用于识别孟加拉国农村地区成人高血压及未诊断高血压相关因素的机器学习方法

《Archives of Public Health》：Machine learning approaches in identifying factors associated with hypertension and undiagnosed hypertension in adults in rural areas of Bangladesh

　　

摘要背景

高血压是死亡和残疾的主要原因之一，而未诊断病例尤其危险，因为若不能及时治疗，可能在无明显警示下造成严重损害。本研究旨在采用先进机器学习（ML）算法识别孟加拉国农村地区高血压及未诊断高血压的风险因素。

方法

本研究纳入1,603名受访者，采用多阶段整群随机抽样技术开展横断面调查。研究使用了4种机器学习算法，包括梯度提升器（GB）、逻辑回归（LR）、随机森林（RF）和支持向量机（SVM）。研究人员依据准确率、灵敏度、特异度、精确率、F1值、受试者工作特征曲线下面积（ROC-AUC）以及校准图等指标，选取表现最佳的机器学习模型，并利用该模型识别高血压及未诊断高血压的风险因素。

结果

高血压患病率为15.5%，略高于未诊断高血压的15.4%。在预测高血压和未诊断高血压风险方面，LR模型在大多数评估指标上均优于其他机器学习模型。对于高血压预测，LR模型在精确率（0.580）、F1值（0.550）、ROC-AUC（0.729；95% CI：0.677–0.779）及校准表现方面具有更高性能。同样，在未诊断高血压预测中，LR模型较其他模型表现出更优的精确率（0.580）、ROC-AUC（0.596；95% CI：0.537–0.654）及校准性能。高血压与未诊断高血压的风险因素存在显著差异。未诊断高血压的关键风险因素包括超重或肥胖、无慢性病或心血管疾病（CVD）、男性、不使用烟草、年龄较大（> 50岁）、当前已婚、不吸烟、患有糖尿病以及未接受正规教育。

结论

研究结果强调，亟需加强国家和区域层面的公共卫生举措，以提升孟加拉国农村地区高血压的检出率与疾病认知水平。未来仍需进一步研究以验证上述发现。

该文发表于《Archives of Public Health》，聚焦孟加拉国农村地区成人高血压与未诊断高血压的流行现状及其相关因素识别问题。研究背景在于，高血压已成为全球公共卫生领域的重要负担，不仅与卒中、心脏病、血管性疾病及肾脏疾病等严重结局密切相关，而且在低收入和中等收入国家中呈现持续上升趋势。孟加拉国作为南亚发展中国家，在流行病学转变和人口学转变背景下，高血压及其他非传染性疾病（NCDs）负担不断加重。尤其在农村地区，医疗服务可及性不足、健康信息传播有限、自付费用（OOP）负担沉重，使高血压的筛查、认知和控制均面临更大挑战。更值得关注的是，未诊断高血压因缺乏及时发现和治疗，往往在无明显症状时已造成靶器官损伤，因此成为农村公共卫生治理中的隐匿性风险。

目前该领域仍存在若干突出问题。首先，孟加拉国农村地区高血压和未诊断高血压的研究证据仍然有限，尤其缺乏立足社区情境的细化分析。其次，既往相关研究多采用传统回归模型，虽然能够识别部分关联因素，但在处理多变量、复杂交互与潜在非线性关系时存在局限。再次，尽管机器学习（ML）已在高血压预测中显示出一定优势，但其在孟加拉国农村人群中用于识别高血压及未诊断高血压相关因素的应用仍较少，特别是缺乏对两类结局差异性风险谱的系统比较。因此，开展本研究具有明显必要性：一方面可以补充农村地区非传染性疾病监测证据，另一方面也有助于为高风险人群精准筛查和卫生资源配置提供方法学支持。

为回答上述问题，研究人员于2021年8月至11月开展横断面研究，基于多阶段随机抽样在孟加拉国Khulna地区Jhenaidah Sadar Upazila下辖Naldanga Union的18个村庄中纳入1,603名18岁及以上成年人。研究将高血压和未诊断高血压设为结局变量，并综合考察人口学、行为学、人体测量学及临床特征等多类自变量。研究的核心目标是比较不同机器学习算法在高血压和未诊断高血压预测中的表现，并据此识别最具影响力的风险因素。

方法概括：研究采用基于社区的横断面调查设计，样本来源于孟加拉国农村社区1,603名成年居民，使用多阶段整群随机抽样和Kish Grid法进行入户对象选择。血压由注册护士测量3次后取平均值，依据JNC 7标准界定高血压与未诊断高血压。建模时将数据按60%训练集和40%验证集划分，使用自适应合成抽样（ADASYN）处理类别不平衡，通过5折交叉验证进行超参数调优，并比较梯度提升器（GB）、逻辑回归（LR）、随机森林（RF）和支持向量机（SVM）的准确率、灵敏度、特异度、精确率、F1值、ROC-AUC及校准表现；随后采用SHapley Additive exPlanations（SHAP，基于博弈论的模型解释方法）解释变量重要性。

研究结果部分可以按照原文小标题进行概括。

Background profile

研究对象中，≥50岁者约占26.7%，男性占51%，无正规教育者占27.4%。19.7%的受访者在调查时有吸烟行为，56.8%被归类为超重或肥胖。约8%患糖尿病，5.4%患有某种心血管疾病（CVD），27.8%报告有高血压家族史。约16%存在焦虑症状，约18%存在抑郁症状。该部分结果说明，样本人群已具备较高比例的代谢性与慢性病相关风险暴露，为后续分析高血压及未诊断高血压提供了基础人群特征框架。

