The Journal of allergy and clinical immunology
哮喘患病率预测：整合社会脆弱性与环境风险的机器学习模型

小赛推荐：

该研究为 哮喘 相关的健康不平等研究提供了多维度数据驱动范式，提示在设计社区级干预实验时需系统整合社会与环境协变量，以提高预测精度与干预靶向性。

 

文献概述

本文《Predicting Asthma Prevalence Across U.S. Communities by Integrating Social Vulnerability and Environmental Risk with Machine Learning》，发表于《The Journal of allergy and clinical immunology》杂志，系统探讨了如何通过整合社会脆弱性与环境暴露因素，利用机器学习模型精准预测美国社区层面的哮喘患病率。研究基于CDC的环境正义指数（EJI）数据，采用聚类与随机森林建模策略，揭示了社会经济因素在哮喘负担中的主导作用。研究结果强调了结构性社会不平等在慢性呼吸系统疾病中的核心地位，为公共卫生干预提供了高分辨率地理靶点。

背景知识

哮喘作为一种常见慢性呼吸道疾病，影响美国数百万儿童与成人，尤其在少数族裔和低收入社区中患病率显著升高。目前，哮喘 的研究瓶颈在于如何量化社会与环境因素的交互作用，传统流行病学方法难以捕捉非线性、高维协变量间的复杂关系。尽管环境暴露如PM2.5、臭氧和柴油颗粒物已被广泛关联至哮喘加重，但其独立效应常被社会因素如贫困、教育水平和住房成本所混淆。选题切入点在于利用最新的EJI数据库，该数据库在人口普查区块层面整合了标准化的社会与环境指标，使得在细粒度地理尺度上建模成为可能。研究进一步引入机器学习方法，以克服传统回归模型在多重共线性和交互效应建模上的局限。此外，社会脆弱性、环境正义、健康差异、空气污染、贫困、少数族裔健康 等因素均被纳入分析框架，为全面理解哮喘的生态流行病学机制提供了新路径。

 

针对哮喘等呼吸系统疾病的机制研究，赛业生物提供多种基因编辑小鼠模型，包括条件性基因敲除、点突变和人源化模型，可用于模拟特定基因在气道炎症与免疫反应中的功能。结合行为学、病理分析与分子检测服务，支持从基因功能验证到药效评价的全流程研究，助力探索哮喘的分子机制与潜在治疗靶点。

了解更多

 

研究方法与核心实验

作者采用美国2022年CDC环境正义指数（EJI）数据库，覆盖全美所有人口普查区块（census tract），包含标准化的社会与环境变量及健康结局数据。首先，使用K-means聚类方法对社区进行无监督分组，基于哮喘率及其他共病（如高血压、糖尿病、心理不良健康）识别出9个地理集群。通过t-SNE可视化与热图分析，明确高哮喘患病率集群的特征。随后，构建随机森林回归模型，以社会与环境变量为预测因子，预测连续型哮喘率。模型在80%训练集上进行超参数优化，使用3折交叉验证，并在20%测试集上评估性能（R²=0.81）。通过排列重要性（permutation importance）识别关键预测变量，并进行SHAP分析以探索预测贡献在不同贫困水平下的变化模式。

关键结论与观点

• 高哮喘患病率社区表现出显著更高的社会脆弱性，包括贫困率、少数族裔比例、有限英语能力、失业率和住房成本负担，提示社会经济地位是哮喘风险的核心驱动因素。
• 这些社区同时暴露于更高水平的环境危害，如PM2.5、臭氧、柴油污染及邻近危险废物设施，表明环境暴露与社会剥夺存在空间叠加效应。
• 随机森林模型实现了R²=0.81的预测性能，表明社会与环境因素联合建模可高度准确预测社区哮喘负担，为精准公共卫生提供工具。
• 排列重要性分析显示，贫困率、有限英语能力和少数族裔比例为前三大预测因子，说明结构性不平等在哮喘预测中比单一环境暴露更具影响力。
• SHAP分析揭示，社会脆弱性指标（如无互联网接入、无高中文凭）在高贫困社区中对模型预测的贡献更强，而部分环境暴露（如PM2.5、臭氧）的相对贡献在低贫困社区更显著，提示哮喘 的社会-环境交互机制具有情境依赖性。

研究意义与展望

该研究为药物开发中的患者分层策略提供了重要参考，提示在临床试验设计中应纳入社会地理背景协变量，以避免选择偏倚。对于临床监测，电子健康记录系统可整合社区级EJI数据，辅助识别高风险患者并启动早期干预。在疾病建模方面，该研究展示了机器学习在解析复杂健康不平等机制中的潜力，未来可扩展至其他慢性病如糖尿病、心血管疾病等，构建多病共现风险地图。

 

为支持哮喘及相关免疫疾病的药物研发，赛业生物提供全人源化抗体小鼠模型（HUGO-Ab®），可用于高效筛选高亲和力、低免疫原性的治疗性抗体。结合AI辅助抗体发现平台，加速从抗原设计到先导抗体优化的流程，适用于开发靶向IgE、IL-4Rα、TSLP等关键通路的生物制剂，推动哮喘精准治疗的发展。

了解更多

 

结语

本研究通过整合社会脆弱性与环境风险数据，利用机器学习模型成功预测了美国社区层面的哮喘患病率，揭示了社会经济因素在哮喘负担中的主导作用。研究强调，高哮喘患病率区域并非孤立于环境暴露，而是社会剥夺与环境污染叠加的产物。这一发现为公共卫生政策制定提供了数据驱动依据，支持采取综合干预策略，包括改善住房条件、扩大医疗保障、减少语言障碍和提升教育水平。从实验室到临床转化的视角，该研究为构建“精准环境健康”框架奠定了基础，提示未来临床实践应超越个体生物学指标，纳入社区社会结构信息，以实现真正意义上的个性化与公平化医疗。对于哮喘 照护体系，该研究倡导建立跨部门协作机制，将环境正义理念融入慢性病管理，推动从“治疗疾病”向“促进健康公平”的范式转变。

 

Thinh H Nguyen, Saleh Alsulami, Teresia T Pham, Marissa Hauptman, and Wanda Phipatanakul. Predicting Asthma Prevalence Across U.S. Communities by Integrating Social Vulnerability and Environmental Risk with Machine Learning. The Journal of allergy and clinical immunology.