机器学习模型预测儿童铅中毒的验证
本研究为预测模型的时间验证研究,使用芝加哥公共卫生部WIC项目数据,开发队列为2007年1月1日至2012年12月31日出生的儿童,验证队列为2013年出生的6812名儿童。主要结局为发生血铅升高(≥6 μg/dL)。随机森林模型AUC为0.69,逻辑回归为0.64,差异0.05(95%CI 0.02-0.08)。在预测风险最高的5%儿童时,随机森林与逻辑回归的阳性预测值分别为15.5%和7.8%,灵敏度分别为16.2%和8.1%,特异度分别为95.5%和95.1%。在主动检查试点中,478户高风险家庭收到检查提议,完成27次检查,其中20户(74.1%)发现含铅涂料危害。作者认为该模型可用于将铅中毒预防资源定向分配给高风险儿童。
要点
- 在2013年WIC验证队列6812名儿童中,随机森林模型预测血铅升高(≥6 μg/dL)的AUC为0.69,逻辑回归为0.64,差异0.05(95%CI 0.02-0.08)。
- 预测风险最高的5%儿童时,随机森林阳性预测值15.5%、灵敏度16.2%,逻辑回归分别为7.8%、8.1%;特异度分别为95.5%和95.1%。
- 随机森林模型中最重要的预测因子包括时空血铅升高率聚合(0.81-1.00)、住宅房产价值(0.52)、纬度(0.47)和房龄(0.47)。
- 主动检查试点中,向478户高风险家庭发出检查提议,完成27次检查,20户(74.1%)发现含铅涂料危害;同期被动检查的铅危害率为83.8%。
- 2010年至2013年队列血铅升高患病率从8.5%降至4.9%,最高风险5%阈值的阳性预测值从22.5%降至15.4%。
适用人群与场景
- 验证队列为芝加哥公共卫生部WIC项目中2013年1月1日至12月31日出生的儿童,共6812名,平均年龄5.5岁(标准差0.3)。
- 排除在2014年1月1日之后入组WIC、该日期时WIC登记无地址、或该日期前已出现阳性结局的儿童。
- 开发队列为2007年1月1日至2012年12月31日出生的194786名儿童,且在2014年1月1日前有芝加哥地址的血铅结果。
- WIC参与者相比同出生队列非WIC参与者血铅升高风险更高(风险比1.4,95%CI 1.2-1.6)。
诊断标准与关键阈值
- 主要结局为血铅升高,定义为静脉或毛细血管样本血铅≥6 μg/dL。
- 采用该定义是因为直到2016年部分实验室检测下限为5 μg/dL。
- 模型输出为0到1的未校准风险评分。
- 混淆矩阵指标在预测风险最高的5%、10%、15%儿童阈值下计算。
处置流程与药物剂量
- 2016年10月1日更新机器学习模型并对WIC队列儿童进行血铅升高风险预测。
- 2016年10月1日至2017年9月30日,CDPH联系WIC家庭提供主动检查,优先联系年龄小于12个月且未进行过血铅升高检测的儿童。
- 预测于2017年2月1日和6月1日更新两次,以纳入地址变更和新入组WIC参与者。
- 向被选中提供检查的家庭邮寄双语(英语和西班牙语)信件,随后进行双语日间电话联系,提供并安排检查。
- CDPH认证的铅风险评估员使用X射线荧光分析仪按美国住房和城市发展部指南完成含铅涂料检查;若未发现含铅涂料危害,则进行清除灰尘擦拭。
研究设计与关键结果
- 本研究为预测模型的时间验证研究,使用芝加哥WIC项目数据,开发队列194786名儿童,验证队列6812名儿童。
- 验证队列中3451名(50.7%)为女性,3057名(44.9%)为西班牙裔,2804名(41.2%)为非西班牙裔黑人,458名(6.7%)为非西班牙裔白人,442名(6.5%)为亚裔;住房建造年份中位数1919年(四分位距1903-1948)。
- 随机森林AUC为0.69,逻辑回归AUC为0.64,差异0.05(95%CI 0.02-0.08)。
