《Addictive Behaviors Reports》：Interpretable machine learning to identify problematic alcohol use in peacekeepers
编辑推荐：
摘要：机器学习（ML）以高准确率（AUC = 0.80）预测了联合国维和人员的酒精滥用情况。创伤多样性与创伤后应激障碍（PTSD）症状是酒精滥用的关键预测因子，进一步支持了"自我药疗假说"。轻量梯度提升机（LGBM）分类器在六种机器学习算法中表现最优。可解释人
摘要：机器学习（ML）以高准确率（AUC = 0.80）预测了联合国维和人员的酒精滥用情况。创伤多样性与创伤后应激障碍（PTSD）症状是酒精滥用的关键预测因子，进一步支持了"自我药疗假说"。轻量梯度提升机（LGBM）分类器在六种机器学习算法中表现最优。可解释人工智能（XAI）（SHAP）增强了对模型预测的理解。研究结果支持部署前筛查和针对性干预措施的实施。
基于可解释机器学习识别维和人员问题性酒精使用的预测因素与模型性能：一项横断面研究解读
一、研究背景与问题提出
自第二次世界大战以来，联合国始终将促进和平与稳定作为优先事项，维和行动被视为支持受冲突影响国家实现持久和平的关键工具。参与联合国维和行动的人员在部署期间不仅暴露于潜在的创伤性战斗相关事件，还面临社会隔离、孤独、无聊和无助感等一系列心理应激源，这些因素可能对心理健康产生不利影响。创伤后应激障碍（PTSD）是维和人员中最常见的精神健康问题之一，患病率估计在6.2%至16.8%之间，常伴有抑郁、惊恐障碍以及酒精或药物滥用等共病情况。
值得注意的是，问题性酒精使用（PAU）在部署前维和人员中的患病率似乎高于平民群体。既往报告显示，维和人员中酒精滥用率为34.6%，酒精依赖率为8.7%，均超过平民人群的相应水平（分别为29.5%和3.5%）。这一差异引发关注，因为部署前的PAU可能损害任务期间的表现，并导致部署期间及部署后的不良心理结局。然而，在经过严格筛选的维和人员队列中，哪些常规采集的部署前筛查特征最能有效识别问题性饮酒筛查阳性个体，此前尚不明确。
巴西长期积极参与联合国维和任务，但关于巴西军人群体饮酒行为的定量证据仍然有限。既往仅有的一项横断面研究报告称，巴西陆军步兵营229名士兵中超过半数饮酒，其中22.2%表现出问题性饮酒模式。在此背景下，监督式机器学习越来越多地被用于建模复杂的多变量健康现象，可能通过整合多个相关预测因子并容纳潜在的非线性关联来补充传统回归方法，而可解释人工智能能够提供透明的特征归因，支持筛查流程中的临床和操作可接受性。
二、研究设计与核心发现
研究人员对巴西陆军派往联合国海地稳定特派团（MINUSTAH）第7支队的部署前数据进行了横断面分析。在771名参与者中，86人因缺乏结局数据被排除，最终分析样本为685人。PAU通过四条目CAGE问卷评估，两个及以上阳性回答判定为筛查阳性。候选预测因子包括年龄、教育水平以及PCL-C、GHQ-12、PANAS、ER-89和THQ等标准化自评工具得分。研究比较了六种监督式分类器，包括逻辑回归、K近邻、随机森林、XGBoost、LightGBM和CatBoost。结果显示，轻量梯度提升机（LGBM）模型在独立测试集上表现出最高的区分能力，AUC为0.80，敏感性75.0%，特异性70.0%。可解释性分析一致表明，终生创伤暴露（以创伤多样性衡量）和创伤后应激症状负担是模型输出中最突出的贡献因素。
三、主要技术方法
