用预测性和因果机器学习对2型糖尿病的邻里级驱动因素进行精确公共卫生映射

科学领域:

• 公共卫生 公共卫生
• 流行病学 流行病学
• 机器学习 机器学习

背景情况:

• 2型糖尿病是一种受到邻居环境影响的城市流行病.
• 针对个体的风险模型往往缺乏社区数据和详细的患者信息.
• 需要一种新的方法来绘制邻里层面的糖尿病风险图.

研究的目的:

• 开发和验证一个集成的机器学习和因果推理框架,用于社区一级的2型糖尿病风险预测.
• 确定关键的社区级预测因素和与糖尿病患病率相关的可修改因素.
• 为精确的公共卫生策略和以社区为中心的预防工作提供信息.

主要方法:

• 利用来自1,149个人口普查区 (CT) 的人口,健康和社会经济数据.
• 训练了七个机器学习模型来预测邻里糖尿病患病率,对外部数据进行验证 (AUC = 0.95).
• 应用因果森林来估计可修改因素的条件平均处理效应 (CATE).

主要成果:

• 机器学习模型在识别高风险社区方面实现了高预测准确度 (AUC高达0.96).
• 邻里健康指标,如肥胖,身体不活动和平均年龄是强有力的预测因素.
• 更高的工作压力和日常吸烟与风险增加有关;更好的心理健康是保护性的.

结论:

• 综合框架有效地绘制了社区层面的2型糖尿病风险图,即使患者数据有限.
• 确定可修改的因素 (工作压力,心理健康) 为当地预防和以公平为导向的规划提供了目标.
• 该方法可以适应其他受社会和环境决定因素影响的慢性疾病,从而推进精确的公共卫生.