- 预测风险最高的5%儿童时,随机森林与逻辑回归的阳性预测值分别为15.5%和7.8%(差异7.7%,95%CI 3.7%-11.3%),灵敏度分别为16.2%和8.1%(差异8.1%,95%CI 3.9%-11.7%),特异度分别为95.5%和95.1%(差异0.4%,95%CI 0.0%-0.7%)。
- 验证集中5549名儿童(81.4%)有血铅结果,其中271例升高,患病率4.9%,开发集患病率6.8%。
- 主动检查试点中,向478户高风险家庭提供检查,完成27次检查,3次(11.1%)在不同于风险评估的地址进行;27户中20户(74.1%)发现含铅涂料危害。
- 采用美国健康家庭调查重新加权估计研究人群含铅涂料危害率为56.7%(95%CI 46.9%-66.4%);同期被动检查的铅危害率为83.8%。
- 2010年队列血铅升高患病率为536/6337(8.5%),2013年队列为271/5549(4.9%);最高风险5%阈值的阳性预测值从22.5%降至15.4%,灵敏度和AUC等不依赖患病率的指标稳定或升高。
证据类型、等级与局限
- 证据类型为预测模型的时间验证研究,遵循TRIPOD报告规范。
- 作者指出机器学习模型在AUC上改善显著但幅度不大,但在高风险阈值下的阳性预测值和灵敏度改善显著且幅度大。
- 作者指出机器学习模型性能虽显著优于回归模型,但仍有进一步提升空间。
- 局限性:测试集1263个预测(18.5%)缺失血铅结局,缺失与种族/族裔相关,尽管敏感性分析结果稳健。
- 局限性:结局受实验室检测下限影响,历史上检测下限高达5 μg/dL,导致无法分析血铅≥5 μg/dL的结局。
- 局限性:预测性能因种族/族裔而异,例如非西班牙裔黑人参与者灵敏度更高、特异度更低。
对床旁实践的改变
- 作者认为机器学习模型可用于将铅中毒预防资源定向分配给高风险儿童,在资源有限时优于简约回归模型。
- 作者指出在芝加哥固定资源下,若可主动检查5%的WIC儿童,使用随机森林定向可预防16.2%的病例,是逻辑回归(8.1%)的两倍。
- 作者建议临床医生使用血铅升高预测模型前,应先采用时间交叉验证估计预测性能,再通过检查性能表并权衡潜在健康获益与危害(如非法房东报复)及成本来确定干预资格的风险阈值。
- 作者指出成功的初级预防需要干预和外展均有效;一项Cochrane综述发现灰尘控制干预对血铅水平可能几乎没有或没有差异,证据质量中至低。
- 作者引用辛辛那提随机临床试验结果:综合住宅干预未导致显著血铅降低或神经行为改善,但在高风险非西班牙裔黑人亚组中记录到显著血铅降低,作者结论为干预在高风险人群中可能更有效。
- 作者指出主动检查的接受率可能有限;费城铅安全家庭研究中,对无血铅升高儿童家庭完全补贴的铅修复工作接受率仅28%;芝加哥同期因血铅升高触发的被动检查接受率为58%。
提炼说明
- 原文未涉及「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译17 节 · 点击展开
引言
尽管过去几十年铅危害已大幅减少,儿童铅中毒在美国仍是一个重要的环境健康问题。据估计,2013年至2014年出生的儿童中有0.5%的血铅水平(BLLs)超过美国疾病控制与预防中心当前参考水平5 μg/dL(转换为微摩尔每升,乘以0.0483)。1 血铅水平升高(EBLLs),即使低于当前参考水平,也与神经行为缺陷相关,如智力和学业表现下降以及注意缺陷/多动障碍。2
芝加哥公共卫生部(CDPH)等公共卫生机构用于铅中毒的主要干预措施是在血铅水平升高病例中检查家庭环境,以识别和控制危害。这种二级预防策略依赖于报告的暴露来触发干预。然而,尚未发现对逆转暴露影响有效的治疗方法。3 因此,美国疾病控制与预防中心和儿科学会呼吁通过主动识别和修复危害在儿童发生血铅水平升高之前进行一级预防。4,5
