《Diagnostics》：Explainable Classification Models for Identifying Elevated Gastrointestinal Symptom Burden in Honduran Communities: A Cross-Sectional Study
编辑推荐：
背景/目标：胃肠症状是初级医疗咨询的常见原因，然而在中美洲农村地区，专科评估往往难以获得。研究人员评估了使用廉价的人口统计学和生活方式数据的可解释模型，能否识别年龄在12至49岁之间、同时存在 elevated 胃肠症状负担的社区居民。方法：这是一项横断面调查
背景/目标：胃肠症状是初级医疗咨询的常见原因，然而在中美洲农村地区，专科评估往往难以获得。研究人员评估了使用廉价的人口统计学和生活方式数据的可解释模型，能否识别年龄在12至49岁之间、同时存在 elevated 胃肠症状负担的社区居民。方法：这是一项横断面调查，覆盖洪都拉斯五个省的85个社区共1838名居民。elevated 症状负担定义为以下四项指标中至少具备两项：近期腹痛、胃灼热、胃食管反流和餐后腹胀。模型A使用八项人口统计学和生活方式预测因子；模型B额外加入自我报告的既往消化系统诊断。在重复嵌套五折与十折交叉验证及社区分组交叉验证下，将逻辑回归与六种机器学习分类器进行比较。评估内容包括区分度、校准度、配对差异、社区层面不确定性、决策曲线、SHAP可解释性和亚组性能。结果：elevated 症状负担影响840/1838名参与者（45.7%，95% CI 43.4至48.0）。模型A显示出中等区分度（AUROC 0.663，95% CI 0.639至0.688），而模型B性能改善（AUROC 0.726，95% CI 0.702至0.748）且校准良好（斜率0.955）。没有灵活的机器学习模型优于逻辑回归；与梯度提升的配对AUROC差异为0.001（95% CI ?0.008至0.010）。在既往诊断分层内，区分度仅为0.621至0.643。模型B在阈值约为0.25以上时，相较于全部筛查和全部不筛查策略提供了净获益，但达到80%敏感度需要标记66%的参与者。结论：低成本信息可以中等准确度识别同时存在的 elevated 胃肠症状负担。一个简约、校准良好的逻辑回归模型性能与更复杂方法相当，是社区层面识别当前负担的合理候选工具，而非用于预测风险。在临床实施前需进行前瞻性外部验证和年龄特异性阈值研究。
论文解读
一、研究背景与问题
胃肠症状是普通人群中最常见的健康主诉之一。罗马基金会全球研究显示，超过40%的受访者至少符合一种肠-脑互动障碍的诊断标准，且女性多于男性，生活质量受损明显。在拉丁美洲，幽门螺杆菌（Helicobacter pylori）感染背景流行率高达约60%，远高于北美和西欧。在洪都拉斯及中美洲大部分农村地区，腹痛、胃灼热或腹胀患者的首次且往往是唯一的临床接触是在初级卫生保健点，而这些机构通常无法进行内镜、呼气试验或专科转诊。在这种资源受限条件下，核心问题不再是患者具体患有哪种疾病，而是谁应优先获得有限的评估资源。阿斯塔纳宣言亦呼吁利用现有证据将稀缺能力导向最需要的人群。尽管机器学习被认为可能有助于这种优先排序，但现有证据在地理上极为狭窄：针对中低收入国家实际卫生环境中人工智能应用的系统综述仅识别出十项合格研究，且几乎没有涉及胃肠健康。近期胃肠道表格数据机器学习应用多来自东亚和南亚的医院或健康体检队列，尚无针对中美洲社区症状负担的研究。此外，算法在不同人群间的可迁移性存在风险，例如曾被广泛部署的风险算法因预测医疗支出而非疾病本身，导致对黑人患者的转诊不足。因此，面向中美洲初级卫生保健的模型必须在该人群中开发、评估并透明报告。研究还考虑了建模策略问题：已发表预测研究的系统比较发现，在验证程序处理得当的情况下，机器学习相对于逻辑回归并无一致的区分度优势，且灵活学习器的校准常较差且鲜有报告。因此，本研究的贡献在于方法学与情境层面，而非算法层面。
