综述：高收入国家无家可归者预测模型：一项范围综述

《BMC Public Health》：Homelessness prediction models in high-income countries: a scoping review

　　本范围综述系统梳理了高收入国家中预测未来无家可归风险的模型，揭示了该领域研究的高度异质性。分析涵盖的15项研究（主要来自美国）显示，模型多采用逻辑回归（Logistic Regression）或考克斯回归（Cox Regression），仅少数结合机器学习（Machine Learning, ML）算法。研究强调，尽管这些模型在精准定位高风险人群、提升预防项目效率方面潜力巨大，但存在外部验证严重不足（仅2个模型）、校准指标使用有限等关键局限。作者呼吁未来研究应聚焦于模型评估、伦理考量及数据保护，以推动其向现实世界的有效转化。

　　

引言

在高收入国家，尽管存在社会保障体系和总体财富，无家可归者的人数依然居高不下，并且在大多数国家呈上升趋势。无家可归是一种严峻且复杂的社会排斥状态，受到结构、政治、社区、人际和个人等多个层面因素的影响。其后果远不止是缺乏栖身之所，更会严重影响受影响者的身心健康以及生活质量和寿命。提高预防项目的效率，关键在于准确识别那些可能陷入无家可归境地的风险人群。基于证据的风险评估，使用经过验证的预测模型，显得尤为重要。本范围综述旨在概述高收入国家中预测未来无家可归风险的模型，重点关注其目标人群、所用数据和变量、模型类型以及验证情况。

方法

本综述遵循乔安娜·布里格斯研究所（Johanna Briggs Institute, JBI）的范围综述指南，并依据系统评价和Meta分析扩展的范围综述（Preferred Reporting Items for Systematic reviews and Meta-Analyses extension for Scoping Reviews, PRISMA-ScR）进行报告。检索数据库包括MEDLINE、Web of Science、Cochrane Library和Bielefeld BASE，无语言或时间限制。纳入标准为：报告在高收入国家开发或验证无家可归预测模型的研究，且研究人群在招募时未处于无家可归状态。筛选和数据提取由两名评审员独立进行。

结果

研究概览

初步检索获得10,492条记录，去除重复后筛选9,371条记录，最终纳入15项符合标准的研究。其中14项为模型开发研究，1项为验证研究。13项（87%）研究在美国进行，其中6项集中于纽约市（New York City, NYC）。一项研究在加拿大进行，一项在澳大利亚进行，欧洲、亚洲或南美洲则未有研究纳入。

研究目的与人群

在15项纳入研究中，14项开发了新模型。一项研究对Shinn等人（2013）的模型进行了外部验证和更新。就目标人群而言，六项研究（九个模型）针对福利申请者或领取者。三项研究为退伍军人开发模型，两项研究在急诊科环境中进行，三项研究针对普通人群，一项研究同时关注脱离公共援助的青年和失业工人。研究人群规模从566名参与者到250万参与者不等，随时间推移呈增大趋势。

结局定义与预测方法

所有研究均将无家可归作为二分类变量。但其具体定义因研究而异，常参考欧洲无家可归和住房排斥类型学（European Typology of Homelessness and Housing Exclusion, ETHOS）、美国住房和城市发展部（US Department of Housing and Urban Development, HUD）定义或国际疾病分类（International Classification of Diseases, ICD）代码。在建模方法上，14项研究使用了传统回归方法（如逻辑回归、Cox回归、LASSO回归），7项研究应用了机器学习算法（如随机森林、CART、XGBoost），其中5项研究同时使用了两种方法。预测时间框架从1个月到96个月（8年）不等。

预测因子与模型验证

最常见的预测因子类型包括：人口统计学特征、年龄、既往无家可归经历、人力资本（如就业状况、总债务）以及临床变量（如身体或心理健康状况）。仅三项研究结合了地理层面和个体层面的数据。模型性能评估中，仅两项研究报告了校准指标，仅两个模型经过了外部验证，这限制了模型在研究人群之外的泛化能力。

讨论

本综述揭示了高收入国家无家可归预测模型领域的广泛异质性。尽管模型数量（共25个）相较于心血管疾病或COVID-19等领域并不算多，但显示出模型开发和研究的增长趋势。方法论选择上，回归方法占主导，但机器学习应用逐渐增多，不过其“黑箱”特性对透明度和可解释性提出了挑战。模型验证严重不足是当前研究的核心局限，未来工作需平衡性能与透明度，并加强严格的外部验证和校准技术。

伦理考量至关重要。大多数模型仅使用个体层面数据，可能强化无家可归是个人过失而非复杂社会经济不平等结果的叙事，存在潜在误用和歧视风险。因此，模型开发和应用必须结合伦理监督和数据保护措施。

在实践中，这些模型不应仅作为在资源有限的预防项目中分配服务的分类工具，因为这可能引发伦理问题。理想的实施方式应将其视为通用支持的补充，用于识别那些可能不会主动寻求帮助的沉默风险个体，从而促进跨部门合作，实现更综合、基于证据的无家可归预防。

结论

本范围综述概述了预测未来无家可归风险的模型的方法学、设置、目标人群和预测因子。由于已识别的25个模型中仅有两个经过外部验证，建议未来研究重点聚焦于模型评估。同时，未来的模型开发需更充分考虑其伦理影响和数据保护。无家可归预测模型有潜力改善风险定位和预防项目的有效性，但其实际应用需谨慎考量，避免潜在误用，并努力将其转化为现实世界背景下的有效工具，以更好地识别和关怀有无家可归风险的个人。