然而,一级预防是一项挑战。在芝加哥,该市120万套住房中有81%建于1978年之前,即禁止含铅涂料的年份,6 但这些建筑中很少有婴儿居住,报告暴露病例的更少。2017年,仅报告了1713例新发血铅水平升高(≥5 μg/dL)病例,并进行了567次检查。
为克服这一挑战,有人提出将铅中毒预防资源优先分配给暴露风险最高的儿童。7,8 在北卡罗来纳州开发了一个使用县、中位收入和住房年代的简约回归模型。7,9 最近,针对芝加哥开发了一个使用血铅水平、住房和人口学预测因子、涵盖多个时空尺度的机器学习模型。10 本研究有3个主要目标:第一,使用芝加哥数据复制铅中毒的简约回归模型;第二,通过与该回归模型比较来验证机器学习模型;第三,试点将铅中毒预防资源定向分配给预测暴露风险最高的儿童。
方法
我们遵循个体预后或诊断多变量预测模型透明报告(TRIPOD)声明来报告多变量预测模型验证。11 本研究被CDPH机构审查委员会认定免于人类受试者审查和知情同意,因为它符合对公共项目下获取益处的程序评估。
研究人群
验证队列或测试集由 enrolled in CDPH的妇女、婴儿和儿童(WIC)项目并于2013年1月1日至12月31日出生的儿童组成。本研究采用时间验证设计11,分割日期为2014年1月1日(图1)。因此,我们从测试集中排除了在该日期之后 enrolled in WIC的儿童、截至该日期在WIC登记处没有地址的儿童、或在该日期之前已有阳性结局(见下文)的儿童。开发队列或训练集由2007年1月1日至2012年12月31日出生的所有儿童组成,其在分割日期之前于芝加哥某地址有血铅水平结局。
将测试集限制为WIC参与者有几个原因。首先,为了使预测可操作(如下所述),CDPH需要当前的联系信息,包括电话号码,这些信息对WIC参与者可用但对其他人不可用。其次,WIC注册数据库包含时间戳,使我们的验证只能使用截至分割日期可获得的信息,从而提高了其有效性。最后,WIC家庭收入较低,因此这些儿童一般铅中毒风险较高。12 为了评估性能如何随时间变化,我们在2010、2011和2012年WIC队列上重复了本研究设计进行验证。
结局
主要结局是儿童是否有EBLL的二分类变量,本文中定义为静脉或毛细血管样本中6 μg/dL或以上。使用这一定义是因为直到2016年,一些实验室的检测下限为5 μg/dL。在模型开发中,结局使用2014年1月1日之前测量的BLL来定义。在验证中,结局在2014年1月1日之后至2018年12月31日期间测量。
随机森林模型
2015年,开发了一个随机森林模型来预测芝加哥儿童的EBLL。10 该模型在本研究中增加了额外预测因子进行了更新。源代码公开可用(https://github.com/chicago/lead-model)。模型超参数使用2010-2012年队列选择,对2013年队列设盲。
预测因子
预测因子有2种类型:空间和时间空间。空间变量为来自县评估员的住房特征(房龄、面积和状况)以及芝加哥建筑轮廓shapefile(约750 000个地址)。地址级别的时间空间数据集包括监测BLL(自1995年以来约100万名儿童的约250万次检测);CDPH铅调查(自1994年以来约70 000次);芝加哥建筑局许可证(拆除、翻新等)和违规记录(墙壁、窗户、油漆等;自2006年以来约200万条);以及自2005年以来人口普查区级别的美国社区调查社会人口学变量。
这些数据以多种方式聚合以创建机器学习模型的预测因子。例如,从历史BLL中,我们计算了不同空间级别(地址、人口普查街区组和人口普查区)和时间段(1、2、3、5、10和所有可用年份)的EBLL(≥6和≥10 μg/dL)计数和率。这些聚合生成了超过1000个总预测因子(补充材料中的e表1-3)。预测因子使用开发队列数据开发,研究者对验证队列数据设盲。
