应用可解释机器学习(Interpretable Machine Learning)基于2022年孟加拉国人口与健康调查(BDHS 2022)数据预测孟加拉国育龄女性早期心理健康服务寻求行为
《Discover Public Health》:Interpretable machine learning for predicting early mental health care-seeking among reproductive-age women in Bangladesh using BDHS 2022 data
编辑推荐:
摘要:机器学习(Machine Learning, ML)在预测焦虑抑郁症状下心理健康服务寻求等复杂健康行为方面具有潜力,但其在低资源环境中的应用与解释仍较少被探讨。研究人员利用2022年孟加拉国人口与健康调查(Bangladesh Demographic a
摘要:机器学习(Machine Learning, ML)在预测焦虑抑郁症状下心理健康服务寻求等复杂健康行为方面具有潜力,但其在低资源环境中的应用与解释仍较少被探讨。研究人员利用2022年孟加拉国人口与健康调查(Bangladesh Demographic and Health Survey, BDHS)数据,采用多种ML算法预测孟加拉国育龄女性中焦虑症(广泛性焦虑障碍量表 Generalized Anxiety Disorder-7, GAD-7 ≥ 6)或抑郁症(患者健康问卷 Patient Health Questionnaire-9, PHQ-9 ≥ 10)患者的服务寻求行为。研究人员分析了4255名15–49岁曾婚且符合焦虑或抑郁阈值的女性数据,评估了9种ML算法:逻辑回归(Logistic Regression)、决策树(Decision Tree)、随机森林(Random Forest, RF)、K近邻(K-Nearest Neighbors, KNN)、梯度提升(Gradient Boosting)、XGBoost、LightGBM、CatBoost及AdaBoost,采用准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1分数(F1-score)及受试者工作特征曲线下面积(Area Under the Receiver Operating Characteristic Curve, AUROC)进行评价。采用合成少数类过采样技术(Synthetic Minority Oversampling Technique, SMOTE)处理类别不平衡,并对最优模型使用SHAP(SHapley Additive exPlanations)进行解释。随机森林模型取得最佳预测性能(准确率=0.66,召回率=0.69,F1分数=0.67,AUROC=0.70),其次为CatBoost和梯度提升(F1≈0.66)。SHAP分析确定行政区(administrative division)、年龄组、子女数量、家庭规模和大众媒体接触是最重要的特征;地理差异和信息获取具有最高SHAP值,表明其对预测服务寻求行为作用显著。本研究表明,结合SHAP可解释性的可解释ML为低资源环境下心理健康服务寻求行为预测提供了有用且可解释的框架,可为孟加拉国及相似背景下针对高危人群的公平循证干预提供依据。
论文解读:应用可解释机器学习基于BDHS 2022数据预测孟加拉国育龄女性早期心理健康服务寻求行为
该研究发表于《Discover Public Health》。
研究背景与目的
全球约七分之一人口受精神健康问题影响,焦虑和抑郁是最常见类型,且在低收入和中低收入国家(Low- and Middle-Income Countries, LMICs)育龄女性中负担尤为沉重。孟加拉国仅有极少数符合焦虑或抑郁标准的女性寻求正规治疗,存在显著治疗缺口(treatment gap),结构性障碍(专业人员稀缺、服务集中于城市、初级保健未整合精神卫生)、社会污名(stigma)、性别规范及女性决策自主权受限均阻碍服务寻求。既往孟加拉国及LMICs研究多采用传统回归技术分析精神卫生服务利用影响因素,线性模型难以充分捕捉社会经济、人口学及情境决定因素间的复杂非线性关系,且预测能力有限、对多维调查数据(如人口与健康调查 Demographic and Health Surveys, DHS)可解释性不足。机器学习尤其是集成算法可处理非线性和高维数据,但其"黑箱(black-box)"特性限制公共卫生政策应用价值;可解释人工智能(eXplainable Artificial Intelligence, XAI)方法如SHAP(SHapley Additive exPlanations)可量化各特征对模型预测的贡献,提升透明度。目前将XAI应用于低资源环境心理健康服务寻求行为预测的证据仍有限。因此,研究人员利用2022年孟加拉国人口与健康调查(BDHS 2022)数据,应用多种ML算法预测育龄女性焦虑/抑郁症状下的服务寻求行为,并采用SHAP进行模型解释,以识别关键决定因素,为针对性政策和干预提供循证依据。
主要关键技术方法
