《Health Science Reports》：Artificial Intelligence and Machine Learning for Identifying Social Determinants of Health in Low-Income Populations Within United States Health Systems: A Scoping Review
背景与目的：低收入美国人群承受着不成比例的不良社会条件暴露。本范围综述审视了美国卫生系统中用于识别经济困难、住房不稳定、食物不安全、邻里剥夺及其他健康社会决定因素（SDOH）的人工智能（AI）与机器学习（ML）方法，并描述了为此实施的干预措施。方法：遵循Arksey与O'Malley框架及PRISMA-ScR指南，检索了MEDLINE、CINAHL Plus with Full Text、PsycINFO和Academic Search Ultimate中2010年1月至2026年1月发表的同行评审研究。主要审阅者筛选了209篇独特记录，两名额外审阅者复核了筛选决定。分歧通过讨论及多数表决解决。17项研究符合纳入标准。结果：研究在学术医疗中心、整合型交付网络、安全网医院、退伍军人健康管理局（VHA）机构、专科诊所及医疗补助（Medicaid）管理环境中开展。方法包括预测性ML建模、自然语言处理（NLP）及无监督聚类，其中16项研究使用了电子健康记录（EHR）。仅有一项研究评估了结构化干预：一项针对门诊肿瘤患者中面临经济困难及未满足社会需求风险的主动财务援助计划。其余研究主要聚焦于风险识别或模型开发。外部验证不常见，且多项研究报告了不同社会经济或种族族裔群体间的性能差异。结论：AI与ML可能支持低收入人群的SDOH风险识别，但其可推广性、公平性及转化为有效干预措施的证据仍有限。未来研究应优先考虑外部验证、以公平为核心的评估，以及针对识别出的社会风险所触发的干预措施的严格测试。
1 引言
美国低收入人群中的健康差异反映了现代医疗系统长期存在的结构性缺陷。健康社会决定因素（SDOH）涵盖非医疗条件，包括出生、成长、工作及生活环境，是临床环境中经济弱势群体健康结局的主要驱动因素。全球数据领域日益塑造公共卫生策略，学者们应用数据公平视角来应对差异。美国退化的公共卫生数据基础设施使这些努力变得紧迫。
AI与ML技术识别并量化SDOH驱动的风险。大数据系统通过重塑医疗服务提供者对健康决定因素的理解及干预结构，影响人群健康结局。2017年后医学AI出版物快速增长，其研究产出追踪国家经济与创新能力，但高收入与低收入国家仍保留着对这些工具的不平等获取。技术能力的不均衡分布反映了现有的健康不平等，并为本综述带来了核心张力。
电子健康记录（EHR）为AI驱动的SDOH识别提供了基础数据基础设施。扩展的计算能力允许AI算法分析大规模患者人群。应用于链接EHR与人口普查数据的ML在检测复杂纵向社会决定因素方面优于传统统计方法。一项对9万份牙科记录的ML分析发现了传统方法常遗漏的社会决定因素与牙周病之间的显著关联。应用于全国健康调查的深度学习揭示了收入、教育与慢性病之间的反向关系，这些发现直接关联于安全网医疗系统中高血压和糖尿病发病率较高的低收入人群。
AI与大数据方法论远不止于EHR分析，直接延伸至与低收入健康相关的临床领域。将大数据分析与基因组测序及SDOH数据整合，可改善个性化癌症护理与患者安全。大型医疗系统应用预测性分析，利用社会经济因素识别高风险患者，主动式护理管理项目已将高风险参与者的可预防住院率降低27%。专为资源有限环境设计的AI筛查工具包括高精度检测肺部疾病的智能手机系统，为服务不足地区的健康公平提供了有意义的前景。