对于每个数据集(如BLL)和聚合级别(如人口普查街区组、2年),我们将聚合中的记录数作为预测因子纳入。当等于零时,该预测因子表明该聚合中其他预测因子缺失。这些缺失值采用均值插补。预测因子重要性以森林中一棵树在该预测因子上分裂后误差的平均减少量来衡量。
模型
我们使用了平衡随机森林模型。13,14 随机森林对观测值和预测变量使用自助聚合,因此我们没有进行额外的特征选择。模型的输出是每个儿童0到1的未校准风险评分。
回归模型
为了进行比较,我们复现了北卡罗来纳州的一个回归模型。7 该模型此前已经过验证和部署,是一个自然的替代方案。9 该回归模型较为简约,同时纳入了住房、经济、种族和地理预测变量。
我们在复现过程中做了2处更改。第一,由于我们研究人群中的血铅水平(BLL)结局集中在实验室检测限以下,我们将原始模型中的(连续性)最高BLL结局替换为(二分类)EBLL结局。因此,我们用逻辑回归替代了线性回归。第二,由于我们的分析在单一县(库克县)进行,我们将县固定效应替换为社区固定效应。因此,该回归模型推广了社区优先排序的常见策略。15,16
回归模型包括以下预测变量:来自县评估员的住房房龄、收入中位数、来自美国人口普查局美国社区调查5年数据的普查区层面非西班牙裔黑人和西班牙裔居民百分比,以及77个社区(芝加哥社区区域)的固定效应。地址与评估员记录不匹配的,其房龄以均值插补,并将缺失指示变量作为预测变量纳入。
预测性能指标
模型预测EBLL的性能使用受试者工作特征曲线和曲线下面积(AUC)进行总结。更适合我们部署背景的是,我们还计算了在预测WIC队列中风险最高的5%、10%和15%儿童发生EBLL时的混淆矩阵指标,包括阳性预测值(PPV)、灵敏度和特异度。使用一系列敏感性参数对缺失结局进行插补后重复了分析(补充材料中的eMethods)。为调查潜在的公平性问题,指标按种族/族裔分别计算。17
将机器学习模型投入运行以针对性开展主动检查
2016年10月1日,使用可用数据更新了机器学习模型,并对WIC队列中的儿童进行了EBLL风险预测。从2016年10月1日至2017年9月30日,CDPH联系WIC家庭以提供主动检查。向有12个月以下儿童的家庭发出邀请,因为这些儿童最有可能从主动检查中获益,原因是在芝加哥完成修复平均需要10个月。如果儿童小于12个月且未进行过EBLL检测,则家庭符合被联系的条件。CDPH将有限资源优先用于向风险较高且更接近年龄截止值的儿童提供检查。预测更新了两次(2017年2月1日和6月1日),以考虑地址变更并纳入新加入的WIC参与者。
被选中接受检查提议的儿童家庭收到了一封双语信(英文和西班牙文),随后接到了一通双语日间电话,提供并安排检查。CDPH认证的铅风险评估员使用X射线荧光分析仪,按照住房和城市发展部的指南完成了含铅涂料检查。18如果未发现含铅涂料危害,他们进行了清除粉尘擦拭。
对检查提议分析了2项结局:完成情况和含铅涂料危害的检出。研究人群中含铅涂料危害率的估计方法为:利用美国健康家庭调查(AHHS)按住房年代对中西部地区显著含铅涂料危害的估计值进行重新加权。19(p33)我们还记录了同期反应性检查(即CDPH针对血铅水平升高(EBLL)而进行的检查)中发现的含铅涂料危害率。
统计分析
数据分析时间为2019年1月1日至10月31日。统计分析使用R 3.3版(R Foundation for Statistical Computing)和Python 2.7版(Python Software Foundation)软件进行。双侧P ≤ .05被认为具有统计学意义。我们使用10 000次bootstrap重复计算了AUC和混淆矩阵指标比较的95% CI。
结果
