将机器学习方法应用于开发针对孟加拉成年人的糖尿病和高血压的预测模型

《PLOS Global Public Health》：Application of machine learning approaches to develop predictive models for diabetes and hypertension among Bangladeshi Adults

　　摘要
随着快速的城市化、生活方式的变化以及人口老龄化，非传染性疾病（NCDs），包括高血压和糖尿病，在孟加拉国以及许多其他低收入和中等收入国家中构成了重大的公共卫生挑战。本研究采用机器学习（ML）方法，开发了针对孟加拉国成年人的高血压和糖尿病的预测模型。分析数据来自2022年孟加拉国人口与健康调查（BDHS），这是一项具有全国代表性的横断面调查。高血压的定义是收缩压/舒张压达到或超过140/90毫米汞柱（mmHg），或正在服用任何抗高血压药物。糖尿病的定义是空腹血浆葡萄糖水平≥7.0毫米摩尔/升（mmol/L），或正在使用任何降糖药物。潜在的预测因素包括年龄、性别、教育水平、财富五分位数、超重/肥胖、居住在农村或城市以及居住区域。进行了描述性分析，并应用了六种ML模型：人工神经网络（ANN）、随机森林（Random Forest）、自适应提升（AdaBoost）、梯度提升（Gradient Boosting）、XGBoost和支持向量机（SVM）。报告了模型的性能和特征重要性。研究共纳入了13,847名成年人（女性占55%）。所有模型的敏感性都很高（糖尿病和高血压的敏感性分别达到0.96和0.90）。然而，总体特异性较低，尤其是对于糖尿病。糖尿病和高血压的患病率分别为16.3%和20.5%。在糖尿病方面，AdaBoost的AUC最高（0.699），而SVM的准确率最高（0.836）；在高血压方面，AdaBoost的AUC最高（0.775），准确率也最高（0.799）。超重/肥胖是高血压最常见的预测因素，其次是年龄和糖尿病。教育和地理因素的影响相对较小。模型间较低的特异性表明在识别非病例方面存在挑战。这项基于ML的分析揭示了高血压和糖尿病之间的双向关系，以及其他几个预测因素，包括超重/肥胖、年龄较大和家庭财富较高。我们的研究结果强调了需要针对高风险群体实施综合筛查和生活方式干预措施，以减轻未来的NCD负担。

引言
非传染性疾病（NCDs），如高血压和糖尿病，已成为全球性的公共卫生问题，在低收入和中等收入国家（LMICs）中尤为严重，包括孟加拉国[1–3]。最新估计表明，NCDs每年导致全球超过三分之二的死亡，其中心血管疾病和糖尿病是主要死因[4,5]。快速的城市化、久坐不动的生活方式、不良饮食习惯以及人口老龄化导致这些疾病在LMICs中的发病率不断增加，包括孟加拉国[1,6,7]。根据国际糖尿病联合会（IDF）的数据，2021年孟加拉国有约1310万成年人患有糖尿病，如果当前趋势持续下去，到2045年这一数字预计将显著增长[8]。同样，该国几乎四分之一的成年人患有高血压，而且往往在出现并发症之前未被诊断[9,10]。这些结果凸显了迫切需要采取主动策略来识别高风险人群并实施有效的预防措施。人工智能（AI）和机器学习（ML）彻底改变了复杂健康数据的分析方式，提供了一种数据驱动的方法来识别传统统计方法无法识别的疾病模式和预测因素[11,12]。例如，与传统的回归模型不同，ML技术如决策树、随机森林和神经网络可以处理高维数据并检测非线性关系[11]。ML已在各种环境中成功应用于基于体重指数（BMI）、家族史和生活习惯等因素预测糖尿病和高血压的发病率[13,14]。尽管孟加拉国和其他类似LMICs在高血压和糖尿病的数据方面存在不足，但最近的多次调查和研究已经探讨了这些疾病的负担及其影响因素[3,6,15,16]。例如，研究表明，年龄较大和 socioeconomic 状态较高（即教育水平较高和财富较多）的人群患高血压/糖尿病的风险更高[6,16,17]。尽管关于孟加拉国NCDs的研究越来越多，但文献中仍存在一些空白，包括通过先进分析（如ML）识别可操作的风险因素[18,19]。这种狭隘的视角忽略了农村和城市人口之间的风险因素多样性，以及国家调查（如BDHS）所捕捉到的社会经济差异。虽然全球研究使用ML技术强调了肥胖和财富状况等预测因素，但缺乏关于这些因素在孟加拉国具体表现的证据。这些空白表明需要一项全面的、基于ML的分析，利用具有全国代表性的数据来全面了解高血压和糖尿病的风险。为了克服这些限制，本研究使用了2022年BDHS数据集。我们的目标有两个：（1）识别孟加拉国成年人中糖尿病和高血压的预测因素；（2）评估不同ML模型在这方面的性能。本研究旨在揭示驱动这些疾病的新见解，并为制定针对性的公共卫生策略提供依据。研究结果有助于政策制定者开发干预措施，以解决NCDs的根本原因，从而减轻其对孟加拉国医疗系统的冲击。

