Tim predvođen istraživačima iz Veill Cornell Medicine koristio je pristup zasnovan na veštačkoj inteligenciji da otkrije osnovne obrasce među uslovima u kojima se ljudi rađaju, rastu, žive, rade i stare, nazvanim društvenim determinantama zdravlja (SDoH), a zatim povezani svaki obrazac do zdravstvenih rezultata dece. U poređenju sa tradicionalnim pristupima, strategija, u principu, daje objektivniju i sveobuhvatniju sliku potencijalnih društvenih faktora koji utiču na zdravlje dece, što zauzvrat može omogućiti bolje ciljane intervencije.
Kako je objavljeno 16. oktobra u JAMA Pediatrics, istraživači su analizirali podatke o više od 10.500 američke dece, u zajednicama širom 17 američkih država. Kvantifikujući više od 80 faktora SDoH na nivou susedstva za svako dete, analiza je otkrila četiri široka obrasca u uzorku, uključujući bogatstvo, okruženje sa visokom stigmom, visoku socioekonomsku uskraćenost i visoku stopu kriminala i prodaje droge u kombinaciji sa nižim obrazovanjem i gusto naseljenim područjima. . Oni su otkrili statističke veze između ovih obrazaca i ishoda koji se odnose na razvojno zdravlje deteta, uključujući mentalno, kognitivno i fizičko zdravlje.
„Složen skup društvenih faktora može uticati na zdravlje dece, i mislim da naši rezultati naglašavaju važnost korišćenja metoda koje mogu da se nose sa takvom složenošću“, rekao je vodeći autor studije dr Iuniu Ksiao, docent nauka o zdravlju stanovništva na Veill Cornell Medicine. .
Dr Sjao je ko-vodio studiju sa dr Čang Suom, takođe docentom nauka o zdravlju stanovništva. Obojica su u Odseku za zdravstvenu informatiku u Odeljenju za nauke o zdravlju stanovništva u Veill Cornell Medicine. Dr Jiotishman Pathak i dr Fei Vang, takođe u Veill Cornell Medicine, su koautori u ovom zajedničkom radu.
Istraživači Veill Cornell Medicine rade sa multiinstitucionalnim, multidisciplinarnim timom stručnjaka kako bi proučavali potencijalne društvene determinante zdravlja kako bi otkrili trajne uzroke loših zdravstvenih ishoda. Tim uključuje stručnjaka za psihijatriju dr Džona Mana sa Univerziteta Kolumbija; Dr. Timothi Brovn, Lonnie Snovden i Julian Chun-Chung Chov, stručnjaci za ekonomiju zdravlja, zdravstvenu politiku i socijalnu zaštitu, na Univerzitetu Kalifornije; Berkelei School of Public Health; i socijalni epidemiolog dr Aleks Cai sa Harvardske medicinske škole.
Identifikovanje društvenih faktora koji utiču na zdravlje takođe može voditi socijalne politike koje imaju za cilj poboljšanje zdravlja dece, kao što je zakon koji nalaže besplatne školske ručkove za decu iz porodica sa niskim primanjima, zajedno sa holističkim zdravstvenim uslugama u školama i kliničkim ustanovama, rekao je dr Sjao.
Prethodne studije u ovoj oblasti imale su tendenciju da se fokusiraju na uske skupove socioekonomskih varijabli i zdravstvenih ishoda, i obično su ispitivale ishode koji su prosečni na velikim geografskim područjima kao što su okrugi ili države.
U novoj studiji, istraživači su zauzeli drugačiji pristup. Dr. Sjao i Su su stručnjaci za korišćenje mašinskog učenja i drugih naprednih tehnika veštačke inteligencije koje omogućavaju relativno nepristrasne, detaljne analize velikih skupova podataka. Poslednjih godina, oni su doneli ove tehnike „velikih podataka“ da bi se suočili sa važnim problemima društvene epidemiologije – na primer, ispitivanjem faktora koji potencijalno utiču na mentalno zdravlje dece tokom pandemije COVID-19.
„Naš pristup je zasnovan na podacima, omogućavajući nam da vidimo koji obrasci postoje u velikim skupovima podataka, bez prethodnih hipoteza i drugih pristrasnosti na putu“, rekao je dr Su.
Skup podataka u novoj studiji generisan je tekućim projektom zasnovanim na anketama pod nazivom Studija kognitivnog razvoja mozga adolescenata (ABCD). Pokrivao je kohortu od 10.504 dece, uzrasta od 9 do 10 godina na početku, i njihove roditelje na 21 lokaciji širom Sjedinjenih Država od 2016. do 2021. Etnička i rasna mešavina uzorka je u velikoj meri odražavala onu u SAD u celini.
U analizi, evidencija svakog deteta je ocenjena na 84 različite varijable SDoH koje se odnose na obrazovne resurse, fizičku infrastrukturu, uočenu pristrasnost i diskriminaciju, prihode domaćinstva, kriminal u okruženju i drogu. Algoritam mašinskog učenja identifikovao je osnovne obrasce u dečjim SDoH profilima — i takođe je tražio statističke veze između ovih obrazaca i zdravstvenih ishoda.
Ključni nalaz je bio da su podaci grupirani u četiri široka SDoH obrasca: bogat; visoka socioekonomska deprivacija; visok nivo kriminala u urbanim sredinama i nizak nivo obrazovanja i resursa; i visoka stigma – ovo poslednje uključuje veće mere pristrasnosti i diskriminacije žena i imigranata i drugih nedovoljno zastupljenih grupa koje su sami prijavili. Bela deca su bila previše zastupljena u bogatim oblastima i oblastima sa visokom stigmom; Crna i latinoamerička deca u drugo dvoje.
Svaki od četiri profila bio je povezan sa sopstvenim širokim obrascem zdravstvenih ishoda, pri čemu je obrazac „visoke socioekonomske deprivacije“ povezan sa najgorim zdravstvenim ishodima u proseku, uključujući više znakova mentalne bolesti, lošije kognitivne performanse i lošije fizičko zdravlje. Druga dva obrasca bez bogatstva su takođe generalno povezana sa nepovoljnijim ishodima u poređenju sa uzorkom bogatstva.
Studija je imala neka ograničenja, uključujući prirodu ABCD podataka zasnovanu na anketi, samoprocenjivanje, koji se generalno smatra manje pouzdanim od objektivno izmerenih podataka. Takođe, epidemiološke analize poput ovih mogu otkriti samo povezanost između društvenih faktora i zdravstvenih ishoda – ne mogu dokazati da prvi utiču na druge. Uprkos tome, rekli su istraživači, rezultati pokazuju moć relativno nepristrasnog pristupa mašinskog učenja za otkrivanje potencijalno značajnih veza i trebalo bi da pomognu u informisanju budućih studija koje mogu otkriti stvarne uzročne mehanizme koji povezuju društvene faktore sa zdravljem dece.