在2013年测试集中接受WIC的6812名儿童中(平均[SD]年龄,5.5[0.3]岁),3451名(50.7%)为女性,3361名(49.3%)为男性,3057名(44.9%)为西班牙裔,2804名(41.2%)为非西班牙裔黑人,458名(6.7%)为非西班牙裔白人,442名(6.5%)为亚裔。住房建造年份的中位数为1919年(四分位距,1903-1948)。
模型使用194 786名儿童的训练数据开发(图1)。随机森林模型中最重要的预测因子为时空EBLL率聚合(0.81-1.00);住宅房产价值(0.52)、纬度(0.47)和年龄(0.47);人口普查教育水平(0.30)、健康保险(0.30-0.32)和收入变量;铅调查依从性(0.24)、检查(0.25-0.27)和危害率(0.22);以及建筑违规计数(0.09)和涉及墙壁与窗户的比例(0.08)(表1)。拟合的逻辑回归系数见补充材料中的eTable 4。
测试集中5549名儿童(81.4%)测量了血铅水平结局(图1)。在这些BLL中,271例升高,患病率为4.9%,而训练集为6.8%。随机森林和逻辑回归的AUC分别为0.69和0.64。AUC差异为0.05(95% CI,0.02-0.08)(图2)。
两种模型在5%、10%和20%最高风险儿童阈值下的混淆矩阵指标列于表2。随机森林在每项指标和每个阈值下均优于逻辑回归。最大差异出现在PPV和敏感性以及较高风险阈值下。例如,在对5%的EBLL儿童进行分类时,随机森林和逻辑回归模型的PPV分别为15.5%和7.8%(差异,7.7%;95% CI,3.7%-11.3%),敏感性分别为16.2%和8.1%(差异,8.1%;95% CI,3.9%-11.7%),特异性分别为95.5%和95.1%(差异,0.4%;95% CI,0.0%-0.7%)。该随机森林模型还显著优于最初发表的模型设定(补充材料中的eTable 5)。
EBLLs的患病率从2010年队列的6337例中的536例(8.5%)下降到2013年队列的5549例中的271例(4.9%)(补充材料中的e表6)。在这些队列上重复验证时,一些指标也有所下降,例如,5%最高风险时的PPV从22.5%降至15.4%。其他与患病率无关的指标(例如灵敏度和AUC)从2010年到2013年保持稳定或有所提高(补充材料中的e表7和e图)。
在主动检查试点中,向478户较高风险家庭发出检查邀约,获得27次检查,其中3次(11.1%)的检查地址与风险评估地址不同。27套住房中有20套(74.1%)发现含铅涂料危害。使用AHHS,研究人群中含铅涂料危害的估计率为56.7%(95% CI,46.9%-66.4%)(补充材料中的e表8)。研究期间的被动检查铅危害率为83.8%。
血铅水平、建筑特征和社会人口学预测因素极少缺失,而调查、建筑违规和许可预测因素则经常缺失。训练集和测试集之间的缺失情况无实质性差异(补充材料中的e表9)。西班牙裔儿童更可能既有BLL结局测量(5585例中的2673例[47.9%]),又完成检查邀约(27例中的12例[44.4%])。无BLL结局的儿童被两种模型预测为具有较低的平均风险(补充材料中的e表10和e表11)。预测性能对敏感性分析稳健(补充材料中的e表12和e表13)。同一出生队列中,WIC参与者的测试集EBLL风险高于非WIC参与者(风险比,1.4;95% CI,1.2-1.6)(补充材料中的e表14)。
讨论
在这项预后研究中,我们使用机器学习从BLL监测数据、住房特征和人口学特征中,在多种时空尺度上预测儿童铅暴露风险。我们使用时间验证在2010-2013年芝加哥WIC出生队列中验证了预测。我们重点关注2013年队列验证,其中模型使用2014年1月1日之前测量的预测因素和结局进行拟合,并针对该日期之后发生的结局进行评估。性能与从北卡罗来纳州复制的简约回归模型进行了比较。
