关急诊科就诊的人口水平因素及居住隔离差异

《Journal of Urban Health》：A Spatial Machine Learning Approach for Analyzing Population-Level Factors Associated with Emergency Department Visits with Diabetes Diagnoses

　　

糖尿病相关急诊科（emergency department, ED）就诊源于急性和慢性症状相关并发症，包括但不限于心血管疾病、肾衰竭、神经系统问题和视网膜病变。研究表明，此类并发症对种族和族裔少数群体造成不成比例的影响。这可能是由于糖尿病的复杂发病机制，包括个体水平因素（如种族和家族史）以及人口水平驱动因素（如社区步行适宜性和健康食品店可及性），后者可能深受居住隔离影响。研究人员使用空间机器学习和统计方法，估计美国马里兰州ZCTA（ZIP Code Tabulation Areas，邮编制表区）水平上与糖尿病诊断相关ED就诊相关的人口水平因素，并按种族和当地居住隔离指标进行分层。研究人员使用XGBoost（eXtreme Gradient Boosting，极端梯度提升）和SHAP（Shapley Additive Explanations，沙普利加性解释）识别与糖尿病编码ED就诊相关的人口水平因素，并使用逻辑回归估计比值比（odds ratios, ORs）。研究结果显示，ED就诊与住房空置、交通繁忙、绿地以及身体休闲时间和吸烟等健康行为因素在所有亚组中相关。进一步，研究人员发现，与糖尿病编码ED就诊相关的因素在不同种族群体和具有不同居住隔离模式的社区之间存在差异。交通繁忙——作为交通相关空气污染和步行适宜性障碍的代理变量——始终与更高的糖尿病编码ED就诊比值比相关，尤其在Black患者中。

论文主体解读

研究背景：根据美国疾病控制与预防中心National Diabetes Statistics Report，截至2021年，美国18岁及以上成人中有3810万人、即14.7%患有糖尿病。糖尿病相关医疗费用显著；美国糖尿病协会指出，美国每四美元医疗支出中就有一美元归因于已诊断糖尿病患者，涵盖住院、急诊科（emergency department, ED）就诊、门诊、胰岛素及相关医疗用品，以及生产力损失、缺勤和过早死亡等间接成本。糖尿病伴随显著发病和死亡，并发症包括心血管疾病、肾病、神经病变、失明和下肢截肢等。每种并发症均有急性风险，若合并糖尿病管理不佳，可导致ED就诊。糖尿病患者ED利用受个体行为和社区驱动因素影响，包括城市化、初级保健可及性不足、依从性差和并发症。糖尿病负担在种族群体间分布不均；Black与White差异已被广泛报道，与White患者相比，Black患者诊断糖尿病的可能性为1.4至2.2倍，死于糖尿病的可能性为2倍，发生截肢、眼病和肾病等并发症的可能性为2至4倍，且该差异约20年基本未变。既有研究多关注社会经济路径，包括医疗利用和教育程度；近期研究逐渐将居住隔离视为糖尿病结局差异的结构性驱动因素。城市居住隔离模式反映住房、土地利用和交通中嵌入的结构性不平等。依据流行病学Fundamental Cause Theory，隔离是种族糖尿病差异的根本原因，因为它塑造经济流动性和建成环境暴露方面的种族不平等；居住隔离反映住房和贷款中的长期结构性种族主义，使种族少数化群体集中于健康促进资源较少、应激暴露较多的社区。既有关于糖尿病与隔离空间关系的研究有限且结果混合：一些研究报道隔离与糖尿病发病率几乎无关联，另一些发现隔离与死亡率等结局正相关。这些不一致反映结局定义、隔离测量和空间尺度差异，因此需要明确检验这些关系中的空间异质性。为此，本研究提出三个目标：识别与含糖尿病特异诊断码的ED就诊最强相关的社会和环境因素；评估这些关联是否因种族群体和不同隔离程度社区而异；描述马里兰州ZCTA中导致糖尿病编码ED就诊的关键人口水平因素的空间分布和效应量，以指导地方公共卫生干预。