研究人员采用了六种监督式机器学习分类器，涵盖线性基线（逻辑回归）、非参数实例方法（K近邻）、装袋树集成（随机森林）以及三种梯度提升实现（XGBoost、LightGBM、CatBoost）。数据按75%/25%划分训练集与独立测试集，超参数调优采用Optuna实现的树结构帕森估计器（TPE）贝叶斯优化方法，以AUC为优化目标进行三折交叉验证。预处理包括对PCL评分采用倒数变换以减弱偏态、缺失值均值填补、最小-最大归一化。可解释性分析采用SHAP和分裂频率特征重要性两种互补的后验方法。样本来源于巴西陆军MINUSTAH第7支队部署前评估队列。
四、研究结果
基线特征分析。 筛查阳性组（n=48）的PCL-C得分（中位数27.5 vs 23.0，p<0.001）和负性情感（中位数17.0 vs 16.0，p=0.019）显著高于筛查阴性组（n=637）。年龄、自我韧性、一般心理困扰、正性情感、教育水平和创伤多样性未见显著差异。值得注意的是，创伤多样性虽在双变量比较中未达统计学显著，却在多变量SHAP和特征重要性分析中成为最具影响力的特征之一。
机器学习模型性能。 在独立测试集上，LGBM模型区分筛查阳性PAU的AUC最高（0.80），敏感性75.0%，特异性70.0%。逻辑回归表现相近（AUC 0.75），XGBoost次之（AUC 0.74）。随机森林和CatBoost区分能力较低（AUC分别为0.68和0.67）。K近邻分类器表现接近随机水平（AUC 0.50），可能反映距离方法对高维异质特征空间和低阳性类患病率的敏感性。在精确率-召回率曲线下面积（PR-AUC）指标上，LGBM同样保持最佳相对表现（PR-AUC=0.291）。
可解释性分析。 SHAP分析显示，较高的创伤多样性值通常与正向SHAP值相关，表明模型预测的PAU筛查阳性概率更高，而较低的创伤多样性值倾向于对模型输出产生负向贡献。特征贡献在不同个体间存在差异。增益和分裂频率两种特征重要性指标的排名呈中度至强一致性（Spearman ρ=0.76），年龄、创伤多样性、ER-89、GHQ得分和PCL-score-1在两种方法下均位列前五。总体而言，创伤多样性和创伤后应激症状严重程度是LGBM模型输出中最突出的贡献因素。
五、讨论与结论
本研究发现创伤暴露和创伤后应激症状负担在模型输出中的突出地位，与解释PTSD-酒精共病的机制框架相符，包括自我药疗假说，该假说认为部分个体通过饮酒来缓解焦虑、易怒、失眠和注意力不集中等痛苦性创伤后症状。研究设计虽不能确立时间顺序或机制，但结果与纵向研究证据一致，表明从创伤暴露到PTSD症状再到PAU的时间序列。从操作角度看，研究结果主要涉及部署前筛查和分诊。创伤暴露清单、PTSD症状筛查和CAGE等简短酒精筛查工具可提供可操作信息以支持后续评估和转诊决策，同时需认识到阳性筛查结果需要临床确认。
研究存在多项局限性：基于2007年单一巴西军事支队的横断面数据，可能限制结果的普适性；结局由简短筛查工具而非结构化诊断访谈定义；自报测量易受低报、回忆偏倚和污名相关不披露的影响；未评估非酒精类非法药物使用；PCL-C基于DSM-IV标准；分析为预测性而非因果推断设计；样本量有限，阳性结局类数量较少；未评估模型校准或临床效用。
结论：在巴西联合国维和志愿者的部署前队列中，最佳性能模型为轻量梯度提升机，在独立测试集上对筛查阳性PAU的分类达到最高区分能力（AUC 0.80，敏感性75.0%，特异性70.0%）。可解释性分析表明，终生创伤暴露（创伤多样性）和创伤后应激症状负担是模型输出最突出的贡献因素。这些发现表明，可解释机器学习——尤其是梯度提升方法——有潜力通过改善风险分层同时保持可解释性，补充部署前筛查流程中的传统方法。未来研究应优先在独立维和人员样本中进行外部验证，并在操作实施前评估校准和临床效用。