在以AUC衡量的总体性能方面,机器学习模型有显著但适度的改善。然而,对于高风险阈值下的PPV和灵敏度——这些是在我们将干预措施靶向小部分人群的背景下的相关指标——改善显著且幅度大。
我们的研究具有重要意义,因为美国疾病控制与预防中心和美国儿科学会均呼吁采取主动的铅中毒干预措施,但尚未分配资源以普遍实施这些措施。4,5 针对铅中毒预防资源的定向分配已被提出作为解决这一问题的方法。7,8,9,10 本研究表明,该方法可以受益于使用机器学习方法替代传统回归。此外,据我们所知,我们首次展示了在实践中使用机器学习预测来定向铅中毒预防干预措施,尽管采纳率较低。
公平性、问责制与透明度
EBLL(血铅升高水平)的发生率在非西班牙裔黑人和西班牙裔参与者中更高。预测性能因种族/族裔而异,例如,非西班牙裔黑人参与者的灵敏度更高、特异度更低(补充材料中的e表15-17)。这种差异可能反映了不同的风险分布,在此情况下可被视为公平的。20 只要使用这些预测分配的干预措施是有益的而非惩罚性的,这种性能可被视为对黑人儿童有益。21 然而,如果倾向于种族/族裔间性能相等,可以通过对每个种族使用不同的阈值来实现,尽管存在一些局限性且会损害整体性能。22,23
一个相关的问题涉及可解释性。尽管随机森林可能不如逻辑回归可解释,但它比其他一些机器学习模型(如神经网络)更具可解释性。事实上,最重要的预测因子与我们的理解一致,即铅中毒由年龄和住房质量决定(表1)。此外,对于这一预测应用而言,可解释性的重要性可能不如因果推断中那么重要。24,25
意义
我们的研究结果与全国各地的公共卫生和住房机构相关。其他城市在预测EBLL方面可能取得更好或更差的结果,取决于其可用的数据和铅中毒的患病率等因素。将2013年验证队列的结果与2010-2012年开发队列进行比较表明,如果患病率未来继续下降,绝对性能指标(如PPV)也可能下降,但相对于患病率的指标(如灵敏度、提升度和AUC)可能保持稳定或改善。
鉴于芝加哥用于主动干预的资源固定,使用该预测模型进行定向分配将增加预防铅暴露的可能性。例如,在资源允许主动检查WIC(妇女、婴儿和儿童特别补充营养计划)人群中5%的儿童的情况下,使用随机森林进行定向分配有可能预防16.2%的病例,是使用逻辑回归(8.1%)的两倍。我们的结果表明,铅中毒难以预测,主动处理所有病例所需的干预水平将超过上文考虑的20%。使用该预测模型进行预后判断旨在补充通过BLL检测进行的诊断,以便对未被主动识别进行潜在一级预防的病例实现二级预防。
然而,成功的初级预防既需要有效的干预措施,也需要有效的外展服务。关于干预措施,一项Cochrane综述发现“灰尘控制干预可能对血铅水平几乎没有或没有影响”,但“证据质量为中到低,意味着未来的研究很可能改变这些结果。”26(p2) 最近,俄亥俄州辛辛那提的一项随机临床试验结果被报道。27 总体而言,综合性的住宅干预并未导致血铅水平(BLL)显著降低或神经行为改善,尽管该人群的血铅水平相对较低(对照组3%的血铅水平>5 μg/dL)。然而,在较高风险的非西班牙裔黑人亚群中记录了血铅水平的显著降低(对照组6%的血铅水平>5 μg/dL),作者得出结论“干预在高风险人群中可能更有效。”27(p941) 我们的研究结果表明,机器学习预测模型可以识别此类高风险亚群(风险最高的5%中16%的血铅水平≥ 6μg/dL)。
AHHS确立了一点:含铅涂料危害远比EBLL更为常见。这意味着在进行主动检查时,发现的危害——因而下令修复的——将比当前儿童住户中预防的潜在EBLL病例多得多。此外,修复比检查更昂贵。28 因此,靶向主动检查的效率不仅来自靶向检查本身,还来自由此产生的靶向修复。
