卫生保健只占一个人总体福祉和健康的一小部分，但社会经济地位和获取食物等外部因素很难在卫生保健系统内捕捉和利用。机器学习模型可能有助于弥补这一差距。Regenstrief研究所和印第安纳大学Richard M. Fairbanks公共卫生学院的研究表明，使用最基本的原始数据可以为初级保健医生创建最佳的风险预测模型，以确定哪些患者可能需要帮助。
项目负责人Joshua R. Vest博士说:“关于健康的社会决定因素有如此多的数据，但挑战是如何将其转化为医疗保健提供者可以使用的东西。”“我们的分析结果表明，创建预测模型的最简单方法可能是最有效的。”
研究小组比较了健康测量方法的六个地区层面的社会决定因素的表现，以创建一种算法，预测患者在初级保健访问后转介给社会工作者和住院。他们对Eskenazi Health的近21万名患者的数据进行了算法测试，Eskenazi Health是印第安纳州印第安纳波利斯的一个安全网医疗系统。
他们发现，该模型使用了几个独立的区域级组件，如住房、收入和教育的原始数据，创建了最准确的预测模型。其他模型将住房和其他组成部分结合在一起，形成了一个单一的更大的衡量标准，这更复杂，在识别可能有风险的个体方面也不太准确。
“这项研究表明，使用原始数据是创建转诊模型的可行解决方案，”Vest博士说。“未来可能需要开发更复杂的模型，但这可能是卫生系统开始利用卫生的社会决定因素的一个强有力的起点，特别是那些资源可能较少的系统。”
这项研究的下一步是确定这种方法是否适用于社会工作转诊和住院预测以外的情况，并查看可以添加到该算法的其他数据。
“区域一级健康社会决定因素的测量方法选择和风险预测模型绩效”发表在《健康和社会护理信息学》网络版上。
