赞比亚5岁以下儿童死亡风险预测:机器学习与Cox比例风险模型的嵌套交叉验证比较及出生间隔联合模型分析

《PLOS One》:Predicting under-five child mortality in Zambia: Machine learning versus parametric survival models

【字体: 大 中 小 】 时间:2026年10月23日 来源:PLOS One 2.8

编辑推荐:

  背景:在撒哈拉以南非洲,儿童死亡仍是重大公共卫生挑战,赞比亚为该地区死亡率最高国家之一。生存分析已识别关键危险因素,但常不能捕捉复杂非线性交互以及出生间隔等纵向标志的动态时变性质。该研究旨在利用2024年赞比亚人口与健康调查(Zambia Demographi

  
背景:在撒哈拉以南非洲,儿童死亡仍是重大公共卫生挑战,赞比亚为该地区死亡率最高国家之一。生存分析已识别关键危险因素,但常不能捕捉复杂非线性交互以及出生间隔等纵向标志的动态时变性质。该研究旨在利用2024年赞比亚人口与健康调查(Zambia Demographic and Health Survey, ZDHS)建立并比较预测性生存模型,以改善5岁以下儿童死亡的风险分层。

方法:初始识别35,610例活产,按母亲年龄和数据完整性排除后,最终分析样本为9,362例单胎活产和1,236例死亡事件(13.2%)。研究人员比较四种建模框架的预测性能:Cox比例风险模型(Cox Proportional Hazards, Cox PH)、Lasso Cox回归(Lasso Cox regression)、随机生存森林(Random Survival Forests, RSF)和梯度提升机(Gradient Boosting Machines, GBM),并采用贝叶斯联合模型(Bayesian Joint Model)对出生间隔与死亡关联进行推断。采用Schoenfeld残差(Schoenfeld residuals)评估比例风险假设,并使用分层Cox模型处理时变效应。模型性能通过母亲层面外层折的嵌套交叉验证(nested cross-validation)以及48个月随访期内的时间依赖一致性指数(time-dependent Concordance Index, C-index)和曲线下面积(Area Under the Curve, AUC)指标评价。

结果:在嵌套交叉验证下,四种生存模型预测性能相当,C-index范围为0.745(Cox PH)至0.750(GBM),积分Brier评分(Integrated Brier Scores)范围为0.095至0.096;模型间成对比较均无统计学显著性(DeLong检验:所有p > 0.05)。贝叶斯联合模型显示纵向出生间隔过程与死亡风险之间存在显著关联(95% CI: 0.023–0.048,p < 0.001),支持母亲耗竭假说(maternal depletion hypothesis)。变量重要性分析识别出生间隔和母亲年龄为儿童生存最具影响力预测因素,其次为既往儿童死亡。Cox模型分层分析显示母亲教育(中等教育:HR = 0.426,95% CI: 0.318–0.570)和既往儿童死亡(HR = 1.648,95% CI: 1.529–1.777)具有显著效应。

结论:使用联合建模技术的先进生存建模为儿童死亡动态提供更深入的生物学见解,而机器学习与传统生存模型在该分析中提供等效的预测判别和校准。这些发现支持将出生间隔、母亲年龄和高风险家庭强化监测作为赞比亚降低5岁以下儿童死亡的关键策略的靶向公共卫生干预。
该研究围绕赞比亚5岁以下儿童死亡风险预测,比较机器学习与Cox比例风险模型(Cox proportional hazards, Cox PH)等生存建模框架,并利用联合模型(Joint Model, JM)分析出生间隔与死亡风险的时变关联。研究背景显示,5岁以下儿童死亡率(under-five mortality rate, U5MR)是人口健康、社会经济发展和公共卫生系统效能的重要指标;撒哈拉以南非洲仍承担全球最大比例的5岁以下儿童死亡。赞比亚在2007—2024年间U5MR下降49%,但2024年仍约为每1,000例活产60.5例死亡,处于高儿童死亡国家之列。儿童生存决定因素涉及个体生物学因素(如出生间隔)、家庭社会经济地位(如母亲财富和教育)及社区高质量卫生服务可及性。既有Cox PH等统计方法虽用于识别危险因素,但受线性性和比例风险假设限制,难以稳健纳入出生间隔等纵向过程,也难以充分刻画多协变量间复杂非线性交互,导致预测模型不够精准,难以支持聚焦且高效的干预。机器学习(machine learning, ML)中的随机生存森林(Random Survival Forests, RSF)和梯度提升机(Gradient Boosting Machines, GBM)可自动识别非线性关系和高阶交互;而短出生间隔是可修饰危险因素,若仅作为基线暴露处理会忽略时间动态,因此需要联合建模同时分析出生间隔纵向轨迹与儿童死亡风险。基于此,研究人员利用2024年赞比亚人口与健康调查(Zambia Demographic and Health Survey, ZDHS)数据,建立并稳健比较ML模型与经典及惩罚Cox模型,评估ML是否具有更优预测准确性,识别赞比亚情境下最重要危险因素,并用JM框架验证死亡风险与出生间隔过程的时间依赖关系,为一线卫生工作者风险分层和儿童生存干预提供依据。

