当社会因素被包括在内时，机器学习就会得到改善

心血管病疟疾造成了全世界近三分之一的死亡，对社会经济地位较低群体的影响尤为严重。心血管疾病和死亡人数的增加部分归因于影响饮食和锻炼的社会和环境条件——也被称为健康的社会决定因素。

“心血管疾病正在增加，特别是在中低收入国家和美国等地方的有色人种社区，”纽约大学坦顿工程学院计算机科学与工程副教授、纽约大学全球公共卫生学院生物统计学副教授、该研究的资深作者鲁米·丘娜拉说。“因为这些变化发生在如此短的时间内，众所周知，我们不断变化的社会和环境因素，如加工食品的增加，推动了这种变化，而基因因素会在更长的时间内发生变化。”

机器学习正在快速发展心血管研究和护理，以预测疾病的风险，发病率和结果。统计方法已经成为评估心血管疾病风险和美国预防指南的核心。开发预测模型通过量化病人的风险和指导药物处方或其他预防措施，为卫生专业人员提供可采取行动的信息。

心血管疾病风险通常使用临床信息计算，例如血压和胆固醇水平，但很少考虑社会决定因素，如社区水平的因素。Chunara和她的同事们试图更好地了解社会和环境因素是如何开始被整合到用于心血管疾病的机器学习算法中——考虑哪些因素，如何分析它们，以及哪些方法改进这些模型。

研究人员分析了关于机器学习和心血管疾病风险的现有研究，筛选了1600多篇文章，最终聚焦于1995年至2020年期间发表在期刊上的48项同行评审研究。

他们发现，在机器学习模型中加入健康的社会决定因素，提高了预测再住院、心力衰竭和中风等心血管结果的能力。然而，这些模型通常不包括对心血管疾病风险很重要的社区水平或环境变量的完整列表。一些研究确实考虑了其他因素，如收入、婚姻状况、社会隔离、污染和健康保险，但只有五项研究考虑了环境因素，如社区的步行性和食品杂货店等资源的可获得性。

研究人员还指出，这些研究缺乏地域多样性，因为大多数研究使用的数据来自美国、欧洲国家和中国，忽视了世界上许多心血管疾病发病率增加的地区。

Chunara说:“如果你只在美国或欧洲这样的地方做研究，你就会错过不同环境中与心血管风险相关的社会决定因素和其他环境因素是如何相互作用的，而产生的知识将是有限的。”

纽约大学全球公共卫生学院生物统计学助理教授、该研究的作者斯蒂芬妮·库克(Stephanie Cook)说:“我们的研究表明，在心血管疾病统计风险预测模型中，还有更系统、更全面地纳入健康的社会决定因素的空间。”“近年来，越来越重视收集有关健康的社会决定因素的数据，如就业、教育、粮食和社会支持在电子健康记录中，这为在机器学习研究中使用这些变量创造了机会，并进一步提高了风险预测的表现，特别是对弱势群体。”

Chunara补充说:“将健康的社会决定因素纳入机器学习模型可以帮助我们弄清差异的根源，并让我们注意到我们应该在风险结构中的哪些地方进行干预。”“例如，它可以通过帮助卫生专业人员确定需要转介到社区资源(如住房服务)的病人来改善临床实践，并广泛加强个人健康和我们的环境资源之间复杂的协同作用。”

这篇文章发表在美国预防医学杂志．