《Healthcare》：Exploring the Association Between Social Determinants of Health and Telehealth Utilization for Attention-Deficit/Hyperactivity Disorder Among Adults Using Machine Learning: A Cross-Sectional Study
编辑推荐：
背景：注意缺陷/多动障碍（ADHD）影响美国约6%的成人，并造成显著的经济负担。远程医疗已成为ADHD管理的重要工具，尤其为服务不足社区的人群提供了更好的就医机会。尽管其作用日益增强，但在理解健康社会决定因素（SDOH）如何与ADHD治疗的远程医疗利用差异相关
背景：注意缺陷/多动障碍（ADHD）影响美国约6%的成人，并造成显著的经济负担。远程医疗已成为ADHD管理的重要工具，尤其为服务不足社区的人群提供了更好的就医机会。尽管其作用日益增强，但在理解健康社会决定因素（SDOH）如何与ADHD治疗的远程医疗利用差异相关方面仍存在关键空白。目标与方法：本研究分析了美国国家卫生统计中心（NCHS）快速调查系统（RSS）第2轮（2023年10月至11月）ADHD数据，这是一项全国性成人调查。受访者被分为三组：从未诊断、既往诊断和当前诊断为ADHD。研究旨在：（1）比较不同ADHD状态组与普通成人人群之间的SDOH分布，以识别与ADHD诊断相关的因素；（2）评估ADHD组间SDOH分布的同质性；（3）评估当前诊断为ADHD的成人中远程医疗利用情况；（4）检查SDOH与ADHD治疗远程医疗使用之间的关系。多变量逻辑回归（MVLR）作为基准模型，而机器学习（ML）模型——包括正则化线性回归、支持向量机（SVM）、随机森林（RF）、LightGBM、多层感知器（MLP）和少样本学习（FSL）——被训练以识别关键预测因子。结果：共分析了7009份调查回复：124人既往诊断，444人当前诊断，其余从未诊断为ADHD，当前ADHD患病率为6.3%。当前ADHD成人更可能为男性、单身、年轻、白人、非房主，并且是网络健康资源的频繁使用者。他们还报告了较低的教育水平、收入和财务安全感。约70%的人使用远程医疗进行咨询和处方配药；保险覆盖了82.32%用户的远程医疗就诊，但38.76%的人报告ADHD相关诊断或治疗费用未被覆盖。四个领域的19个SDOH要素——人口统计学、社会经济、邻里/建成环境和医疗保健可及性——被识别为预测因子。ML模型优于MVLR，其中SVM和FSL的F1值最高（均为0.63），FSL的召回率最高（0.69）。年龄、种族、婚姻状况、支付医疗账单困难、房屋所有权、教育水平和家庭规模是最一致的重要变量。局限性：本研究受限于横断面设计、依赖自我报告的ADHD诊断以及缺乏遗传或家族史测量。此外，省略复杂抽样权重限制了这些发现的国家代表性。最后，较小的有效样本量存在模型过拟合风险，且由于缺乏可比的独立数据集，模型的外部泛化性无法验证。结论：尽管互联网普及广泛，但ADHD远程医疗使用的差异依然存在。在19个SDOH预测因子中，年龄（aOR = 0.56）、支付医疗账单困难（aOR = 2.52）和种族（aOR = 1.37）与远程医疗使用显著相关，且所有ML模型均优于MVLR基准，尽管bootstrap置信区间重叠。未来研究应纳入包容性数据收集和分层建模，以更好地代表弱势群体并为公平获取策略提供信息。
