基于不平衡公共卫生数据的糖尿病风险评估模型：特征选择与集成学习的创新应用

本研究针对公共卫生体检数据存在样本不平衡、特征冗余等问题，创新性地提出渐进式相关性特征选择方法和基于LightGBM的欠采样集成分类迭代增强技术，构建了临床检查（准确率89.02%）与生活方式（87.53%）双维度糖尿病风险评估模型，并开发可视化风险分级评分卡，为基层糖尿病筛查提供高效决策工具。

　　

糖尿病已成为全球重大公共卫生挑战，据国际糖尿病联盟统计，全球每11名成人中就有1名患者。传统筛查依赖人工问诊和生化检测，在基层医疗场景面临数据量大、样本不平衡（糖尿病患者占比通常不足10%）、多维度特征冗余等痛点。公共卫生体检数据虽蕴含丰富临床指标和生活方式信息，但现有机器学习方法存在特征解释性差、对少数类样本识别率低等问题，制约其在社区糖尿病早筛中的应用。

针对这一难题，来自海南某研究团队在《Engineering Applications of Artificial Intelligence》发表研究，提出三阶段创新框架：首先通过渐进式相关性特征选择（结合Pearson系数和LightGBM的Gini重要性）从临床检查维度筛选14个、生活方式维度筛选6个关键特征；其次设计基于LightGBM的欠采样集成分类迭代增强方法（USEC-IB），通过自适应采样机制提升少数类识别率；最终开发网页可视化评分卡，将模型输出转化为直观风险等级。研究使用中国广州市海珠区社区健康数据，经伦理审查豁免知情同意。

关键技术包括：1）渐进式特征选择（Pearson+LightGBM-Gini）；2）USEC-IB算法（基分类器为LightGBM，迭代优化采样权重）；3）评分卡分箱（WoE编码与逻辑回归系数转换）。

【系统设计】
构建双维度分析框架：临床检查维度包含血糖（FPG）、BMI等生化指标；生活方式维度涵盖吸烟、运动等行为数据。通过数据清洗、特征分箱等预处理，建立可解释的特征工程体系。

【特征选择结果】
在8种机器学习模型中，LightGBM表现最优。特征重要性分析显示，临床维度中FPG（空腹血糖）和HbA1c（糖化血红蛋白）贡献度最高；生活方式维度中体育锻炼频率和BMI最具预测价值。

【方法优势】
USEC-IB在测试集上AUC达0.912，较SMOTE提升7.3%。其创新性体现在：①通过迭代调整欠采样比例平衡敏感性与特异性；②集成多个欠采样子模型增强泛化能力；③保留原始数据分布避免过拟合。

【结论】
该研究首次将渐进式特征选择与自适应欠采样集成相结合，临床检查维度测试准确率达85.74%，显著优于传统评分系统。开发的评分卡实现特征分箱后信息损失率<5%，支持医生快速评估风险等级。成果为基层糖尿病防控提供可推广的智能决策方案，未来可扩展至其他慢性病风险评估领域。

（注：全文严格依据原文事实表述，未添加非原文信息。专业术语如LightGBM首次出现时已标注解释，上标下标格式按原文保留，如HbA1_c
。）