主體建模在慢性非傳染性疾病及健康行為研究中的應用*

沈月紅 郭曉君 仲亞琴△

慢性非傳染性疾病的發生發展受多種復雜因素的影響，傳統分析方法(如多元分析)對復雜系統的研究往往存在局限。主體建模(agent-based model，ABM)作為一種“自下而上”的計算機模型，可通過模擬主體行為、個體之間的相互作用以及個體與環境之間的相互作用，獲得對整體系統的理解，更適合描述復雜問題[1]。最早成功使用ABM研究復雜系統問題的是Reynolds的飛鳥群體模型[2]，后逐漸應用于多學科。在醫療衛生領域，ABM最初主要用于傳染病研究，近年來被逐漸應用于慢性病、健康行為、社會流行病學等與人群健康相關的不涉及傳染過程問題的研究[3]，但還處于初步階段。本文對ABM的涵義，及其在慢性病防治和健康行為領域中的應用現狀及未來方向進行綜述，闡述ABM的優勢與局限，為公共衛生領域研究者應用此方法開展研究提供參考。

主體建模的概念

主體建模是指一組具有指定特征的主體，根據預定義的規則[4]彼此交流互動或與環境交流互動的模型。它是利用計算機仿真，研究系統中個體的性質、個體與環境以及個體與個體之間的相互作用，研究整體系統的各種復雜問題。ABM由三個關鍵要素組成[5-7]。第一個要素是組成復雜適應系統(complex adaptive systems，CAS)的一組主體。CAS是由適應性主體相互作用、共同演化并層層涌現出來的系統。主體可以是有異質人口特征(如年齡、性別、種族)和行為(如吸煙)的人，也可以是能展現健康狀況內源性演變(如高血壓、2型糖尿病)和外源性交互(如傳染病傳播、健康信息擴散)的人，或者是生活在特定地區或參與某個虛擬社交環境(如朋友圈)的人。第二個要素是主體之間的關系及相互作用的方法(也稱為決策規則或概念模型)，概述主體之間及其與周圍環境之間如何相互作用，以及他們的內部狀態如何隨著時間演變。第三個要素是主體周圍的環境或拓撲結構。

目前廣泛應用的健康狀態轉移模型[8](如馬爾可夫模型)假設健康(或疾病)未來發展的概率分布只取決于現狀，不能反映出早期危險因素對疾病的影響。而ABM具有自適應、異質、反饋、隨機的獨特特征，可用于研究受多水平以及人際交往影響的非線性關系，確定危險因素與健康結局之間的因果關系，比較干預措施的有效性。其他復雜的系統科學方法如系統動力學模型適合于對大量人群的高級系統行為進行建模[4]，但不能很好地指定個體的微觀行為，包括個體之間的相互作用以及隨時間推移而出現的改變。因此，ABM比傳統分析方法更有潛力，能為人群健康問題研究提供新思路。

系統科學方法(如主體建模、系統動力學模型、網絡分析模型、離散事件仿真模型等)從數十年前就已經開始應用于不同領域，近年來才被引入醫療衛生領域[9]。ABM在公共衛生領域的應用仍處于初級階段，且幾乎只用于研究傳染病，近年來才應用于慢性病防治和健康相關行為研究。

主體建模的工具與步驟

目前已有多種基于Agent的建模與仿真平臺，具有代表性的有圣塔菲研究所的Swarm和Repast。Swam是開放源代碼的免費軟件，可用Java語言編程[10]，但環境配置復雜，較難掌握。芝加哥大學研發的Repast具有功能強大、界面美觀且易于使用等特點，具有可視化agent編輯器，現已發展成為一個通用的主體仿真平臺[11]。多樣化的建模軟件為主體建模解決公共衛生問題提供了堅實基礎。

