编辑推荐：
为探究美国自杀率差异及健康社会决定因素（SDOH）的影响，研究人员运用无监督机器学习分析 2009 - 2019 年数据。研究识别出 3 种 SDOH 集群，发现不同集群与特定人群自杀率相关。这为制定精准自杀预防策略提供依据。
本研究聚焦美国各县自杀率的差异，以及健康社会决定因素（SDOH）特征的三类县级集群对其产生的影响。研究人员利用无监督机器学习方法，对 2009 年至 2019 年的数据展开分析。结果显示，以乡村和老年人口为特征的偏远地区自杀率最高。这一发现突出了通过针对性干预措施来解决自杀率差异问题的必要性。
研究旨在运用无监督机器学习对多维度健康社会决定因素（SDOH）的县级集群进行分类，并分析其与县级自杀率之间的关联，同时考虑时间、地理和人口因素的变化。研究人员分析了 2009 年、2014 年和 2019 年美国 3018 个县的汇总 SDOH 数据，这些数据与来自国家生命统计系统的县级自杀率相关联。研究识别出三种截然不同的 SDOH 集群：“偏远型（REMOTE）”（乡村、老年、边缘化环境、老旧住房、传统体系、空屋）、“应对型（COPE）”（复杂家庭动态、高医疗服务消耗、贫困、极端高温）和 “多元型（DIVERSE）”（人口密集、移民众多、环境问题突出、经济不平等、种族 / 民族多样化、医疗保健饱和、住房昂贵）。在识别出集群后，研究人员采用负二项回归方法来评估县级 SDOH 集群与自杀率之间的关联。与其他集群相比，“偏远型（REMOTE）” 集群与更高的总体自杀率相关，尤其在男性中更为明显；“应对型（COPE）” 集群中白人的自杀率较高；而 “多元型（DIVERSE）” 集群中女性以及黑人和西班牙裔人群的自杀率有所上升。美国各州自杀率的分布与各州内 SDOH 集群分布的差异相符。这些研究结果为设计更有效、基于数据驱动且针对特定区域和人口背景的自杀预防策略奠定了基础。
