《Frontiers in Digital Health》：From Engel's Bio-Psycho-Social model to the personalized health determinants model: a comprehensive framework and illustrative operationalization for precision health
编辑推荐：
Engel的生物-心理-社会（BPS）模型（1977）通过整合生物学、心理学和社会学视角重塑了医疗保健。尽管其影响深远，但该模型因在精准健康关键领域（包括营养、生活方式、社会经济、环境和结构性因素）缺乏足够特异性而受到批评。为弥补这些局限，研究人员提出了个性化
Engel的生物-心理-社会（BPS）模型（1977）通过整合生物学、心理学和社会学视角重塑了医疗保健。尽管其影响深远，但该模型因在精准健康关键领域（包括营养、生活方式、社会经济、环境和结构性因素）缺乏足够特异性而受到批评。为弥补这些局限，研究人员提出了个性化健康决定因素模型（PHDm），这是一个综合九个维度的框架——生物学、心理学、社会学、文化、环境、经济、政治、精神和生活方式——综合了Engel的BPS模型、世界卫生组织健康社会决定因素委员会、美国疾病控制与预防中心框架及相关文献。第2.0节详细提供了各维度的循证依据及其与先前框架的关系。PHDm将每个维度按层级组织为类别、子类别和可测量的健康要素（理论上最多可达72,000个），实践中仅应用经过定制的、临床相关的子集。以肥胖为案例，研究人员通过贝叶斯网络（Bayesian Network）和互补的规则评分系统（rule-based scoring system）说明了操作化过程。四个示例因素——胰岛素敏感性（Insulin Sensitivity）、膳食纤维（Dietary Fiber）、热量摄入（Caloric Intake）和活动频率（Activity Frequency）——被映射到两个模型中，从而实现个体化肥胖风险量化和干预模拟。基于国家健康与营养调查（NHANES）数据的初步评估显示，贝叶斯网络的预测准确率约为85%，规则评分系统的一致率约为80%。本文介绍了PHDm作为一个概念框架及其说明性操作化。尽管贝叶斯网络和规则评分方法在NHANES数据上显示出有前景的初步性能，但基于四个简化因素和二值阈值的当前模型仍是一个概念验证原型，尚未成为临床验证的决策支持工具。在临床应用之前，需要进一步的开发、外部验证以及与电子健康记录的整合。
**研究背景**
1977年，George Engel提出的生物-心理-社会（BPS）模型突破了还原论的生物医学范式，强调从生物、心理和社会多维度理解健康与疾病。尽管该模型具有变革性影响，但被批评在精准健康的关键领域（如营养、生活方式、社会经济条件、环境暴露和结构性因素）缺乏特异性。例如，营养在糖尿病等慢性病管理中起核心作用，但BPS模型未能为临床决策整合营养科学提供指导。此前的扩展尝试（如家庭系统模型、生物心理社会技术模型）大多停留在理论层面，缺乏可操作的计算方法。近年来，人工智能（AI）和机器学习的发展使基于BPS框架的高维数据分析成为可能，但资源限制、基础设施不足以及整体框架的科学验证挑战仍阻碍其实施。为解决这些局限性，研究人员提出了个性化健康决定因素模型（PHDm），将BPS模型扩展为九个相互关联的维度，并提供明确的操作化路径，以推动精准健康实践。该研究以肥胖为案例，通过贝叶斯网络（BN）和规则评分系统展示了PHDm的应用，并初步验证其性能。论文发表于《Frontiers in Digital Health》。
**研究内容与结论**
研究人员综合Engel的BPS模型、WHO健康社会决定因素委员会框架、美国CDC框架及相关文献，提出PHDm，涵盖生物学、心理学、社会学、文化、环境、经济、政治、精神和生活方式九个维度。每个维度按层级分为类别（最多20个）、子类别（最多20个）和可测量的健康要素（最多20个），理论上可达约72,000个要素，实践中仅应用临床相关子集。以肥胖为案例，研究人员聚焦生物学和生活方式两个维度，选取四个代表性因素：膳食纤维（DF）、胰岛素敏感性（IS）、热量摄入（CI）和活动频率（AF）。通过贝叶斯网络（BN）和规则评分系统进行可操作化演示，并在美国国家健康与营养调查（NHANES）数据子集（n=10,000）上进行初步评估。BN预测准确率约85%（精度0.82，召回0.80），规则评分系统与BN输出的一致率约80%。研究指出，当前模型基于四个简化因素和二值阈值，仅为概念验证原型，尚不能作为临床决策支持工具。