二、研究目的与设计
研究人员开展了一项横断面、基于社区的观察性研究，于2025年9月18日至11月19日在洪都拉斯五个省（Colón、Comayagua、El Paraíso、Intibucá和Olancho）的85个社区进行。研究对象为12至49岁、在社区居住至少六个月且无已知器质性胃肠疾病或近三个月内未接受胃肠感染治疗的居民。招募围绕15所公立初级卫生保健机构（Centros Integrales de Salud、Unidades de Atención Primaria en Salud及相关单位）的覆盖区域展开。最终分析数据集包含1838名参与者，其中840名（45.7%）符合 elevated 症状负担的定义（至少同时存在四项指标中的两项：近30天腹痛、近两周胃灼热、任何程度的胃食管反流超过“从不”、餐后腹胀）。模型A使用八项人口统计学和生活方式预测因子（年龄、性别、教育程度、每日纤维丰富食物摄入、每天至少八杯水、每周至少三次体力活动、当前吸烟、习惯性饮酒）；模型B在模型A基础上增加一项自我报告的既往消化系统诊断。所有预测因子均可在约十分钟的入户访谈中获得。结局与预测因子在同一访谈中测量，因此模型属于诊断型（并发）分类模型，而非预后模型。
三、关键技术方法
研究采用嵌套交叉验证进行内部验证：外层为五折分层交叉验证重复五次，每个外折内进行三折内层超参数网格搜索，以AUROC为优化目标；阈值（Youden指数）仅在外层训练折内由内层交叉验证预测推导，然后应用于held-out折。比较了七种算法：多变量逻辑回归（常规参考）、弹性网络惩罚逻辑回归、随机森林、XGBoost梯度提升、单一决策树、径向基核支持向量机、前馈人工神经网络。还进行了十折嵌套交叉验证、社区分组交叉验证以及社区层面聚类自助法（重采样85个社区）以量化不确定性。校准通过校准截距和斜率评估，临床效用通过决策曲线分析（decision curve analysis）评估，可解释性使用SHAP值。所有分析在Python 3.13中实现，使用scikit-learn 1.9.1、XGBoost 3.4.1、SHAP 0.53.0等库，单一随机种子20251212控制所有随机成分。
四、主要结果
（1）参与者特征与症状负担
elevated 症状负担组平均年龄较非负担组大四岁（Cohen's d 0.39），当前吸烟频率为三倍（16.2%对5.3%，OR 3.44），习惯性饮酒为近三倍（23.8%对10.0%，OR 2.81）。最强的单一关联是既往消化系统诊断：负担组中36.9%报告有既往诊断，非负担组仅8.9%（OR 5.97）。症状在社区内的组内相关系数为0.065，对应设计效应5.59。反流（超过“从不”）是最常见的指标（55.3%），仅10.6%报告为频繁或持续。自评消化健康与复合结局的关联最强（Cramer's V 0.503）。
（2）模型性能与算法比较
仅使用人口统计学和生活方式信息（模型A）时，所有主要算法AUROC介于0.660至0.663之间，区分度中等。加入既往诊断后（模型B），AUROC提升至0.723至0.726，增量约为0.06且跨算法一致。模型B逻辑回归AUROC为0.726（95% CI 0.702至0.748），AUPRC 0.705，校准斜率0.955，Brier分数0.208。梯度提升与逻辑回归几乎相同（AUROC差异0.001，95% CI ?0.008至0.010），随机森林略低（0.723）。支持向量机AUROC 0.720，神经网络0.713，单一决策树0.704。社区分组交叉验证下，回归模型几乎没有性能下降（模型B逻辑回归AUROC 0.722），而树集成下降更多（随机森林0.711，梯度提升0.712）。十折交叉验证结果与五折几乎一致。逻辑回归的训练-留出乐观度仅0.008，而随机森林和梯度提升分别为0.048和0.049。
