伊朗成年人贫血预测的修正机器学习分析：消除循环预测与数据泄漏后的模型重建与验证

《Scientific Reports》：Predicting anemia risk in Iranian adults without diagnostic blood indices: an interpretable machine learning approach integrating dietary, clinical, and non-diagnostic laboratory patterns

　　

摘要

贫血仍然是主要的公共卫生负担，对育龄成年人的影响尤为不成比例。在原始提交中，一个用于预测伊朗成年人贫血状态的可解释机器学习框架，使用 XGBoost 实现了近乎完美的 AUC（≈ 1.00）；对该结果的更深入方法学审查发现了两个破坏其作为真实预测力衡量标准有效性的关键缺陷：(i) 血红蛋白定义的血液学指标（HGB, HCT, RBC, MCV, MCH）被包含在预测因子中，造成循环预测，并且 (ii) 特征选择是在训练/测试分割之前在整个数据集上进行的，导致数据泄漏。本修订分析消除了这两个缺陷：诊断定义指标被排除在预测集之外，整个流程——特征选择、SMOTE 过采样和超参数调整——都在严格限制在每个训练折内的无泄漏流程中重建。十二种监督算法在独立的留出测试集上进行了比较（n = 641，共 3,203 条记录）。逻辑回归实现了最佳的判别能力（AUC = 0.8625, 95% bootstrap CI 0.8168–0.9053; Recall = 0.7738, 95% CI 0.6854–0.8589; F1 = 0.5350, 95% CI 0.4561–0.6081; Accuracy = 0.8237），明显优于简单的人口统计学基线（AUC = 0.5284）。移除诊断定义指标后，AUC 从≈ 1.00 降至 0.86 的经验性结果证实，原始的近乎完美的表现是循环预测和数据泄漏造成的假象。修正模型后的 SHAP 分析显示，除了饮食和生活方式变量（乳制品摄入量、碳水化合物摄入量、家庭清洁活动）外，几个非诊断性血液学标志物（RDW-CV, 血小板计数，WBC 计数，PDW）仍然具有影响力——这是一个重要的细微差别，下文将讨论，因为它们仍需要静脉穿刺，尽管它们不是贫血诊断标准的一部分。修正后的框架为伊朗成年人的贫血风险筛查提供了更诚实、更具可推广性和临床可辩护性的基础。