方法
**研究设计**
本研究分析了2022年BDHS的数据，这是一项覆盖孟加拉国所有行政区域的全国性横断面调查。该调查旨在获取主要的人口和健康指标估计值，包括高血压和糖尿病。这项调查由孟加拉国的私人研究公司Mitra and Associates负责实施。大约有200名数据收集员接受了招募和培训来进行访谈。数据收集工作于2022年6月至12月进行[9]。我们在2025年4月对数据进行了分析。

**样本设计和覆盖范围**
2022年BDHS采用了多阶段集群抽样设计。该设计基于2011年的孟加拉国住房和人口普查创建了抽样框架。样本框架包含了一系列普查区域（EA）。家庭在第二阶段从这些普查区域中选取，并在家庭访问期间收集数据[9]。2022年BDHS共选取了675个普查区域，其中425个位于农村地区，250个位于城市地区[10,20]。为了与该国的人口分布相匹配，从每个普查区域随机选取了大约30个家庭。其中三分之一的家庭符合血压和血糖测量的条件。这确保了样本的代表性，从而获得可靠的人口和健康指标估计值。2022年BDHS高血压和糖尿病模块的年龄要求为18岁及以上。调查的响应率为98%。有关BDHS的详细信息，包括调查设计、方法论、样本量估计、问卷和结果，可在线获取[9]。

**结果变量**
本研究的结果变量是高血压和糖尿病。
**高血压**：如果一个人满足以下三个条件之一，则被认为是高血压患者：收缩压（SBP）达到或超过140毫米汞柱，舒张压（DBP）达到或超过90毫米汞柱，或者正在服用任何抗高血压药物。LIFE SOURCE UA-767 Plus监测仪记录了血压（BP）。每次测量之间间隔十分钟进行三次测量。最终血压值取最后两次测量的平均值[9]。
**糖尿病**：如果一个人的空腹血浆葡萄糖水平≥7.0毫米摩尔/升（mmol/L），或者正在服用降糖药物，则被认为是糖尿病患者。使用HemoCue 201+血糖分析仪记录血糖值[9]。

