综述：通过复杂的健康干预措施实现健康公平：使用哪些评估方法和设计？一项范围综述

《Public Health》：Targeting health equity through complex health interventions: Which evaluation methods and designs are used? A scoping review

健康不平等评估方法及经济指标应用研究。该综述系统分析了2014-2024年间19项复杂干预措施的健康不平等评估方法，发现随机对照试验占多数（10/19），但仅10%研究使用经济指标（如基尼系数）直接测量HI变化，主要依赖社会经济分层 subgroup analyses（10/19）和差分差分法（4/19）。研究强调现有方法存在测量粗放、忽视绝对差距等局限，建议整合分布性成本效益分析等经济学工具，建立多维度HI评估体系。

　　健康不平等（Health Inequalities, HI）是指在不同社会经济群体之间系统性和可避免的健康状况差异，这种差异通常通过社会健康梯度来体现，即健康结果随着社会经济地位（Socio-Economic Status, SES）的下降而恶化。近年来，随着全球对公平性和社会正义的关注加深，健康不平等成为公共卫生政策的重要议题。然而，尽管许多公共卫生干预措施的目标是减少健康不平等，但对其效果的评估却常常缺乏系统性。本文通过一项文献综述，探讨了在复杂公共卫生干预中，经济指标和评估方法在衡量健康不平等减少方面的使用情况。

### 健康不平等的背景与意义

健康不平等是一个多层次、多维度的问题，涉及社会结构、经济条件、环境因素以及个人行为等多个层面。在社会学和公共卫生学中，健康不平等被分为“近因”和“远因”两类。近因因素如个人健康行为、生活方式和遗传特征，直接影响健康结果；而远因因素如社会政策、经济体系、教育水平和居住环境，则通过间接机制影响健康。例如，社会经济地位较低的人群可能因缺乏健康知识、医疗资源获取困难或生活条件较差而面临更高的健康风险。

国际上，如世界卫生组织（WHO）和一些国家的公共卫生政策，都将减少健康不平等视为优先事项。WHO在其《Closing the Gap in a Generation》报告中强调，实现健康公平需要采取“全社会参与”的策略，包括改善教育、提高生活质量以及促进医疗资源的公平分配。同时，一些国家如英国和法国也提出了类似的政策目标，旨在通过干预措施缩小健康差距。为了支持这些政策，WHO开发了健康公平评估工具包（Health Equity Assessment Toolkit, HEAT），该工具包包含多种健康不平等指标，这些指标源自健康经济学领域，主要用于人群监测和政策制定。

### 复杂公共卫生干预的定义与挑战

复杂公共卫生干预是指那些具有多组成部分、多因果路径以及多因素交互作用的干预措施。这类干预通常涉及多个层面，如个体、社区和系统层面，旨在通过综合手段改善健康结果。复杂干预的评估具有挑战性，因为其效果往往受到多种因素的影响，包括社会经济背景、文化差异、政策执行力度以及干预的可持续性等。因此，评估复杂干预对健康不平等的影响，需要采用系统性、多维度的方法，而不仅仅是传统的随机对照试验（RCT）。

在复杂干预的评估中，研究者通常采用多种方法，包括子群分析、交互项分析以及差分中的差分（Difference-in-Differences, DiD）方法。这些方法可以帮助识别干预在不同社会经济群体中的效果差异，从而判断其是否真正促进了健康公平。然而，值得注意的是，目前的研究中，很少有文章直接使用经济指标来评估健康不平等的变化。这表明在公共卫生干预的评估实践中，虽然健康不平等是一个重要目标，但在实际操作中，评估方法仍存在一定的局限性。

### 研究方法与结果

本研究采用的是基于Arksey和O'Malley框架的文献综述方法，以探讨复杂公共卫生干预中健康不平等的评估方式。研究团队在PubMed、Scopus、CINAHL、EconLit和PsycINFO等数据库中检索了2014年至2024年之间的相关文献，并筛选出19篇符合纳入标准的文章。这些文章主要关注社会经济地位不同的群体，并通过不同的分析方法评估干预对健康不平等的影响。

