当前，随着全球气候系统持续失衡，极端天气事件正从偶发变为常态。气候变化对人类健康的威胁已不再局限于特定季节，而是演变为全年存在的复合型危机。
北京大学第一医院（以下简称北大医院）团队研究发现，长期暴露于热浪环境会显著增加慢性肾脏病患病风险，且农村地区居民面临着更高的健康脆弱性。这一基于全国多源数据融合分析的结论，揭示了气象波动、土地利用、社会经济发展水平等多重因素交织而成的复杂健康风险网络。开展有效的环境健康预警可减少环境对人类健康的危害，已成为共识。
近些年，国内外已逐步建立多种环境健康预警工具，涵盖高温健康风险预警、综合多种空气污染物风险的空气质量健康指数预警等。然而，城市环境是一个复杂的有机整体，个体在真实世界中的环境暴露通常呈现多因素叠加特征。因此，从多维环境因素出发，构建综合性的环境健康风险预警工具，具有重要的现实意义。
基于一系列前期研究和发现，北大医院数智医学创新研究中心目前正在研发人工智能（AI）多维度健康风险预警模型（以下简称北大医院多维预警模型）。该模型不再局限于单一气象要素，而是综合大气环流、污染物暴露、社会经济水平和人体生理负荷等多重变量，通过深度学习技术，捕捉非线性耦合关系，最终为脆弱人群争取宝贵的早期干预时间。
预测更复杂的非线性关系
传统的统计方法认为，人在某一不良环境中暴露越多，受到的损害就越大，即不良环境因素和健康风险是按等比例增减的（存在线性关系）。但实际情况是，气候变化对健康的影响存在临界点。比如，北大医院团队研究发现，高温对肾脏功能的影响并非匀速累积。在温度值高到某一数值（阈值）前，人体还能自行调节，但一旦温度值超过临界点，肾脏受影响的程度就会突然上升，健康风险也会随之迅速增加，而不是慢慢累积。
北大医院多维预警模型不会像传统的统计方法那样，“预设”简单的线性关系，而是让数据自主呈现真实的关联。它就像在海量信息中画一张动态的风险地图，能准确识别不同人群、不同地区的复杂变化模式，包括提前识别出隐藏的拐点，从而更准确地反映真实的健康风险。
从“不可解释”到“可解释”
值得关注的是，北大医院多维预警模型使用了可解释机器学习方法。该方法近年来刚刚兴起，在一定程度上弥补了机器学习算法相较于传统统计学方法在可解释性方面的不足，使预警模型更具透明性与应用价值。
简单来说，可解释模型就是让人能看懂AI为什么做出某个判断。传统AI就像个“黑匣子”，只给出结果却不解释原因，这在医疗场景下很难让人放心。而可解释预警模型就像一个会讲道理的助手，它不仅给出预测，还能说明背后的医学逻辑。比如，模型在预警健康风险时，能明确指出是高温加上特定建筑环境导致的，而不是笼统地说有风险。这种透明度一方面帮助医生验证判断、辅助临床决策，另一方面也让防控措施更有针对性。
探索更多气候健康预测领域
北大医院多维预警模型深度整合环境、社会经济、医疗等多方面数据，找出各种复杂因素之间的非线性关系。该模型的应用并不限于肾脏病领域。事实上，诸如糖尿病、心血管疾病等慢性病也受温度、空气质量和环境等因素的影响，且存在与肾脏病类似的阈值效应和个体差异。目前，北大医院团队已使用该模型预测心肾代谢综合征和高血压的早期风险，初步证明了其在不同疾病预测场景的适用性。下一步，只需要调整输入特征和结果变量，该模型就可以被应用到更广泛的慢性病防控场景，为精准健康管理提供技术支持。团队的目标是建立一个通用的风险评估体系，帮助医疗机构从只针对单一疾病的被动治疗阶段，转向主动健康管理新阶段。
此外，当前，在城市规划建设领域，AI驱动的空间数据分析正成为气候适应性设计的决策依据。基于一项全国代表性队列研究，北大医院团队探究了街景空间特征对热浪与寒潮健康效应的调节作用。结果显示，不同道路等级下的建筑界面形态、天空开阔度等因素会显著改变人群对极端温度的脆弱性。研究提示，城市规划设计必须在热浪防护与寒潮抵御间寻求平衡，而AI赋能的街景图谱分析正为上述精细化设计需求提供科学依据。
面对日益严峻的气候变化挑战，人类对环境健康风险的预见能力与干预能力亟需快速、全面提升。然而，目前，相关预测技术的落地仍面临现实瓶颈。例如，北大医院团队在推进气候环境与健康研究的过程中，深切体会到打通数据壁垒的迫切性。唯有实现高分辨率气象数据与医疗就诊数据的高效流动，才能让预警模型真正服务于临床与公共卫生一线。
随着AI技术的迅猛发展和在各领域的进一步落地应用，各界应充分利用其智能分析、预测模拟等优势，以AI技术为支撑，有效筑牢气候健康防线，增强社会应对气候变化的整体韧性。
