《International Journal of Environmental Research and Public Health》:Addressing Class Imbalance in Low Birth Weight Prediction: A Quantile-Based Outcome Redefinition Framework Using Colombian Health Surveillance Data
编辑推荐:
低出生体重(Low Birth Weight, LBW,由世界卫生组织(World Health Organization, WHO)定义为出生体重低于2500克)仍然是一个主要的公共卫生问题。本研究评估了基于分位数的结局重定义是否能改善已被归类为LBW的新生
低出生体重(Low Birth Weight, LBW,由世界卫生组织(World Health Organization, WHO)定义为出生体重低于2500克)仍然是一个主要的公共卫生问题。本研究评估了基于分位数的结局重定义是否能改善已被归类为LBW的新生儿中的预测严重性分层。研究人员分析了来自哥伦比亚麦德林(Medellín)的SIVIGILA监测记录(2011–2021年;n=10,185),所有记录均对应确诊的LBW分娩。因此,该分析不对LBW与正常出生体重进行建模。相反,在LBW队列中,使用出生体重的第一个四分位数(Q1=2240克)重新定义了二元结局,区分了Q1定义的严重LBW层和中等LBW层(2240–2499克)。WHO的2500克阈值被保留为LBW的临床和公共卫生定义;Q1阈值仅用于风险分层、监测和预测建模。基于逻辑回归、类别加权、SMOTE(合成少数类过采样技术,Synthetic Minority Oversampling Technique)和弹性网络(Elastic Net)的模型通过区分度、分类和校准指标进行了比较。与基线模型相比,所提出的结局重定义策略导致了更高的敏感性(0.218至0.632)、F1分数(0.330至0.496)和AUC(0.624至0.726)。还呈现了跨分类阈值的敏感性-特异性权衡分析,以支持在流行病学监测背景下的实际实施。总体而言,研究结果表明,使用基于分布阈值重新定义结局变量可以成为缓解罕见事件流行病学数据中类别不平衡的有效且可解释的策略,为改善孕产妇和新生儿健康监测系统中的预测建模提供了实用框架。
低出生体重(Low Birth Weight, LBW)是WHO定义的全球性公共卫生问题,其预测面临严重类别不平衡(正常体重与LBW比例约92:8),导致传统逻辑回归模型敏感性低下。研究人员利用哥伦比亚麦德林SIVIGILA监测系统2011-2021年10185例LBW记录,提出基于第一个四分位数(Q
1=2240g)的结局重定义,将LBW队列分为极端LBW(<2240g)和中等LBW(2240-2499g),实现类别分布从92:8改善至75:25。该研究比较了五种逻辑回归模型(基线、类别加权、SMOTE合成过采样、弹性网络正则化、弹性网络+SMOTE),通过AUC、敏感性、特异性、F1分数和校准指标评估性能。结果表明,结局重定义显著提升敏感性(0.218→0.632)和F1分数(0.330→0.496),AUC从0.624增至0.726;SMOTE进一步增加敏感性但降低特异性,弹性网络提供系数稳定性。该策略在不依赖合成数据下缓解了不平衡,同时保持可解释性,论文发表在《International Journal of Environmental Research and Public Health》。重要发现是,基于分布阈值的方法可作为罕见事件流行病学中有效且实用的预测框架,尤其适用于资源受限的公共卫生监测系统。
**技术方法**:研究基于哥伦比亚麦德林SIVIGILA公共健康监测系统2011-2021年10185例LBW出生记录。主要方法包括:1)基于出生体重第一个四分位数(Q
1=2240g)的结局重定义,将LBW队列分为极端LBW和中等LBW;2)构建五种逻辑回归模型:基线逻辑回归、类别加权逻辑回归、逻辑回归+SMOTE(合成少数类过采样技术)、弹性网络(Elastic Net)正则化逻辑回归、弹性网络+SMOTE;3)模型评估采用区分度(AUC)、分类指标(敏感性、特异性、F1分数)和校准(Brier分数、校准曲线),并进行70/30分层训练-测试拆分和五折交叉验证;4)敏感性-特异性权衡分析跨0.1至0.9分类阈值,以指导实际应用。