在这些研究中，随机对照试验（RCT）是最常用的设计（共10项研究），其次是准实验设计（6项）和自然实验（1项）。大多数研究采用子群分析来评估干预在不同社会经济群体中的效果差异，这种方法能够揭示干预对不同人群的影响是否具有异质性。此外，一些研究使用交互项分析，以探索干预与社会经济因素之间的相互作用，而另一些则采用DiD方法，以比较干预前后不同群体的健康结果变化。然而，所有纳入的研究都没有使用专门的经济指标来直接评估健康不平等的变化，这可能是由于数据获取难度大、分析方法不够成熟或对经济指标在健康公平评估中的作用认识不足。

### 健康不平等评估的现状与问题

尽管健康不平等的评估在公共卫生研究中受到越来越多的关注，但目前的研究仍然存在一些问题。首先，许多研究虽然宣称旨在减少健康不平等，但在实际分析中并未明确测量这种变化。这可能是因为研究者更关注干预的整体效果，而忽视了其对不同社会经济群体的差异化影响。其次，即使在纳入的研究中，也主要依赖于子群分析和交互项分析，而不是更系统性的经济指标，如基尼系数、熵指数或收入差距等。这些经济指标能够更全面地反映健康不平等的程度，并提供更精确的衡量工具。

此外，研究中还存在一些方法上的局限性。例如，子群分析虽然能够揭示干预效果的异质性，但其结果可能受到样本选择偏差的影响，无法准确反映健康不平等的整体变化。而DiD方法虽然在经济学中被广泛使用，但在公共卫生领域的应用仍较为有限。DiD方法依赖于两个关键假设：平行趋势假设和共同冲击假设，这意味着在没有干预的情况下，干预组和对照组应表现出相似的趋势。然而，在公共卫生研究中，这些假设往往难以满足，因为社会经济因素可能在不同群体中产生不同的影响。

### 评估方法的改进与未来方向

为了更有效地评估复杂公共卫生干预对健康不平等的影响，研究者可以考虑引入更系统的经济指标和方法。例如，基尼系数可以用于衡量健康结果的分布不均，而分布性成本-效果分析（Distributional Cost-Effectiveness Analysis, DCEA）则可以评估干预在不同社会经济群体中的成本效益差异。这些方法能够更全面地反映健康不平等的变化，并为政策制定者提供更可靠的决策依据。

同时，研究者还可以探索其他方法，如反事实框架下的分析。反事实框架的核心思想是估计在不同干预条件下个体的可能结果，从而更准确地评估干预的效果。这种方法可以用于识别干预对不同社会经济群体的潜在影响，并帮助研究者更好地理解健康不平等的形成机制。例如，一些研究已经应用了中介分析和反事实中断时间序列分析，以评估干预对健康不平等的长期影响。

此外，机器学习技术在因果推断中的应用也为健康不平等的评估提供了新的可能性。例如，因果随机森林等模型可以整合多种社会经济指标，从而更全面地探索干预对不同群体的影响。这种方法能够减少对单一指标的依赖，并提供更灵活的分析框架。

### 多学科合作的重要性

健康不平等的评估是一个多学科交叉的领域，需要结合社会学、经济学、公共卫生学和政策研究等多个学科的知识和方法。在实际研究中，多学科合作能够帮助研究者更全面地理解健康不平等的复杂性，并设计更有效的干预措施。例如，社会学可以提供关于社会结构和文化背景的视角，而经济学则可以提供关于资源分配和成本效益分析的工具。

然而，多学科合作也面临一些挑战。不同学科的研究方法和术语可能存在差异，导致沟通和协作的困难。此外，数据获取和分析方法的标准化也是一个重要问题。为了促进多学科合作，研究者需要建立共同的评估框架，并采用统一的指标和方法。

### 结论与建议

综上所述，当前复杂公共卫生干预中对健康不平等的评估仍存在一定的局限性。虽然许多研究采用了子群分析和交互项分析，但这些方法并不能完全反映健康不平等的变化。因此，未来的研究需要更加系统地引入经济指标和方法，以提高评估的准确性和全面性。此外，多学科合作和创新方法的应用，如反事实框架和机器学习技术，也将有助于更深入地理解健康不平等的形成机制，并设计更有效的干预措施。

在实际政策制定中，评估健康不平等的变化不仅是学术研究的需要，也是实现社会公平和健康目标的关键。通过引入经济指标和更系统的评估方法，政策制定者可以更好地理解干预措施的实际效果，并制定更加精准和有效的政策。同时，研究者也需要在方法论上进行创新，以应对复杂干预带来的挑战，并确保评估结果的科学性和可靠性。只有这样，才能真正实现健康公平的目标，并为全球健康政策提供有力的支持。