机器学习能否跨队列识别老龄人口的数字排斥？

一个窄指标代表一个宽概念

数字排斥是一个多维概念：它可能指缺少网络或设备、负担不起接入费用、技能或信心不足、存在可及性障碍、依赖他人，或在完成特定任务时遇到困难。这五个调查没有一致测量上述任何维度，因此作者选择了五者都有的那一个指标。在调查波次中既未报告使用互联网、也未报告使用电子邮件的人，被归为数字排斥；报告使用其中任一项的人，被计为数字参与。

这一选择划定了后续所有结论的边界。该指标捕捉的是基本不参与，而不是数字能力、自主性、使用频率或使用广度，也不是完成诸如操作患者门户这类任务的能力。报告使用互联网的受访者，仍可能无法独立使用远程医疗；而不使用者也可能有效依赖他人协助接入。论文明确指出，这个二分类结局只是一个统一口径的替代指标，结果应在这个层面上理解。

各队列排斥比例从22.5%到86.2%

合并分析样本包含71,689名中老年人：CHARLS（中国）17,969人、ELSA（英格兰）7,916人、HRS（美国）16,439人、MHAS（墨西哥）15,419人、SHARE（多国欧洲队列，在主建模中作为一个合并队列处理）13,946人。报告不使用互联网和电子邮件的比例从ELSA的22.5%到CHARLS的86.2%，HRS为38.9%，MHAS为52.5%，SHARE为54.6%。

有两个梯度反复出现得最清楚。排斥比例随年龄陡升——CHARLS中80岁及以上达到98.9%，SHARE中为92.5%——并且始终集中在受教育程度较低的参与者中。性别差异较小，方向也不一致：CHARLS、ELSA和SHARE中女性比例更高，而HRS和MHAS几乎没有或没有女性超额。

SHARE合并后的54.6%掩盖了很大的内部差异。在一份仅用于描述、可识别国家的第7波数据提取中，排斥比例从丹麦的20.1%到波兰的79.2%，西班牙为78.6%，意大利为75.4%，希腊为74.7%。这些是辅助分析中未加权的样本估计，该分析未用于模型拟合、调参、校准或验证，因此不应被解读为全国代表性患病率。

十四个常规变量，在留出人群上检验

候选特征事先固定，而非自动筛选，以保持五个队列可比。特征集包含14个变量：年龄组、性别、婚姻状况、教育水平、家庭财富四分位、家庭收入四分位、就业状况、吸烟、饮酒、体力活动、自评健康、日常生活活动能力受限、工具性日常生活活动能力受限，以及慢性病数量。互联网使用被排除，因为它定义了结局，会造成标签泄漏；抑郁也未纳入特征，而是单独分析。

每个队列内部比较了六种分类器：作为透明线性基准的逻辑回归，以及随机森林、梯度提升、AdaBoost、XGBoost和LightGBM，用来检验非线性与交互项是否带来额外区分能力。模型用分层5折交叉验证训练，性能在折外观测上测量——即没有参与拟合该折的人。预处理、插补、调参和校准都限制在训练折内。区分能力用AUC概括，即随机抽出的被排斥者得分高于随机抽出的参与者得分的概率；由于某一类别占多数时AUC可能显得乐观，作者还报告了精确率-召回率AUC和Brier分数。

梯度提升胜出，但只高出0.001至0.013 AUC

梯度提升在五个队列中都取得最高AUC：CHARLS为0.821，ELSA为0.796，HRS为0.839，MHAS为0.734，SHARE为0.850。逻辑回归分别为0.813、0.795、0.833、0.721和0.846。因此，灵活模型与线性基准之间的差距在0.001至0.013 AUC之间。

这一比较是论文的核心方法学结果。大部分区分信号可以用稳定的加性梯度表示，因此更高的算法复杂度在这些数据中并未换来实质更好的区分。作者把机器学习比较定位为检验非线性与交互项是否带来有实际意义的区分提升，而不是寻找最佳算法。

