
-
生物通官微
陪你抓住生命科技
跳动的脉搏
美国各县的健康社会决定因素与芬太尼过量死亡情况:基于XGBoost和SHAP分析识别隐性风险县及治疗匮乏地区
《Substance Use & Misuse》:Social Determinants of Health and Fentanyl Overdose Mortality Across US Counties: An XGBoost and SHAP Analysis Identifying Silent Risk Counties and Treatment Deserts
【字体: 大 中 小 】 时间:2026年07月11日 来源:Substance Use & Misuse 1.7
编辑推荐:
摘要背景在美国,芬太尼过量死亡病例仍在不断增加。尽管这一危机日益严重,但我们仍不完全清楚是哪些县级的社会和结构性因素导致了更高的过量死亡率。健康的社会决定因素,包括残疾状况、治疗可及性以及行为健康问题,或许有助于在死亡情况变得严重之前识别出那些易受影响的县区。此前尚无研究利用可解
在美国,芬太尼过量死亡病例仍在不断增加。尽管这一危机日益严重,但我们仍不完全清楚是哪些县级的社会和结构性因素导致了更高的过量死亡率。健康的社会决定因素,包括残疾状况、治疗可及性以及行为健康问题,或许有助于在死亡情况变得严重之前识别出那些易受影响的县区。此前尚无研究利用可解释的机器学习技术及SHAP归因方法,基于2022年CDC WONDER数据来分析治疗可及性的差距以及那些潜在风险较高的县区。
我们整合了975个有过量死亡数据的美国县区的四类政府数据,其中包括CDC WONDER(2022年)的过量死亡数据、CDC社会脆弱性指数、CDC PLACES健康行为数据,以及用于了解医疗资源状况的区域健康资源文件。我们采用了XGBoost机器学习模型,通过各县的标准化死亡比率来预测过量死亡风险。研究过程中采用了五折交叉验证法来检测模型准确性,同时借助SHAP值来确定哪些因素会提升或降低风险。
在预测过量死亡风险方面,XGBoost模型的表现优于其他所有测试过的模型。它的预测结果与实际排名吻合度较高(斯皮尔曼相关系数为0.67),能够解释约46%的死亡率差异(R2 = 0.457),预测误差处于中等水平(平均绝对误差为0.409),并且能够正确识别出约71%的高风险县区。其中最重要的预测因素包括残疾率、高血压、吸烟习惯以及缺乏交通工具。那些缺乏治疗资源的县区,其过量死亡率要高得多(高出52.6%,标准化死亡比分别为1.786和1.170)。K均值分析发现了143个存在高风险但尚未出现大量死亡病例的潜在风险县区。从地理分布来看,过量死亡事件呈现聚集趋势(莫兰指数为0.5053,p值小于0.001),其中共有75个高风险区域和136个低风险区域。在2022年CDC WONDER所涵盖的县区中,有58.2%属于此类县区,其中大部分位于农村地区(占比72%),且多为缺乏治疗资源的地区(占比65%)。
县级的健康社会决定因素有助于预测过量死亡情况,尤其是残疾程度、治疗可及性以及行为健康问题带来的负担。识别出那些死亡风险最高的县区,能够帮助政策制定者和医疗系统在过量死亡人数上升之前有针对性地分配预防资源。针对阿片类药物使用障碍的治疗服务扩展工作,应重点向那些缺乏治疗资源的县区提供流动诊所服务以及基于远程医疗的丁丙诺啡治疗服务。对于那些潜在风险较高的县区,可提前投入资金用于推广纳洛酮、开展康复支持项目,同时加强成瘾治疗领域的专业人才队伍建设。