使用机器学习预测中国不同氟暴露人群的骨骼氟中毒严重程度

这对日常健康为何重要

骨骼氟中毒是一种由长期过量摄入氟引起的严重骨病。它可能从模糊的酸痛发展为脊柱弯曲、关节僵硬和终身残疾。数以百万计生活在低收入和中等收入国家的人们处在水、煤烟或茶等日常来源持续提供氟的环境中。本研究展示了现代数据工具如何帮助医生更早识别处于危险路径上的人——在损害变为不可逆之前。

日常习惯中的隐形危险

在中国的部分地区和其他国家，高氟暴露来自普通的生活习惯：在室内烧当地煤炭、饮用井水或饮用浓砖茶。氟在骨骼中缓慢积累，起初只引起轻微的关节痛或僵硬。当X光片显示出明显损伤时，许多伤害已难以逆转。该研究的研究者提出疑问：是否可以将更易收集的信息（如年龄、简单的疼痛评分、关节活动度和尿检）结合起来，预测一个人骨损伤的严重程度？

全国范围的数据图景

研究团队利用了于2022年启动的中国氟中毒队列，聚焦代表主要暴露途径的三个地区：贵州的燃煤社区、山西的氟含量高的饮用水区以及四川的砖茶饮用社区。从近1800名均被诊断为骨骼氟中毒的志愿者中，筛选出1309名信息完整者纳入分析。每位参与者均填写了详尽问卷，测量了身高、体重和血压，接受了骨科专家的关节检查，并提供了用于数十项化验的血尿样本。放射科专家使用标准化X光片将每位受试者的病情分级为轻度或中重度。

教计算机识别重症

由于记录了数十项潜在风险指标，研究团队首先用统计筛选将80个测量变量缩减为22个最能反映疾病进展的信息项。这些变量包括居住地、年龄和睡眠时间、骨强度测量、主要关节活动度评分、一个简单的0–10疼痛评分、骨形成与骨吸收标志物水平、炎症信号、常规血象、肝功能以及尿氟含量。然后研究者在大约70%参与者的数据上训练了五种不同的计算模型（包括一种常用方法——随机森林），并在剩余30%数据上测试模型表现。模型表现主要以将轻度与更严重疾病区分的准确性来评判。

模型关于骨骼和疼痛的发现

随机森林模型被证明最为准确，在测试组中约能在五分之四的人群里正确区分轻度与中重度氟中毒。为了解开模型的“黑箱”，团队使用了一种能为每次预测分配每个输入贡献分数的技术。疼痛水平成为最重要的单一信号：更高的疼痛评分强烈推动预测向更严重的疾病倾斜。膝关节和肩关节活动受限、较高年龄和较高尿氟水平也起主要作用。骨量较低和骨形成标志物异常的人更可能有晚期损害，尽管他们的骨骼在影像上可能表现为更致密但更易脆断。模型还捕捉到明显的区域模式：燃煤区的重症比例最高，其次是饮用水区，而砖茶区则往往表现为较轻、较可逆的疾病。

这对预防意味着什么

对于生活在高氟环境的家庭，这项工作表明简单信息——一个人的疼痛程度、关节活动情况、基础实验室检查以及居住地——可以被整合为早期预警系统。卫生人员无需等待X光显示出晚期骨损伤，就可用此类模型筛查高风险人群，并优先安排更密切随访、改变水或燃料来源或采取其他保护措施。虽然该方法仍需在其他国家进一步改进和验证，但它为在那些骨骼默默记录终生氟暴露的社区中实现更早发现和更智能的公共卫生规划提供了切实可行的路径。

引用: Long, H., Zeng, J., Wei, S. et al. Predicting skeletal fluorosis severity using machine learning across diverse fluoride-exposed populations in China. Sci Rep 16, 13858 (2026). https://doi.org/10.1038/s41598-026-43429-4

关键词: 骨骼氟中毒, 氟暴露, 机器学习, 骨骼健康, 环境流行病学