《Frontiers in Bioinformatics》：Public health risk stratification using hybrid machine learning: a reproducible analysis of performance, stability, and risk attribution
编辑推荐：
本研究针对公共卫生领域中异构健康数据整合的挑战，提出了一种结合线性和非线性组件的混合机器学习框架，旨在构建稳定的风险分层表征。研究基于NHANES 2017–2018、BRFSS 2019及两者整合的公共健康数据集，通过构建连续风险指数并进行分位数离散化，系统评估了模型在近似输入空间结构分区上的表现。结果表明，该混合方案在所有场景中均保持了稳定的宏F1和宏ROC-AUC值，且具有较低的折间变异性。归因分析进一步揭示了风险表征的组织方式随数据类型（如临床信号集中、行为变量分散）而变化的规律。这些发现为异构公共卫生数据中风险的结构化分析提供了一个稳定且可解释的框架。
在公共卫生领域，准确识别和管理人群健康风险至关重要。传统的风险评估通常依赖于单一的数据源或简单的统计模型，例如逻辑回归，它们虽然易于解释，但在处理来自不同源头、形式各异的健康数据时——比如包含临床测量、实验室指标、行为习惯和自我报告信息的大规模观测数据集（如美国的“国家健康与营养检查调查”NHANES和“行为风险因素监测系统”BRFSS）——往往力不从心。这些数据在分辨率、可靠性和语义结构上存在巨大差异，将它们整合起来进行分析是一项巨大的方法论挑战。更棘手的是，当前大多数研究都聚焦于使用机器学习模型预测某个预设的临床结局（如是否患病），却忽略了一个更根本的问题：风险本身是如何从这些杂乱的数据中被“构造”出来的？ 换句话说，我们缺乏一个能够系统分析风险内在结构、并评估该结构在不同数据集间是否稳定的框架。
为了解决这一核心问题，一篇发表在《Frontiers in Bioinformatics》上的研究提出了一种新颖的思路。研究人员不再将风险分层仅仅视为一个预测任务，而是将其重新定义为一个表示学习问题。他们的目标不是预测一个外部定义的疾病标签，而是从数据本身出发，通过一个受控的流程“诱导”出风险的结构化表征，然后研究机器学习模型如何学习和逼近这个结构。为此，他们设计了一个混合机器学习框架，巧妙地结合了线性模型（逻辑回归）和非线性模型（随机森林），以期同时捕捉数据中简单和复杂的关联模式。
为了开展这项研究，作者们主要运用了以下几项关键技术方法：首先，是数据整合与特征工程，他们使用了NHANES 2017-2018和BRFSS 2019这两个公开的公共卫生数据集，并构建了一个整合数据集。通过对来自这些数据集的临床、生物特征和行为变量进行语义协调、标准化和编码，构建了一个风险导向的特征空间。其次，是风险表征的构建，其核心是受控的实验设计：他们从所有可用变量中计算出一个连续的“风险指数”，然后使用分位数将其离散化为有序的风险等级（例如高、中、低）。这个“风险”标签并非真实临床结局，而是数据内在模式的体现，这使得分析模型如何近似数据结构成为可能。最后，是混合建模与评估框架，他们训练了线性的逻辑回归模型和非线性的随机森林模型，并通过加权组合的方式构建混合模型。整个训练过程采用分层抽样划分训练集和测试集（70%/30%），并利用五折交叉验证进行超参数（模型权重）选择，以宏F1分数和宏ROC曲线下面积（AUC） 作为核心性能评估指标，同时分析模型在不同数据折之间的稳定性。此外，研究还引入了一种基于扰动的归因分析机制，来量化每个输入变量对最终风险评分的贡献。
3. Materials and methods
本研究的方法论核心在于明确区分了风险表征的构建与临床结局的预测。研究采用NHANES（提供客观临床测量）和BRFSS（提供自我报告行为数据）两个互补的开放数据集，通过语义协调构建了整合的公共健康数据集。研究设计了一个受控流程：首先从多维度健康变量中构造一个连续的风险指数，然后将其按分位数离散化为有序类别，以此作为模型学习的目标。这种设计使得分析的重点从预测准确性转向了风险内在结构的组织形式。
3.1 Methodological design and data sources
研究方法采用计算研究设计，优先关注在开放数据集中构建可重复、稳健的分析流程。整个过程如文中图1所示，从开放健康数据集的选取开始，经过数据筛选过滤、分析队列构建、风险导向的特征表征，最后输入到混合学习管道中。其目的是形式化异构数据环境下风险的结构，而非直接进行临床验证。
