COVID-19死亡率社会人口学风险的预测性空间建模

《BMC Public Health》：Predictive spatial modeling of sociodemographic risk for COVID-19 mortality

　　摘要背景 2020年初，新型冠状病毒肺炎（COVID-19）在美国迅速蔓延，并呈现出显著的地域差异。尽管已有数项研究探讨了不同因素对COVID-19的预测关系，但鲜有研究关注在精细化地理尺度上COVID-19死亡率的时空变化。 方法 本分析旨在考察社会经济、健康、人口统计及政治因素对COVID-19死亡率的时空变化影响。我们采用应用于卫生与公共服务（HHS）区域的多变量回归方法，并结合全国县级地理加权随机森林（GWRF）模型展开分析。研究覆盖美国三个不同时间段的病毒变体传播数据：疫情爆发至2021年5月、2021年5月至2021年11月、2021年12月至2022年4月。此外，通过局部与全局Moran's I统计量检验空间自相关性。 结果 三个时间窗口内所有区域的多变量回归结果表明，现有灾害应对社会脆弱性指数（SVI）能够有效预测更高的COVID-19死亡率。相比之下，GWRF模型提供了特征重要性和预测结果的空间显式评估，揭示了局部预测模式与特征重要性规律（如肥胖），而这些特征在区域回归模型中并不显著。空间自相关性分析显示存在正空间聚集效应，表现为从自由党辖区的聚集性低死亡率（冷点）向保守党辖区的聚集性高死亡率（热点）过渡。 结论 GWRF结果显示，相较于可能无法捕捉边境地区特征聚集的区域建模方法，更精细的建模策略有助于识别空间差异。空间显式建模方法（如GWRF）为评估与COVID-19死亡率相关的社会人口因素提供了更为稳健的特征重要性分析。