《Frontiers in Artificial Intelligence》：Application of dimensionality reduction and clustering techniques for the analysis of Carrion's disease cases in the period 2000–2024
编辑推荐：
卡里翁病（Carrion's disease）的异质性地理分布和复杂动态给秘鲁的传统流行病学监测带来了挑战。为解决这一问题，研究人员将无监督机器学习（unsupervised machine learning）应用于43,534条国家记录（2000–2024年
卡里翁病（Carrion's disease）的异质性地理分布和复杂动态给秘鲁的传统流行病学监测带来了挑战。为解决这一问题，研究人员将无监督机器学习（unsupervised machine learning）应用于43,534条国家记录（2000–2024年）。经过严格的数据清洗过程（使用Tukey四分位距（IQR）处理重复记录、缺失信息和异常值）后，研究人员评估了降维方法MCA（多重对应分析）和FAMD（混合数据因子分析）与K-Means算法的组合。通过校准轮廓系数（Silhouette）、Davies–Bouldin指数和Calinski–Harabasz指数，确定FAMD与K-Means的组合提供了最佳聚类质量，识别出两个明显不同的流行病学特征。一项消融控制实验表明，即使排除ICD-10诊断编码，聚类的几何结构仍保持高度稳定，表明时间、地理和人口学变量包含足够的信息以维持聚类结构。这种内部一致性通过自助重采样（bootstrap resampling）模拟得到验证。总之，FAMD与K-Means的结合为高级探索性流行病学建立了一个稳定且可复现的框架，构成支持公共卫生监测和指导公共卫生战略决策的有价值的补充工具。
**研究背景与问题**
卡里翁病（Carrion's disease）是一种被忽视的热带疾病，在秘鲁和厄瓜多尔部分地区构成公共卫生问题。该病急性期未治疗病例的死亡率高达88%，且存在两种明显不同的阶段（急性溶血性奥罗亚热和慢性增生性秘鲁疣），加上无症状携带者、临床表现多样、流行地区社会经济条件差以及诊断基础设施局限，给传统流行病学监测带来了巨大挑战。传统研究多基于描述性统计、回归分析和被动监测方法，不足以捕捉疾病的复杂性。近年来，人工智能（AI）的发展通过无监督机器学习（unsupervised machine learning）增强了监测系统的分析能力，但现有文献对卡里翁病缺乏基于降维与聚类算法的大规模、可复现的探索性分析。本研究旨在通过比较无监督学习算法，从国家监测数据库中分割出具有临床和流行病学意义的亚群，弥补方法学空白，并为公共卫生决策提供量化证据。该论文发表在《Frontiers in Artificial Intelligence》。
**研究内容与结论**
研究人员利用秘鲁政府开放数据平台（Plataforma Nacional de Datos Abiertos）提供的2000–2024年卡里翁病国家监测记录（共43,534条有效病例），通过对比不同降维方法（PCA、MCA、FAMD）与聚类算法（K-Means、BIRCH）的组合，系统评估了聚类质量。研究发现，FAMD与K-Means的组合在轮廓系数（Silhouette=0.8438）、Davies–Bouldin指数（0.2010）和Calinski–Harabasz指数上表现最优，成功识别出两个流行病学特征。消融实验表明，即使排除ICD-10诊断编码，聚类结构仍高度稳定（轮廓系数变化仅Δ=0.0385），说明时间、地理和人口学变量是聚类的主要驱动力。自助重采样（bootstrap resampling）验证了聚类结构的内部一致性。该研究为卡里翁病的探索性流行病学分析提供了稳定、可复现的方法框架，可作为公共卫生监测的补充工具。
**关键技术方法（不超过250字）**
研究人员从秘鲁国家流行病学、预防和控制中心（CDC PERU）通过国家流行病学网络（RENACE）获取数据，共45,000余条记录（2000–2024年）。数据清洗包括：去除重复记录（669条，占1.45%）；使用Tukey四分位距（IQR）法（1.5×IQR）检测年龄变量异常值，排除1,917条记录（4.22%），最终样本为43,534条；通过皮尔逊相关系数和Cramér's V剔除冗余地理变量（保留departamento、diagnostic、sexo、edad_anios、semana、ano共6个变量）。缺失值采用完整病例分析（complete-case analysis），所有缺失记录比例低于5%。数值变量标准化后，分别应用主成分分析（PCA）、多重对应分析（MCA）和混合数据因子分析（FAMD）进行降维，并通过轮廓系数（Silhouette）、Davies–Bouldin指数和Calinski–Harabasz指数确定最优维度（FAMD和MCA均为2维）。聚类算法采用K-Means（k-means++初始化，10次独立运行，随机种子42）和BIRCH（阈值0.5），通过上述指标确定最优聚类数（k=2）。稳定性分析通过15次自助重采样（bootstrap）和消融实验（排除诊断变量）验证。
