机器学习揭示吸烟复吸预测中的种族差异及电子烟特征作用

研究人员利用随机森林模型预测吸烟复吸，发现种族差异显著，电子烟特征作用有别，对戒烟意义重大。

　　机器学习模型有助于识别影响烟草使用转变的多方面因素。研究开发了一种随机森林模型，用于预测吸烟复吸，重点关注种族差异和电子烟使用特征。研究数据来自烟草与健康人口评估（PATH）研究的成人访谈文件。在基线（第 5 波）时的前可燃香烟吸烟者，在 1 年后（第 6 波）接受随访。预测变量（n = 100）包括广泛的社会人口统计学因素、心理社会因素、健康状况、烟草和物质使用行为以及电子烟使用特征。在基线时的 4693 名前吸烟者中，4.4% 在 4 年内复吸。随机森林模型在不同种族群体中都达到了较高的预测准确率，白人的曲线下面积（AUCs）为 0.77，黑人的为 0.88，西班牙裔的为 0.70。戒烟史（即近期戒烟者与长期戒烟者）是所有种族和族裔群体的主要预测因素之一。烟草成瘾是白人和西班牙裔前吸烟者的主要预测因素之一，但在黑人和其他种族的前吸烟者中并非如此。大麻使用是黑人的主要预测因素之一，但在其他种族和族裔个体中并非如此。电子烟使用状态在所有群体中都能预测复吸，但电子烟特征的重要性有所不同。电子烟尼古丁浓度水平和电子烟设备在白人和西班牙裔中的重要性高于黑人和其他群体。研究结果揭示了吸烟复吸预测因素中存在显著的种族差异，以及电子烟特征在不同种族群体中发挥的不同作用。独特的社会、行为和健康因素对于改善戒烟效果至关重要。