**潜在因素**
基于科学合理性、文献搜索和数据结构，本研究调查了以下可能与结果相关的变量：年龄、性别、教育水平、家庭财富五分位数、超重/肥胖以及居住在农村或城市和地区。由于糖尿病和高血压之间存在双向关联（即它们可以相互增加风险）[21–23]，我们将高血压作为糖尿病的预测因素，糖尿病作为高血压的预测因素。纳入了多种人口和社会经济变量，以尽量减少预测因素和结果之间的潜在混淆。同时纳入糖尿病和高血压有助于控制相互混淆效应。年龄分为18–34岁、35–44岁、45–54岁、55–64岁和65岁及以上。教育水平分为无正规教育、小学教育（1–5年）、中学教育（6–10年）和大学及以上教育（11年及以上）。受访者报告了他们当前的工作状况。家庭财富指数得分是通过分析家庭的基本建筑材料（如地板、屋顶和墙壁）、饮用水来源、卫生设施以及电力和其他物品的可用性得出的。超重/肥胖的定义是体重指数（BMI）≥25千克/平方米[24]。然后将得分分为五个等级：最贫困、较贫困、中等、较富裕和最富裕。2022年BDHS的研究区域包括达卡、吉大港、拉杰沙希、库尔纳、巴里萨尔、朗普尔、锡尔赫特和迈门辛[9]。

**统计分析**
所有分析均使用Python（Spyder IDE）进行。首先进行了描述性分析，并报告了上述特征中糖尿病和高血压的分布情况。使用卡方检验（Chi-square tests）来检查分布差异。然后将数据集分为训练集（80%）和测试集（20%）。由于数据集不平衡（即糖尿病/高血压的患病率较低），应用了合成少数类过采样技术（SMOTE）和自适应合成采样（ADASYN）来平衡训练数据集。SMOTE通过插值现有少数类样本生成合成样本[25]，而ADASYN则更关注决策边界附近的难以学习的少数类样本[26]。使用这两种方法可以评估不同重采样策略下模型性能的稳健性；由于ADASYN在初步比较中的敏感性更高，因此主要展示了其结果。实施了六种ML算法进行分类：（1）人工神经网络（ANN）；（2）随机森林（Random Forest）；（3）AdaBoost；（4）随机梯度提升（GBM）；（5）极端梯度提升（XGBoost）；（6）支持向量机（SVM）。这六种ML算法代表了流行病学预测中多样且广泛使用的建模框架。随机森林和梯度提升方法在捕捉人群健康数据中的非线性关系和交互作用方面非常有效。AdaBoost和XGBoost因其处理不平衡数据集的稳健性和在健康风险预测中的强大性能而被纳入。SVM因其能够在高维特征空间中建模复杂的决策边界而被选用，而ANN可以在灵活和非参数架构下评估性能。总体而言，这些模型允许全面比较预测准确性、区分度和解释性，这些对于公共卫生应用非常重要。在训练和验证过程中应用了十折交叉验证来评估模型可靠性。使用独热编码（one-hot encoding）对分类变量进行了预处理。通过网格搜索和交叉验证相结合的方式微调了模型超参数。报告了准确率、敏感性、特异性、曲线下面积（AUC）和F1分数，以评估和比较六种ML模型的性能。生成了接收者操作特征（ROC）曲线来评估模型的区分能力。对于能够估计特征重要性的算法（如随机森林、XGBoost、GBM），使用特征重要性分数确定了最重要的预测因素。对于线性模型（如带有线性核的SVM），提取了模型系数以确定每个变量对高血压和糖尿病预测的贡献。使用pandas和numpy库进行了数据操作任务（如重新编码或分组）。使用Matplotlib和Seaborn创建了可视化图表，并使用scikit-learn、XGBoost和TensorFlow/Keras库实现了ML算法。

