从购物习惯到疾病轨迹：京东健康用AI绘制慢性病“风险地图”

日前，在西班牙马德里举办的欧洲心脏学会年会暨世界心脏病大会（ESC Congress 2025 together with World Congress of Cardiology）上，京东健康探索研究院（JDH XLab）分享了两项基于千万级别人群的慢性病预测研究，分别为“利用电商行为数据进行常见慢性疾病预测”和“基于人群时序疾病轨迹分析的慢性病风险预测”。研究首次揭示，用户的电商平台消费数据以及大规模人群的时序疾病发展轨迹，均可能成为预测常见慢性疾病风险的重要工具。这为公共卫生管理和个体化健康干预提供了全新视角。

京东健康探索研究院研究团队在ESC会上进行分享

电商消费数据或可“预知”健康风险

第一项研究《利用电商平台行为数据进行常见慢性疾病预测》开创性地将用户在电商平台上的购买、加购和浏览行为与健康状况关联。研究团队构建了涵盖13354个商品类目的“类目指数”，并结合年龄、性别等人口统计学特征，对超重/肥胖、高血压、糖尿病、慢性肾病等8种常见慢性病进行风险预测。

研究采用两种建模方案：基于传统机器学习的XGBoost模型和创新的7B参数规模行为学大模型。结果显示，在外部验证中，行为学大模型表现更优，其预测8种慢性疾病的平均AUC（曲线下面积Area Under Curve）达到0.72，而XGBoost模型为0.68。

值得关注的是，模型预测为高风险的人群，其真实患病风险显著高于预测为低风险者。行为学大模型的平均风险比（RR）高达4.07，意味着高风险人群的患病可能性是低风险人群的4倍以上，可以作为个人疾病风险干预的有力指导，同时也是公共卫生管理的有效参考。

研究还揭示了在传统人口学风险预测因素以外的关键行为特征。例如，购买“加大码服装”“酒精”“打火机及吸烟配件”等商品与超重/肥胖风险显著相关。这表明，日常消费行为背后可能隐藏着重要的健康线索。

疾病发展有“轨迹”：CKM疾病互为上下游

第二项研究《基于人群时序疾病轨迹分析的慢性病风险预测》则从宏观医疗数据入手，研究团队与山东省卫健委及北方健康医疗大数据公司合作，分析了2016年至2024年间中国北方地区3738万名患者的2.07亿条诊疗记录，构建了包含351种慢性疾病和8672条关联路径的“时序共病网络”。

研究发现，心血管－肾脏－代谢（CKM）疾病在疾病发展轨迹中占据核心地位。例如，高血压患者未来最常见的20种共病中，超过一半属于CKM疾病，包括慢性缺血性心脏病（47.79%）、脑梗死（43.34%）、E11 2型糖尿病（29.88%）等。同样，糖尿病、脑梗死、心力衰竭等CKM疾病也高度互为“上游”或“下游”。

研究团队通过蒙特卡洛模拟技术，可预测个体从当前疾病出发，未来可能发展的慢性病路径。这一成果有望帮助医生提前识别高风险患者，进行早期干预，阻断疾病进展链条。

据了解，本次研究团队使用的所有账户均完全匿名化，所有数据均在高度安全的环境下储存与脱敏使用。同时，研究团队也指出，这些预测结果仍需通过终身随访研究加以验证，以确保其准确性和可靠性。

业内人士认为，这两项最新研究为慢性病风险的预测提供了新的思路和方法，即通过利用电商行为数据和时序疾病轨迹分析，未来有望实现更精准的个人健康风险评估和公共卫生管理。

京东健康探索研究院（JDH XLab）相关负责人表示，未来，京东健康将继续深化在慢性病预测和管理领域的研究，为推动全球健康事业的发展贡献力量。同时，也呼吁社会各界共同关注慢性病问题，加强健康管理和预防工作，共同构建健康、和谐的社会环境。