关键技术方法概括(不超过250字):数据来自公开可用的2024年ZDHS,初始35,610例活产,最终分析9,362例单胎活产、1,236例死亡事件(13.2%)。以Cox PH为基准,比较Lasso Cox回归、RSF和GBM,并用贝叶斯联合模型推断出生间隔与死亡关联。采用母亲层面外层折的嵌套10折交叉验证、内层5折超参数调优;以时间依赖C-index和AUC(t)评价判别,以积分Brier评分评价校准;用Schoenfeld残差检验比例风险假设,并以分层Cox处理时变效应;联合模型采用JMbayes2和马尔可夫链蒙特卡洛(Markov chain Monte Carlo, MCMC)估计;Cox模型纳入抽样权重和聚类稳健标准误。

研究结果如下。样本特征与死亡事件率(Sample characteristics and mortality event rates):经多胎、年龄范围及完整案例筛选后,最终队列为9,362名儿童,1,236例5岁以下死亡(13.2%);出生间隔<18个月组死亡率为37.4%,48个月组为5.4%,提示短出生间隔与更高死亡事件率相关。Cox比例风险模型结果(Cox proportional hazards model results):多变量Cox模型显示母亲年龄具保护作用(HR = 0.909/年,95% CI: 0.885–0.934),母亲教育呈剂量反应保护效应(中等教育 vs 无:HR = 0.426,95% CI: 0.318–0.570;高等教育 vs 无:HR = 0.399,95% CI: 0.214–0.745),既往儿童死亡显著增加风险(HR = 1.648,95% CI: 1.529–1.777);调整后财富五分位与儿童死亡无显著关联(均p > 0.10)。全局比例风险(proportional hazards, PH)检验显示违反假设(df = 22,p = 0.0009),主要来自母亲教育和既往儿童死亡;分层Cox敏感性分析结果与主分析一致。出生间隔的联合建模结果(Joint modeling results for birth intervals):JM显示潜在出生间隔过程与儿童死亡瞬时风险显著相关(95% CI: 0.023–0.048,p < 0.001),模型拟合优于标准Cox模型(似然比检验P < 0.001);短出生间隔与死亡风险陡增相关,支持母亲耗竭假说;出生间隔均值随产次从45.4个月(产次2)降至39.0个月(产次10);分层Cox模型C-index = 0.715(SE = 0.012),母亲教育保护效应(中等教育:HR = 0.463,95% CI: 0.359–0.598)和高产次风险(产次7+:HR = 3.654,95% CI: 2.479–5.387)获确认。机器学习模型性能(Machine learning model performance):嵌套交叉验证下四种模型C-index为0.745—0.750,GBM最高(0.750),Cox PH为0.745;积分Brier评分(Integrated Brier Score, IBS)为0.095—0.096;DeLong检验成对比较均无统计学显著差异(均p > 0.05),提示ML与Cox模型判别性能相当。预测变量重要性与风险分层(Predictor Importance and Risk Stratification):RSF和GBM均将出生间隔和母亲年龄列为最重要预测因素,其次为既往儿童死亡;ML模型捕捉到母亲年龄与死亡风险的U形关系,而Cox模型仅报告平均线性效应;Lasso Cox选择21个非零系数;DeLong检验未显示模型间显著差异。模型校准(Model calibration):经逆概率删失加权(inverse probability of censoring weighting, IPCW)调整的Brier评分在12、24、36、48个月评估,IBS为0.095—0.096,各时点差异<0.003且置信区间大量重叠;48个月后截断因60个月无剩余风险集,提示四模型校准等价。