**结果**
共有13,835名成年人参与了分析；其中约16.3%患有糖尿病，20.6%患有高血压（表1）。糖尿病影响了15.6%的男性和16.9%的女性（P = 0.052）。女性的高血压患病率显著高于男性（23.5% vs 17.0%；P < 0.001）。两种疾病的患病率都随年龄增长而增加（P < 0.001），在65岁及以上的人群中，糖尿病的患病率达到24.4%，高血压的患病率达到27.6%。教育水平与糖尿病有轻微关联（P = 0.046），而在无教育背景的人群中，高血压的患病率最高（28.6%；P < 0.001）。财富五分位数显示出梯度效应，糖尿病的患病率从最贫困组的9.9%增加到最富裕组的24.9%，高血压的患病率从最贫困组的15.4%增加到最富裕组的27.6%（P < 0.001）。城市居民的患病率（糖尿病：21.7%；高血压：23.3%）高于农村居民（13.5%；19.2%；P < 0.001）。从地区角度来看，达卡的糖尿病患病率最高（21.1%），而拉杰沙希的高血压患病率最高（23.6%；P<0.001）。超重/肥胖显著增加了这两种疾病的患病率（P<0.001）。下载：PPT、PowerPoint幻灯片、PNG格式大图、TIFF格式原图。表1显示了根据不同特征划分的糖尿病和高血压分布情况。https://doi.org/10.1371/journal.pgph.0004797.t001

表2展示了六个机器学习模型的性能指标。在糖尿病方面，XGBoost取得了最高的准确率（0.821）和F1分数（0.899），灵敏度为0.958，表明其具有很强的正类检测能力，尽管特异性较低（0.127）。梯度提升模型紧随其后（准确率：0.803，F1分数：0.885）。SVM和随机森林的表现也不错，准确率分别为0.805和0.790。AdaBoost的准确率最低（0.682），但AUC较高（0.694）。在高血压方面，XGBoost再次表现出色（准确率：0.779，F1分数：0.865），灵敏度为0.899。梯度提升和SVM的表现较为均衡（准确率：0.751，0.755）。AdaBoost的AUC最高（0.770），但准确率较低（0.700）。总体而言，XGBoost在两种疾病中的预测性能均表现出色，尤其是在灵敏度和F1分数方面。下载：PPT、PowerPoint幻灯片、PNG格式大图、TIFF格式原图。表2显示了通过ADASYN获得的评估模型的性能指标。https://doi.org/10.1371/journal.pgph.0004797.t002

图1展示了用于评估六个分类模型区分能力的ROC曲线。在糖尿病方面，梯度提升模型的AUC最高（0.695），AdaBoost紧随其后（0.694），表明其在区分类别方面表现强劲。XGBoost（AUC：0.652）和SVM（AUC：0.632）表现中等，而ANN的AUC最低（0.585）。随机森林（AUC：0.636）的表现略优于ANN，但低于顶级模型。在高血压方面，梯度提升模型再次领先，AUC最高（0.773），AdaBoost（AUC：0.770）和XGBoost（AUC：0.745）紧随其后，显示出强大的分类能力。SVM（AUC：0.737）和随机森林（AUC：0.704）表现中等，而ANN的AUC最低（0.680）。在两种疾病中，梯度提升模型始终表现出色的区分能力，AdaBoost在AUC指标上表现尤为突出。下载：PPT、PowerPoint幻灯片、PNG格式大图、TIFF格式原图。图1显示了结果的接收者操作特征曲线。https://doi.org/10.1371/journal.pgph.0004797.g001

表3报告了预测糖尿病的关键特征重要性。我们列出了在六个模型中排名前五的特征。值得注意的是，两种结果变量的前五特征是相似的。对于糖尿病，所有模型中超重/肥胖的排名均为第一（频率=6），其次是年龄（第三，频率=6）。财富五分位数和性别排名第四至第五，而教育程度、地区和居住地排名第六至第八。对于高血压，超重/肥胖是首要预测因素（第一，频率=6），其次是年龄（第二，频率=6）和糖尿病（第三，频率=6）。财富五分位数和性别排名第四至第五，教育程度、地区和居住地排名第六至第八。与健康相关的特征（高血压、超重/肥胖和糖尿病）以及年龄始终占据主导地位。教育程度和地理因素的重要性较低，SVM在财富五分位数和性别的排名上略有差异。这些发现突出了糖尿病和高血压的关键风险因素，为有针对性的干预措施提供了依据。下载：PPT、PowerPoint幻灯片、PNG格式大图、TIFF格式原图。表3显示了所有研究模型中识别出的前五特征。https://doi.org/10.1371/journal.pgph.0004797.t003