**论文解读文章**
**研究背景**
注意缺陷/多动障碍（Attention-Deficit/Hyperactivity Disorder, ADHD）影响全球约2-5%的成人，在美国约6%的成人受影响，是继焦虑和抑郁之后第三大常见心理健康问题。超过70%的ADHD成人伴有共病，如抑郁（55%）、焦虑（47%）、物质使用障碍（41%）和双相情感障碍（35%）。ADHD在美国每年造成约1228亿美元的经济负担，主要源于失业、生产力损失和医疗成本（2018年每位成人14,092美元）。治疗主要依赖药物（如兴奋剂）和认知行为疗法（Cognitive Behavioral Therapy, CBT）。远程医疗已成为ADHD管理的重要工具，尤其为服务不足社区（如种族/民族少数群体、低收入个体、Medicaid/Medicare受益者、慢性病患者和农村居民）提供了改善就医机会。然而，关于这些益处是否在实践中实现，证据仍然不一。健康社会决定因素（Social Determinants of Health, SDOH）——包括经济稳定性、教育可及性与质量、医疗保健可及性与质量、邻里与建成环境、社会与社区背景——通过复杂的生物、心理和社会途径与远程医疗使用和ADHD诊断密切相关。尽管认识到SDOH共同塑造健康寻求行为，但尚无研究联合检查这些领域作为当前ADHD成人远程医疗利用的预测因子，也未比较传统统计方法与机器学习（Machine Learning, ML）方法。因此，本研究旨在填补这一空白，通过分析NCHS Rapid Surveys System Round 2数据，探讨SDOH与ADHD远程医疗利用之间的关联。
**研究内容与结论**
研究人员利用美国国家卫生统计中心（National Center for Health Statistics, NCHS）快速调查系统（Rapid Surveys System, RSS）第2轮ADHD数据（2023年10月至11月），这是一项全国性成人调查（n=7009）。受访者被分为三组：从未诊断、既往诊断（缓解期）和当前诊断为ADHD。研究目标包括：（1）比较不同ADHD状态组与普通成人人群的SDOH分布；（2）评估组间SDOH同质性；（3）评估当前ADHD成人的远程医疗利用情况；（4）检查SDOH与远程医疗使用的关系。多变量逻辑回归（Multivariable Logistic Regression, MVLR）作为基准模型，同时训练了七种ML算法：Lasso/弹性网络（Elastic Net）、支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）、LightGBM、多层感知器（Multilayer Perceptron, MLP）和少样本学习（Few-Shot Learning, FSL）原型网络。研究识别出19个SDOH预测因子，涵盖四个领域：人口统计学、社会经济、邻里/建成环境和医疗保健可及性。主要发现包括：当前ADHD患病率为6.3%；当前ADHD成人更年轻、男性、白人、未婚、非房主，且教育水平、收入和财务安全感较低；约70%使用远程医疗进行咨询和配药，82.32%的远程医疗就诊由保险覆盖，但38.76%的人报告ADHD相关诊断或治疗费用未被覆盖；ML模型（尤其是SVM和FSL，F1=0.63）优于MVLR（F1=0.53）；年龄、种族、婚姻状况、支付医疗账单困难、房屋所有权、教育水平和家庭规模是最一致的强预测因子。该论文发表在《Healthcare》期刊。
**主要关键技术方法**
本研究使用NCHS RSS Round 2调查数据，样本来自美国成人（n=7009，当前ADHD亚组n=294用于建模）。主要方法包括：通过Pearson卡方检验比较三组SDOH分布；采用MVLR（基准模型）和七种ML算法（Lasso/弹性网络、SVM、RF、LightGBM、MLP、FSL原型网络）进行预测建模，以F1、召回率、准确率、ROC-AUC和Brier评分评估性能；变量重要性通过各算法原生指标（系数幅度、Gini重要性、分裂重要性、置换重要性）评估。模型采用训练/测试集（80/20）和十折交叉验证进行调优，并应用类权重平衡处理类别不平衡。
