《Frontiers in Public Health》:Digital access and structural indicators of social isolation among older adults in Rwanda: a nationally representative study
编辑推荐:
摘要翻译:
背景:社会隔离与社会联系的减少是老年人重要的公共卫生关切,并与不良健康结局相关。在中低收入国家(LMICs),数字扩展可能为社会联系提供新机会;然而,来自撒哈拉以南非洲的证据仍然有限。
方法:研究人员分析了卢旺达人口与健康调查(2019–2
摘要翻译:
背景:社会隔离与社会联系的减少是老年人重要的公共卫生关切,并与不良健康结局相关。在中低收入国家(LMICs),数字扩展可能为社会联系提供新机会;然而,来自撒哈拉以南非洲的证据仍然有限。
方法:研究人员分析了卢旺达人口与健康调查(2019–20)中具有全国代表性的数据,包括2,081名65岁及以上的成年人。独居被用作社会隔离的结构性指标和代理测量。采用加权描述性统计和多变量逻辑回归估计调整后的优势比(AOR)及其95%置信区间(CI)。机器学习模型(k最近邻和梯度提升)作为补充分析被应用,以评估预测性能并识别有影响力的预测因子。
结果:总体而言,9.7%的老年人独居,55.4%拥有手机。手机拥有与独居几率降低独立相关(AOR=0.13;95% CI: 0.08–0.22;p<0.001)。女性与独居几率升高相关(AOR=1.86;95% CI: 1.29–2.67),而较高的财富指数与较低的独居几率相关。机器学习模型显示出中等的判别能力(AUC 0.75–0.77),但由于结果不平衡,分类性能有限。在所有模型中,手机拥有一致地成为最有影响力的预测因子。
结论:在卢旺达老年人中,数字接入(以手机拥有为操作定义)与独居可能性降低密切相关。这些发现表明,在快速数字化的中低收入环境中,数字连接可能有助于社会融合的结构性维度。促进移动技术公平获取的政策可能支持老年人的社会联系和健康老龄化。
论文解读:
**研究背景与问题**
全球人口老龄化加速,中低收入国家(LMICs)老年人口增长最为迅速。撒哈拉以南非洲(包括卢旺达)正经历预期寿命延长以及深刻的社会、经济和技术变革。独居和社交联系减少被视为老年期重要的社会与健康相关问题。社会隔离与孤独在概念上不同,独居通常被用作结构性指标,而非社会隔离的全面测量。数字接入可能通过手机等信息通信技术促进老年人维持家庭联系、代际接触和参与社区网络,但撒哈拉以南非洲地区的相关证据仍然有限。卢旺达经历了显著的数字转型,移动连接扩大且国家推动数字包容,同时家庭结构变化可能影响传统家庭支持模式。因此,有必要利用全国代表性数据,检验家庭手机拥有与老年人独居(作为社会隔离的结构性指标)之间的关联。
**研究内容与结论**
研究人员使用2019–20年卢旺达人口与健康调查(RDHS)中2,081名≥65岁成年人的数据,将独居(基于家庭规模hv009=1)作为社会隔离的结构性代理指标,家庭手机拥有(hv243a)作为数字接入的主要指标。加权描述性统计和多变量逻辑回归估计了调整后优势比(AOR),并辅以k最近邻(KNN)和梯度提升(XGBoost)机器学习模型评估预测性能及预测因子重要性。结果显示,9.7%的老年人独居,55.4%拥有手机。手机拥有与独居几率显著降低独立相关(AOR=0.13;95%CI: 0.08–0.22;p<0.001),女性独居几率更高(AOR=1.86;95%CI: 1.29–2.67),较高财富指数与较低独居几率相关。机器学习模型显示中等的判别能力(AUC 0.75–0.77),受结果不平衡限制,分类性能有限;手机拥有一致为最重要预测因子。研究意义在于,数字连接可能有助于快速数字化中低收入环境中社会融合的结构性维度,促进公平的移动技术获取可能支持老年人社会联系和健康老龄化。
**关键技术方法**
研究基于具有全国代表性的2019–20年卢旺达人口与健康调查(RDHS)数据,该调查由国家统计局与卫生部和ICF International合作实施,采用分层两阶段整群抽样设计。核心方法包括:加权描述性统计、多变量逻辑回归(考虑DHS抽样权重、聚类和分层),以及补充性机器学习分析(KNN和XGBoost),其中XGBoost使用scale_pos_weight处理类别不平衡,以AUC和特征重要性评估模型。全部分析使用R 4.4.1完成。
**研究结果**
*3.1 一般特征*