主體建模的基本步驟與傳統建模方法類似，但需要建立模擬主體間的交互網絡，提煉模型運行規則。具體過程為：(1)明確研究目的，確定模型框架與涉及的參數；(2)采用普查、抽樣調查或查閱文獻等方法收集建模所需數據；(3)構建模擬主體間的交互網絡；(4)總結和提煉建模規則；(5)建立初始主體模型；(6)調試和完善模型；(7)應用主體模型評估因素的影響或干預措施。對關鍵參數還需做敏感性分析，考察關鍵參數值的變化對模擬結果的影響[12]。

主體建模在慢性非傳染性疾病防治中的應用

慢性非傳染性疾病(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、癌癥、慢性呼吸道疾病和糖尿病的約占所有慢性病死亡人數的80%[13]。大多數NCD是由吸煙、缺乏運動、不健康飲食和酗酒[13]這四個主要的行為危險因素導致。人們逐漸認識到，不同因素之間的相互影響對慢性病發生發展也很重要[14]，越來越多的研究者提倡使用ABM這種系統科學方法來研究慢性病。

相比慢性病，ABM更常用于傳染性疾病研究。傳染病具有明確的傳播途徑，其特征為非線性、隨機以及人與環境動態交互。傳統分析方式無法捕捉到這些交互復雜的特征[15]，而ABM可通過生成不同規模的虛擬人群并結合地理信息，模擬不同規模的疾病傳播，并仿真干預措施的作用。而慢性病沒有明確的傳播機制，且ABM比傳統仿真方法更難實施，通常需要大量個體水平的數據進行參數化、校準和驗證，這些數據有時很難獲取，所以人們普遍認為ABM只適用于傳染病的研究，在慢性病研究領域仍處于起步階段。

Day等人利用ABM闡明了糖尿病視網膜病變的進展以及篩查對糖尿病患者視力喪失的影響[16]。開發了一個基于agent的糖尿病視網膜病變模型，模型中的agents是具有一系列屬性的異質患者，這些屬性包括年齡、性別、吸煙狀況、體質指數、糖化血紅蛋白、病程、高血壓、高膽固醇、糖尿病腎病等，使用退伍軍人管理局圣路易斯眼科診所提取的縱向患者數據進行模型的參數校準和驗證。使用agent建模評估不同的篩查間隔對退伍軍人視力損失的影響，發現兩年的篩查間隔最為合理[16]。ABM也被用于研究糖尿病患者與醫務人員的相互作用對連續血糖監測的影響[17]。在心血管疾病研究方面，為克服馬爾可夫模型和系統動力學模型的局限性，Li等人使用ABM評估了幾種生活方式干預措施(戒煙、增加體育活動、促進健康飲食和減肥)對患病率的影響，并評估了不同年齡組或地區人群心肌梗死和中風的發病率[18]。Zhang應用ABM檢驗了社會因素對青少年超重和肥胖的影響，發現加強同伴影響有利于減少青少年肥胖發生[19]。El-Sayed等人針對肥胖建立了一個ABM模型，發現針對隨機人群的干預措施比針對個人的干預措施更能有效降低肥胖患病率[20]。

主體建模在健康行為中的應用

復雜系統中的行為及其變化受多水平多因素影響，是非線性的，變化大且難以預測[21]。ABM能夠在個體層面上表現行為，解釋個體與環境之間的動態影響。它可以明確描述社會和環境暴露影響個體態度與行為的方式，以及個體行為影響其周圍環境及其他個體行為的方式。同時，使用ABM可以追蹤特定的個體或觀察特定時空群體水平的分布。它可以通過一系列“what-if”模擬來檢驗干預措施的效果。

目前ABM已被用于在個體、人際和社區環境三個水平進行行為干預[22]。其中，在個體水平可通過提供知識或改變人們對某些行為的態度，鼓勵人們采用健康的行為方式。在人際水平可通過改變社會規范相應地影響群體的健康行為。在社區水平，改善社區環境可促進多種健康行為和結果，其效益是可持續的，并惠及整個人群。