研究人员开展了一项横断面分析，使用Healthcare Cost and Utilization Project（HCUP）State Emergency Department Databases中马里兰州2015年至2019年所有ED就诊记录，并链接ZCTA水平隔离、建成环境、社会经济和健康相关行为指标，数据来自公开来源。研究先使用XGBoost（eXtreme Gradient Boosting，极端梯度提升）和SHAP（Shapley Additive Explanations，沙普利加性解释）识别ED就诊最具影响力的驱动因素，再使用广义估计方程（generalized estimating equations, GEE）和比值比（odds ratio, OR）分离可修改驱动因素的效应量，同时考虑ZCTA水平聚类。XGBoost为树基方法，可灵活建模非线性关系；SHAP为每个预测因子分配对模型预测的贡献，可解释为特征重要性。研究人员实施七个XGBoost模型：一组按种族分层，包括Black、White、Latino和全部患者种族；另一组按隔离分层，包括高Black隔离、总体低隔离和高White隔离。后三个模型将ZCTA按ICE（Index of Concentration at Extremes，极端集中指数）值三分位划分：XGB 5包括ICE值在?1至0.07的ZCTA，即高Black ED就诊集中；XGB 6包括ICE值在0.08至0.5的ZCTA，即任一种族ED就诊低至中度集中；XGB 7包括ICE值在0.6至1的ZCTA，即高White ED就诊集中。每个模型包括相同的建成环境、人口学、隔离和空间协变量。结局变量为按人口调整并缩放的糖尿病编码ED就诊率。SHAP结果用于指导GEE统计建模；变量若在XGBoost中通过SHAP显示高重要性且代表公共卫生干预可修改因素，则有资格纳入回归。GEE将每个ZCTA视为聚类，并假设聚类内相关，以考虑同一ZCTA患者ED就诊的空间依赖。OR用于量化预测因子增加时糖尿病ED就诊几率变化。协变量涵盖种族居住隔离、建成环境、社会经济状况和糖尿病合并症，均为ZCTA水平公开来源指标，包括U.S. Census Bureau、EPA、NaNDA和CDC Places。糖尿病编码ED就诊定义为前十个诊断码中任一对应五个糖尿病相关ICD-10（International Classification of Diseases, Tenth Revision，国际疾病分类第十版）码：E08、E09、E10、E11或E13，排除仅与糖尿病相关并发症有关但未含明确糖尿病 mellitus ICD-10码的就诊。就诊记录聚合并按人口调整，缩放因子为1000，得到每1000名居民中糖尿病特异诊断码ED就诊率。GEE使用二分类结局，含糖尿病特异ICD-10码的ED就诊编码为“1”，其他为“0”。排除缺失数据和18岁以下患者后，数据集产生7,469,808个观察用于统计分析，个体就诊数据通过患者ZIP码链接ZCTA水平预测因子。

关键技术方法概括：样本队列为HCUP马里兰州State Emergency Department Databases 2015—2019年ED就诊记录，排除缺失及18岁以下后为7,469,808个观察；ZCTA水平预测变量来自U.S. Census Bureau、EPA、NaNDA和CDC Places。关键技术包括：按ICD-10码E08、E09、E10、E11、E13在前十个诊断字段中定义糖尿病编码ED；构建七个XGBoost模型，分别按种族和ICE三分位隔离分层；用SHAP解释特征重要性并提取空间效应；随后选取高重要性且可修改变量，用GEE估计OR并处理ZCTA聚类。

研究结果

基线糖尿病编码ED就诊与隔离的空间分布：研究人员绘制每个种族每1000人口糖尿病编码ED就诊分布。最深多边形表示相对基线人口水平糖尿病相关ED就诊不成比例高的ZCTA。全部种族中，相对基线人口ED就诊率最高的是马里兰州西部和南部尖端及Eastern Shore部分地区。唯一相对其人口糖尿病相关ED就诊率不成比例高（即>1000）的人群为Black患者。

