ACM通信
野外数据可能是改善公共卫生的关键
目前许多电子健康记录系统的标准实施不包括考虑健康的社会决定因素的模块。
来源:healthcarefinancenews.com
正如全国公民科学家发现的那样，来自两所大学实验室的研究人员和硅谷一个疾病倡导组织之间的一种新的合作关系，展示了“非传统”健康数据收集工作的潜在力量疾病轴承蜱虫据信，全国83个县都没有这种动物。
这项工作只花了两年时间，而研究人员估计，传统的监测方法可能需要30年才能得到相同的结果。
对于外行人来说，这样的结果听起来可能具有革命性，足以成为标准程序。然而，这项研究的赞助组织的执行董事琳达·吉安帕湾区莱姆病基金会她在传统保守的流行病学领域有着长期的经验，充其量是谨慎乐观。
“我从2013年就开始做这个了，”吉安帕说。“我的感觉是这些年来事情发生了一些变化。我们现在正在进行三个大数据项目。有公共卫生人员联系我们吗?不。我是一个乐观的人，所以我觉得他们最终会的。”
在两年的时间里在美国各地收集了2万只携带疾病的蜱虫。
这项研究在83个以前没有报告过蜱虫存在的县发现了蜱虫。
图片来源:湾区莱姆基金会
吉安帕的乐观可能会比“最终”更快地得到证实;2020年，COVID-19大流行和社会正义运动促使人们重新审视疾病和贫困中隐藏或未被认识的因素，以及它们之间的联系。解决这些问题的努力还处于起步阶段，但可以从学术研究项目中看到，这些项目以新的方式将不同的因素结合在一起，比如地方公共卫生部门开始努力强调更广泛的数据收集，以及罗伯特·伍德·约翰逊基金会(Robert Wood Johnson Foundation)的(投票) 5 000万美元认捐，以建立更公平和全面的公共卫生数据基础设施。
“绝对至关重要”
RWJF的资助是对公共卫生数据基础设施现状进行为期五个月的深入研究的成果蓝带委员会基金会召开。RWJF的首席科学家阿朗佐·普劳(Alonzo Plough)说，该委员会利用了其成员多年的医疗保健经验，以及兰德公司(Rand Corp.)专注于疫情和种族不平等对公共健康的影响的研究。
“我们没有收集正确的数据来从预防的角度理解这些问题，”Plough说。“这些双重危机是该基金会产生兴趣的背景，作为一个从事公共卫生工作25年的人，我知道数据是与人沟通的方式。如果你在错误的时间衡量错误的事情，你就不会对任何事情做出最好的预防反应。”
公共卫生官员认为“错误的时间发生了错误的事情”，或许最著名的例子是流行病学界表现出的广泛怀疑谷歌流感趋势。该平台于2008年推出，试图通过使用谷歌搜索词“流感”、“发烧”等数据来预测流感的传播。作为一个独立的预测平台，它被广泛认为是失败的，但它也引入了数据的想法，包括大量的数据，从非传统来源到公共健康的变量。随着新一代科学家开始在大学进行研究，他们采用了这些非正统的方法，同时也确保他们的方法被公共卫生官员认为是合法的。例如，Giampa说，支持蜱虫收集研究的公民科学的研究人员，北亚利桑那大学的Nate Nieto和科罗拉多州立大学的Dan Salkeld在公共卫生界很有名。
她说:“推动这项研究的学者希望利用公民科学，但他们知道自己会受到质疑和指责。”“内特和丹都很有名，都是我们的科学顾问委员会成员，我认为机构背后有这样的信誉是极其重要的。”
最近发表的几项研究进一步证实了Giampa的观察结果，这些研究结合了学术严谨性和远远超出通常健康数据池的数据。最近的一个例子是对邻里尺度效应的探索空气污染物浓度这项研究由乔治华盛顿大学(GWU)和加州大学洛杉矶分校的研究人员领导环境保护基金．这项研究使用了来自谷歌街景汽车顶部监视器的数据、高分辨率卫星图像，以及来自该县公共卫生部门的地理颗粒状疾病数据。另一项由纽约大学(NYU)的研究人员进行的研究回顾了1600多项关于机器学习和心血管疾病风险为了更好地查明健康的社会决定因素(SDOH)可能被纳入计算患心脏病的风险。
开创性的公共卫生部门还利用COVID大流行带来的可视性，说服其资助者，更好的综合数据服务可以改善集体和个人的健康。
