一个基于可解释机器学习的多模型框架，用于构建和表征县级慢性病脆弱性指数

《International Journal of Environmental Research and Public Health》：An Interpretable Machine Learning-Based Multi-Model Framework for Constructing and Characterizing a County-Level Chronic Illness Vulnerability Index

　　

慢性病负担在美国各县之间分布不均，一些县在医疗保健可及性、社会经济劣势、环境暴露和慢性病负担方面面临重叠挑战。包括社会脆弱性指数（Social Vulnerability Index, SVI）、环境正义指数（Environmental Justice Index, EJI）和大流行脆弱性指数（Pandemic Vulnerability Index, PVI）在内的多个多维框架强调了整合脆弱性多种决定因素的重要性。本研究提出了一个基于可解释机器学习的多模型框架，用于构建和表征县级慢性病脆弱性指数。该框架整合了五个领域：健康负担、社会条件、环境暴露、行为因素和COVID-19相关指标。四个公开可用的2023年数据集被合并成一个包含12个特征、覆盖2911个美国县的数据集，并采用加权域得分将县划分为低、中、高脆弱性类别。由于类别标签直接由这些变量构建，因此生成的类别应被解释为研究人员定义的复合指数，而非独立的健康结局。四个机器学习模型，包括随机森林（Random Forest）、XGBoost、多层感知器（Multilayer Perceptron, MLP）和TabNet，分别进行了评估，并作为多数投票集成模型使用。SHAP和LIME被独立应用于解释模型行为，可解释性分析仅限于模型解释，而非因果推断。集成模型在583个保留县上以94.68%的准确率和0.9974的ROC-AUC（受试者工作特征曲线下面积）重现了三类分类。由于类别标签是相同12个特征的确定性函数，这些结果应被解释为指数重建的度量，而非独立结局的预测；惩罚多项逻辑回归达到了98.97%的重建准确率，进一步表明该指数大致呈线性结构。COPD患病率在SHAP和LIME中均排在所有四个模型的首位，这反映了指数的加权结构，而非独立的因果效应。12个特征中有6个特征在两种方法中获得了相同的排名，且没有特征移动超过三个位置。该框架完全依赖公开可用数据，为县级慢性病脆弱性的表征提供了可重复的方法。

**研究背景与问题**

慢性病负担在美国各县之间分布极不均匀，阿巴拉契亚农村、东南部及部分边境地区的慢性阻塞性肺疾病（Chronic Obstructive Pulmonary Disease, COPD）、肥胖和缺乏身体活动的发生率高出全国平均水平两到三倍。这种差距源于结构性劣势的长期累积：地理隔离限制医疗可及性，贫困导致食品和住房不安全，污染暴露在政治和经济资源较少的社区中不成比例地积累。COVID-19疫情进一步加剧了这一分化：已有高慢性病负担的县死亡率更高，表明在危机前而非危机中识别高风险人群具有重要价值。现有脆弱性指数（如社会脆弱性指数SVI、环境正义指数EJI、大流行脆弱性指数PVI）虽已整合了部分决定因素，但尚无研究将行为、环境、社会和大流行数据与四种不同模型架构统一在一个框架内，且多数研究仅报告准确率和F1分数，未检查驱动预测的特征是否与临床知识匹配。因此，研究人员开展本研究，旨在构建一个可解释的、基于机器学习的多模型框架，以整合多源数据，系统地表征县级慢性病脆弱性，并评估不同模型架构和解释方法的一致性。

