识别洛杉矶县丙型肝炎感染高风险社区：一项利用机器学习的生态学研究

《BMC Public Health》：Identifying communities at elevated risk of hepatitis C infection in Los Angeles County: an ecological study using machine learning

　　

摘要

背景

识别受丙型肝炎感染影响较大的社区对于有针对性的预防和资源分配至关重要。本研究旨在确定洛杉矶县中丙型肝炎感染风险较高的邮政编码区域，并识别在估算丙型肝炎感染率方面具有重要意义的区域级变量。

方法

这是一项结合了弹性网络（Elastic Net）和随机森林（Random Forest）机器学习方法的生态学横断面研究。研究结果关注的是2020年1月至2023年12月期间居住在洛杉矶县的18至39岁人群中首次检测出RNA阳性丙型肝炎感染的情况。研究模型纳入了31个代表社会经济状况、医疗保健可及性和阿片类药物相关发病率的区域级变量作为特征。模型预测的丙型肝炎感染率被用作衡量社区层面风险的指标。模型预测的丙型肝炎感染率超过第80百分位的邮政编码区域被归类为高风险区域。通过弹性网络特征选择方法确定了重要的区域级变量，并从随机森林模型中得出了这些变量的重要性评分和排名。

结果

在245个邮政编码区域中，有49个被归类为高风险区域，这些区域分布在整个县内。研究确定了9个重要的区域级变量。按重要性降序排列，这些变量包括：生活在联邦贫困线以下的家庭比例、18至39岁的居民比例以及没有车辆的家庭比例；每年与阿片类药物相关的急诊就诊次数、新诊断的HIV感染病例数和与阿片类药物相关的住院病例数；距离药物使用治疗设施的距离；以及亚裔和男性居民的比例。

结论

将机器学习方法与公共卫生监测数据相结合，有助于识别丙型肝炎感染风险较高的社区以及估算丙型肝炎感染率方面的重要区域级变量。这些发现有助于确定需要进一步评估的重点区域，以便采取有针对性的丙型肝炎消除干预措施，包括减少危害计划、检测工作以及将感染者与医疗服务联系起来。