讨论

本研究使用了2022年BDHS的全国代表性数据，并应用了现代机器学习方法来识别和排名孟加拉国成年人的糖尿病和高血压预测因子。除了观察到糖尿病和高血压之间的双向关系外，年龄、财富五分位数和超重/肥胖也是该国家这两种疾病的潜在相关因素。我们的发现不仅确认了已知的糖尿病或高血压风险因素，还提供了关于影响这些疾病的人口统计、社会经济和健康相关变量的见解。这些见解对于有针对性的预防、政策制定和卫生系统规划具有重要意义。从方法论的角度来看，使用机器学习算法实现了稳健的预测建模。使用传统统计技术可能无法识别变量之间的复杂关系。AdaBoost、XGBoost和梯度提升在两种疾病的灵敏度和F1分数方面均优于其他模型。它们的优异表现展示了集成学习方法在健康预测任务中的价值，尤其是在处理多维数据时[11,12]。SVM和ANN的表现也较好，尽管SVM在糖尿病方面的AUC最低，表明其区分能力较弱。ADASYN的使用可能有助于提高模型的灵敏度，因为它强调了难以分类的少数病例。然而，这可能会以牺牲特异性为代价，并突显了低患病率结果的重采样策略所固有的权衡。此外，模型中观察到的低特异性，尤其是在糖尿病方面，可能是由于这两种疾病的患病率较低（糖尿病为16%，高血压为21%）。这些低特异性水平表明，进一步改进模型或纳入额外的行为或临床变量可能会提高性能[11,12]。与流行病学中常用的传统回归模型相比，机器学习方法在捕捉非线性关系和复杂交互作用方面具有优势，无需预先指定函数形式。尽管逻辑回归在推断方面仍然有价值，但这里使用的模型在区分能力和预测因子排名方面表现更好[11,12]。这些发现强调了机器学习在人群健康分析中的互补作用。特征重要性排名在所有机器学习模型中呈现出一致的模式。与健康相关的变量（即高血压、糖尿病和超重/肥胖）以及年龄是主要预测因子。财富五分位数和性别也有显著关联；然而，教育程度、居住地和地区的影响相对较小[6,16,27]。这种预测因子的层次结构强调了人口统计和地理背景的重要性，而生理和生活方式相关指标是非传染性疾病风险的最直接决定因素[16,28]。本研究观察到的特征患病率估计突显了已知预测因子的意义，这些预测因子可用于制定和实施预防和控制计划。例如，与先前的研究一致，这两种疾病都与年龄较大有关，65岁及以上的人群负担最重[6,27,29]。这种与年龄相关的增加与生物学衰老过程和累积的风险因素（如肥胖、不良饮食和久坐行为）一致[18]。尽管女性患高血压的比例较高，但糖尿病的负担并不显著更高。这些性别差异可能反映了医疗保健获取、行为风险特征和社会文化动态的差异[30,31]。这些发现与孟加拉国和其他低收入国家的研究结果一致[27,29,30,32,33]，这些研究也报告了糖尿病和高血压患病率随年龄增长、社会经济地位提高和城市居住而增加。这些研究还强调了肥胖、财富和城市化作为心血管代谢疾病一致预测因子的作用，支持了这些发现在南亚人群中的普遍性。在所有六个机器学习模型中，高血压是糖尿病的最重要预测因子（反之亦然）。这一发现再次证实了糖尿病和高血压之间的双向和相互依赖关系[21,22]。先前的研究已经证明，高血压会增加胰岛素抵抗，而糖尿病会损害血管功能，最终导致血压升高[21,22,31]。我们的发现支持同时整合这两种疾病的筛查和管理方案，特别是在upazila（次级行政区）卫生中心、区级医院或三级医院（如医学院）的初级和门诊护理环境中。超重/肥胖在所有模型中都是糖尿病和高血压的预测因子。