Prevalence of hypertension and undiagnosed hypertension

研究显示，农村地区高血压患病率为15.5%，未诊断高血压患病率为15.4%，两者数值非常接近。年龄≥50岁者的高血压和未诊断高血压比例均显著更高，分别为28.1%和19.2%；肥胖者这两类结局的比例也显著升高，分别为26.3%和21.6%。此外，高血压在女性、无正规教育者、当前未就业者、非吸烟者或既往吸烟者、腰臀比高者、糖尿病患者、CVD患者、有高血压家族史者以及存在焦虑或抑郁症状者中更为常见。该部分通过患病率分层比较表明，年龄和肥胖是两类结局的重要共同高风险特征，而高血压本身还与更广泛的人口学和临床因素相关。

Best ML model selection

在模型比较中，LR模型在高血压预测方面总体优于GB、RF和SVM，主要体现在精确率0.580、F1值0.550、ROC-AUC为0.729（95% CI：0.677–0.779），且校准表现更佳。其准确率为0.631，灵敏度为0.690，特异度为0.620。在未诊断高血压预测中，LR模型同样优于其他模型，精确率为0.580，ROC-AUC为0.596（95% CI：0.537–0.654），校准表现也相对更好；其准确率、灵敏度、特异度和F1值分别为0.581、0.535、0.589和0.490。该结果表明，在本研究样本规模、事件率和预测信号强度条件下，较为简单的LR模型比更复杂的集成算法和核方法表现更稳定，尤其适合当前数据结构下的风险预测与因素筛选任务。

Influential variables and their interpretability in the RF model

原文该部分实际结合SHAP图对最佳模型识别出的重要变量进行解释。对于高血压，影响因素包括年龄较大、患有CVD、有高血压家族史、超重或肥胖、较高腰臀测量值、患有糖尿病、非吸烟、当前未就业或处于退休/学生状态、存在抑郁症状以及患有慢性病。该结果说明，高血压更多关联于代谢异常、心血管共病、家族易感性以及部分心理和社会状态因素。

对于未诊断高血压，重要影响因素则包括超重或肥胖、无慢性病或无CVD、男性、不使用烟草、年龄>50岁、当前已婚、非吸烟、患有糖尿病以及未接受正规教育。该部分提示，未诊断高血压的风险结构与已识别高血压并不相同，其不仅受生理性风险因素驱动，也与健康服务接触不足、健康素养有限以及疾病认知偏低等情境密切相关。特别是“无慢性病或无CVD”与未诊断高血压相关，提示未因其他疾病进入医疗系统的人群更容易漏诊。

讨论部分总结指出，本研究的重要发现之一是孟加拉国农村地区已诊断高血压与未诊断高血压患病率几乎相当，反映出相当比例高血压患者并未被卫生系统及时识别。第二，LR模型在两类结局预测中均优于其他机器学习模型，说明在样本量有限、预测变量信号相对较弱的条件下，结构较为简洁的模型可能比复杂模型具有更好的稳健性和泛化性。第三，高血压和未诊断高血压的相关因素存在明显差异，仅在年龄>50岁、超重或肥胖、糖尿病和非吸烟状态等方面存在重叠。这种差异反映出，未诊断高血压不仅是疾病发生问题，也与筛查机会、卫生服务利用、性别角色、教育程度和健康意识不足等因素有关。

论文同时指出了研究局限。研究为单地区横断面调查，外部效度有限，不能据此推断因果关系；部分信息来自自报，可能存在回忆偏倚和低报；样本中高年龄组比例略高，可能高估总体患病率；未诊断高血压预测的ROC-AUC低于0.60，提示模型作为独立筛查工具的判别能力有限。因此，研究结论更适合被理解为一种公共卫生风险识别和线索发现，而非直接用于临床决策替代。

从公共卫生意义看，该研究为孟加拉国农村地区高血压防控提供了两方面价值：其一，证实了未诊断高血压负担沉重，提示常规社区筛查和健康教育亟待加强；其二，说明机器学习方法，尤其是LR框架下的预测与解释策略，可用于从社区调查数据中识别重点干预人群，为基层卫生资源有限情境下的精准防控提供参考。研究也强调，应优先关注老年人、男性、肥胖者、糖尿病患者、无正规教育者及较少接触卫生服务的人群，以提高高血压检出率和知晓率。

研究结论部分可译为：在孟加拉国，约有一半高血压患者并不了解自身患病状态。LR模型显示出对高血压和未诊断高血压进行改进预测并识别关键影响因素的潜力。高血压与未诊断高血压的风险因素存在显著差异，二者仅有少数重叠因素，包括年龄>50岁、超重或肥胖、患有糖尿病以及非吸烟状态。未诊断高血压的其他风险因素包括无慢性病或无CVD、男性、不使用烟草、当前已婚以及未接受正规教育。这些发现提示，有必要进一步评估机器学习应用及相关风险因素；同时，研究强调亟需加强国家和区域层面的公共卫生行动，以提升孟加拉国农村地区高血压的检出与认知水平。