基于常规数据的可解释XGBoost模型在中国成人高频听力损失筛查中的开发、验证与应用

《BMC Public Health》：Development and external validation of an interpretable machine learning model for high-frequency hearing loss screening

　　

摘要

背景

在社区环境中早期识别高频听力损失（HFHL）仍然困难，因为传统听力学筛查需要专业设备和经过培训的人员。我们旨在开发、解释并外部验证一种机器学习模型，利用常规收集的信息来支持中国成人的 HFHL 风险筛查。

方法

参加 2023–2025 年中国国家健康调查的 13,950 名成人的数据被随机分为训练集和内部验证集（8:2）。使用最小绝对收缩和选择算子（LASSO）回归进行特征选择，并比较了八种机器学习算法。使用受试者工作特征曲线下面积（AUC）、准确率、精确率、召回率、F1 分数、特异性和 Brier 分数来评估区分度、分类性能和概率准确性。使用 SHAPley 加性解释（SHAP）进行解释。两项敏感性分析评估了模型在单纯 HFHL 以及 HFHL 并发言语频率听力损失中的表现。在独立的 223 名成人医院队列中进行了外部验证。

结果

13,950 名参与者中有 9,779 名存在 HFHL（70.10%）。LASSO 保留了 11 个预测因子，其中年龄的系数最大。在八种模型中，XGBoost 显示出最高的 AUC（0.8728；95% CI, 0.8589–0.8860）和最低的 Brier 分数（0.1276）。在敏感性分析中，单纯 HFHL 与正常听力相比的 AUC 为 0.7869，HFHL 并发言语频率听力损失与正常听力相比的 AUC 为 0.9063。SHAP 分析确定年龄、绝经状态、性别和教育水平为主要贡献因素。在外部验证中，XGBoost 实现了 0.9196 的 AUC、0.1126 的 Brier 分数、86.55% 的准确率、81.52% 的敏感性和 90.08% 的特异性。

结论

基于常规可用变量的可解释 XGBoost 模型在 HFHL 筛查中显示出良好的区分度和概率准确性，包括在独立的医院队列中。配套的网页工具可能支持初步风险分层和转诊至正式听力学检查。