（3）校准与临床效用
模型B逻辑回归校准良好（截距0.000，斜率0.955），随机森林明显校准不良（斜率1.254），梯度提升斜率0.930。决策曲线分析显示，在阈值概率约0.25以上，模型B策略的净获益优于“全部筛查”；在0.40阈值时，模型B净获益0.186，对比“全部筛查”的0.095。但达到80%敏感度需要标记66.3%的样本，仅避免每100人约5.7次评估，同时每100人约漏掉9名受影响者。在容量受限情景下，评估风险最高的30%人群可捕获48.9%的受影响者，阳性预测值74.5%。
（4）模型可解释性
多变量逻辑回归中，既往消化系统诊断仍是最强相关因素（调整OR 5.13），其次为习惯性饮酒（OR 2.08）和当前吸烟（OR 1.99）。体力活动（OR 0.68）、充足饮水（OR 0.74）和每日纤维摄入（OR 0.78）与较低负担相关。线性SHAP分解显示，既往诊断的贡献占主导（平均绝对贡献0.556 log-odds单位），其次为饮酒（0.200）、体力活动（0.192）和年龄（0.173）。梯度提升的SHAP排序与之类似，仅教育程度排序略有不同。
（5）亚组与稳健性分析
区分度在男性中更高（AUROC 0.759，女性0.703），在12至17岁青少年中最弱（0.650）。不同省份AUROC范围从0.665至0.794。加性既往诊断的增益几乎完全发生在诊断分层之间：有既往诊断者的结局患病率为77.7%，无诊断组为36.8%，但两分层内的AUROC分别仅为0.643和0.621。年龄特异性阈值（目标80%敏感度）可使各年龄段的检测率均衡（79.3%至81.7%），但特异性降至34.5%至45.1%。部门层面的再校准（recalibration-in-the-large）可校正Intibucá和Olancho的截距偏移。六项敏感性分析结果稳定，AUROC范围模型A为0.659至0.673，模型B为0.718至0.745。
五、讨论与结论
研究人员指出，本研究核心定量发现是准确性来源的分解：单纯人口统计学和生活方式信息AUROC仅0.663，不足以指导个体分诊；增加一个既往诊断问题后AUROC提升至0.726，该问题在SHAP分析中贡献约一半的模型信号，调整OR超过5。但该增益几乎完全来自诊断分层之间（有诊断者负担率更高），而非分层内的排序改善。机器学习未带来额外增益：随机森林和梯度提升与逻辑回归差异不超过0.003 AUROC，配对置信区间均包含零，且树集成在社区分组验证中损失更多、校准更差。这支持优先选择透明的九变量回归模型进行外部验证。亚组分析显示单一全局阈值在不同年龄带表现差异大，青少年检测率不足三分之一，因此不推荐在青少年中使用当前模型，需要年龄特异性阈值和部门间截距再校准。研究局限性包括横断面设计、便利抽样、自报数据、无临床诊断金标准、内部验证不等同于外部推广等。结论认为，在1838名洪都拉斯12至49岁无已知器质性胃肠疾病居民中，elevated多症状胃肠负担影响45.7%的参与者，可通过简短访谈获取的信息以中等准确度识别。一个简约、校准良好的逻辑回归模型（八个人口统计学和生活方式条目加一个既往诊断问题）达到AUROC 0.726，在阈值约0.25以上相对全部筛查和全部不筛查策略提供净获益，但高敏感度时的效率增益较小。更复杂的机器学习方法未提供有意义的区分度优势，支持更简单可解释的模型作为外部验证的主要候选。该模型应视为识别当前症状负担和在该年龄范围内排序评估的工具，而非诊断设备或未来风险预测。临床实施前需在独立人群中进行前瞻性外部验证，并评估年龄特异性阈值或再校准策略及亚组性能。
