主体建模在慢性非传染性疾病及健康行为研究中的应用*

沈月红 郭晓君 仲亚琴△

慢性非传染性疾病的发生发展受多种复杂因素的影响，传统分析方法(如多元分析)对复杂系统的研究往往存在局限。主体建模(agent-based model，ABM)作为一种“自下而上”的计算机模型，可通过模拟主体行为、个体之间的相互作用以及个体与环境之间的相互作用，获得对整体系统的理解，更适合描述复杂问题[1]。最早成功使用ABM研究复杂系统问题的是Reynolds的飞鸟群体模型[2]，后逐渐应用于多学科。在医疗卫生领域，ABM最初主要用于传染病研究，近年来被逐渐应用于慢性病、健康行为、社会流行病学等与人群健康相关的不涉及传染过程问题的研究[3]，但还处于初步阶段。本文对ABM的涵义，及其在慢性病防治和健康行为领域中的应用现状及未来方向进行综述，阐述ABM的优势与局限，为公共卫生领域研究者应用此方法开展研究提供参考。

主体建模的概念

主体建模是指一组具有指定特征的主体，根据预定义的规则[4]彼此交流互动或与环境交流互动的模型。它是利用计算机仿真，研究系统中个体的性质、个体与环境以及个体与个体之间的相互作用，研究整体系统的各种复杂问题。ABM由三个关键要素组成[5-7]。第一个要素是组成复杂适应系统(complex adaptive systems，CAS)的一组主体。CAS是由适应性主体相互作用、共同演化并层层涌现出来的系统。主体可以是有异质人口特征(如年龄、性别、种族)和行为(如吸烟)的人，也可以是能展现健康状况内源性演变(如高血压、2型糖尿病)和外源性交互(如传染病传播、健康信息扩散)的人，或者是生活在特定地区或参与某个虚拟社交环境(如朋友圈)的人。第二个要素是主体之间的关系及相互作用的方法(也称为决策规则或概念模型)，概述主体之间及其与周围环境之间如何相互作用，以及他们的内部状态如何随着时间演变。第三个要素是主体周围的环境或拓扑结构。

目前广泛应用的健康状态转移模型[8](如马尔可夫模型)假设健康(或疾病)未来发展的概率分布只取决于现状，不能反映出早期危险因素对疾病的影响。而ABM具有自适应、异质、反馈、随机的独特特征，可用于研究受多水平以及人际交往影响的非线性关系，确定危险因素与健康结局之间的因果关系，比较干预措施的有效性。其他复杂的系统科学方法如系统动力学模型适合于对大量人群的高级系统行为进行建模[4]，但不能很好地指定个体的微观行为，包括个体之间的相互作用以及随时间推移而出现的改变。因此，ABM比传统分析方法更有潜力，能为人群健康问题研究提供新思路。

系统科学方法(如主体建模、系统动力学模型、网络分析模型、离散事件仿真模型等)从数十年前就已经开始应用于不同领域，近年来才被引入医疗卫生领域[9]。ABM在公共卫生领域的应用仍处于初级阶段，且几乎只用于研究传染病，近年来才应用于慢性病防治和健康相关行为研究。

主体建模的工具与步骤

目前已有多种基于Agent的建模与仿真平台，具有代表性的有圣塔菲研究所的Swarm和Repast。Swam是开放源代码的免费软件，可用Java语言编程[10]，但环境配置复杂，较难掌握。芝加哥大学研发的Repast具有功能强大、界面美观且易于使用等特点，具有可视化agent编辑器，现已发展成为一个通用的主体仿真平台[11]。多样化的建模软件为主体建模解决公共卫生问题提供了坚实基础。

主体建模的基本步骤与传统建模方法类似，但需要建立模拟主体间的交互网络，提炼模型运行规则。具体过程为：(1)明确研究目的，确定模型框架与涉及的参数；(2)采用普查、抽样调查或查阅文献等方法收集建模所需数据；(3)构建模拟主体间的交互网络；(4)总结和提炼建模规则；(5)建立初始主体模型；(6)调试和完善模型；(7)应用主体模型评估因素的影响或干预措施。对关键参数还需做敏感性分析，考察关键参数值的变化对模拟结果的影响[12]。

主体建模在慢性非传染性疾病防治中的应用

慢性非传染性疾病(non-communicable diseases，NCD)是目前世界上最主要的死亡原因，其中死于心血管疾病、癌症、慢性呼吸道疾病和糖尿病的约占所有慢性病死亡人数的80%[13]。大多数NCD是由吸烟、缺乏运动、不健康饮食和酗酒[13]这四个主要的行为危险因素导致。人们逐渐认识到，不同因素之间的相互影响对慢性病发生发展也很重要[14]，越来越多的研究者提倡使用ABM这种系统科学方法来研究慢性病。

相比慢性病，ABM更常用于传染性疾病研究。传染病具有明确的传播途径，其特征为非线性、随机以及人与环境动态交互。传统分析方式无法捕捉到这些交互复杂的特征[15]，而ABM可通过生成不同规模的虚拟人群并结合地理信息，模拟不同规模的疾病传播，并仿真干预措施的作用。而慢性病没有明确的传播机制，且ABM比传统仿真方法更难实施，通常需要大量个体水平的数据进行参数化、校准和验证，这些数据有时很难获取，所以人们普遍认为ABM只适用于传染病的研究，在慢性病研究领域仍处于起步阶段。