在低收入人群的临床环境中部署AI引发了重大的伦理与方法学关切。AI工具的使用意愿因人口统计学和社会经济地位而异，低收入人群接受这些技术的频率较低，这使公平实施变得复杂。ML模型还面临公平性挑战，因为设备类型和社会经济获取途径会在预测中引入偏差。专家已识别出阿片类药物使用障碍治疗中公平部署的八个挑战，包括算法透明度、临床验证以及低收入人群的数字排斥。
AI与大数据的伦理维度是健康公平工作的结构性特征。一项对243篇文章的范围综述发现，这些技术重塑了健康决定因素与政策。数字医疗的治理框架将大数据分析与价值导向护理原则相结合，以在健康危机期间保护低收入人群。负责任的数据使用原则，包括安全、透明、公平和问责，构成了跨学科AI合作的蓝图。
纳入社会经济变量的ML模型在预测风险方面持续优于传统临床标志物。基于行为与社会经济特征训练的深度学习模型在死亡率结局预测中展现出强性能。在大流行期间，整合社区流动性与人口普查数据的ML方法在预测疾病传播方面优于传统模型。社会决定因素发挥着关键预测信号而非背景上下文的作用，跨医院系统的联邦学习网络为大规模分析SDOH提供了基础设施。
整合AI与SDOH数据推进了价值导向的医疗保健。治理框架将大数据分析识别为改善资源受限环境下结局的必要条件。低收入初级保健环境中的研究证实，家庭收入和邻里位置各自独立地与疾病负担相关。耶鲁大学公共卫生学院呼吁建立连接SDOH与健康结局的大数据基础设施，同时使AI开发中的声音多样化。
尽管文献不断扩展，但显著空白依然存在。很少有范围综述系统地描述AI与ML如何识别美国医疗系统中低收入个体的SDOH风险，或审视针对已识别风险所实施的干预措施。现有研究常将方法论与SDOH内容分离，或忽视安全网环境中的经济脆弱性。本综述描绘了美国医院与临床护理环境中用于识别SDOH的AI方法及相关干预措施的证据版图。
2 方法
2.1 研究设计
本范围综述遵循Arksey与O'Malley方法学框架，并根据系统综述与荟萃分析优先报告条目扩展——范围综述（PRISMA-ScR）进行报告。选择范围综述方法而非系统综述方法，是因为目标是绘制AI与ML在低收入临床人群SDOH识别中应用的证据广度，而非综合效应估计或解决单一临床问题。范围综述允许更广泛的纳入标准，适应方法学异质性，并适用于领域新兴且文献边界尚未明确时。
2.2 研究问题
在医疗系统环境中接受护理的低收入个体中，美国医院、整合型交付网络及其他有组织的临床护理环境使用了哪些AI与ML方法识别SDOH风险？针对这些风险，实施了哪些干预措施（如有）？
2.3 注册
本范围综述在数据提取前于开放科学框架（OSF）注册中心进行了前瞻性注册。作者于2026年4月10日以开放注册类型提交了注册。该注册可通过OSF注册平台公开访问（注册DOI：10.17605/OSF.IO/GZ3Q8）。
2.4 纳入标准
纳入标准包括：（1）应用或评估了AI或ML方法；（2）以SDOH、社会风险因素或社会需求为主要或实质性焦点；（3）包含明确描述为低收入、经济弱势、医疗补助参保、生活贫困或具有社会经济剥夺特征的人群；（4）在美国医院、整合型交付网络或有组织的临床护理环境中进行；（5）2010年1月至2026年1月间以英文发表的同行评审文章。人群被视为低收入或经济弱势的标准包括：个人或家庭收入；收入相对于联邦贫困度量；医疗补助参保或其他经济资格指标；明确描述为低收入、贫困或经济弱势；或研究定义的社会经济或邻里剥夺度量。未施加单一收入阈值或统一联邦贫困水平百分比。医疗补助参保和区域层面剥夺度量被视为经济弱势的代理指标，而非个人家庭收入的等价度量。仅凭种族、族裔、临床环境和健康状况不足以指示低收入状态。排除标准包括：缺乏AI或ML方法；仅将SDOH作为背景上下文；研究一般人群而未进行低收入亚组分析；在国际环境、仅社区环境、公共卫生机构或医疗系统背景外的社会服务机构中进行；仅将SDOH变量作为协变量预测临床结局而非以SDOH识别为主要目的；或预印本版本已被纳入综述的已发表研究取代。
2.5 检索策略