**研究结果**:
**4.1 描述性统计**:通过分析数据集,得出平均出生体重2313.8g(SD=167.3g),孕周37-45周,产妇年龄15-57岁。基于Q
1=2240g,极端LBW占24.8%(n=2525),中等LBW占75.2%(n=7660),实现类别分布从全队列的92:8改善至75:25。
**4.2 模型性能结果**:通过比较五个模型在测试集上的表现,传统逻辑回归特异性高(0.967)但敏感性低(0.218),F1分数0.330。平衡加权逻辑回归(基于Q
1重定义)敏感性提升至0.632,F1分数0.496,AUC从0.624增至0.726。SMOTE和弹性网络模型达到类似增益,AUC均为0.726。
**4.3 ROC曲线与性能可视化**:通过ROC曲线和条形图,展示所有平衡模型(加权、SMOTE、弹性网络)敏感性显著高于传统模型,AUC从0.624提升至0.726,传统模型高特异性(0.967)但接近零敏感性(0.218),凸显忽略不平衡的问题。
**4.4 模型系数与可解释性**:通过标准化系数和优势比(OR)分析,得出所有预测因子(孕周、出生身高、住院状态、产前检查次数、教育水平、产妇年龄)与极端LBW风险呈负相关(系数均为负值)。出生身高(系数=-0.37)和孕周(系数=-0.35)是最强保护因素,OR分别为0.69和0.71(95% CI均不包含1)。弹性网络产生几乎一致的系数,证实变量选择稳定性和无严重共线性。
**4.5 敏感性与特异性权衡与SMOTE影响**:通过SMOTE过采样前后类别分布和阈值分析,SMOTE将训练集中极端LBW从1768增至5362,实现50:50平衡。在默认阈值0.5下,SMOTE敏感性0.628(无SMOTE为0.632),特异性0.746(无SMOTE为0.775)。阈值分析显示SMOTE左移敏感性曲线,在较低阈值下获得更高敏感性,但特异性相应降低,为实际应用提供操作指导。
**讨论总结**:研究强调结局重定义策略的价值,认为其优于单纯算法修正,通过基于Q
1的阈值在LBW群体内实现更平衡的类别分布(75:25),改善敏感性和F1分数,同时保持可解释性。Q
1阈值(2240g)并非替代WHO的2500g临床标准,而是用于监测和预测建模的风险分层工具,且与临床证据一致(2240g附近新生儿风险升高)。SMOTE提高敏感性但以降低特异性为代价,弹性网络通过正则化稳定系数。校准分析表明,改进的敏感性未严重损害概率可靠性(Brier分数0.15-0.17)。研究承认局限性:Q
1阈值数据驱动,可能随人群变化;缺失变量(如产妇营养、吸烟)限制区分能力;仅内部验证,缺乏外部验证;未进行临床验证(如NICU入院率)。未来需评估替代百分位数、外部有效性和临床结果关联。
**研究结论翻译**:本研究证明了使用基于分位数的阈值重新定义结局变量可以为解决流行病学数据集中的类别不平衡提供一种实用的替代方案。通过关注已脆弱人群内的出生体重分布,所提出的方法减少了不平衡,同时保持了公共卫生应用所需的可解释性。实证结果表明,该策略提高了预测性能,并且可以与常规建模技术(如逻辑回归、惩罚回归和基于SMOTE的重采样)一起实施。除了低出生体重的具体案例,所提出的框架可能对人口健康监测系统中经常遇到的其他罕见事件问题也有用。此外,本研究提出了一种新颖且易于访问的框架,用于解决逻辑回归建模中的类别不平衡问题,应用于低出生体重(LBW)分类,使用SIVIGILA(哥伦比亚麦德林,2011-2021年;n=10,185)的健康监测数据。所有记录均对应确诊的LBW分娩(出生体重<2500克);分析重点在于该子人群内的风险分层,而非预测LBW与正常出生体重。通过基于出生体重第一个四分位数(Q
1=2240克)重新定义二元结局,实现了更平衡的类别分布(75:25,而传统截断下为92:8),同时保持了临床可解释性。这种基于分位数的重分类使得模型学习更有效,并提高了在监测环境中识别高风险新生儿的能力。SMOTE作为合成过采样策略的纳入显著提高了敏感性(从0.218到0.628),并伴随着预期的特异性降低,这一点通过阈值分析明确表征。惩罚逻辑回归(弹性网络)通过正则化增加了额外的稳健性,在存在共线性的情况下稳定了系数估计,同时保持了可比的区分性能(AUC=0.726)。总之,基于分位数的结局重定义、不平衡校正和惩罚的结合,相比于基于标准LBW截断的传统逻辑回归,产生了明显的性能提升。未来研究应评估自适应或群体特定阈值,将领域专家知识纳入重分类方案,并评估跨不同地理环境和健康结果的外部有效性。