《Nature Communications》：Decoding health disparities by gender, ethnicity and chronic diseases across three Latin American countries
编辑推荐：
本研究旨在解码巴西、墨西哥和厄瓜多尔三国中，慢性疾病负担如何因性别和族裔而异的社会决定因素。研究人员利用随机森林模型，分析全国健康调查数据，发现教育、职业和基本服务获取对不同群体的疾病预测效力存在显著差异，凸显了制定针对性公共政策的必要性。
慢性疾病，例如心血管疾病、糖尿病等，已成为全球主要的健康威胁。然而，疾病负担并非均匀分布。在某些地区，特定群体承受着不成比例的冲击。在拉丁美洲，不同性别、不同族裔群体间的健康状况存在显著差异，但驱动这些健康不平等现象背后的深层社会原因——即那些超越个人行为的社会、经济和环境因素——尚未被完全阐明。理解这些“社会决定因素”是制定有效、公平的公共卫生策略的关键。为了填补这一知识空白，一组研究人员将目光投向了巴西、墨西哥和厄瓜多尔这三个具有多元人口构成的拉美国家，试图解码横跨性别与族裔的健康鸿沟，其研究成果已发表于《自然-通讯》（Nature Communications）期刊。
为了开展这项研究，研究团队整合了2018-2019年间巴西、墨西哥和厄瓜多尔的全国代表性健康调查数据，加权后代表的总成年人口超过9670万。在方法上，他们主要运用了机器学习中的随机森林模型，这是一种基于决策树集成的强大预测算法。该模型的核心任务是预测个体的慢性疾病诊断，而输入的特征（预测变量）则聚焦于关键的社会决定因素，主要包括教育水平、职业状况，以及获取基本服务的水平，例如改善的卫生设施、安全饮用水和垃圾收集服务。通过训练模型并评估其预测性能，研究人员能够量化不同社会因素对疾病预测的重要性，并分析这种重要性在不同群体间的差异。
模型预测性能的群体差异
研究发现，随机森林模型在预测不同族裔群体的慢性疾病时，表现存在差异。模型对于原住民和非裔后裔群体的预测性能更好。这一结果本身即指向了深刻的不平等：它表明对于这些边缘化群体而言，其所经历的社会经济条件与慢性疾病状态之间存在着更为紧密且可预测的联系，这凸显了其健康结果受到社会结构性因素的强烈制约。
决定因素重要性的性别分化
通过一种称为“中和”的分析技术（即有意移除某个变量的预测信息以观察模型性能下降程度），研究揭示了社会决定因素重要性在性别间的显著分化。对于女性而言，教育和职业都是强有力的预测因子。当中和掉教育信息时，模型预测性能下降了7.36%；当中和掉职业信息时，性能下降更甚，达到8.57%。这表明，女性的健康状况与她们的教育成就和职业地位高度相关。相比之下，对于男性，职业是至关重要乃至支配性的变量。当中和掉职业信息时，模型性能急剧下降了19.6%，其影响远超其他因素。这提示男性的健康在社会层面更多与其职业角色和经济参与度绑定。
基本服务获取的普遍重要性
尽管存在上述差异，研究也发现了一个跨群体的共同关键因素：获取基本服务。无论在哪个国家或族裔群体中，能否获得改善的卫生设施、安全饮用水和定期的垃圾收集服务，始终是预测慢性疾病状态的核心社会决定因素。这突出了基础设施和基本生活条件作为健康基石的根本性作用。
这项研究系统地揭示，在拉丁美洲的巴西、墨西哥和厄瓜多尔，慢性疾病的分布并非偶然，而是深植根于由性别和族裔交织而成的结构性不平等之中。研究结论明确指出，教育和职业是影响女性健康的关键社会通道，而职业状况对男性健康有着决定性影响。同时，原住民和非裔后裔群体健康与恶劣社会条件的强关联性，以及基本服务获取的普遍重要性，共同勾勒出一幅清晰的图景：健康差异是由社会系统塑造的。因此，旨在减轻慢性疾病负担的公共卫生政策绝不能是“一刀切”的。该研究强调，必须采取针对性干预措施，这些措施需要敏锐地识别并回应不同性别和族裔群体的特定脆弱性及其背后的社会决定因素，例如通过提升教育质量、改善工作条件、以及确保所有人（特别是边缘化社区）都能公平地获得清洁水和卫生设施等基本服务，才能真正有效地促进健康公平。
