在俄俄州辛辛那提使用地址级数据对儿科住院的精确风险评估
medRxiv : the preprint server for health sciences
|August 12, 2025
概括
这项研究使用社会环境数据精确地确定了地址级别的儿科住院风险. 结果支持针对儿童健康和精确人口健康倡议的有针对性的干预措施.
科学领域:
- 环境流行病学环境流行病学
- 人口健康科学 人口健康科学
- 地理空间健康分析
背景情况:
- 传统的区域级分析可能会掩盖局部的健康差异.
- 整合社会环境数据与医疗保健数据对于了解儿科健康风险至关重要.
- 精确的人口健康需要细粒度的数据来进行有针对性的干预.
研究的目的:
- 在俄俄州辛辛那提的住宅地址层面描述儿科住院风险.
- 利用社会环境和医疗保健数据开发和验证预测模型.
- 探索地址级公共卫生风险预测的潜力.
主要方法:
- 连接住院数据 (2016-2022) 与小区级住房和街区级犯罪数据.
- 利用美国人口普查和驱逐实验室的数据,定位到人口普查区域.
- 采用通用随机森林模型来预测住院风险,包括出生调整模型.
主要成果:
- 成功将81.5%的住院住宿与住宅地址相匹配.
- 模型在识别高风险地址方面显示出高性能 (AUC:0.98-0.99).
- 关键预测因素包括住房违法,暴力犯罪和财产价值.
结论:
- 地址级预测和多尺度数据集成提升了精确的人口健康.
- 这种方法是可扩展和保护隐私的,用于识别儿科健康风险.
- 这些发现支持针对儿童健康的有针对性的临床和政策干预.
更多相关视频
06:55Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index
Published on: January 8, 2020
14.6K
19:15Assessment and Evaluation of the High Risk Neonate: The NICU Network Neurobehavioral Scale
Published on: August 25, 2014
86.3K
