《Discover Public Health》：An explainable machine learning pipeline using XGBoost and SHAP to identify factors associated with tuberculosis treatment adherence in a district health center
编辑推荐：
背景 结核病（tuberculosis, TB）治疗依从性对于预防疾病复发和耐多药菌株出现至关重要。理解与非依从行为特征相关的因素，可指导针对性咨询干预，尤其是在资源受限的公共卫生环境中。方法 研究人员开展了一项探索性横断面研究，利用某区级医疗中心379例TB
背景 结核病（tuberculosis, TB）治疗依从性对于预防疾病复发和耐多药菌株出现至关重要。理解与非依从行为特征相关的因素，可指导针对性咨询干预，尤其是在资源受限的公共卫生环境中。方法 研究人员开展了一项探索性横断面研究，利用某区级医疗中心379例TB门诊患者的调查数据。在80/20划分后，众数插补参数和Boruta特征选择仅从训练分区导出，训练集导出的众数值随后应用于留出测试集中的缺失观测。SMOTE（Synthetic Minority Over-sampling Technique）仅应用于训练数据。研究人员在独立留出测试集上，将极端梯度提升（eXtreme Gradient Boosting, XGBoost）分类器的性能与SMOTE平衡的逻辑回归（Logistic Regression）基线进行比较。结果 所提出的XGBoost + SMOTE模型获得受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC-ROC）为0.768（95% CI：0.623-?0.896），敏感性为47.1%（95% CI：23.1-?73.3%），特异性为89.8%（95% CI：82.0-?96.7%）。McNemar检验（McNemar’s test）（p = 0.4545）表明，与SMOTE平衡的逻辑回归相比，分类性能无统计学显著差异。然而，SHAP（SHapley Additive exPlanations）分析提供了更深入的可解释洞察，揭示患者对定期检测时间安排和核心治疗原则的理解与依从行为关联最强。结论 通过识别社会人口学因素与特定知识缺陷之间的非线性交互，该可解释人工智能（explainable AI, XAI）框架映射了关联性风险特征。这使医务人员能够精准针对教育缺口并优先实施行为干预，为未来纵向预测系统奠定基础。
论文解读：结核病（tuberculosis, TB）治疗依从性是防止疾病复发和耐药株出现的关键。TB仍是全球重要公共卫生挑战，越南被持续列为全球TB高负担前30位国家之一。有效抗结核方案存在，但项目成功高度依赖患者对至少6个月长疗程的严格依从。治疗中断或非依从与治疗失败、疾病复发及耐多药结核病（multidrug-resistant tuberculosis, MDR-TB）出现相关，并延长社区传染期。既往研究显示疾病知识、社会污名、药物不良反应、卫生服务质量、经济约束和家庭支持等临床、社会人口学及心理因素共同影响依从。传统观察性研究多依赖逻辑回归（Logistic Regression, LR）等传统统计方法，受线性假设和类别不平衡限制；机器学习（machine learning, ML）如极端梯度提升（eXtreme Gradient Boosting, XGBoost）可建模复杂非线性交互，但“黑箱”不透明限制临床可解释性。为此，研究人员开展探索性横断面研究，构建并评价可解释机器学习流程，以识别与TB治疗依从性相关因素，映射关联行为特征，为针对性教育和行为干预提供依据。重要意义在于用可解释人工智能（explainable artificial intelligence, XAI）框架将社会人口学因素与特定知识缺陷的非线性交互转化为可操作风险特征，帮助医务人员精准定位教育缺口并优先干预，为未来纵向预测系统奠基。
关键技术方法（不超过250字）：研究采用探索性横断面设计，样本来自2025年5月至12月区级医疗中心379例TB门诊患者，连续非概率抽样，原始数据含46个变量。数据按80/20分层划分为训练集和独立留出测试集；缺失值以训练集众数插补并应用于测试集，Boruta算法从训练集筛选16个确认核心特征，合成少数类过采样技术（Synthetic Minority Over-sampling Technique, SMOTE）仅用于训练集。研究人员在独立测试集比较SMOTE平衡LR基线与XGBoost分类器，并以SHAP（SHapley Additive exPlanations）进行全局和局部解释；用1000次重抽样估计95%置信区间（confidence interval, CI），用McNemar检验比较配对分类。
结果：3.1 研究人群特征：通过6项核心治疗原则的“全或无”评分量化临床依从性，293例（77.3%）完全依从，86例（22.7%）非依从，男性占67.5%；单因素分析总结保留基线特征和知识变量。3.2 预测模型性能与校准：XGBoost+SMOTE的AUC-ROC为0.7677，高于LR+SMOTE的0.7468；特异性0.8983高于0.7627，LR敏感性更高；McNemar检验p = 0.4545，配对分类无统计学显著差异。XGBoost的Brier Score（Brier评分）为0.1455低于LR的0.1917，但校准曲线在高预测概率处明显偏离45度参考线，提示SMOTE训练导致绝对风险高估，输出概率应作为未校准风险评分用于相对分层，而非原始患病率下的精确临床概率。3.3 基于SHAP的模型可解释性：SHAP蜂群图显示，与模型风险预测关联最强的特征多与患者医学素养有关，缺乏“检测时间安排知识”与更高非依从风险强关联；瀑布图示例患者最终模型输出f(x) = 1.844（log-odds），对应模型生成概率86.3%，为未校准风险评分，主要关联脆弱性为教育水平和缺乏定期检测知识；交互图显示年龄与不同知识参数之间存在复杂非线性协同，可共同放大或缓解依从风险，为多层面健康教育提供基础。
讨论部分总结：研究人员观察到22.7%非依从率与Fernandes等在其他发展中地区报道趋势一致。方法学评价表明，在中等规模表格型公共卫生数据集中，公平应用SMOTE后XGBoost与LR原始指标表现相当，配对分类无显著差异；XGBoost流程的明确优势在于与SHAP协同，可在不依赖刚性线性假设下提取非线性“风险解剖”。SHAP分析识别特定患者知识缺陷与非依从强相关，尤其是对定期检测安排和核心治疗原则的理解；直接行为问题被移除以防止数据泄漏，但保留特征与依从构念语义重叠，隔离特定知识缺陷仍提供可操作教育靶点，与Craciun等强调健康素养缺口是治疗完成主要障碍的发现一致。模型敏感性47.1%提示未捕获所有非依从患者，研究人员在原文中提出假设：模型对未测量的日常混杂因素（如突发经济冲击、急性情绪困扰或不可预测家庭紧急情况）仍说明不足。局限性包括横断面设计仅描述关联风险而非前瞻因果预测、样本量N = 379导致敏感性95% CI较宽、部分经济变量存在多重共线性（方差膨胀因子VIF>5）可能造成树模型SHAP值“credit splitting”、严格全或无结局定义限制行为细微差别、针对性干预需临床人员时间和卫生中心基础设施投入。
研究结论翻译：本研究成功部署SMOTE-XGBoost机器学习流程并结合可解释人工智能（explainable AI, XAI）探讨TB治疗非依从相关因素。虽然XGBoost与平衡LR之间观察到统计等价，但通过SHAP解决人工智能“黑箱”问题解锁了可解释临床洞察。通过映射社会人口学约束与特定知识盲点之间的非线性交互，该框架使医务人员能够从通用建议转向高度个性化教育咨询。未来纵向研究可探索将此类可解释模型整合到电子健康记录（Electronic Health Records, EHR）中，为行为干预和资源分配提供实时、数据驱动的支持。
