基于机器学习与可解释人工智能（XAI）的塞拉利昂女性健康保险覆盖预测及精准政策转化：来自2019年塞拉利昂人口与健康调查（SLDHS）的证据

《Discover Public Health》：Predicting health insurance coverage among women in Sierra Leone using machine learning and explainable artificial intelligence applied to demographic and health survey data

　　

背景：塞拉利昂健康保险覆盖仍处于极低水平，构成实现全民健康覆盖（UHC）的障碍，并使女性尤其易受灾难性自付（out-of-pocket）卫生支出影响。理解哪些女性最可能未保险及使排斥持续存在的特定因素组合，对设计有效、靶向干预至关重要。目的：研究人员旨在开发并评估机器学习模型，以预测塞拉利昂女性健康保险覆盖，识别最具影响的社会人口学和经济预测因子，并将模型输出转化为可操作、精准靶向的政策建议，以推进UHC。方法：使用2019年塞拉利昂人口与健康调查（SLDHS）数据，该全国代表性数据集包含15,574名女性。比较六种分类器：Logistic Regression、Support Vector Machine、k-Nearest Neighbours、Random Forest、Gradient Boosting和XGBoost。应用成本敏感学习策略处理明显类别不平衡，其中保险女性仅占样本3.5%。为增强可解释性并支持政策转化，对表现最佳的可解释模型应用可解释人工智能（XAI）框架，SHAP（SHapley Additive exPlanations）和LIME（Local Interpretable Model-agnostic Explanations）。结果：Gradient Boosting取得最高总体性能，AUROC为0.8857，少数类召回率为80.6%。XGBoost具有竞争力，AUROC为0.869，并因其与基于树的解释工作流既定兼容性被选作可解释性分析。全局SHAP分析识别region、wealth index和radio listenership为保险覆盖三个最具影响预测因子，决策自主变量显示有意义但次要贡献。实例级瀑布图和LIME解释揭示保险路径显著异质性，区分结构性优势、补偿性和复合劣势女性画像。结论：集成机器学习模型，尤其Gradient Boosting和XGBoost，在低覆盖、资源受限情境中识别未保险女性方面显示强预测效用。SHAP和LIME框架整合弥合算法性能与可操作政策洞见之间的差距，揭示保险覆盖与地理位置、经济状况和媒体暴露强相关。这些发现为精准公共卫生策略提供循证框架，同时应对塞拉利昂地理差异、经济障碍和女性赋权约束。

论文解读：研究人员围绕塞拉利昂女性健康保险覆盖预测开展研究，旨在以机器学习与可解释人工智能（Explainable Artificial Intelligence, XAI）支持全民健康覆盖（Universal Health Coverage, UHC）政策。研究背景在于，UHC是可持续发展目标3.8的核心，健康保险是使家庭免受灾难性自付卫生支出影响的财务风险保护机制之一。撒哈拉以南非洲健康保险覆盖普遍偏低，女性因收入、教育、家庭决策自主权和地理可及性等结构不平等而面临复合劣势。塞拉利昂全球健康指标排名低，孕产妇死亡率高，区域间优质母婴保健可及性差异持续存在。该国2010年启动的Free Healthcare Initiative为孕妇、哺乳母亲和5岁以下儿童去除点诊费用，但不覆盖更广泛成年女性，正式健康保险覆盖在人口调查中持续低于5%。这些低覆盖率与教育、就业劣势、有限媒体暴露、卫生设施可及困难和区域差异相关。既有研究多依赖回归识别保险相关因素，较少将现代机器学习预测与可解释框架结合用于政策转化，且对低覆盖情境中的极端类别不平衡（class imbalance）处理不足。因此，研究人员比较多种机器学习分类器，系统应用成本敏感学习（cost-sensitive learning），并整合SHAP（SHapley Additive exPlanations）与LIME（Local Interpretable Model-agnostic Explanations）以生成全局和实例级解释，进而提出精准靶向政策建议。

技术方法概括：研究使用2019年塞拉利昂人口与健康调查（Sierra Leone Demographic and Health Survey, SLDHS），由Statistics Sierra Leone与Ministry of Health and Sanitation、ICF International等合作开展，纳入15,574名女性。预测结局为二分类健康保险覆盖。比较Logistic Regression、Support Vector Machine（SVM）、k-Nearest Neighbours（kNN）、Random Forest、Gradient Boosting和XGBoost。采用成本敏感学习，训练集类别权重为w_c=N/(K·N_c)，多数类权重0.518，少数类权重14.387；Gradient Boosting使用样本权重。采用分层80:20训练-测试划分，固定随机状态42，并补充重复分层五折交叉验证、多随机种子及bootstrap 95%置信区间。缺失值仅见于报纸阅读，占2.2%，保留为显式类别。模型未纳入DHS样本权重和两阶段整群设计。评估指标包括accuracy、precision、recall、F1-score、AUROC，并关注平均精度和阈值调优。XAI采用SHAP和LIME，解释模型选用XGBoost。

研究结果：3.1 Sample characteristics of the study population：通过描述性统计，研究人群特征显示，41.5%女性有1至3次既往生产，26.3%未产，32.2%为4次及以上高胎次；年龄分布相对均匀，最大比例22.2%位于最年轻组。48.4%女性处于最低教育水平，仅3.8%达到最高教育水平。59.6%已婚，71.4%居住于男性户主家庭。财富五等分分布大致均衡。58.9%居住农村，41.1%居住城市，区域分布相对均衡。媒体暴露方面，93.2%不读报纸，58.6%不听广播，75.2%不看电视。决策自主方面，73.2%参与寻求医疗许可决策，30.7%参与家庭支出决策，75.3%对独自外出有发言权。

