عنوان فارسی مطالعه:

تعیین دستور کار برای ارزیابی عدالت سلامت از منظر عوامل اجتماعی سلامت با استفاده از یادگیری ماشین: یک چارچوب و مطالعه مقدماتی

عنوان انگلیسی مطالعه:

Agenda setting for health equity assessment through the lenses of social determinants of health using machine learning approach: a framework and preliminary pilot study

چکیده مطالعه:

مقدمه:

ادغام هوش مصنوعی (AI) و یادگیری ماشین (ML) در حال تحول نظام سلامت عمومی است، به واسطه بهبود ارزیابی و کاهش نابرابری‌های سلامت. با افزایش استفاده از ابزارهای هوش مصنوعی، به‌ویژه تکنیک‌های ML، این فناوری‌ها نقش حیاتی در اطلاع‌رسانی سیاست‌هایی که به ترویج جامعه‌ای عادلانه‌تر منجر می‌شوند، ایفا می‌کنند. این مطالعه با هدف توسعه چارچوبی مبتنی بر ML برای تحلیل داده‌های سیستم سلامت و تعیین دستور کار مداخلات عدالت سلامت، با تمرکز بر عوامل اجتماعی سلامت (SDH)، انجام شده است.

روش مطالعه:

در این پژوهش از مدل CRISP-ML(Q) برای معرفی پلتفرمی جهت ارزیابی عدالت سلامت استفاده شده است تا طراحی و اجرای آن در سیستم‌های سلامت تسهیل گردد. در ابتدا، یک مدل مفهومی از طریق مرور جامع ادبیات و تحلیل اسناد تدوین شد. سپس یک پیاده‌سازی آزمایشی به منظور بررسی امکان‌سنجی و کارایی استفاده از الگوریتم‌های ML در ارزیابی عدالت سلامت انجام گردید. امید به زندگی به عنوان شاخص سلامت در این مطالعه انتخاب شد؛ داده‌های مربوط به سال‌های 2000 تا 2020 با 140 ویژگی پاکسازی، تغییر شکل داده و برای مدل‌سازی آماده شدند. مدل‌های مختلف ML با استفاده از نرم‌افزار SPSS Modeler نسخه 18.0 توسعه یافته و مورد ارزیابی قرار گرفتند.

یافته‌ها:

الگوریتم‌های ML به طور مؤثر عوامل کلیدی تأثیرگذار بر امید به زندگی را که تحت عنوان عوامل اجتماعی سلامت (SDH) شناخته می‌شوند، شناسایی کردند. در میان الگوریتم‌های بررسی‌شده، الگوریتم تفکیک‌کننده خطی (Linear Discriminant) به عنوان مدل دسته‌بندی به دلیل دقت بالا در فازهای آزمایشی و آموزشی، عملکرد برجسته در شناسایی ویژگی‌های کلیدی و قابلیت تعمیم مناسب به داده‌های جدید به عنوان بهترین مدل انتخاب شد. علاوه بر این، در مدل‌های عددی، الگوریتم CHAID بهترین عملکرد را در پیش‌بینی مقدار واقعی امید به زندگی بر اساس ویژگی‌های مختلف نشان داد. این مدل‌ها اهمیت ویژگی‌هایی نظیر هزینه‌های جاری سلامت، هزینه‌های سلامت دولت عمومی داخلی و تولید ناخالص داخلی (GDP) را در پیش‌بینی امید به زندگی برجسته کردند.

نتیجه‌گیری:

یافته‌های به دست آمده بر اهمیت به‌کارگیری روش‌های نوآورانه مانند CRISP-ML(Q) و الگوریتم‌های ML به منظور ارتقای عدالت سلامت تأکید می‌کنند. ادغام این پلتفرم در سیستم‌های سلامت می‌تواند به کشورها در اولویت‌بندی و رفع نابرابری‌های سلامت یاری رساند. پیاده‌سازی آزمایشی نشان‌دهنده کاربرد عملی این روش‌ها در زمینه‌های مختلف بوده است.