定义公平性分层变量的方法：验证研究的系统综述

《Journal of Clinical Epidemiology》：Methods for Defining Equity-Stratifying Variables: A Systematic Review of Validation Studies

　　

摘要

引言

根据PROGRESS-Plus框架所定义的因素（如社会资本、种族/民族、职业等），社会弱势群体往往承受着更重的疾病负担。目前尚不清楚，利用行政健康数据、临床健康数据来识别这些变量时，相关病例定义的准确性和适用性如何。

研究目的

我们进行了系统性回顾，旨在探讨在基于行政健康数据、人口统计数据或电子健康记录的数据研究中，如何依据PROGRESS-Plus框架对用于区分不同公平状况的变量进行定义与验证。

研究方法

我们从这些数据库建立至今到2024年，分别在Medline、EMBASE、CINAHL、Web of Science和Google Scholar上搜索了利用行政健康数据集、健康登记系统或电子健康记录数据，针对成人群体中用于区分不同公平状况的变量所进行的验证研究。两名审稿人分别独立筛选文章的标题和摘要，再进一步筛选相关的全文文章，以判断其是否符合研究要求。我们从纳入的研究中提取并总结了所使用的数据来源、所采用的算法以及相关的性能指标。由于研究设计、用于定义此类变量的方式以及性能指标之间存在较大差异，因此无法进行元分析。

研究结果

在经过筛选的9099篇独特文献中，有188篇全文被查阅，其中116篇被纳入本次回顾。大多数研究发表于2019年至2024年间（共64篇，占比55%），且均为针对种族/民族定义的验证研究，这类研究多采用种族/民族代码或姓氏列表算法（共66篇，占比57%）。没有研究涉及宗教因素。就报告的性能指标来看，在敏感性、阳性预测值以及科恩卡帕系数这几个指标上，种族/民族/文化/语言类别的变量变化幅度最大。而针对职业的验证研究在敏感性和阳性预测值方面的变化幅度则最小。

结论

尽管有越来越多的研究报道了针对PROGRESS-Plus框架相关变量进行的验证情况，但不同研究中的性能指标差异很大。由于用于定义此类变量的方式以及验证方法存在显著差异，因此有必要在行政健康数据和临床健康数据中，对这些用于区分不同公平状况的变量进行更为严格的验证。

通俗版总结

那些面临经济困难、教育水平较低、遭受种族/民族歧视以及住房不稳定的人群，往往承受着更重的疾病负担。这些社会因素可被视为健康公平方面的影响因素，对于理解健康不平等问题具有重要意义。

健康研究人员通常会利用医院数据或电子健康记录等大型数据集来研究这些健康公平影响因素。然而，目前还不清楚这些数据源在捕捉人们社会状况信息方面的准确性如何，以及这些影响因素是如何被定义的。

在这项研究中，我们回顾了现有的相关研究，旨在了解在不同健康数据源中，健康公平影响因素是如何被定义的，以及它们在衡量健康公平状况和社会劣势方面的准确性如何。

在我们找到的9000多篇研究中，有116篇符合我们此次系统性回顾的标准而被纳入。其中大部分研究都集中在种族和民族的识别上，通常采用代码或基于姓氏的方法。我们发现，不同研究中使用这些方法的准确性差异很大，这意味着研究结果未必总是可靠或具有可比性。

总体而言，我们的研究结果表明，健康数据中社会因素的定义和测量方式存在不一致性。这就使得我们难以仅通过常规收集的健康数据来全面了解并解决健康不平等问题。我们需要开展更多工作，开发出质量更高、更具一致性的方法，以便更好地捕捉这些重要的社会因素。

Hana Osman|Taylor Hecker|Zarin Hossain|Henry Li|Adina Landsberg|Abigail Ackroyd|Pietro Ravani|Maoliosa Donald|Matthew T. James|Neesh I. Pannu|Paul E. Ronksley|Anita Dahiya|Meghan J. Elliott|Tyrone G. Harrison

加拿大卡尔加里市，卡尔加里大学医学系