富裕和贫困:社会经济地位提高了机器学习算法的准确性,用于预测高冲击性慢性疼痛

科学领域:

• 健康 公平 研究 健康 公平 研究
• 慢性疼痛流行病学 慢性疼痛流行病学
• 健康的社会经济决定因素

背景情况:

• 较低的社会经济地位 (SEP) 与增加慢性疼痛风险,严重程度和残疾有关.
• SEP是多维的,但预测高影响性慢性疼痛的特定特征及其在人口统计学中的差异性重要性仍未得到充分研究.
• 既定的慢性疼痛相关性往往掩盖了SEP在研究中的作用.

研究的目的:

• 确定哪些社会经济地位 (SEP) 特性最强烈地预测高影响性慢性疼痛.
• 将SEP特征的预测重要性与已建立的慢性疼痛相关性进行比较.
• 调查SEP预测因素的相对重要性是否因种族和性别而异.

主要方法:

• 在2019年国家卫生访谈调查数据上利用了三种机器学习算法.
• 采用渐变增强决策树,证明了最高的准确性和歧视力.
• 对非西班牙裔黑人与白人成年人以及男性与女性进行了子组分析.

主要成果:

• 物质资源 (收入与贫困比率) 和就业 (工作状态,工作成年人数) 成为高影响性慢性疼痛的关键预测因素.
• 预测因素的相对重要性有所不同:非西班牙裔黑人成年人的BMI和住房占有率更重要,而非西班牙裔白人成年人的就业和住房稳定性更重要.
• 焦虑,BMI和吸烟对女性更重要;住房稳定性和焦虑/抑郁频率对男性更重要.

结论:

• 机器学习有效地识别了高影响性慢性疼痛的关键社会经济预测因素.
• 清晰的SEP维度对于理解慢性疼痛差异至关重要.
• 研究结果强调了机器学习有潜力通过揭示人口特异性风险因素来推进健康公平研究.