波哥大心脑血管疾病过早死亡的分析性机器学习方法

为何早发性心脏和中风死亡值得关注

在世界各大城市，许多人在抵达老年之前就死于心脏病和中风。本研究审视了哥伦比亚首都波哥大的状况，并提出一个关键问题：谁因这些病症过早死亡，原因是什么？通过将全国死亡记录与现代计算技术结合，作者展示了教育程度、医保类型和死亡地点如何与心脑血管疾病的早发死亡紧密相关。他们的工作为卫生主管部门识别脆弱人群并在悲剧发生前采取行动提出了新的路径。

对城市死亡状况的深入考察

研究者分析了2010年至2022年间哥伦比亚的全部记录死亡，重点关注波哥大。他们研究了30岁及以上成人，死因包括四类主要疾病：冠状动脉堵塞（缺血性心脏病）、中风、长期高血压和心力衰竭。75岁之前的死亡被标记为“过早”，而75岁及以上则视为晚年死亡。在波哥大，30至74岁人群中心脑血管过早死亡近4万例，男性受影响多于女性。许多死亡发生在受教育程度低、居住在市中心以及参加雇员型医保的人群中。缺血性心脏病是主要死因，其次为中风、高血压和心力衰竭。

上升趋势与疫情冲击

当研究团队绘制随时间变化的死亡曲线时，发现这类疾病的过早死亡和老年死亡在13年间稳步上升。2020年和2021年，即COVID-19大流行高峰期间，上升幅度明显加剧。男性的死亡率高于女性，且年际波动更大，此外存在轻微的季节性高峰，尤其在12月和年中。75岁以上人群的死亡也呈并行上升，并在疫情期间出现峰值。这些模式表明，慢性病预防与治疗中长期存在的薄弱环节在卫生系统承受极大压力时被放大。

让机器寻找隐匿模式

为超越简单的计数与平均值，作者采用了机器学习——一种让计算机从数据中学习模式的方法。他们使用的死亡记录包括年龄、性别、受教育程度、族裔、保险类型、死亡年份与地点以及广义死因。研究测试了多种算法，评估它们判别死亡是否过早的能力。其中，一种称为随机森林的方法表现最佳，在区分早发与晚发死亡方面取得了中等成功。研究者还为每类疾病建立了单独模型，这些模型略微提高了性能并揭示出导致过早死亡的模式在心肌梗死、中风、高血压与心力衰竭之间并不相同。

社会条件成为强有力的线索

最显著的发现是社会特征比具体医学诊断更为重要。在总体模型和各病因特异模型中，受教育水平始终是判断是否过早死亡的首要预测因子。医保类型和死亡地点（医院、家中或其他地点）紧随其后。性别在缺血性心脏病中尤为重要，男性更可能过早死亡。作者使用一种称为SHAP的技术来可视化每个因素如何推动预测指向更早或更晚的死亡，例如显示低教育水平和某些医保方案往往与在75岁前死亡的可能性更高相关。

对日常生活的意义

对非专业读者而言，核心信息是：波哥大心脏病与中风的早发死亡并非单纯的坏运气或生物学决定。它们反映了教育、与收入相关的医保和及时就医可及性如何影响人们活到高龄的机会。尽管计算模型并不完美——它们仅能中等程度地正确分类病例——但已经明确指向了社会条件的重要性。作者认为，卫生官员可以将此类模型用作决策支持工具：监测趋势、识别高风险群体并设计融合更好教育、更公平医保和更快急救反应的预防措施。简而言之，降低心脏病与中风的过早死亡不仅需要良好的医疗，还需要更大的社会公平。

引用: Malagón Sintura, Y.C., Arias-Ortiz, W.A. Premature mortality from cardio-cerebrovascular diseases in Bogotá an analytical machine learning approach. Sci Rep 16, 10307 (2026). https://doi.org/10.1038/s41598-026-39453-z

关键词: 过早心血管死亡, 波哥大公共卫生, 流行病学中的机器学习, 健康的社会决定因素, 心脏病与中风