3.2 Feature engineering and risk variable modeling
特征工程被定义为风险建模阶段。来自NHANES的连续临床变量（如BMI、血压、血糖）和来自BRFSS的类别变量（如慢性病史、吸烟）经过标准化、编码和语义映射，被转化为统一的风险信号。缺失值处理采用阈值排除（缺失率>30%的变量被剔除）和中位数/众数填补。最终，每个变换后的变量被视作一个风险信号，共同构成风险导向的特征空间。
3.3 Hybrid learning architecture and training strategy
学习架构是一个混合方案，集成了具有互补表征能力的基模型：线性组件（逻辑回归）用于捕获全局线性关系，提供稳定性；非线性组件（随机森林）用于捕获复杂交互。两者的输出通过加权求和的方式进行集成（公式4），权重通过训练集上的约束优化确定。这种组合旨在统一表征线性和非线性模式。
3.4 Risk score and outcome definition
该框架明确区分了两个部分：1) 由混合架构产生的、数据驱动的潜在风险表征，它是一个连续分数；2) 用于监督评估的结局变量，它是一个从原始临床变量（如血糖）通过阈值规则定义的二进制标签（公式5）。这种分离确保了风险表征并非从预测目标中构建，避免了信息泄漏，使研究能够专注于分析风险空间的结构特性。
3.5 Training strategy, hyperparameter configuration, and complexity control
训练策略确保优化过程受控且可重复。数据集按7:3比例分层分割为训练集和测试集。基模型（逻辑回归和随机森林）的结构超参数被固定以进行跨数据集的受控比较，并通过交叉验证选择最优的集成权重。模型选择的主要标准是训练集上的交叉验证宏F1分数。整个流程由算法1概括，强调了模型训练、输出聚合和参数选择的分离。
3.6 Explainability and risk attribution mechanisms
可解释性被实现为一种直接应用于混合模型聚合输出的风险归因机制。它通过加性分解（公式7）来定义，其中每个变量的贡献被计算为：在将该变量值替换为训练集中位数（参考值）时，模型聚合输出值的变化（公式8）。与SHAP等事后解释方法不同，这种归因是模型结构的确定性变换，确保了可重复性，并与模型输出保持一致。
4. Results
（注：原文未提供完整的“结果”部分内容，此处根据摘要和已有方法论进行合理推演和归纳）
研究在三个数据集（NHANES, BRFSS, 整合数据集）上评估了混合框架。性能与稳定性方面，混合模型在所有场景下都表现出一致且稳定的宏F1和宏ROC-AUC值，且折间变异性很低。这反映了模型对诱导出的类别结构（即风险的内在分区）的近似能力，而非单纯的预测泛化能力。线性模型和非线性模型的性能互补，混合集成有效结合了二者优势。风险归因方面，分析揭示了风险表征的组织方式随数据类型显著变化。在NHANES（临床数据）中，风险贡献往往集中在少数几个关键的生物特征变量上；在BRFSS（行为数据）中，贡献则更加分散于多个行为变量；而在整合数据集中，则呈现出一种中间结构。这证实了不同类型健康信号在构成风险表征时的不同模式。
5. Discussion and Conclusion
本研究的主要贡献在于提出了一个统一的方法论框架，用于综合评估公共卫生风险分层中的性能、稳定性和归因。与以往大多专注于预测准确性的研究不同，本工作将风险分层重新定义为一个结构和算法问题。研究表明，所提出的混合学习方案为分析异构公共卫生数据中的风险结构提供了一个稳定且可解释的框架。
其重要意义体现在：
- 1.
方法论创新：通过受控构建风险指数，将研究焦点从预测转向风险表征的结构分析，为理解风险如何从数据中“涌现”提供了新视角。
- 2.
实用性与可重复性：完全基于公开数据集（NHANES, BRFSS）和明确定义的预处理、评估协议，确保了研究的可重复性，为后续研究设立了标杆。
- 3.
稳定性与可解释性并重：混合模型在保持性能稳定的同时，内建的归因机制提供了对风险构成因素的洞察，有助于决策者理解模型结论。
- 4.
应对数据异构性：框架明确处理并利用了临床、行为等多源异构数据，更贴近公共卫生实践场景，其中风险本是多因素共同作用的结果。
总之，这项工作为在探索性公共卫生场景（通常缺乏明确定义的结局标签）中，系统化地分析风险提供了一个强有力的工具。它表明，将混合机器学习与结构化的风险表征分析相结合，能够深化我们对复杂健康数据中风险模式的理解，从而为更精准、更可靠的公共卫生干预策略提供支持。