所有数据库检索通过马萨诸塞大学洛厄尔分校图书馆机构订阅的EBSCO平台进行。检索了四个数据库：MEDLINE、CINAHL Plus with Full Text、PsycINFO和Academic Search Ultimate。检索限于2010年1月至2026年1月间的同行评审出版物，以覆盖AI与ML在医疗系统环境中作为活跃研究领域出现的时期。检索字符串为：（“artificial intelligence” OR “machine learning” OR “deep learning” OR “natural language processing” OR “predictive model*” OR “neural network*” OR “random forest” OR “algorithm*”）AND（“social determinants of health” OR “social determinant*” OR “SDOH” OR “social risk*” OR “social needs”）AND（“low income” OR “low-income” OR “poverty” OR “Medicaid” OR “economically disadvantaged” OR “socioeconomic*” OR “deprivation”）AND（“health system*” OR “hospital*” OR “integrated delivery” OR “electronic health record*” OR “EHR” OR “clinical setting*” OR “health care system*”）。检索限于四个EBSCO数据库以最大化跨标准化平台的可重复性与透明度。此方法可能遗漏了索引于IEEE Xplore、ACM Digital Library、Scopus和Embase等数据库的相关文献。灰色文献、会议论文及非英文出版物不在检索范围内。
2.6 记录检索与去重
去重前记录了每个数据库检索到的总记录数。使用Rayyan软件在标题和摘要筛选前移除重复记录。
2.7 筛选与选择
所有209篇独特记录由主要审阅者进行标题和摘要筛选，并由两名额外审阅者（均为医疗数据与分析专业人员）复核筛选决定。额外审阅者仅参与复核筛选决定，旨在减少单作者综述可能存在的选择偏倚。审阅者应用四个预设排除标准：（1）未应用AI或ML方法；（2）无实质性SDOH焦点；（3）人群未明确识别为低收入或医疗补助参保；（4）环境不在美国临床医疗系统内。不一致的筛选决定由三名审阅者讨论以达成共识；无法达成共识时，最终决定由多数表决确定。由于未进行完全独立的重复筛选且未单独保留审阅者层面决定，因此未计算机会校正的评定者间信度统计量。标题和摘要筛选后，排除170篇记录。主要排除原因为环境不在美国临床医疗系统内（n=66）、人群未明确识别为低收入或医疗补助参保（n=53）、未应用AI或ML（n=50）、无实质性SDOH焦点（n=1）。39篇记录进入全文评审。全文评估后，额外排除22项研究：未应用AI或ML方法（n=9）；SDOH仅作为协变量预测临床结局（n=5）；人群未识别为低收入或医疗补助参保（n=3）；重复发表或预印本已被纳入的已发表版本取代（n=3）；SDOH非主要焦点（n=1）；研究类型不符合（n=1）。17项研究符合所有纳入标准，纳入最终合成。
2.8 数据提取
使用标准化表单从每项纳入研究中提取数据，内容涵盖：作者及年份、标题、研究设计、人群与临床环境、应用的AI或ML方法、涉及的SDOH领域、主要发现及针对已识别SDOH风险实施的任何干预措施。数据提取由主要审阅者使用标准化表单完成。两名额外审阅者检查了提取的完整性与一致性，并通过讨论解决验证中发现的问题。额外审阅者未独立重复完整数据提取过程。