讨论部分总结:该研究主要发现是在嵌套交叉验证下,ML模型与Cox回归对赞比亚5岁以下儿童死亡具有可比预测性能,C-index约0.745—0.750,成对差异不显著;这强调严格嵌套验证在预测生存模型比较中的重要性,非嵌套过程可能产生乐观估计。四种模型判别与校准相当,说明树集成方法的复杂性在该结局和赞比亚情境下未转化为更好的判别或校准,支持在性能等价时优先选择更简单、可解释、计算成本低且易在资源有限环境实施的Cox模型。变量重要性分析显示出生间隔和母亲年龄最重要,其次既往儿童死亡;出生间隔是可修饰危险因素,其领先地位强化母亲耗竭假说和最佳出生间隔的重要性;母亲年龄反映青少年妊娠和高龄妊娠等生物与社会脆弱性;既往儿童死亡可能作为未测家庭或环境风险标志。JM显示出生间隔潜在过程与死亡瞬时风险显著正相关,短间隔与更高风险相关,支持母亲耗竭假说,并较标准时变Cox更有效处理信息删失和测量误差。母亲教育具强保护作用,与既往赞比亚和撒哈拉以南非洲DHS分析一致;财富梯度在多变量调整后减弱,提示社会经济梯度可能主要通过母亲教育和生殖行为发挥作用。PH假设违反提示母亲教育和既往儿童死亡效应随儿童生命历程变化;分层Cox处理既往儿童死亡后结果一致。与既往赞比亚研究相比,该研究扩展在于正式比较经典与ML生存模型、应用JM处理纵向出生间隔过程并评估校准。多胎敏感性分析显示多胎死亡风险更高(HR = 2.50,95% CI: 2.02–3.10,p < 0.001)。研究还提取GBM可解释决策规则以支持基层应用。局限性包括横断面DHS回忆偏倚、不能作因果推断、回顾性生育史仅提供伪纵向结构、ML未纳入复杂抽样权重、每折事件数有限(约125)、60个月校准无法评价及需外部验证。

研究结论(翻译):该研究对经典和先进生存建模技术预测5岁以下儿童死亡进行了全面比较分析。利用赞比亚DHS数据,研究人员证明机器学习模型,特别是RSF和GBM,提供与Cox PH框架相当的预测准确性和判别能力。在嵌套交叉验证下,四种模型表现等价,且ML模型捕捉了社会经济和母亲健康数据中的非线性复杂性和交互,即使总体判别等价,也为识别高风险儿童提供额外解释价值。该研究的关键贡献是应用联合模型,将纵向出生间隔标志与生存结局整合。显著关联参数证实“母亲耗竭假说”,表明出生间隔波动是经典模型常过度简化的时变预测因素。此外,变量重要性分析识别出生间隔和母亲年龄为最有影响力预测因素,其次为既往儿童死亡,提示母亲产科史可作为家庭脆弱性和生物风险的代理。从政策角度看,研究结果倡导转向数据驱动的精准公共卫生策略;赞比亚干预应优先关注有儿童死亡史的母亲,并聚焦整合家庭计划服务以优化出生间隔。总之,将联合建模和机器学习整合进公共卫生监测可提升理解和预测儿童死亡的能力;鉴于简单和复杂模型表现相当,公共卫生实施应优先采用可解释、可扩展的方案,未来研究应探索将这些模型部署到实时临床决策支持系统,以帮助一线卫生工作者进行靶向资源分配。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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