Day等人利用ABM阐明了糖尿病视网膜病变的进展以及筛查对糖尿病患者视力丧失的影响[16]。开发了一个基于agent的糖尿病视网膜病变模型，模型中的agents是具有一系列属性的异质患者，这些属性包括年龄、性别、吸烟状况、体质指数、糖化血红蛋白、病程、高血压、高胆固醇、糖尿病肾病等，使用退伍军人管理局圣路易斯眼科诊所提取的纵向患者数据进行模型的参数校准和验证。使用agent建模评估不同的筛查间隔对退伍军人视力损失的影响，发现两年的筛查间隔最为合理[16]。ABM也被用于研究糖尿病患者与医务人员的相互作用对连续血糖监测的影响[17]。在心血管疾病研究方面，为克服马尔可夫模型和系统动力学模型的局限性，Li等人使用ABM评估了几种生活方式干预措施(戒烟、增加体育活动、促进健康饮食和减肥)对患病率的影响，并评估了不同年龄组或地区人群心肌梗死和中风的发病率[18]。Zhang应用ABM检验了社会因素对青少年超重和肥胖的影响，发现加强同伴影响有利于减少青少年肥胖发生[19]。El-Sayed等人针对肥胖建立了一个ABM模型，发现针对随机人群的干预措施比针对个人的干预措施更能有效降低肥胖患病率[20]。

主体建模在健康行为中的应用

复杂系统中的行为及其变化受多水平多因素影响，是非线性的，变化大且难以预测[21]。ABM能够在个体层面上表现行为，解释个体与环境之间的动态影响。它可以明确描述社会和环境暴露影响个体态度与行为的方式，以及个体行为影响其周围环境及其他个体行为的方式。同时，使用ABM可以追踪特定的个体或观察特定时空群体水平的分布。它可以通过一系列“what-if”模拟来检验干预措施的效果。

目前ABM已被用于在个体、人际和社区环境三个水平进行行为干预[22]。其中，在个体水平可通过提供知识或改变人们对某些行为的态度，鼓励人们采用健康的行为方式。在人际水平可通过改变社会规范相应地影响群体的健康行为。在社区水平，改善社区环境可促进多种健康行为和结果，其效益是可持续的，并惠及整个人群。

与传统分析方法相比，ABM能够识别出烟草替代品的潜在不良影响，有学者利用ABM探讨了电子烟过度使用对人群吸烟率的影响以及社会经济地位和社会影响对吸烟行为的作用[23-24]。Gorman等使用ABM探索社会和环境对饮酒的影响[25]，证实了Gruenewald[26]关于“分类饮酒”的理论研究，即具有相似偏好和行为的人聚集在特定的饮酒场所，会增强潜在的酗酒行为。Auchincloss等使用ABM探索饮食方面收入不平等的影响因素[27]，结果显示改变低收入家庭的食品偏好，同时降低健康食品的价格，可以消除饮食的收入差异。此外，针对健康行为的干预措施要注重权衡成本效益，如改善儿童久坐的最佳途径是增加他们的体力活动水平[28]。

主体建模的优势

主体建模时会建立一个概念框架，将各主体聚集在一起，对主体的各个方面及其如何协同影响人群健康结果进行粗略的假设，这一过程是ABM的主要优势。ABM有助于深入了解引起健康行为和结果(以及这些行为和结果的不平等)的潜在机制，并验证干预措施。

ABM可以用于研究各种影响因素和结果之间的复杂途径，从而更好地设计干预措施。上游影响因素(如社会经济状况、教育、住房、邻里条件等)间接影响健康行为和结局，而ABM是一种独特的验证上游干预措施的方法。利用ABM还可发现干预措施的其他效益，如步行校车计划的实施与步行态度的改善之间存在协同效应[29]。鉴于其自下而上的性质，ABM可用于进一步了解人群健康状况分布形成的机制。在模型假设合理的前提下，ABM可以整合多种相互作用并验证因果关系，对干预措施及干预效果进行微观模拟。

此外，ABM还可实施在现实中不可行的反事实模拟，进行情景假设和虚拟政策实验。可以对模型进行多次模拟，在其他条件都保持不变的情况下观察不同治疗条件下的健康结局，从而实现反事实的对比[30]。特定的干预可能会对一种结果产生积极影响，对另一种结果产生消极影响(如利用主动运动减少肥胖，同时也增加了受伤风险)[31]，而利用ABM可以深入了解干预的净效果。

主体建模的局限性

首先，简单模型与复杂现实之间存在矛盾，建模过程中需反复试验，在简化现实的同时包含足够复杂的元素，即遵循由Robert Axelrod[32]倡导的保持简单原则(keep it simple and stupid，KISS)的同时，利用ABM最大限度地探索特定人群的关键要素，使设计的干预措施和公共卫生规划产生有意义的结果。

其次，ABM所依赖的数据往往不能探索因果机制和反事实对比[33]。ABM最大的优势是研究社会网络影响和个体之间的互动，但常常因缺乏相关数据，在进行模型参数化时易加剧模型的不确定性，难以验证。即便有相关数据，也往往来自对特定人群的观察性研究，这些特定人群与预期目标人群的分布可能不同[34]。因此，在ABM未来的发展中，要注重模型的创新性，模型假设和意义之间的一致性，以及结果的验证性[32，35]。

第三，模型复杂时，往往会限制ABM的价值。因此，应在必要时逐渐增加模型复杂性，加上不同的利益相关者，确保模型有用、可信[36]。在建模时还需考虑随机效应，以捕获其他未知因素的影响。

结 论

ABM作为新兴的建模方法，其应用于慢性病防治及健康行为研究的独特优势逐渐被认可，研究者也正努力创建相对简单但包含复杂现象的ABM。但目前公共卫生领域的多数研究还停留在单因素、短期、个体和线性的水平，ABM的应用还处于早期阶段，其优势未得到充分展现。因此，应加强对公共卫生领域中ABM应用项目的支持。研究者也应从其他领域中深入学习，结合社会实际探索ABM方法学的最佳实践，让更多研究者意识到该方法的独特优势，促进ABM在公共卫生领域的应用。