3.2 Models’ performance evaluation：通过比较六种分类器，Gradient Boosting总体表现最佳，AUROC为0.8857，准确率80.0%，少数类召回率0.806，精确率0.126；XGBoost具有竞争力，AUROC为0.869，准确率87.1%，少数类召回率0.657，精确率0.163。Logistic Regression准确率64.3%，AUROC为0.7215，保险类精确率0.064，召回率0.685。线性SVM经概率校准和kNN准确率均为96.5%，但对保险女性的精确率和F1-score为0，即全部预测为未保险；原文说明这是极端不平衡下概率校准和邻域投票导致的可解释机制。Random Forest AUROC为0.8435，准确率95.6%，保险类精确率0.250，召回率0.139。由于保险类仅占3.5%，无技能分类器平均精度约为0.035，高于该值反映真实少数类信号；阈值调优后精确率与召回率平衡发生变化。

3.3 Interpretation of the model’s decision：通过全局SHAP分析，region是最有影响预测因子，平均绝对SHAP值为0.98，其次为wealth index（0.58）和radio listenership（0.40），表明地理位置和社会经济状况是保险覆盖最强预测因子；这些变量对模型输出呈强负向影响，即某些地区、较低财富五等分和有限媒体暴露女性持续被预测为未保险。age和education平均绝对SHAP值分别为0.35和0.30，影响呈双向。决策自主变量包括寻求医疗许可、金钱控制和到卫生设施距离，显示中等但有意义贡献。parity变量中，未产女性SHAP值为0.4，提示保险覆盖可能性较高；高胎次影响较小。读报纸和户主性别预测贡献最弱。通过实例级SHAP瀑布图，高置信保险实例概率0.962，region贡献+1.97，wealth index贡献+0.38，电视观看贡献+0.24，education贡献-0.23；边界保险实例概率0.423，education贡献+1.4，但marital status、region和radio listenership分别贡献-0.81、-0.78、-0.57并压倒正向贡献。未保险实例中，一例概率0.000，模型输出-12.121，wealth index贡献-3.44，region贡献-2.66，不参与独自外出决策贡献-1.32，marital status贡献-1.05，radio暴露贡献-0.96，体现复合劣势。边界未保险实例概率0.400，working status贡献-0.65，region贡献-0.46，户主性别贡献-0.35，而wealth index贡献+0.57但被其他劣势抵消。综合而言，置信预测具有关键特征极端值，边界案例呈正负贡献竞争；同一特征在不同情境可作用不同；模型学到超越单纯财富或教育梯度的不同画像；边界案例对政策干预最具信息价值。通过LIME实例级解释，区域在四个实例中三个位于贡献列表顶部，财富也居前；模型呈补偿逻辑，多重中等优势可抵消极端优势缺失；未保险原型较同质，而保险路径更多样；决策自主变量作为调节或使能因素，媒体暴露尤其radio listening在多个实例中出现。

讨论部分总结：4.1 Instance-level interpretability: heterogeneity in insurance pathways：实例级SHAP和LIME揭示保险路径异质性，形成结构性优势路径、补偿路径和复合劣势路径，并识别对靶向干预最敏感的边界组，支持精准公共卫生方法。4.2 Policy implications and recommendations：地理和经济因素占主导，提示国家策略应针对覆盖最低地区和财富组，继续使用补贴和保费豁免；radio暴露重要性提示目标健康传播策略，并与妇女赋权倡议整合；塞拉利昂有广播公共卫生信息传统，可扩展保险知晓和参保信息。4.3 Clinical implications and healthcare delivery：未保险预测较可靠，Gradient Boosting对未保险类的精确率为0.991，模型识别80.0%未保险女性；预测保险应提示确认性检查而非最终判定；阈值可按项目资源调整。4.4 Public health perspective and equity considerations：保险覆盖沿地理和社会经济维度呈模式化差异，需持续监测差异并关注参保公平。局限性包括：横断面设计不能推断因果；极端类别不平衡导致精确率低；仅使用2019年SLDHS变量，缺少供应侧因素，仅有卫生设施距离代理；2019年数据存在时间限制，COVID-19等可能改变背景；LIME解释为局部近似且可能不稳定；模型特定于塞拉利昂，不宜直接外推。

研究结论部分翻译：本研究证明机器学习和可解释人工智能（XAI）在理解塞拉利昂女性健康保险覆盖方面具有价值。使用2019年SLDHS，在成本敏感框架下评估多种分类器，Gradient Boosting取得最佳总体性能（AUROC=0.8857；召回率=80.6%），XGBoost表现强且具有稳健可解释性。结果表明，保险覆盖与一组明确特征强烈且系统相关，而非随机分布；地理位置、财富、媒体暴露、教育和女性决策自主权是最有影响预测因子。Region是最有影响预测因子，突显地点不平等的重要性；radio listenership成为改善知晓和参保的新颖且可操作因素。决策自主进一步强调在解决经济障碍同时处理家庭层面约束的重要性，这与撒哈拉以南非洲女性决策自主、社会经济地位、教育和媒体暴露与健康保险覆盖相关的证据一致。可解释性分析揭示不同保险路径，包括结构性优势、补偿和复合劣势画像。这种异质性支持精准公共卫生方法，即干预针对特定人群细分；尤其边界画像女性是重点外展和参保策略的高影响目标。总体而言，可解释机器学习整合提供预测准确性和可操作洞见，为推进塞拉利昂全民健康覆盖提供实用工具。未来研究应优先进行外部验证、纳入更多背景变量，并开发适用于资源受限卫生系统的简化、可部署风险分层工具。