**研究结果**
**4.1 数据描述性分析**：参与者的SDOH特征显示，当前ADHD成人更年轻（25-44岁）、男性、白人，且社会经济指标更低（教育、收入、房屋所有权、保险覆盖），财务压力更大（支付医疗账单困难等）。互联网可及性超过98%，但当前ADHD组报告用于医患沟通的互联网使用率最高。
**4.2 卡方检验结果**：年龄、婚姻状况、社会经济因素（收入比、就业、房屋所有权、医疗账单困难等）以及医疗可及性变量（交通、常规护理场所）在“从未诊断-当前诊断”组间差异显著（p<0.001），而邻里水平因素（大都市状态、普查区域）无显著差异。
**4.3 ADHD相关远程医疗利用状态**：45.58%的当前ADHD成人曾使用远程医疗；70.50%用于咨询/治疗，68.34%用于配药；61.24%的ADHD诊断或治疗费用由保险支付，82.32%的远程医疗就诊由保险覆盖；67.24%计划未来三个月内再次使用远程医疗配药，75.21%计划再次咨询。
**4.4 多变量逻辑回归分析**：MVLR结果显示，年龄每增加一个单位，远程医疗使用几率降低（aOR=0.56, 95%CI [0.36, 0.87], p=0.011）；支付医疗账单困难与远程医疗使用几率增加相关（aOR=2.52, 95%CI [1.16, 5.52], p=0.020）；种族也与远程医疗使用显著相关（aOR=1.37, 95%CI [1.05, 1.79], p=0.021）。其他变量（婚姻状况、保险覆盖、房屋所有权）呈正相关但未达显著水平。
**4.5 ML模型性能**
**4.5.1 整体模型性能**：所有ML模型的F1值（0.56-0.63）均高于MVLR（0.53）；SVM和FSL的F1最高（均为0.63），FSL召回率最高（0.69），SVM准确率最高（0.66）。bootstrap 95%置信区间重叠，表明性能差异无统计学意义。校准曲线显示RF和LightGBM校准良好（Brier=0.235和0.242），而MLP系统性高估概率（Brier=0.394）。
**4.5.2 跨模型预测因子**：七个预测因子在≥6/8个模型中排名前十（中位数排名≤10）：年龄、种族、婚姻状况、支付医疗账单困难、房屋所有权、教育水平、家庭规模，被归类为“一致高排名”。健康保险覆盖和常规护理场所为“经常高排名”（4-5个模型）。其余预测因子为“模型依赖型”。
**讨论与结论**
讨论部分指出，研究结果与既往文献一致：当前ADHD成人更可能为男性、白人、未婚、社会经济地位较低，且面临财务压力。远程医疗使用的关键预测因子包括年龄、种族、财务困难、房屋所有权、教育水平和家庭规模，强调了可负担性、保险覆盖和家庭资源的重要性。尽管ML模型优于MVLR，但性能提升幅度有限（F1从0.53到0.63），主要价值在于识别可操作的SDOH相关因素，而非个体预测。例如，支付医疗账单困难者使用远程医疗的几率是其他人的2.52倍，而老年人使用几率降低一半。然而，这些发现需注意公平性：顶级预测因子（如种族、保险覆盖、房屋所有权）本身是结构性不平等的标志，模型可能再现现有差异。鉴于样本量有限（n=294），未进行亚组分层验证。未来研究应使用更大样本、纵向设计、公平性感知指标。
**结论翻译**：本研究提示，SDOH在ADHD成人远程医疗利用中发挥重要作用。在19个SDOH预测因子中，年龄（aOR = 0.56）、支付医疗账单困难（aOR = 2.52）和种族（aOR = 1.37）在MVLR中与远程医疗使用显著相关，并且这些变量——连同家庭规模和教育水平——在七种ML算法中均一致排名靠前。尽管所有ML模型在数值上获得了比MVLR更高的F1值，但bootstrap置信区间重叠，表明性能差异无统计学意义。据研究人员所知，这是首项利用全国性调查数据，通过多种ML方法专门检查美国ADHD成人中SDOH与远程医疗利用之间关系的研究。未来研究应采用纵向设计评估时间趋势，使用更大且更多样化的样本以提高模型稳定性，并采用公平性感知指标以确保预测模型不会再现现有差异。从政策角度，加强保险保护、提升健康素养和提供文化敏感护理可能有助于解决结构性障碍，促进不同人群在心理健康领域更公平地使用远程医疗。