與傳統分析方法相比，ABM能夠識別出煙草替代品的潛在不良影響，有學者利用ABM探討了電子煙過度使用對人群吸煙率的影響以及社會經濟地位和社會影響對吸煙行為的作用[23-24]。Gorman等使用ABM探索社會和環境對飲酒的影響[25]，證實了Gruenewald[26]關于“分類飲酒”的理論研究，即具有相似偏好和行為的人聚集在特定的飲酒場所，會增強潛在的酗酒行為。Auchincloss等使用ABM探索飲食方面收入不平等的影響因素[27]，結果顯示改變低收入家庭的食品偏好，同時降低健康食品的價格，可以消除飲食的收入差異。此外，針對健康行為的干預措施要注重權衡成本效益，如改善兒童久坐的最佳途徑是增加他們的體力活動水平[28]。

主體建模的優勢

主體建模時會建立一個概念框架，將各主體聚集在一起，對主體的各個方面及其如何協同影響人群健康結果進行粗略的假設，這一過程是ABM的主要優勢。ABM有助于深入了解引起健康行為和結果(以及這些行為和結果的不平等)的潛在機制，并驗證干預措施。

ABM可以用于研究各種影響因素和結果之間的復雜途徑，從而更好地設計干預措施。上游影響因素(如社會經濟狀況、教育、住房、鄰里條件等)間接影響健康行為和結局，而ABM是一種獨特的驗證上游干預措施的方法。利用ABM還可發現干預措施的其他效益，如步行校車計劃的實施與步行態度的改善之間存在協同效應[29]。鑒于其自下而上的性質，ABM可用于進一步了解人群健康狀況分布形成的機制。在模型假設合理的前提下，ABM可以整合多種相互作用并驗證因果關系，對干預措施及干預效果進行微觀模擬。

此外，ABM還可實施在現實中不可行的反事實模擬，進行情景假設和虛擬政策實驗。可以對模型進行多次模擬，在其他條件都保持不變的情況下觀察不同治療條件下的健康結局，從而實現反事實的對比[30]。特定的干預可能會對一種結果產生積極影響，對另一種結果產生消極影響(如利用主動運動減少肥胖，同時也增加了受傷風險)[31]，而利用ABM可以深入了解干預的凈效果。

主體建模的局限性

首先，簡單模型與復雜現實之間存在矛盾，建模過程中需反復試驗，在簡化現實的同時包含足夠復雜的元素，即遵循由Robert Axelrod[32]倡導的保持簡單原則(keep it simple and stupid，KISS)的同時，利用ABM最大限度地探索特定人群的關鍵要素，使設計的干預措施和公共衛生規劃產生有意義的結果。

其次，ABM所依賴的數據往往不能探索因果機制和反事實對比[33]。ABM最大的優勢是研究社會網絡影響和個體之間的互動，但常常因缺乏相關數據，在進行模型參數化時易加劇模型的不確定性，難以驗證。即便有相關數據，也往往來自對特定人群的觀察性研究，這些特定人群與預期目標人群的分布可能不同[34]。因此，在ABM未來的發展中，要注重模型的創新性，模型假設和意義之間的一致性，以及結果的驗證性[32，35]。

第三，模型復雜時，往往會限制ABM的價值。因此，應在必要時逐漸增加模型復雜性，加上不同的利益相關者，確保模型有用、可信[36]。在建模時還需考慮隨機效應，以捕獲其他未知因素的影響。

結 論

ABM作為新興的建模方法，其應用于慢性病防治及健康行為研究的獨特優勢逐漸被認可，研究者也正努力創建相對簡單但包含復雜現象的ABM。但目前公共衛生領域的多數研究還停留在單因素、短期、個體和線性的水平，ABM的應用還處于早期階段，其優勢未得到充分展現。因此，應加強對公共衛生領域中ABM應用項目的支持。研究者也應從其他領域中深入學習，結合社會實際探索ABM方法學的最佳實踐，讓更多研究者意識到該方法的獨特優勢，促進ABM在公共衛生領域的應用。