加州阿拉米达县公共卫生部门的公共信息官员Neetu Balram说:“就谁受到的影响最大而言，健康的社会决定因素已经真正成为重点。”“COVID向我们展示了我们之间的相互联系，但也表明，如果你想以一种全面的方式为居民服务，这需要多个组织的努力。”
该部门与为空气污染浓度影响建模的研究人员之间的合作，可以作为一个风铃，用于将潜在发病率与任何可能加剧发病率的新因素之间的关键关系置于背景中。这些因素通常是由贫困、营养不足、不利于健康行为的社区以及污染物等额外变量造成的。这项研究的关键结论之一是，在污染物浓度不是最高的社区，潜在的疾病负担可能会增加污染加重的发病率。
该研究的合著者之一、华盛顿州立大学博士生维罗妮卡·萨兰德说:“在大气科学界，很多人都在关注减少接触污染物的最高程度，这是有意义的。”“但当你模拟与这些污染物相关的健康负担时，它真的与社区的潜在脆弱性有关。我们将高分辨率的空气污染物估计数据与高分辨率的基线发病率相结合，只有通过后者，我们才能看到实际的差异在哪里。”
SDOH组件准备集成
患有慢性心血管疾病的人是最容易受环境和社会因素影响而加重病情的人群之一;将个体疾病和社区风险因素联系起来，虽然非常接近，但还没有发生。使用常规临床数据的机器学习算法已经被证明是可行的更准确的在预测心血管疾病风险方面比依赖于研究队列数据的风险计算器要好。然而，根据纽约大学研究人员发现的证据，这些算法往往也缺乏临床之外的背景，可以表明哪些人最脆弱。
这篇评论发表在美国预防医学杂志，筛选了1600篇文章，最终聚焦于1995年至2020年间发表在期刊上的48篇同行评议研究。
纽约大学的研究小组发现，在机器学习模型中包括健康的社会决定因素，可以提高预测心血管结局的能力，如再住院、心力衰竭和中风。然而，这些模型通常不包括与心血管疾病风险相关的社区水平或环境变量的完整列表。一些研究确实包括了诸如收入、婚姻状况、社会隔离、污染和医疗保险等因素，但只有5项研究考虑了环境因素，如社区可步行性或是否靠近杂货店。
该研究的资深作者、纽约大学计算机科学、工程和生物统计学副教授Rumi Chunara说，她对较低社会经济人口中心脏病发病率的观察，以及她对ML算法的预测特性的熟悉，使她得出了她的假设。
“把这两条线索联系在一起，我熟悉了我们的医生和医疗系统计算心血管风险的许多标准方法。许多多层次的社会因素与公认的临床因素不一致，这就是我们对此感兴趣的原因。”
“就是现在”
Chunara指出，虽然目前许多电子健康记录(ehr)的标准实施不包括SDOH模块，但它们正在先锋系统中添加。加州康特拉科斯塔县的社区连接项目就是这样一个系统，它将接受医疗补助的居民的SDOH因素，如住房、食品不安全和财务不稳定，整合到该县的ccLink EHR系统中。根据一项案例研究该报告由加州医疗保健基金会发布，该县正在探索为该系统增加其他合作伙伴，如食品银行、交通服务和其他安全网提供商，该系统自2012年以来一直是该县医疗系统数据基础设施的基础。
在阿拉米达县，监督流行病学家马特·拜尔斯(Matt Beyers)协助撰写了污染物浓度研究报告，最近才开始努力简化数据获取过程，但拜尔斯同样渴望为他的部门带来更大的功能。他说，最近几个月，该部门聘请了一名兼职数据科学家研究与covid相关的数据，并获得了一年的资金，用于一名全职工程师研究非covid数据。
拜尔斯说:“我们希望能够更快地做出反应，并从处理这些临时请求中腾出时间，这样我们就可以做更多有趣的研究，并观察因果因素，而不是简单地在Excel上运行。”
RWJF的普劳说，类似加州各县所做的努力说明了采取地方方法和建立在已经建立的系统上的重要性，而不是试图用一个通用的模板来解决根本的社会问题。他说，仅在基金会的项目中，当地的努力，如跨卫生系统的数据而且哨兵社区程序是蓬勃发展。
“那些茁壮成长的是非常有机的，它们来自社区，”他说。“它必须出现在对社区非常重要的问题上。”
他特别提到了委员会报告提供的1000万美元新资金，用于与墨西哥湾沿岸地区传统的黑人学院和大学建立社区-学术伙伴关系。他说，这笔资金将通过连接环境风险数据和公共健康数据来解决健康不平等问题:“你必须这样做，因为所有这些都必须连接起来。
“现在是这样做的时候了。”
格雷戈里·哥特是一名来自加州奥克维尔的作家，擅长科学和技术。
没有发现记录