**基于机器学习与深度学习的孟加拉国高血压预测及其主要风险因素分析**

《PLOS One》：Machine learning and deep learning–based prediction of hypertension and analysis of its major risk factors in Bangladesh

　　

**背景** 高血压是孟加拉国心血管疾病发病率和死亡率的主要原因。本研究利用机器学习（ML）和深度学习（DL）方法，探讨了高血压的患病率、风险因素及预测建模。

**方法** 研究人员分析了来自2022年孟加拉国人口与健康调查（BDHS）的横截面数据，该数据包括14,283名成年人（年龄≥18岁）。研究人员估算了高血压患病率，采用卡方检验评估关联性，并应用四种ML模型（加权逻辑回归[WLR]、随机森林[RF]、极端梯度提升[XGBoost]、轻梯度提升机[LightGBM]）和两种DL模型（TabNet和多层感知机[MLP]）来预测高血压风险。模型性能通过准确度（accuracy）、精确率（precision）、召回率（recall）、特异性（specificity）、F1分数（F1 score）以及受试者工作特征曲线下面积（AUC-ROC）和精确率-召回率曲线下面积（AUC-PR）进行评估。

**结果** 总体患病率为18.04%（95%置信区间[CI]：17.2%–18.9%），女性（18.87%）高于男性（16.97%）。卡方检验表明，高血压与年龄、体质指数（BMI）、糖尿病、财富指数、教育水平、家庭规模和地区显著相关（p < 0.05）。在所有ML和DL模型中，加权逻辑回归（WLR）取得了最高的准确度（0.817）、精确率（0.444）、特异性（0.981）、AUC-ROC（0.751）和AUC-PR（0.357）。然而，WLR表现出较低的召回率（0.070）。相比之下，随机森林（RF）模型在测试数据上取得了最高的召回率（0.687）和F1分数（0.460），表明其在识别高血压个体方面具有更高的敏感性。此外，年龄、BMI、性别、家庭规模和教育水平被确定为本研究所纳入变量中最重要的预测因素。

**结论** 高血压在孟加拉国较为普遍，女性患病率更高，且与社会人口学决定因素显著相关。尽管WLR在准确度、精确率、特异性和AUC-PR方面表现最高，但其低召回率限制了其在识别高血压个体方面的效用。RF因其较高的召回率和F1分数，可能更适用于公共卫生应用；然而，在实施之前，需要进一步的外部验证和对其临床效用的评估。

**论文解读：基于机器学习与深度学习的孟加拉国高血压预测及其主要风险因素分析**

**一、研究背景与意义**

高血压（hypertension）是全球心血管疾病（cardiovascular diseases, CVDs）发病率和死亡率的主要可改变风险因素，全球约有12.8亿30至79岁的成年人受其影响，其中三分之二居住在中低收入国家（low and middle-income countries, LMICs）。预计到2025年，这一数字将增至15.6亿。在孟加拉国，非传染性疾病（non-communicable diseases, NCDs）已成为主要死亡原因，其中中风、缺血性心脏病和慢性阻塞性肺疾病位列前三。据世界卫生组织估计，孟加拉国每年约有28.3万人死于心血管疾病，其中52%与高血压相关。此外，孟加拉国全国范围内高血压控制项目的预期年度成本约为320万美元。在此背景下，明确高血压的患病率、识别其主要风险因素，并构建有效的预测模型，对于该国制定循证公共卫生干预策略具有重要意义。

此前已有若干研究利用孟加拉国人口与健康调查（Bangladesh Demographic and Health Survey, BDHS）数据探讨了高血压的患病率及相关因素，但多数依赖传统逻辑回归方法。尽管机器学习（machine learning, ML）方法已被用于高血压预测，深度学习（deep learning, DL）的应用仍然有限。本研究同时采用ML和DL技术，利用BDHS数据预测高血压，旨在确定最有效的预测模型及关键风险因素，为相关领域的模型选择和方法学应用提供参考。

**二、关键技术方法**

本研究使用了2022年BDHS横截面数据，该调查采用两阶段分层抽样设计，最终获得14,283名18岁及以上成年人的完整样本。研究中，高血压被定义为收缩压（systolic blood pressure, SBP）≥ 140 mmHg或舒张压（diastolic blood pressure, DBP）≥ 90 mmHg，或正在服用降压药物。纳入的解释变量包括年龄、性别、婚姻状况、家庭规模、行政区划（division）、居住类型（urban/rural）、财富指数（wealth index）、教育水平、体质指数（body mass index, BMI）和糖尿病状态共10个变量。数据分析采用R语言（版本4.5.1）进行统计处理和预处理，采用Python（版本3.11.0）在Google Colaboratory平台上实施ML和DL算法。针对数据类别不平衡问题（高血压患者仅占18.04%），除加权逻辑回归（weighted logistic regression, WLR）外，其余模型均对训练数据应用了合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）。模型训练采用80/20分层训练-测试划分，并通过分层分组k折交叉验证（StratifiedGroupKFold）评估模型稳健性，以调查簇（survey cluster）作为分组变量。评估指标涵盖准确度（accuracy）、精确率（precision）、召回率（recall）、特异性（specificity）、F1分数（F1 score）、受试者工作特征曲线下面积（area under the receiver operating characteristics curve, AUC-ROC）和精确率-召回率曲线下面积（area under the precision-recall curve, AUC-PR）。SHAP值用于特征重要性分析。