2.9 质量评估
使用混合方法评估工具（MMAT）和预测模型偏倚风险评估工具（PROBAST）进行质量评估。MMAT使用设计特定标准评估方法学质量。PROBAST从四个领域评估预测模型研究的偏倚风险：参与者、预测因子、结局和分析。每个领域内的信号问题用于判断偏倚风险为低、高或不明确。当所有适用领域均被评为低风险时，判定为总体低风险；至少一个领域被评为高风险时，判定为高风险；信息不足以判断时，判定为不明确。适用性关注点单独评估，考虑研究人群、预测因子和结局是否与本综述问题一致。例如，一项具有适当参与者选择且明确界定预测因子和结局的研究，若分析缺乏充分验证或存在显著模型过拟合风险，仍可能获得高总体偏倚风险评级。与范围综述方法一致，评估结果用于背景化证据，而非作为研究排除标准。
3 结果
3.1 纳入研究概述
17项研究最终符合纳入标准，发表于2018年至2025年间。研究人群范围从一项多站点横断面验证研究中的1550名患者到一项全国性预测建模研究中的1420万医疗补助受益人。环境包括学术医疗中心、整合型交付网络、安全网医院、退伍军人健康管理局（VHA）机构及多州医疗补助管理数据环境。所有17项研究均使用定量方法：10项应用预测性ML模型，5项应用NLP，2项使用无监督算法聚类。16项研究使用了EHR数据，这些数据常与医疗补助索赔、人口普查或美国社区调查邻里数据，或来自人类服务及刑事司法系统的跨部门行政记录相关联。
3.2 研究总结表
表3按作者和年份、标题、研究设计、人群与环境及主要发现总结了每项纳入研究。
3.3 AI与ML方法
预测性ML建模是最常见的方法，应用于10项研究。方法包括梯度提升、随机森林、集成模型、XGBoost及基于逻辑回归的ML管道（含公平性优化）。NLP应用于五项研究，用于从非结构化临床记录中提取SDOH信息，并比较NLP性能与结构化EHR数据。无监督聚类，包括层次聚类和基于轨迹的算法分组，识别了与SDOH暴露相关的患者亚表型。
3.4 涉及的SDOH领域
经济困难与贫困（n=9）是最常涉及的SDOH领域，其次是住房不稳定与驱逐（n=7）、食物不安全（n=5）以及社会服务或护理管理需求（n=5）。通过人口普查或区域剥夺指数索引的邻里层面社会经济剥夺出现在10项研究中。物质使用，包括阿片类药物过量风险与药物使用识别，是两项研究的主要焦点。交通障碍、社会隔离与就业不稳定在较小部分研究中涉及。
3.5 预测性能
在10项预测性ML研究中，AUROC范围从0.59到0.88。Patel等人报告了最高性能，AUROC为0.88，F1得分为0.69，针对1420万医疗补助受益人的九项质量度量差距，优于非预测性外展策略32.5个百分点。Holcomb等人报告了最低AUROC范围（0.59-0.68），其中复合任何HRSN结局在该研究中取得最高性能。Huang等人报告了C统计量为0.71，采用公平性优化的社会风险评分用于2型糖尿病。Choi等人报告了C统计量为0.70-0.73，用于医疗补助牙科急诊就诊预测。NLP模型展现出强性能：Yao等人报告驱逐状态预测的马修斯相关系数（MCC）为0.747；Sato等人实现了阳性预测值（PPV）54%，用于识别住院药物使用者，超过了诊断代码、生物标志物或处方药单独识别。
3.6 算法公平性与偏倚
多项研究记录了跨社会经济和种族亚组的模型性能差异。Juhn等人发现，哮喘预测模型在社会经济地位最低四分位儿童中表现显著更差，平衡错误率比（BER）为1.35，部分归因于较低SES患者中EHR数据缺失率更高（41% vs. 24%）。Gregory等人发现，即使使用XGBoost和78个特征，从结构化EHR数据衍生的可计算社会表型在非白人和西班牙裔患者中表现不佳。Huang等人应用了基于SHAP解释的公平性优化和算法去偏，显示公平性约束可以在不显著牺牲总体预测准确性的情况下减少差异性能。Grant等人报告其基于EHR的社会风险模型在种族和族裔亚组间无显著差异性能，这是少数报告有利公平度量的研究之一。
