由威尔康奈尔医学院的研究人员领导的一个团队使用了一种基于人工智能的方法，揭示了人们出生、成长、生活、工作和年龄等条件的潜在模式，这些条件被称为健康的社会决定因素(SDoH)，然后将每种模式与儿童的健康结果联系起来。与传统方法相比，该战略原则上对影响儿童健康的潜在社会因素提供了更客观和全面的了解，从而能够采取更有针对性的干预措施。

据10月16日《美国医学会儿科学》报道，研究人员分析了美国17个州的10500多名美国儿童的数据。该分析对每个儿童的80多个社区层面的SDoH因素进行了量化，揭示了样本中的四种广泛模式，包括富裕、高污名环境、高社会经济剥夺、高犯罪率和毒品销售率，以及低教育水平和人口稠密的地区。他们发现，这些模式与儿童发育健康(包括心理、认知和身体健康)相关的结果之间存在统计学关联。

“一系列复杂的社会因素会影响儿童的健康，我认为我们的研究结果强调了使用能够处理这种复杂性的方法的重要性，”该研究的主要作者、威尔康奈尔医学院人口健康科学助理教授肖云雨博士说。

肖博士与同样是人口健康科学助理教授的苏畅博士共同领导了这项研究。两人都在威尔康奈尔医学院人口健康科学系的健康信息学部门工作。Jyotishman Pathak博士和王飞博士，同样来自威尔康奈尔医学院，是这项联合研究的合著者。

威尔康奈尔医学院的研究人员与一个多机构、多学科的专家团队合作，研究健康的潜在社会决定因素，以寻找导致不良健康结果的持续原因的线索。该团队包括哥伦比亚大学的精神病学专家约翰·曼恩博士;Drs。加州大学卫生经济学、卫生政策和社会福利专家Timothy Brown、Lonnie Snowden和Julian Chun-Chung Chow;伯克利公共卫生学院，以及哈佛医学院的社会流行病学家亚历克斯·蔡博士。肖博士说，确定影响健康的社会因素也可以指导旨在改善儿童健康的社会政策，例如立法规定为低收入家庭的儿童提供免费学校午餐，同时在学校和临床环境中提供全面的医疗保健。

解决复杂问题的新方法

这一领域的先前研究往往侧重于狭隘的社会经济变量和健康结果集，并且通常检查的结果是在县或州等大地理区域的平均结果。

在这项新研究中，研究人员采用了一种不同的方法。Drs。肖和苏是使用机器学习和其他先进人工智能技术的专家，这些技术允许对大型数据集进行相对公正、细粒度的分析。近年来，他们一直在将这些“大数据”技术应用于重要的社会流行病学问题，例如，在2019冠状病毒病大流行期间，研究可能影响儿童心理健康的因素。

苏博士说:“我们的方法是数据驱动的，这使我们能够在没有事先假设和其他偏见的情况下，看到大型数据集中存在的模式。”

这项新研究的数据集是由美国国立卫生研究院(NIH)资助的一项名为“青少年大脑认知发展(ABCD)研究”的正在进行的调查项目产生的。该研究从2016年到2021年在美国21个地点对10504名9-10岁的儿童及其父母进行了调查。样本的民族和种族构成大致反映了整个美国的情况。

在分析中，每个孩子的记录根据84个不同的SDoH变量进行评分，这些变量与教育资源、物理基础设施、感知到的偏见和歧视、家庭收入、社区犯罪和毒品有关。机器学习算法确定了儿童SDoH概况的潜在模式，并寻找这些模式与健康结果之间的统计关联。

儿童健康结果因社会决定因素而异

一个关键的发现是，数据聚集成四种广泛的SDoH模式:富裕;高度的社会经济剥夺;城市高犯罪率与低学历、低资源;高污名化——后者涉及对妇女、移民和其他代表性不足群体的偏见和歧视的自我报告。白人儿童在富裕和高耻辱地区的比例过高;另外两个是黑人和西班牙裔儿童。

四种情况中的每一种都与自己的广泛健康结果模式有关，“高度社会经济剥夺”模式平均与最差的健康结果相关，包括更多的精神疾病迹象、更差的认知表现和更差的身体健康。与富裕模式相比，其他两种非富裕模式通常也与更多的不良后果相关。

该研究有一些局限性，包括ABCD数据基于调查，自我报告的性质，通常被认为不如客观测量的数据可靠。此外，像这样的流行病学分析只能揭示社会因素和健康结果之间的联系——它们不能证明前者影响后者。即便如此，研究人员表示，研究结果证明了一种相对公正的机器学习方法的力量，可以发现潜在的有意义的联系，并且应该有助于为未来的研究提供信息，从而发现将社会因素与儿童健康联系起来的实际因果机制。

肖博士说:“原则上，这种多维、无偏见的方法可以导致更有针对性、更有效的政策干预，我们正在美国国立卫生研究院资助的一个项目中进行研究。”