**三、研究结果**

**（1）基本描述性统计与统计分析**

结果显示，孟加拉国成年人高血压总体患病率为18.04%（95%置信区间[confidence interval, CI]：17.2%–18.9%），女性（18.87%）患病率显著高于男性（16.97%）（p = 0.006）。高血压患病率与年龄高度相关（p < 0.001），60岁及以上年龄组患病率最高（37.0%），其次为35–59岁组（21.18%）和18–34岁组（5.99%）。家庭规模与患病率呈负相关，小规模家庭患病率最高（22.57%），大规模家庭最低（14.96%）（p < 0.001）。在BMI分类中，肥胖或超重者患病率最高（27.13%）（p < 0.001）。地区差异显著（p = 0.002），拉杰沙希（Rajshahi）地区患病率最高（21.89%），迈门辛（Mymensingh）地区最低（14.43%）。此外，财富指数、教育水平和糖尿病状态均与高血压显著相关（p < 0.001），其中糖尿病患者高血压患病率（24.66%）显著高于非糖尿病患者（16.62%）。

**（2）ML和DL模型性能评估**

在模型性能比较方面，TabNet模型在训练数据上表现出色，但在测试数据上性能大幅下降，提示存在过拟合（overfitting）。加权逻辑回归（WLR）在测试数据上取得了最高的准确度（0.817）、精确率（0.444）、特异性（0.981）、AUC-ROC（0.751）和AUC-PR（0.357），但其召回率极低（0.070），F1分数仅为0.121，表明该模型在识别高血压阳性个体方面能力严重不足。相比之下，随机森林（random forest, RF）模型在测试数据上取得了最高的召回率（0.687）和F1分数（0.460），表明其对少数类的检测敏感性更强。轻梯度提升机（LightGBM）、极端梯度提升（XGBoost）、多层感知机（multi-layer perceptron, MLP）和TabNet均在训练数据上表现良好，但在测试数据上性能显著下降，尤其体现在召回率和F1分数上，进一步证实了过拟合现象的存在。ROC曲线显示WLR的AUC最高（0.751），精确率-召回率曲线显示WLR和LightGBM的平均精确率最高（均为0.357）。5折和10折交叉验证的结果与测试集结果一致，WLR在准确度和特异性方面持续领先，而RF在召回率和F1分数方面保持优势，验证了结果的稳健性。

**（3）特征重要性分析**

基于SHAP值的特征重要性分析显示，在WLR和RF两个模型中，年龄和BMI均是预测高血压最重要的因素。在WLR模型中，年龄组（18–34）和年龄组（60+）位列前两位，其次是BMI（肥胖/超重、正常、偏瘦）、性别（男性）、家庭规模（大规模）、教育水平（中学/高等教育）等。在RF模型中，年龄组（18–34）和年龄组（35–59）最为重要，其次是BMI（正常、偏瘦）、性别（男性）、婚姻状况（未婚）、家庭规模（大规模）和教育水平（中学/高等教育）。这一发现与描述性分析中年龄较大组和肥胖/超重组高血压患病率更高的趋势一致。

**四、讨论与结论**

论文讨论部分指出，2022年BDHS调查的高血压总体患病率（18.04%）低于2011年和2017–2018年调查中报告的水平。由于数据集存在类别不平衡，评价模型性能时应侧重于对少数类敏感的指标，而非整体准确度。WLR虽在多项指标上表现突出，但其极低的召回率表明该模型严重偏向于预测"无高血压"的多数类；RF则因召回率相对较高而更适用于识别高血压患者，尽管其精确率有所下降。其他复杂模型（尤其是深度学习模型TabNet和MLP）均表现出明显的过拟合，泛化能力有限。特征重要性分析一致确认年龄和BMI是高血压的主导预测因素。

研究结论如下：基于BDHS全国代表性数据，本研究估计了高血压的患病率（18.04%），揭示了其在年龄、性别、教育、财富状况、BMI、糖尿病状态、居住类型和地理区域方面的显著差异。在预测建模中，没有任何单一方法在所有评价指标上均表现最优。加权逻辑回归在准确度、特异性和区分度方面最高，但召回率和F1分数极低；随机森林模型提供了最高的召回率和F1分数，在阳性病例检测方面表现更好。更复杂的模型（包括LightGBM、XGBoost、TabNet和MLP）显示出显著的过拟合。特征重要性分析一致确定年龄和BMI为高血压的主要预测因素，其次是性别、教育、家庭规模和社会经济地位。总体而言，研究结果提示，在使用大规模不平衡人群调查数据进行高血压预测时，经典ML模型可能比DL方法提供更可靠和可解释的性能。随机森林模型的召回率最高，可能在公共卫生背景下更具应用价值。未来利用纵向数据、扩充特征集、采用其他ML/DL方法以及更先进的不平衡处理技术的研究，有望进一步提升预测性能，支持循证公共卫生干预。