3.7 数据来源与整合
研究在数据源复杂性方面差异显著。大多数研究依赖EHR数据单独或EHR与人口普查或行政邻里数据链接。Lo-Ciganic等人实现了最复杂的数据整合，将医疗补助索赔与人类服务记录及刑事司法数据链接，以预测阿片类药物过量风险，并显示跨部门数据链接显著优于仅索赔数据的预测性能。Kasthurirathne等人用社区层面社会经济和公共卫生数据集增强了临床EHR数据，是SDOH增强模型改善社会服务转诊预测的最早展示之一。Rigdon等人用人口普查区划层面的美国社区调查邻里数据补充了EHR数据。Yao等人和Sato等人仅依赖临床记录文本，强调了非结构化文档中的信息密度。
3.8 针对已识别风险的干预措施
大多数纳入研究聚焦于风险识别而非干预。Philipp等人是唯一评估结构化响应以应对已识别SDOH风险的研究，描述了一项在国家癌症研究所（NCI）指定的综合癌症中心实施的主动式患者财务援助计划，该计划使用数据驱动筛查识别面临经济毒性和未满足HRSN风险的门诊肿瘤患者。该计划服务于以少数族裔和低收入为主的人群，95%参与者居住在高社会脆弱性指数（SVI）县。Patel等人显示ML引导的外展可改善医疗补助人群中的质量差距闭合效率，但该研究评估的是外展改善而非临床干预。没有纳入研究报告由ML或AI识别触发的SDOH响应型临床或社区干预的随机或准实验评估。
3.9 质量评估
表4呈现了17项纳入研究的PROBAST偏倚风险评级，表5呈现了MMAT质量评级。两项研究（Patel等人和Gregory等人）实现了低总体PROBAST偏倚风险。其余15项被评为高总体偏倚风险，主要由领域4（分析）驱动，反映了几乎普遍缺乏外部验证。领域1（参与者）和领域2（预测因子）在17项和16项研究中获得低偏倚评级，表明参与者选择和预测因子确定合理。领域3（结局）在六项研究中获得不明确或高偏倚评级，主要针对使用无监督聚类结局或社会服务转诊作为社会需求代理的研究。MMAT质量评级将九项研究分类为高质量，六项为中等偏高，两项为中等。无研究被评为低质量。
4 讨论
2018年至2025年间发表的17项研究应用了AI或ML方法，以识别美国医疗系统环境中低收入人群的SDOH风险。基于ML的预测性建模和NLP成为主导方法学方法，EHR数据在几乎所有研究中作为主要数据源。研究在包括食物不安全、住房不稳定、贫困和阿片类药物过量风险在内的SDOH领域展示了有意义的预测性能。尽管取得了进展，关键空白依然存在：外部验证不常见，仅两项研究实现了低总体PROBAST偏倚风险，影响低收入和种族少数群体的算法差异被反复记录，将ML识别的SDOH风险转化为结构化临床或社会干预仍基本未发展。
对EHR的持续依赖反映了医疗系统可用的基础设施以及将临床记录与预测模型整合的运营可行性。将EHR数据与人口普查衍生的邻里指标、医疗补助索赔或跨部门行政数据链接的研究实现了更强的预测性能，并捕捉了单独临床记录所遗漏的SDOH维度。Lo-Ciganic等人显示，将人类服务和刑事司法数据与医疗补助索赔整合显著改善阿片类药物过量风险预测。Kasthurirathne等人显示，社区层面SDOH数据为临床变量之外的社会服务转诊需求增加了预测价值。愿意投资于与公共部门和社会服务机构数据伙伴关系的医疗系统可以显著提升SDOH识别能力。
NLP作为SDOH识别的独特且富有成效的途径出现。非结构化临床记录包含结构化EHR字段无法捕获的详细社会历史、患者报告情况以及医疗服务提供者观察。Yao等人开发了一个驱逐检测模型，优于最先进的生物医学语言模型。Derton等人显示，非白人和低收入患者的记录在语言上与白人和私人保险患者不同，前者中住房和交通术语出现率更高。Sato等人发现，NLP识别了单独诊断代码系统性遗漏的药物使用者，少数族裔和较低脆弱性指数患者更可能仅出现在NLP识别的亚组中。NLP既提供了识别能力，也提供了结构化数据无法揭示的差异记录视角。
