全球健康老龄化模式与不平等:基于复合指数和可解释人工智能的多维分析

《Frontiers in Public Health》:Global patterns and inequalities in healthy aging: a multidimensional analysis using composite index and explainable AI

【字体: 大 中 小 】 时间:2026年06月05日 来源:Frontiers in Public Health 3.4

编辑推荐:

  背景:全球人口老龄化是公共卫生系统的重大挑战,理解健康老龄化的多维决定因素对于制定公平有效的政策至关重要。方法:本研究构建了健康老龄化与预防指数(Healthy Aging and Prevention Index, HAPI)来评估全球健康老龄化模式,指标涵

  
背景:全球人口老龄化是公共卫生系统的重大挑战,理解健康老龄化的多维决定因素对于制定公平有效的政策至关重要。方法:本研究构建了健康老龄化与预防指数(Healthy Aging and Prevention Index, HAPI)来评估全球健康老龄化模式,指标涵盖寿命(life span)、健康跨度(health span)、工作跨度(work span)、收入(income)、环境绩效(environmental performance)和幸福感(happiness)。缺失数据采用链式方程多重插补(Multiple Imputation by Chained Equations, MICE)处理;主成分分析(Principal Component Analysis, PCA)用于构建复合指数,熵权法(entropy weighting)确定各维度相对贡献;K-Means聚类用于将具有相似健康老龄化特征的国家分组;SHapley Additive exPlanations(SHAP)用于量化各变量的贡献;基尼系数(Gini coefficient)和洛伦兹曲线(Lorenz curve)用于评估健康老龄化结果的不平等。结果:研究发现,寿命、健康跨度、收入、环境绩效和幸福感是健康老龄化的主要驱动因素,而工作跨度的贡献相对有限。聚类分析揭示了各国健康老龄化模式的显著异质性。不平等分析显示HAPI得分存在中度但显著的不平等(Gini = 0.318),表明全球健康老龄化结果分布不均。结论:健康老龄化是一个多维结构,主要由社会经济和环境决定因素塑造,而非仅由医疗保健因素决定。该框架为政策制定者提供了一个稳健且可解释的工具,用于在全球层面评估和改善健康老龄化结果。

论文解读:《Frontiers in Public Health》健康老龄化多维分析研究

研究背景与意义

全球人口快速老龄化使得健康老龄化(healthy aging)和预防保健在公共卫生研究与政策中日益突出。现代社会不仅关注预期寿命的增加,更强调维持晚年健康状态的重要性。然而,当前关于健康老龄化的研究多局限于特定地理区域,缺乏全球层面的多维分析;同时,传统研究往往将老龄化视为单纯的医学问题,忽视了其社会结构性本质。为此,研究人员开展了一项基于多维指标、机器学习与可解释人工智能(XAI)的全球健康老龄化模式与不平等研究,旨在填补现有文献空白,为制定差异化、综合性的公共卫生策略提供科学依据。该研究发表于《Frontiers in Public Health》。

关键技术方法

研究基于涵盖153个国家的健康老龄化与预防指数(HAPI)数据集,指标包括寿命、健康跨度、工作跨度、收入、环境绩效和幸福感。为应对数据缺失,研究采用链式方程多重插补(MICE)技术进行填补。在构建复合指数时,研究人员运用了主成分分析(PCA)进行降维,并结合熵权法(entropy weighting)确定各维度的相对权重。为了识别具有相似健康老龄化特征的国家群体,研究实施了K-Means聚类算法。此外,为了克服机器学习模型的“黑箱”特性,研究引入SHapley Additive exPlanations(SHAP)方法来量化各变量对预测结果的贡献。最后,通过基尼系数和洛伦兹曲线评估了全球健康老龄化的不平等程度,并进行了政策模拟分析。

研究结果

HAPI指标的相关系数结构与主成分分析
相关性分析显示,寿命与健康跨度呈强正相关(r = 0.972),且与收入、环境绩效和幸福感也密切相关。相比之下,工作跨度与其他指标的关联度较低,表现出一定的独立性。主成分分析(PCA)提取了三个主要成分:PC1(解释方差61.93%)综合反映了整体福祉(general well-being);PC2(解释方差17.32%)主要与工作跨度相关;PC3(解释方差9.51%)则与环境绩效和收入相关。基于这三个成分,研究人员构建了加权复合HAPI-PCA指数。
基于HAPI的国家多维聚类与画像
通过肘部法则(Elbow method)和轮廓系数(Silhouette score)确定最佳聚类数为4。K-Means聚类结果显示:Cluster 0主要包括南亚、北非等地区的发展中国家,整体福祉水平较低;Cluster 1包含拉美、东欧和部分亚洲国家,表现为中等且异质性较强;Cluster 2由西欧、北美及大洋洲等高收入发达国家组成,各项指标均表现优异;Cluster 3多为撒哈拉以南非洲国家,整体福祉严重匮乏。雷达图进一步验证了四类国家在六个原始指标上的多维差异。监督分类实验证明这些聚类在特征空间上具有高度可分离性。
线性回归模型与特征重要性分析
多种线性回归模型(如线性回归、岭回归、贝叶斯岭回归和胡贝尔回归)均能近乎完美地预测HAPI-PCA目标变量(R2≈ 1.00)。标准化系数及SHAP值一致表明,寿命值和健康跨度值是影响HAPI的最主要因素,其次是收入和幸福感,环境绩效次之,而工作跨度的边际贡献最小。这证实了HAPI指数的线性结构,并凸显了社会经济与环境因素在健康老龄化中的核心地位。
国家层面的结构分解与维度贡献
结构分解分析揭示了各国实现高HAPI得分的不同路径。芬兰、丹麦等高福利国家表现出均衡的正向贡献,尤其是环境可持续性和经济能力的互补;土耳其、中国等中等表现国家则存在结构性失衡,如环境绩效或收入的负向拖累;阿富汗、中非共和国等低表现国家的多维基本福祉(生命、健康、收入、幸福)均呈现严重的结构性赤字。
全球福祉的综合评估:不平等、特征重要性与聚类
鲁棒性检验表明,无论是基于PCA、熵权法还是等权重法构建的指数,全球福祉排名均高度稳定(皮尔逊相关系数r > 0.98)。熵权计算显示收入价值的权重最高(约0.619)。洛伦兹曲线和基尼系数(Gini = 0.318)揭示了全球健康老龄化成果存在中度但不容忽视的分布不均。

讨论与结论

讨论部分指出,健康老龄化并非单一结果,而是社会、经济和环境因素共同作用的长期结构化过程。传统的仅关注医疗支出的政策是不充分的,必须转向涵盖经济保障、环境质量和主观幸福感的综合性终身政策。
结论翻译:
健康老龄化是一个多维结构,主要由社会经济和环境决定因素塑造,而非仅由医疗保健因素决定。这些发现强调了针对国家集群制定特定情境和综合性公共卫生策略的必要性。所提出的框架为政策制定者在全球层面评估和改善健康老龄化结果提供了一个稳健且可解释的工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号