关于外展服务,在任何自愿性铅检查项目中,参与率可能都很有限。在费城铅安全住房研究中,29 对无EBLL儿童家庭完全补贴的铅修复工作的参与率仅为28%。研究期间芝加哥针对EBLL的反应性检查参与率为58%,这毫不意外地表明,当芝加哥公共卫生部(CDPH)通知其孩子有EBLL时,家庭更有可能接受检查。由于生命统计记录不包括电话号码,在WIC之外提供主动检查是一项挑战。改善州和地方机构之间数据共享的努力可能有所帮助。
要使用EBLL预测模型,临床医生应首先使用时间交叉验证来估计预测性能。接下来,他们应通过检查性能(表2)并估计和权衡潜在的健康获益与危害(如非法房东报复)以及成本来确定干预资格的风险阈值。28,30 特别是,他们应考虑上述关于铅危害控制在较低风险儿童中有效性证据不足的问题。我们的研究表明,机器学习方法在识别最高风险儿童方面可以比简约回归提供实质性改进,使其对资源有限的公共卫生组织有效。临床医生还应考虑影响干预及时完成的因素,如修复的拨款资助。
局限性
本研究存在若干局限性。首先,测试集中有1263个预测(18.5%)缺失血铅水平(BLL)结局,且缺失与种族/族裔相关,尽管敏感性分析显示结果稳健。结局还受到实验室检测限的影响,历史上检测限曾高达5 μg/dL。这使我们无法分析至少5 μg/dL的EBLL结局。
机器学习模型的性能虽然显著优于回归模型,但仍有进一步提升的空间。例如,纵向方法可以利用重复的BLL测量值,基于似然的方法可以处理因检测下限而导致的左删失测量值。31初步结果表明,替代性机器学习分类器(如支持向量机)的性能与随机森林模型相似。10
我们对铅危害人群发生率的估计受到使用AHHS的限制。一方面,使用AHHS可能导致高估,因为数据收集于2005至2006年,当时全国EBLL(≥5 μg/dL)发生率为2.9%,而2013至2014年已降至0.5%。1另一方面,也可能导致低估,因为它仅基于建筑年代,未考虑到WIC人群收入较低、与芝加哥其他人群相比铅暴露风险更高这一事实(补充材料中的eTable 9)。
我们估计人群危害率为56.7%,针对性主动检查为74.1%,被动检查为83.8%。AHHS的上述局限性以及主动检查样本量较小,限制了我们严格解读这些数字的能力。然而,这些数字与以下假设一致:针对性主动检查发现危害的可能性与被动检查大致相当,且两者发现危害的频率均高于随机检查。此外,这些结果提示主动检查的参与并未严重偏向低风险家庭。
流动性 and/or 数据质量较差导致27次针对性主动检查中有3次(11.1%)被安排在与预测儿童风险地址不同的地点。流动性带来两个局限性。首先,儿童的风险可能在预测与干预之间发生变化。其次,如果儿童在居住干预后搬家,他们不太可能充分受益。
结论
我们的研究提供了证据表明,机器学习在预测儿童铅中毒风险方面可以优于简约回归模型。我们还证明了利用模型预测来指导主动性居住铅检查的可行性,有可能实现从二级预防向一级预防的转变。然而,自愿检查邀请的参与率较低,且其有效性的证据目前尚不完整。我们正在实施该系统,向医生、社区卫生工作者和社区组织提供预测,以便将铅中毒预防资源分配给铅暴露风险最高的儿童。
参考来源
- Potash E, Ghani R, Walsh J, et al. Validation of a Machine Learning Model to Predict Childhood Lead Poisoning. JAMA Netw Open. 2020. PMID: 32936296. doi:10.1001/jamanetworkopen.2020.12734
- 全文:PMC7495240(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7495240/
供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。