研究人员使用2022年孟加拉国人口与健康调查(BDHS 2022)个体记录(Individual Recode, IR)数据集,最终分析样本为4255名15–49岁曾婚、符合GAD-7≥6(中度及以上焦虑)或PHQ-9≥10(中度及以上抑郁)标准的女性。结局变量为是否曾寻求帮助(二分类)。解释变量涵盖社会人口学(年龄组、教育程度、职业、婚姻状况、宗教、财富指数wealth index、户主性别、家庭规模)、媒体接触频率、生育相关因素(活产子女数、当前妊娠、当前哺乳)及地理因素(行政区administrative division、城乡居住地)。数据预处理含分类变量编码、罕见类别合并;采用合成少数类过采样技术(SMOTE)仅对训练集处理类别不平衡;通过探索性数据分析(Exploratory Data Analysis, EDA)、双变量分析及递归特征消除(Recursive Feature Elimination, RFE)结合Cramer's V进行特征选择。比较9种算法——Logistic Regression、Decision Tree、Random Forest(RF)、K-Nearest Neighbors(KNN)、Gradient Boosting、XGBoost、LightGBM、CatBoost、AdaBoost,按80%/20%划分训练/测试集,采用分层k折交叉验证(k=5);评价指标含Accuracy、Precision、Recall、F1-score、AUROC及混淆矩阵(confusion matrix)。最优模型(RF)采用SHAP进行全局及局部解释,分析特征重要性及影响方向。描述性分析应用调查权重(survey weights)和Rao–Scott调整,ML建模使用未加权数据。
研究结果
3.1 Characteristics of the study population(研究人群特征)
在4255名有焦虑或抑郁症状的育龄女性中,约20%报告曾寻求帮助。服务寻求比例在30–39岁女性中显著高于15–24岁(p=0.0316),非哺乳女性更高(p=0.0128),且地区间差异极显著(p<0.001),吉大港(Chattogram)、库尔纳(Khulna)、拉杰沙希(Rajshahi)较高,巴里萨尔(Barishal)和西尔赫特(Sylhet)较低;职业也与服务寻求显著相关(p<0.001)。教育水平(p=0.2484)及城乡居住(p=0.1057)无显著关联。
3.2 Model performance evaluation(模型性能评估)
九种算法准确率介于0.55(Logistic Regression)至0.66(Random Forest)。RF表现最优:Accuracy=0.66,Recall=0.69,F1-score=0.67,AUROC=0.70;CatBoost和Gradient Boosting具竞争力(F1分别为0.67和0.66)。Logistic Regression性能最低(Accuracy=0.55,F1=0.54),表明其不适用于该复杂非线性数据集。
3.3 Confusion matrix analysis(混淆矩阵分析)
RF正确分类368例真阳性(true positive, TP)和311例真阴性(true negative, TN),灵敏度(sensitivity)与特异度(specificity)较均衡。集成模型(RF、CatBoost、LightGBM)判别性能优于单一分类器(KNN、Decision Tree)。
3.4 ROC curve analysis(ROC曲线分析)
RF具最佳判别能力(AUROC=0.70),XGBoost、CatBoost、LightGBM均为0.69,Logistic Regression最低(AUROC=0.57)。尽管AUROC<0.75反映中等分类力,集成模型稳定优于传统及距离基分类器。
3.5 Model explainability: SHAP analysis(模型可解释性:SHAP分析)
SHAP汇总图显示行政区(administrative division)、年龄组(age group)、子女数量(number of children)、家庭规模(household size)及大众媒体接触(mass media exposure)对RF预测贡献最大。行政区和年龄组平均SHAP值最高(≈0.05),其次为子女数、家庭规模、媒体接触、居住地类型(residence);妊娠状态、宗教、哺乳状态及户主性别贡献极小。正负SHAP值反映个体间异质性效应,地理差异与信息可及性是预测服务寻求的关键驱动因素。
讨论与结论总结
讨论部分指出,集成模型尤其Random Forest在本研究预测精神健康服务寻求行为中优于传统模型,与既往ML在生育意愿、产前保健利用及机构分娩预测中RF表现最佳的发现一致。AUROC=0.70的中等判别力反映了精神健康行为受污名、感知需求、家庭支持等DHS未测无形因素影响。SHAP明确行政区、年龄组、子女数、家庭规模及媒体接触为核心预测因子,印证地理—人口—家庭特征对健康服务利用的主导作用,区域差异反映精神卫生基础设施分布不均及各行政区社会污名程度不同,年龄与家庭特征反映生命阶段及照料负担对女性自身心理健康的优先级影响。XAI方法通过分解预测为特征贡献之和提升了模型透明度与信任度,使计算洞察转化为可操作的公共卫生建议。研究局限包括DHS缺失心理社会态度变量(污名感、社会支持等)致预测力中等、横断面设计无法推断因果、SMOTE可能引入合成模式影响泛化性、SHAP不隐含因果、结局未区分求助时机与频次、单国数据外推需谨慎。优势为使用全国代表性大样本、多算法比较及SHAP解释桥接计算复杂度与政策相关性。
结论(翻译)
研究人员应用可解释机器学习,基于2022年BDHS全国代表性数据预测孟加拉国育龄女性焦虑及抑郁症状下的服务寻求行为。在评估的九种算法中,随机森林(Random Forest)模型表现出最强预测性能,捕捉了社会人口学与情境因素间的复杂非线性关系。SHAP(SHapley Additive exPlanations)通过确定行政区(administrative division)、年龄组、子女数量、家庭规模及大众媒体接触为服务寻求行为最具影响力的预测因子,提升了模型透明度。上述发现凸显地理差异、信息获取及家庭特征在塑造心理健康服务寻求行为中的作用。将可解释ML引入公共卫生研究与监测可协助决策者识别高危人群,制定数据驱动、公平的干预措施,以促进孟加拉国及相似环境中心理健康服务寻求行为并推进全民精神健康覆盖(universal mental health coverage)进程。