这反映了全球证据，即过量脂肪在代谢功能障碍中的核心作用[34,35]。心血管代谢综合征也可能由脂肪细胞肥大、内脏脂肪沉积和异位脂肪沉积引起。此外，补偿性胰岛素分泌与肥胖密切相关[36]。从糖尿病前期到2型糖尿病的转变是由这种过度分泌引起的，这也导致了胰岛素抵抗和β细胞功能衰竭[35,36]。孟加拉国的超重/肥胖患病率总体上升。例如，2011年35岁以上人群中超重/肥胖的患病率为25%，到2022年上升至32%[9,20]。患病率的上升是由城市化、饮食变化和缺乏运动驱动的，这对糖尿病和高血压等非传染性疾病的负担构成了重大挑战[1,17]。迫切需要开展促进健康生活方式的公共卫生运动，包括体育活动和营养教育，以遏制这一趋势。财富五分位数作为社会经济地位的代理指标，与这两种疾病的患病率呈“剂量-反应关系”；从最贫困的家庭到最富裕的家庭，疾病患病率逐渐增加。另一个预测变量是教育程度，通常被视为与财富五分位数并列的社会经济变量，但它与这两种疾病的患病率没有显著关联。这与先前的研究相反，表明教育程度对高血压/糖尿病负担的影响正在减弱[16,27]。财富模式可能反映了糖尿病/高血压负担向较富裕人群的转移，因为他们更容易获得高能量密度饮食、久坐职业和城市环境。然而，这并没有减少低收入人群的脆弱性，他们可能面临更大的诊断和有效治疗的障碍[37]。非传染性疾病患病率的社会经济差异要求采取双重方法来预防或控制这些疾病。这意味着需要针对高风险行为进行干预，同时确保贫困人群能够获得公平的医疗服务。我们的研究填补了孟加拉国非传染性疾病文献中的关键空白。与以往主要关注患病率估计的研究不同，本研究采用了预测分析来识别可操作的风险因素[6,19,27,29]。此外，通过将机器学习技术纳入全国代表性数据分析，本研究超越了传统的流行病学方法，提供了对疾病风险的更细致和动态的理解。这种方法还展示了未来整合到健康决策支持系统中的潜力，实现个性化风险评估和实时公共卫生监测。高灵敏度和低特异性表明，这些模型在筛查和识别高风险个体方面有效，但可能会过度分类非病例。从公共卫生的角度来看，这种权衡在早期检测项目中是可以接受的，因为在这些项目中，漏诊的代价高于误诊。未来的工作可以通过纳入行为变量、连续生物标志物、成本敏感的学习或集成校准技术来提高特异性。这些基于机器学习的风险谱型可以为孟加拉国的初级卫生系统提供有针对性的筛查策略，特别是针对老年人、超重人群和较富裕的城市人口。将这些预测工具整合到常规健康调查或电子健康系统中，可以实现风险分层和有限预防资源的有效分配。

本研究的局限性也值得讨论。首先，BDHS的横断面设计限制了因果推断。其次，数据集中缺少一些重要的行为和临床预测因子（如饮食摄入、体力活动水平和家族史），这可能影响了模型的准确性。第三，模型是在结构化分类变量上训练的；在未来的分析中纳入连续或非结构化数据可能会提高性能。最后，尽管机器学习提供了强大的预测工具，但某些算法（如ANN）的黑箱性质可能会妨碍临床应用的可解释性。

结论

本研究证明，使用先进的机器学习模型和调查数据可以有效地识别高血压和糖尿病的关键预测因子。我们的结果强调了可改变的风险因素（如超重/肥胖和财富）的主导作用，以及这两种疾病之间的相互强化关系。这些发现有助于指导有针对性的、数据驱动的公共卫生干预措施的设计，优先考虑高风险群体，促进早期筛查，并支持健康生活方式的改变，以减轻孟加拉国的非传染性疾病负担。