按种族群体和隔离程度估计人口水平因素对糖尿病编码ED就诊的影响：第一个模型估计隔离和建成环境对全部种族糖尿病的影响，R²为0.51；White患者模型R²为0.39；Black患者模型R²最高，为0.63；Latino患者模型R²为0.41。结果表明Black患者模型中关联最强。SHAP用于学习各特征对模型预测的重要性；研究人员检查每个种族分层模型中SHAP前20重要特征。空置住房单元在除Latino患者外的所有模型中均为首要因素之一。城市健康研究中，空置住房常作为不良社区结局和/或社区 disorder 的代理，代表经历显著经济和社会衰退的居住环境。Black、White和全部患者模型中，空置住房率更高的ZCTA与更高ED就诊率相关，空置住房更少则ED就诊更少。所有模型中，位置和年龄也与ED就诊强相关。贫困，以贫困线及以下比例和接受公共援助收入/SNAP（Supplemental Nutrition Assistance Program，补充营养援助计划）比例衡量，以及土地利用（开放水域和已开发土地）在各模型中同样重要。研究人员也观察到这些因素相对重要性在种族间差异。开放水域、公园比例、已开发土地和街道网络密度等建成环境指标在Black和Latino模型中比White模型更重要；White模型总体更受社会经济因素影响。健康保险相对重要性也存在差异：Latino模型中缺乏健康保险人口为SHAP第三重要因素；Black模型中公共健康保险（即Medicare或Medicaid）使用人口为第13重要因素；二者均不在White模型SHAP前20特征中。按隔离分层模型显示，与种族分层模型一致，空置住房SHAP值较高，尤其在两个高度隔离ZCTA模型中为第二重要因素。值得注意的是，成人报告无身体休闲时间活动的患病率在低隔离模型和高White隔离模型中为重要预测因子，但在高Black隔离模型中不重要，提示其在隔离少或White相对Black集中度更高的ZCTA中对糖尿病编码就诊更具影响。类似地，缺乏健康保险成人患病率虽在所有分层中均列SHAP前20特征，但在高Black隔离模型中最具影响，表明在高Black隔离ZCTA中关联更强。NDVI（Normalized Difference Vegetation Index，归一化植被指数）即绿地的SHAP值分布中，亮蓝色多边形代表低绿地与较高糖尿病编码就诊相关的ZCTA，集中于Eastern Shore南部和Western Maryland。亮红色多边形代表 heavy traffic 患病率更高与较高糖尿病编码就诊率相关的ZCTA，在全州有些分散，但出现在Prince George’s County部分地区、Eastern Shore以及州西部边界沿线部分区域。LST（land surface temperature，地表温度）的SHAP值中，亮红色多边形代表较高LST与较高ED就诊相关，LST与ED就诊最强关联出现在马里兰州农村和城市部分，包括州东北部和西部以及Baltimore City及周边社区部分地区。

估计人口水平因素对糖尿病编码急诊科就诊的影响：基于所有模型的SHAP分析，研究人员选择一组预测因子，用GEE及所得OR量化与糖尿病编码ED就诊关联的方向和大小。为聚焦既经SHAP识别为高影响又可通过公共卫生干预修改的因素，研究人员选择空置住房、heavy traffic、交叉口密度、成人报告无身体休闲时间活动患病率、吸烟、NDVI和LST。总体而言，heavy traffic、缺乏身体休闲时间、吸烟和LST均与糖尿病编码ED就诊有统计学显著关联（p<0.05）。最强预测因子为heavy traffic（OR=1.78，CI=1.23–2.59），几乎使糖尿病ED就诊几率翻倍。Heavy traffic可能指示若干影响糖尿病风险的社区特征和暴露，包括交通相关空气污染以及步行性和身体活动障碍。GEE和OR也采用机器学习中相同分层构建：三个模型按种族分层，即Black、White和Hispanic/Latino；另三个按患者家庭ZCTA隔离水平分层，即低、中、高ICE值。分层OR结果显示，糖尿病编码就诊关联跨种族亚组和居住隔离水平存在差异。所有亚组中最强且最一致的ED就诊预测因子为heavy traffic，OR范围约1.42至4.31；除White患者外，所有亚组均显著（p<0.05）。Black患者OR最高，heavy traffic每增加一个单位与糖尿病ED就诊几率增加超过4.3倍相关。行为因素，包括吸烟和成人报告缺乏身体休闲时间患病率，也在亚组中显示一致关联；缺乏身体休闲时间在所有分层中均与ED就诊几率增加相关（p<0.05），吸烟则与略降低的几率相关。