性能还随队列变化，这种变化既属于模型，也属于人群。区分能力在SHARE和HRS最高，在MHAS最低；作者将其归因于病例构成、患病率、测量方式以及特征-结局关系强度等方面可能存在的差异。精确率-召回率AUC从ELSA的0.496到CHARLS的0.962，随队列患病率变化，符合预期；梯度提升的Brier分数从CHARLS的0.095到MHAS的0.206。把区分能力和校准放在一起看，比单看AUC更完整。

教育、收入、年龄和财富反复出现，排序却会变

对拟合模型的解释分析显示，特征贡献集中在一组连贯的社会、经济和健康特征上。教育、收入四分位、年龄组、财富四分位和饮酒是反复出现的贡献因素，而性别、就业、功能受限、自评健康和慢性病数量在不同队列间变化更大。慢性病负担和功能受限在MHAS中尤其突出。

关键在于这些数值意味着什么。它们描述模型如何利用观测特征来分类同期状态；它们不是因果效应，也不估计干预某个特征会如何改变结局。横断面设计无法确定健康状况较差是先于不使用出现，还是两者共同反映潜在劣势。相同的大类领域反复出现，而相对重要性又存在明显差异，这正是检验可迁移性的理由：共享的特征集并不意味着共享的特征-结局关系。

迁移到未见队列平均损失约0.026 AUC

留一队列验证用四个队列训练逻辑回归，在第五个队列上测试，再把外部AUC与该队列的内部AUC比较。每个留出队列都保持了高于随机的区分能力，但五个队列的性能都下降，平均AUC衰减为0.026。差距最小的是CHARLS（内部0.813对 外部0.799，差距0.014）和ELSA（0.795对0.775，0.019），其次是HRS（0.833对0.810，0.023）和SHARE（0.846对0.818，0.029）。MHAS下降最大（0.721对0.675，0.046）。

这是部分可迁移，而不是普遍适用。作者指出，当留出队列与合并推导数据更相似时迁移更强，当特征分布和关系不同时更弱；但研究并未设计来分离每种差距由哪个情境因素造成，因此这些解释仍是合理推测，而非已确立的机制。当基线患病率变化时，截距重校准改善了概率校准，但它无法修复底层特征-结局关系的变化。实际后果是：即使共享信号明显存在，本地验证仍然必要。

更高得分对应同期抑郁，而非未来抑郁

作为一项独立的健康相关性检验，作者取内部5折程序产生的交叉拟合分类得分，将其与同一波次测量的抑郁关联，并调整年龄、性别、教育水平和慢性病数量。得分每高一个标准差，所有队列中同期抑郁的比值比都更高，合并调整比值比为2.23（95% CI 1.83–2.71）。五个队列中，数字排斥者的抑郁都比数字参与者更常见。

由于得分、特征和抑郁都在同一波次测量，时间顺序无法确定，残余混杂也可能存在。作者把这一结果解读为：分类得分捕捉到更广泛的同期脆弱性模式——而不是数字排斥导致抑郁的证据，也不是对未来心理健康结局的预测。

用于人群描述，而非个体筛查

论文自身的结论刻意克制：数字排斥具有可重复的多变量结构，但这些模型是同期状态的描述性分类器，而不是预后工具。三项发现支撑这一结论。梯度提升相对逻辑回归的优势最多为0.013 AUC，这削弱了算法复杂度的理由，除非未来前瞻性研究显示在区分、校准、决策效用或公平性上有更明确的增益。跨队列迁移平均损失0.026 AUC，并且需要重校准。结局本身只捕捉基本不参与，而不包括技能、可负担性、可及性或自主性等决定一个人能否真正使用数字健康服务的维度。

对政策和服务设计而言，结果不支持单一通用筛查规则。人群层面刻画可以识别基本不参与集中的地方——受教育程度较低、年龄较大的人群，以及SHARE内的波兰、西班牙、意大利和希腊等环境——但这种集中背后的优先事项可能不同：一个情境中连接性和可负担性可能占主导，另一个情境中技能、可及性或辅助服务设计可能更突出。这些模型未经验证用于拒绝、限制或自动化服务准入，作者强调应保留电话、面对面和辅助渠道。因此，这项工作最站得住脚的用途是比较不同环境和群体，并在任何模型用于个体之前论证本地验证的必要性。

本文引用的文献