**研究内容与结论**

研究人员整合了四个公开的2023年数据集（CDC PLACES、EPA EJScreen、CDC BRFSS SMART和《纽约时报》COVID-19县数据集），构建了覆盖2911个美国县的12个特征、五个领域（健康负担、社会条件、环境暴露、行为因素、COVID-19相关指标）的县级数据集。通过加权域得分将县划分为低、中、高脆弱性三类。由于类别标签是输入变量的确定性函数，机器学习模型评估的是指数重建的一致性而非独立预测能力。四个机器学习模型（随机森林、XGBoost、多层感知器MLP、TabNet）分别训练，并通过多数投票集成。SHAP和LIME被独立应用于所有模型以解释特征重要性，并比较了两种方法的排名一致性。此外，通过主成分分析（Principal Component Analysis, PCA）和自编码器压缩实验测试了特征的冗余性。研究得出以下结论：集成模型在583个保留县上以94.68%的准确率和0.9974的ROC-AUC重现了三类分类；COPD患病率在SHAP和LIME中均排名第一，但这是由指数加权结构决定的，而非独立的因果效应；12个特征中有6个在两种解释方法中排名相同，没有特征移动超过三个位置；PCA在6、7、8个主成分下均达到或超过12个特征的XGBoost基线，而自编码器在所有压缩水平下表现较低。该研究发表在《International Journal of Environmental Research and Public Health》。

**主要关键技术方法**

1. **数据整合与预处理**：合并四个公开数据集（CDC PLACES 2023、EPA EJScreen 2023、CDC BRFSS SMART 2023、纽约时报COVID-19县数据集），覆盖2911个美国县（46个州）；通过Min-Max缩放将特征归一化，计算五个域得分，并用加权域得分（健康域权重0.25，COVID-19、社会、环境域各0.20，行为域0.15）构建脆弱性指数，按33rd和67th百分位数分为低、中、高三类。
2. **机器学习模型**：采用随机森林（200棵树，最大深度10）、XGBoost（200估计器，深度6，学习率0.1）、MLP（两个隐藏层64和32神经元，ReLU激活，Adam优化）和TabNet（^n_d=64, ^n_a=64, ^n_steps=5, 批大小256），分别训练，并通过多数投票集成。
3. **可解释性方法**：对随机森林和XGBoost使用TreeExplainer，对MLP和TabNet使用KernelExplainer（100个背景样本）计算SHAP值；对所有模型使用LimeTabularExplainer（50个县/类，1000个扰动样本）获取全局重要性。
4. **降维分析**：主成分分析（PCA）和自编码器（架构12-6-12，MSE损失，Adam，100轮）分别压缩至6、7、8个维度，并以XGBoost作为下游分类器评估对指数重建的影响。

**研究结果**

**5.1 个体机器学习模型性能**：MLP以96.40%的准确率成为最佳单模型，其次是TabNet（95.03%）、XGBoost（94.17%）、随机森林（91.77%），集成模型为94.68%。通过McNemar检验，集成模型优于随机森林（p=0.0005），但与XGBoost（p=0.6291）、MLP（p=0.0987）和TabNet（p=0.8388）无显著差异。该结果基于对583个测试县（70/10/20分割）的评估。