**研究结果（保留小标题）**
**4.1 Best model (FAMD with K-Means)**
通过对比，FAMD与K-Means组合获得最高轮廓系数（0.8438）和最低Davies–Bouldin指数（0.2010），表明聚类紧凑且分离良好。FAMD同时编码数值和分类变量，降低噪声并保留潜在结构，使K-Means能够识别高度同质的组群。
**4.1.1 On the magnitude and robustness of the silhouette coefficient**
高轮廓系数（0.8438）主要源于地理变量（departamento）的强关联性（Cramér's V=0.6119），而性别和诊断变量贡献极小（V=0.0088和0.0244）。排除诊断变量后轮廓系数仅下降0.0385，说明聚类结构不依赖诊断编码，而是由地理、时间和人口学变量驱动。自助重采样显示轮廓系数低变异且质心位置稳定，证明聚类结构稳健。
**4.2 Statistical comparison between clusters**
通过Mann–Whitney U检验（数值变量：年龄、流行病学周、年份）和卡方检验（分类变量：性别、诊断、部门）发现，两个聚类在时间分布、地理分布和年龄范围上存在显著差异（p<0.05）。部门变量的Cramér's V=0.6119，表明地理来源是聚类的主要驱动力；性别和诊断变量的效应量极小（V<0.03），贡献可忽略。
**4.2.1 Cluster 0: majority group**
Cluster 0占样本的99%，平均通知年份为2005.48，平均流行病学周24.86，平均年龄15.15岁。地理分布集中在传统流行区：áncash（35.80%）、Cajamarca（32.79%）、La Libertad（14.10%）和Amazonas（7.84%）。临床诊断中66.20%为急性期（A44.0），33.80%为慢性期（A44.1）。性别分布基本平衡。该聚类代表卡里翁病的基础流行特征，由地理和时间坐标主导。
**4.2.2 Cluster 1: minority group**
Cluster 1占样本的1%，平均通知年份为2011.39，平均流行病学周21.68，平均年龄19.24岁。地理分布高度集中于Lima（94.25%），传统流行区比例极低。临床诊断中77.88%为急性期。性别分布同样平衡。该聚类代表较新的、年龄较大的病例集中在非流行区Lima，可能与病例输入或诊断能力改善有关，而非疾病临床变异。
**4.3 Cluster stability analysis**
排除诊断变量后，二维投影仍保持稳定结构。15次自助重采样显示轮廓系数低变异且逐步收敛，质心坐标在扰动下几乎不变。聚类结果与卫生部官方流行区地图定性一致，但需进一步外部验证。
**4.3.1 Interpretation of the cluster size imbalance**
Cluster 0与Cluster 1的大小极端不平衡（99% vs 1%）并非异常值驱动（预处理已剔除异常值），也与随机噪声不符（Cluster 1具有内部一致性和统计显著性）。该模式更可能反映Lima地区输入性或迁移性病例，以及诊断能力的提高，提示传统流行区之外的监测信号需关注。
**总结讨论与结论翻译**
讨论部分指出，本研究的局限性包括：依赖现有变量集（无法纳入临床、环境、社会经济等因素）；诊断变量仅区分两种ICD-10编码（A44.0和A44.1），缺乏未指定病例（A44.9），限制了分类质量评估；地理差异可能反映区域诊断能力不均而非真实流行病学差异；结果仅适用于当前数据集，外推需谨慎。内部验证（自助重采样）仅证明稳定性，仍需独立数据集和专家评估。
研究结论翻译：从流行病学角度看，本研究揭示卡里翁病的国家监测记录围绕两个结构不同的特征组织，其分离主要由地理和时间驱动，而非临床或人口学因素。主导特征再现了历史流行的安第斯模式（áncash、Cajamarca、La Libertad、Amazonas），而少数特征——更近期、更年长、集中在非流行区Lima——提示与病例输入或城市诊断能力改善相关的空间动态演变。在方法学上，混合数据因子分析（FAMD）与K-Means算法的整合为无监督探索卡里翁病监测数据内部结构提供了合适方法。消融实验表明聚类结构不依赖诊断编码，而是反映地理、时间和人口学变量的差异。这些发现为将无监督学习作为补充工具纳入公共卫生监测系统提供了初步证据，但需进一步验证和专家监督。