讨论：本研究检验人口水平预测因子与含糖尿病特异诊断码ED就诊之间的关联，并按种族和隔离分层。研究人员应用可解释空间机器学习框架识别糖尿病编码ED就诊的人口水平驱动因素。实质而言，研究表明人口水平社会和环境因素与糖尿病编码ED利用相关，并因种族群体和居住隔离水平而异。糖尿病相关ED就诊在隔离和环境健康差异方面研究不足，更少研究利用空间机器学习捕捉空间异质关系。糖尿病既往已与人口学和行为风险因素联系，但较少研究探索空间、环境和社会驱动因素，尤其是其与隔离等结构性驱动因素空间模式的交叉。既往隔离与糖尿病研究结果混合。Mayne et al.在四个美国主要城市参与者中未观察到隔离与糖尿病发病率/管理显著关联；相反，Rosenstock et al.报道在美国50个人口最多城市中，隔离与年龄调整糖尿病死亡率正相关。解释这些发现复杂之处在于研究设计和指标显著异质性；隔离操作化（正式测量 vs. 种族构成）和糖尿病结局报告（患病率 vs. 死亡率 vs. ED就诊 vs. 住院等）差异很大。既有工作也未处理这些关系的空间动态，导致缺乏关于糖尿病和隔离中种族健康差异的空间知识，而这些知识可为地方差异提供有价值见解。本研究发现，隔离、邻里条件与糖尿病编码ED就诊之间的关联随种族群体和隔离水平变化，提示空间背景和方法选择对理解既往研究为何结论不同至关重要。本研究中若干人口水平因素，尤其空置住房和heavy traffic患病率，既往已与负代谢结局和健康行为相关。例如，Zhu et al.研究空置住房与非传染性疾病包括糖尿病的关联，发现短期空置住房与糖尿病负相关，而长期空置住房与糖尿病正相关。但本研究中根据SHAP分析，空置住房与ED就诊呈一致正相关，这可能归因于因变量不同（ED就诊 vs. 患病率）。研究发现缺乏身体休闲时间与ED就诊显著相关，也与既往文献记录的身体活动与糖尿病风险剂量反应关系一致。其他研究也确认邻里背景与运动和吸烟的关联，其中更弱势社区居住者可能更可能吸烟且更少参与身体休闲。与新兴证据一致，研究人员还观察到heavy traffic与糖尿病编码ED就诊的稳健关联，在Black患者中最强（OR=4.31，CI=2.20–8.46）。既往研究已识别靠近heavy traffic和主要道路为显著环境健康风险，因其在介导空气污染、噪声和步行性降低暴露中的作用，这些均涉及糖尿病发病。这些暴露可能在种族隔离社区尤为普遍，可能加剧疾病风险和医疗利用差异。局限包括：空间和时间分辨率可能掩盖更细邻里尺度模式；ZCTA可能包含异质邻里，可能掩盖环境特征和居住隔离分布的重要地方差异；研究使用2015至2019聚合数据，可能掩盖该时间段某些时间变化；研究强调人口水平因素与糖尿病ED利用的重要关联，但未明确测量因果关系；结局定义依赖ED就诊前十个诊断字段中出现糖尿病特异ICD-10码，尽管敏感性分析表明这捕获绝大多数糖尿病编码就诊，但可能低估糖尿病及其并发症相关全部就诊。因此，研究结果应解释为刻画有记录糖尿病码ED就诊中的空间和人口水平模式，而非所有可能糖尿病相关就诊。

结论翻译：本文调查了糖尿病编码ED就诊人口水平驱动因素的空间模式，并检查了种族亚组和不同隔离水平区域之间的差异。这项工作强调空间显式分析技术对理解种族化健康差异的重要性，尤其涉及针对性公共卫生干预及其在不同人口亚组中的适用性。研究人员观察到heavy traffic的ZCTA与糖尿病编码ED就诊之间存在强关联，尤其在高度隔离和种族边缘化人口群体中，这强调环境暴露如何固化现有种族不平等。研究人员还发现行为因素，包括吸烟和成人报告缺乏身体休闲时间患病率，与糖尿病相关ED就诊在所有亚组中呈一致正相关。研究结果应在结构性种族主义更广泛背景下解释。更隔离、弱势社区中糖尿病编码ED就诊负担更高，反映歧视性住房和基础设施政策的累积效应。这些政策将健康风险集中，并限制Black和其他历史上少数化社区获得初级保健。因此，纳入环境正义原则的干预至关重要。地方规划者和政策制定者应优先采取措施，增加步行性和交通可及性，减少居住区附近交通拥堵，并开发公共绿地，尤其在隔离和弱势社区。追求这些策略不仅可解决环境收益和负担的不均分布，也对减少糖尿病等慢性健康结局的种族差异具有意义。研究结果对未来研究有重要启示，未来应考虑其他地理背景，如其他州或地方。本研究识别了人口水平驱动因素与糖尿病之间地方特异性关联，但需要更多工作以在不同粒度上建立外部效度，例如跨州或全国层面研究。未来工作还应处理糖尿病人口水平驱动因素空间分布的纵向变化，这可能提高对糖尿病相关ED就诊动态随时间演变的理解。