共纳入2,081名≥65岁卢旺达成年人,加权平均年龄73.55岁,女性占60.3%。独居加权患病率为9.7%,55.4%报告家庭拥有手机。
*3.2 研究人群的描述性特征*
女性占60.3%,年龄集中于65–74岁(62.7%)。86.0%居住在农村,约一半处于最低两个财富五分位。55.4%拥有手机,44.6%无手机;9.7%独居,90.3%与他人同住。教育程度普遍较低,56.1%无正式教育。
*3.3 手机拥有与独居的双变量关联*
皮尔逊卡方检验显示显著关联(χ2=179.6, df=1, p<0.001)。无手机家庭中独居比例为19.4%,有手机家庭中仅1.8%。
*3.4 未调整逻辑回归分析*
未调整模型中,手机拥有者独居几率大幅降低(OR=0.08;95%CI: 0.05–0.12;p<0.001),相当于约92%的几率降低。
*3.5 多变量逻辑回归结果*
调整年龄、性别、财富指数、教育和居住地后,手机拥有仍与独居几率降低87%独立相关(AOR=0.13;95%CI: 0.08–0.22;p<0.001)。女性独居几率是男性的1.86倍(95%CI: 1.30–2.69),较高财富五分位与较低独居几率相关(每增加一个五分位,AOR=0.74;p=0.001)。年龄、教育水平和居住地未达统计显著(≥80岁组边缘显著,AOR=1.47;p=0.056)。
*3.6 机器学习结果*
*3.6.1 K最近邻(KNN)*
在70/30分层划分的训练/测试集上,评估k=1至31;k=31时测试集AUC最高(0.76)。最终模型准确率90.4%,特异性100%,但敏感性为0%,平衡准确率0.50,源于结果不平衡(约9.6%独居)。
*3.6.2 模型性能*
ROC曲线AUC为0.755,表明具备一定判别能力,但分类阈值下无法识别独居个体。
*3.6.3 最终KNN模型的分类性能*
混淆矩阵显示所有独居者均被误判为非独居,高整体准确率完全由多数类驱动。
*3.6.4 受试者工作特征(ROC)分析*
ROC曲线高于对角线,AUC=0.755,提示预测变量组合有一定区分信息。
*3.6.5 混淆矩阵与误差结构*
KNN模型对多数类偏向明显,零敏感性;原因在于距离算法在大k值下更倾向于多数类。
*3.6.6 预测空间结构*
主成分分析(PCA)显示独居与非独居者在二维特征空间高度重叠,无清晰聚类,解释了模型敏感性差的原因。
*3.6.7 梯度提升(XGBoost)*
XGBoost模型在测试集上AUC=0.77。在阈值0.30时,敏感性1.00,特异性0.00,平衡准确率0.50,整体准确率仅9.1%;AUC为主要性能指标。
*3.6.8 特征重要性*
基于增益的特征重要性,手机拥有贡献约49%的模型总增益,排名第一;财富指数其次,年龄第三,性别、教育和居住地贡献较小。
*3.7 逻辑回归与KNN结果的比较*
机器学习探索性结果与逻辑回归一致:手机拥有均是最重要预测因子;XGBoost(AUC=0.77)略高于KNN(AUC=0.76),但两者判别能力中等,分类性能有限,应视为互补性分析而非因果推断。
*3.8 实证发现总结*
多变量逻辑回归和探索性机器学习分析一致表明,手机拥有与卢旺达老年人独居几率降低相关;女性、较低社会经济地位与独居几率升高相关,教育水平和居住地关联较弱或不显著。
**讨论与结论**
讨论部分指出,该研究提供了数字接入与老年人独居(作为社会隔离结构性指标)关联的全国代表性证据,且强关联在调整多种混杂后仍存在。但横截面数据无法确立因果关系,可能存在反向关联和残余混杂;独居仅反映结构性维度,未涵盖主观孤独感。与既往研究比较,结果与高收入国家及南非、肯尼亚、加纳等研究发现一致,但效应量较强(AOR=0.13),可能反映卢旺达高移动渗透率和数字基础设施水平。性别差异(女性独居几率高)与女性长寿、丧偶和照护动态相关;财富梯度提示经济资源对社会网络和数字获取的重要性。政策方面,研究建议将老年人纳入智能卢旺达总体规划和数字健康战略,包括扩大可负担手机获取、开展年龄友好数字素养项目、设立社区电话接入点,并整合到社会保护和社区健康工作者计划中。局限包括:使用家庭手机拥有而非个人拥有、未测量数字素养和使用频率、机器学习采用单一划分而非重复验证、缺乏残疾、慢性病等潜在混杂。结论明确指出,家庭手机拥有与独居作为社会隔离的结构性指标相关,但数字接入不应被视为结构性社会隔离的独立解决方案,而应与减贫、收入保障、住房、医疗和社会保护等措施结合。未来需开展纵向和干预研究,以确定改善数字接入是否影响老年人居住安排、社会联系和健康老龄化结局。