针对低收入和种族少数群体的算法偏倚是一个反复出现的发现，代表了该领域最重大挑战之一。Juhn等人将较低SES儿童中ML性能更差直接归因于EHR数据不完整：当训练数据系统性低估低收入患者的社会环境时，模型在其目标人群中表现不佳。Gregory等人强化了这一关切，发现即使使用复杂ML方法，可计算社会表型在非白人和西班牙裔患者中表现不佳。Huang等人显示，公平性约束的模型优化可以减少差异性能，Grant等人报告其社会风险模型具有公平的跨群体性能，表明通过审慎方法学关注可以实现算法公平性。部署SDOH预测模型的医疗系统应在临床实施前进行按种族、族裔和收入水平分层的前瞻性公平审计。
该文献中的一个显著空白是几乎完全缺乏干预评估。Philipp等人是唯一描述了通过数据驱动方法识别SDOH风险后结构化的程序化响应的研究。基于ML的风险识别创造了针对干预的技术先决条件，但仅识别并不能减少社会需求。预测与行动之间的差距反映了精准医学和人群健康管理中的更广泛挑战，即识别谁处于风险的能力超过了提供有效响应的能力。未来研究必须优先考虑对使用ML识别SDOH风险作为触发因素（如护理导航、社区资源链接或社会服务转诊）的干预措施进行严格评估，如可行则采用随机或准实验设计。
仅进行内部验证的单站点研究构成了该证据基础的结构性局限。15项研究被评高总体PROBAST偏倚风险，主要原因是缺乏外部验证，这限制了报告性能度量的可推广性。基于单一医疗系统EHR数据训练的ML模型反映了该机构的文档实践、患者构成和运营环境，当模型应用于新环境时性能常下降。两项实现低PROBAST偏倚风险的研究（Patel等人和Gregory等人）均整合了多站点或全国数据，并应用了外部验证程序。多站点联盟方法和预注册的外部验证研究应成为该领域的标准预期。
研究在某些SDOH领域的集中反映了临床相关性和数据可用性。经济困难、住房不稳定和食物不安全是医疗系统环境中筛查最频繁的SDOH，对应结构化EHR筛查工具（如PRAPARE和AHC-HRSN）中最常捕获的领域。就业、儿童保育、家庭暴力和公民参与在AI与ML文献中仍代表性不足，很可能是因为它们在临床记录中记录得不一致。拓展结构化筛查和非结构化临床文档中的SDOH捕获将扩大基于AI识别所能实现的领域覆盖。
5 局限性
本综述存在若干局限性。检索限于通过EBSCO平台可获得的四个数据库，未包括IEEE Xplore、ACM Digital Library、Scopus或Embase，这些数据库索引了大量计算机科学和健康信息学文献。灰色文献、会议论文和非英文出版物被排除，可能遗漏了相关研究。纳入标准要求明确识别低收入、医疗补助参保或经济弱势人群，可能排除了在一般临床人群中应用AI但未发布低收入亚组分析的研究。作为范围综述，未进行正式定量合成或荟萃分析，且纳入研究的方法、人群和结局异质性阻碍了合并效应估计。质量评估未用作排除标准，意味着方法学较弱的研究与较强的研究一同纳入。最后，医疗保健领域AI的快速发展意味着2026年1月后发表的研究未被本综述捕获。
6 结论
AI与ML方法展现出识别美国医疗系统内低收入人群SDOH风险的有意义能力，其中预测性ML建模和NLP提供了最强且最一致的证据。EHR数据（经人口普查链接的邻里指标或跨部门行政记录增强）支持跨多个领域的有效SDOH识别。针对低收入和种族少数子群体的算法偏倚是一个有记录且后果严重的问题，需要以公平为中心的模型开发和前瞻性公平审计。外部验证、干预评估和程序化实施仍显著不发达。解决这些空白需要投资于多站点数据基础设施、严格的验证协议，以及将ML识别的SDOH风险与最需要人群的护理和社会结局可测量改善联系起来的研究设计。
