可解释机器学习方法预测抑郁症与糖尿病风险

《Healthcare Analytics》：An Interpretable Machine Learning Approach to Predicting Depression and Diabetes

　　

本研究开发并比较了可解释机器学习（ML）模型，利用2016至2022年行为风险因素监测系统（BRFSS）中18至64岁个体的数据集，独立预测糖尿病与抑郁症风险。通过纳入行为、人口统计与社会经济特征，模型将电子烟使用（vaping）与传统社会经济风险因素（如吸烟、肥胖、收入及婚姻状况）并列为核心预测因子。研究人员采用10折交叉验证训练并评估15种主流ML算法，确定极端梯度提升（XGBoost）为最优模型，糖尿病预测准确率达84.8%，抑郁症预测准确率达71.2%。为增强临床与政策相关性，模型经超参数优化，并提取SHapley加性解释（SHAP）值以排序特征重要性及解释各预测因子对模型输出的贡献。电子烟使用在两类模型中均跻身前三大预测因子，其预测风险贡献可与吸烟等传统因素媲美；具体而言，电子烟使用与糖尿病预测风险增加强相关（SHAP ≈ 1.99），与抑郁症预测风险增加强相关（SHAP ≈ 1.79），挑战了其相对吸烟更安全的假设。低收入与未婚等社会经济脆弱性亦显著推高疾病风险，种族与民族间存在贡献差异。研究贡献有三：确立电子烟使用为代谢与精神健康的重要行为风险因素；引入可扩展、可解释的ML模型用于早期检测与风险分层；提出评估新兴健康行为的整合框架。这些见解支持针对性公共卫生干预，并为慢性疾病预防中围绕电子烟使用的监管讨论提供依据。

研究背景方面，糖尿病与抑郁症在全球范围内患病率持续上升，二者常共病且受行为、生物与社会经济因素交织影响，带来巨大疾病负担。传统流行病学与回归方法难以处理大规模、高维、非线性健康数据；现有机器学习（ML）应用多聚焦单一疾病且常呈黑箱，忽视电子烟使用（vaping）等新兴行为暴露，也缺乏跨生理与心理疾病的统一可解释框架。为此，研究人员基于美国疾控中心（CDC）行为风险因素监测系统（BRFSS）2016至2022年18至64岁非机构化成人数据，构建双疾病可解释预测体系，以明确电子烟使用在糖尿病与抑郁症风险中的独立预测地位。

关键技术方法上，研究人员从BRFSS中按理论驱动筛选22个二值预测变量（含年龄分段、种族、婚姻、收入分段、性别、肥胖、电子烟使用、吸烟、饮酒、锻炼等），对18至64岁约45,705条观测做列表删除缺失值，经两两相关确认低多重共线性；按8:2切分训练与测试集，训练集用合成少数类过采样技术（SMOTE）平衡类别，测试集保持原分布；用Pycaret在Python中跑15种ML分类器并10折交叉验证，选极端梯度提升（XGBoost）作最优模型后做超参数调优，以2,000次自助法（bootstrap）重抽样给出95%置信区间；最后用SHapley加性解释（SHAP）分解特征边际贡献。

研究结果部分，第一节机器学习的糖尿病与抑郁症预测显示，XGBoost在糖尿病任务准确率84.31%、AUC 0.9288，抑郁症任务准确率69.17%、AUC 0.7606，均优于随机森林、LightGBM与线性模型；调优后最终XGBoost糖尿病准确率84.77%（95%CI 0.8325至0.8450）、AUC 0.9372、灵敏度82.95%、特异度86.58%、MCC 0.6958，抑郁症准确率71.17%（95%CI 0.7027至0.7210）、AUC 0.7961、灵敏度66.09%、特异度76.28%、MCC 0.4256，ROC与PR曲线均远超随机基线。第二节SHAP特征贡献分析表明，电子烟使用在糖尿病模型SHAP≈1.99、抑郁症模型SHAP≈1.79，均居前三；吸烟、肥胖、低收入（<2.5万美元）、未婚同样推高两病风险；年龄50至64岁对糖尿病正向贡献大，40至49岁对抑郁症贡献较明显；白人种族基线在糖尿病呈负向、在抑郁症呈弱正向，西班牙裔与非裔贡献方向因病而异，印证群体间异质性。

讨论与结论翻译部分，研究人员指出：电子烟使用应被确立为代谢与精神健康的条件无关行为风险因素，而非吸烟的安全替代；可解释ML配合SHAP能在人群监测中提供透明风险分层，弥补黑箱模型在政策场景的信任缺口；低收入与未婚等结构性脆弱性需并入慢病预防设计。该研究发表于《Healthcare Analytics》，其贡献为（i）拓展可解释ML至慢病双轨预测，（ii）在统一特征集下证实电子烟使用对糖尿病与抑郁症的跨域预测力，（iii）给出可复制的透明分析管线以支撑数据驱动公共卫生决策。未来研究应持续把ML工具用于识别演变中的物质使用与健康行为风险，监管端须重新评估电子烟在慢性病预防中的定位。