**重要意义**
PHDm为整合多维度健康决定因素提供了结构化、可测试的框架，弥补了BPS模型在营养、生活方式、环境等关键领域的特异性不足。通过BN和规则评分系统的双路径展示，该框架适应不同资源环境（数据丰富场景与低资源场景），为精准健康评估和干预模拟提供了可扩展方法。初步性能虽具前景，但需在多样化人群和临床环境中进行严格外部验证，并最终整合至电子健康记录，方可实现临床应用。
**关键技术与方法**
研究人员采用贝叶斯网络（BN）和规则评分系统作为主要技术方法。BN是一种概率图模型，将四个因素（DF、IS、CI、AF）作为父节点，肥胖（O）作为目标节点，通过专家知识引导的文献合成构建有向无环图（DAG），并使用文献来源的比值比（OR）和NHANES数据（n=10,000）进行参数校准（最大似然估计）和10折交叉验证。规则评分系统基于相同四个因素和证据阈值，为每个不利状态分配权重（IS=1得3分，其余各得1分，IS+DF协同加1分），总分0–7分映射为低、中、高风险类别。数据来源包括NHANES（用于边际概率和校准）以及已发表的荟萃分析和队列研究（用于条件概率和OR）。所有分析使用Python的pgmpy库完成。
**研究结果**
**3.1 生物学维度**
通过文献综述量化了膳食纤维（DF）和胰岛素敏感性（IS）对肥胖的影响。DF摄入每增加14 g/天，体重平均减少1.9 kg；每增加10 g/天膳食纤维，体重变化约-39 g/年。IS提高与体重减轻和内脏脂肪减少密切相关，5%体重损失使IS改善约15%。
**3.2 生活方式维度**
热量摄入（CI）与肥胖风险直接相关：500 kcal/天的热量过剩可导致每周约0.5 kg体重增加。活动频率（AF）方面，每周150–300分钟的中等强度有氧运动可产生3%–4%的体重减轻，每增加30分钟/周的MVPA可额外减少约3.5 kg体重。
**4 贝叶斯网络模型**
构建了一个包含四个父节点（DF、IS、CI、AF）和目标节点（O）的BN，使用证据阈值进行二值离散化（如DF≥28 g/天为有利）。条件概率表（CPT）基于文献OR和逻辑近似推导，通过NHANES数据校准。10折交叉验证显示BN预测准确率约85%，灵敏度0.80，特异性0.82。敏感性分析显示阈值变化时模型排序稳定。
**5 情景分析**
通过“what-if”模拟展示了干预效果：若患者所有因素均为不利状态（IS=1, DF=1, CI=1, AF=1），P(O=1)≈0.75；改善DF和AF后，风险降至0.60（降低20%）。
**7 规则评分系统**
基于相同四个因素和阈值，设计加权评分（IS=3分，其余各1分，协同加1分）。总分0–2为低风险（≤25%），3–4为中等风险（26%–50%），5–7为高风险（>50%）。在NHANES数据上，规则评分系统与BN输出的一致率约80%，分类准确率相当。
**8 讨论与结论**
**讨论总结**：PHDm提供了一个全面的九维框架，将BPS模型扩展并操作化。BN和规则评分系统的双路径展示体现了框架在不同资源环境下的灵活性。当前基于四个简化因素和二值阈值的原型虽具初步性能，但存在离散化粗糙、遗漏混杂因素（如遗传、睡眠）、依赖西方数据（NHANES）等局限。未来需扩展到连续变量和多状态变量、纳入更多维度，并通过数据驱动结构学习、全球人群外部验证、前瞻性临床研究和EHR整合来推进。
**研究结论**：PHDm为精准健康中整合多种健康决定因素提供了结构化、分层且可测试的框架。虽然以肥胖为例的说明性案例显示了有前景的初步性能，但必须在多样化数据集和临床背景下进行严格的经验验证。研究人员邀请研究人员、临床医生、AI开发者和资助者合作，以完善、验证和推广这一框架，实现更公平、更个性化的医疗保健。