**5.2 交叉验证**：随机森林、XGBoost和MLP的五折交叉验证标准差均接近或低于1%，表明结果不依赖于特定测试集。重复五折交叉验证（5折×5次）和多种子分析（20个随机70/10/20分割）进一步证实了稳定性，标准差均为约1%。

**5.3 空间验证**：留一州交叉验证（46个州）显示，MLP平均准确率最高（97.2%），XGBoost（93.7%），随机森林（90.5%），但州间标准差为3-7个百分点，表明跨区域泛化存在一定变异性。

**5.4 统计检验**：McNemar检验表明集成模型显著优于随机森林（p=0.0005），但与XGBoost、MLP、TabNet无显著差异。惩罚多项逻辑回归达到98.97%的重建准确率，表明指数接近线性函数。

**5.5 敏感性、特异性和混淆矩阵**：集成模型在测试集上，高风险类敏感性为0.9072，特异性为0.9949；低风险类敏感性最高（0.9692）；所有错误均发生在相邻类别之间，无低-高直接误分类。

**5.6 ROC-AUC**：集成模型的宏平均ROC-AUC为0.9974，高风险类AUC为0.9987。MLP在验证集最优阈值（0.5287）下达到测试集敏感性0.9639、特异性0.9871。

**5.7 成本加权误差与异常值分析**：成本矩阵（0正确，1错一类，2错两类）显示，94.7%的县成本为0，5.3%成本为1，0%成本为2。IQR异常值检测发现3个异常县（0.51%），均被正确分类。

**5.8 SHAP和LIME解释**：COPD患病率在所有四个模型中均排名第一，交通接近度排名最低。COVID-19死亡在人均归一化后排名第三。六项特征在SHAP和LIME中排名相同，最大差异为肥胖（3个位置）。

**5.9 特征重要性分析**：通过XGBoost消融实验，移除COVID-19特征导致准确率下降5.15个百分点（至89.02%），移除COPD导致下降3.95个百分点（至90.22%），表明两者对指数重建均有贡献。

**5.10 降维**：PCA在6个主成分时准确率95.21%，略高于12特征基线（94.17%），而自编码器在所有压缩水平下均低于基线（最佳6维时91.78%），表明数据方差主要由线性结构主导。

**5.11 自助法置信区间**：集成模型准确率的95%置信区间为[92.97%, 96.40%]，F1为[93.06%, 96.39%]，敏感性为[0.9286, 0.9648]，特异性为[0.9644, 0.9818]，表明估计值抽样变异性较低。

**5.12 校准分析**：集成模型在校准曲线中，所有三类在较高预测概率下接近理想对角线，但在低-中概率范围存在偏差，中等类校准相对平滑。

**5.13 地理分布**：高脆弱性县集中在东南部、阿巴拉契亚农村和南中部地区；低脆弱性县常见于太平洋西北部、上中西部和新英格兰。肯塔基、宾夕法尼亚、康涅狄格、阿拉斯加和夏威夷因数据缺失未显示。该地图应与SHAP/LIME结果结合解读，而非独立验证。

**讨论与结论**

讨论部分强调，集成模型以94.68%准确率和0.9974 ROC-AUC重现了指数，但由于类别标签来自输入变量，结果应视为指数可重复性而非预测能力。COPD排名第一源于其作为唯一特征位于最高权重域（健康域权重0.25），且其与吸烟高度相关（r=0.81），但COPD反映了累积疾病负担，在指数构建中贡献更大。人均COVID-19死亡率排名第三，消融实验显示其移除导致准确率下降5.15个百分点，超过COPD移除的3.95个百分点，说明人均归一化后COVID-19变量包含了非冗余信息。SHAP和LIME在排名顶部和底部高度一致，中间变量因相关性处理差异略有波动。PCA优于自编码器，表明数据线性结构显著。MLP为最佳单模型，集成模型主要价值在于跨模型一致性比较而非性能提升。

**研究结论部分翻译**：本研究提出了一个可解释的框架，利用四个公开的2023年数据集构建和表征县级慢性病脆弱性指数。由于脆弱性类别直接来自模型输入变量，该框架应被解释为指数构建和重现的方法，而非独立结局的预测。由随机森林、XGBoost、MLP和TabNet组成的多数投票集成模型，在583个保留县上以94.68%的准确率和0.9974的ROC-AUC重现了指数。在默认三类预测中，高风险类别敏感性为90.72%，特异性为99.49%，且无低类与高类之间的直接误分类。COPD患病率在SHAP和LIME分析中均排名第一，而吸烟率仍处于较高排名特征中，但这些发现应结合指数加权结构设计而非因果证据来解读。六项变量在两种可解释性方法中排名相同，表明模型解释具有高度一致性。降维分析进一步表明，相对较小的主成分集合保留了原始变量的大部分信息：PCA达到与全特征集相当的性能，而自编码器表现持续较低，表明原始变量的线性组合捕捉了重现指数所需的大部分信息。从公共卫生角度看，该框架有助于识别需要额外评估慢性病负担、社会劣势、环境暴露和行为风险因素的县，但分类结果应作为初步指标以支持地方调查，而非政策实施或资源分配的确定规则。由于分析为横断面和生态学性质，研究结果不应被解读为因果证据或特定干预效果的指标。未来工作应聚焦于利用独立流行病学结局验证指数、纳入更多数据源、评估替代加权策略以及检查脆弱性模式的时间变化。该框架完全依赖公开数据，并可在新数据可用时定期更新，为县级慢性病脆弱性的表征提供了透明且可重复的方法。