COVID-19後に財務的に脆弱になったのは誰か？MEPSデータを用いた人口レベルの機械学習分析
この研究は、2019年と2021年の医療支出パネル調査（MEPS）データを用いて、COVID-19パンデミック前後の医療費に関する財務的脆弱性を調査した。高負担は、自己負担医療費が世帯収入の10%を超える場合と定義された。貧困状態、保険加入状況、処方薬支出が脆弱性と強く関連していることがわかった。パンデミック前に訓練されたモデルは、パンデミック後のデータに適用しても性能低下がわずかであり、主要な予測因子が比較的安定していることを示した。
arXivプレプリントサーバーに発表された新しい研究（Alexey Kresinら）は、米国の医療費に関する財務的脆弱性がCOVID-19パンデミック前後でどのように変化したかを、医療支出パネル調査（MEPS）データを用いて分析した。この研究はまだ査読を経ていないが、重要な予備的知見を提供している。
研究チームは、「高負担」を自己負担医療費が世帯収入の10%を超える場合と定義し、2019年（パンデミック前）と2021年（パンデミック後）のMEPSデータを比較した。全国的に代表性のある推定値を得るために、調査加重サブグループ分析を実施し、さまざまな人口統計学的・社会経済的グループを対象とした。さらに、解釈可能なロジスティック回帰モデルと機械学習モデル（ランダムフォレストおよび勾配ブースティング）を用いて予測性能を評価し、時間的一般化（パンデミック前に訓練されたモデルがパンデミック後の観測にも適用可能かどうか）を検証した。
分析の結果、財務的脆弱性は貧困状態、保険加入状況、処方薬支出と強く関連していた。サブグループ分析では、人口集団間で持続的な格差が見られ、特に脆弱な集団では2021年に負担が増加した兆候が認められた。しかし、これらの差異にもかかわらず、パンデミック前に訓練されたモデルはパンデミック後のデータで評価しても予測性能の低下がわずかであり、医療費の財務的脆弱性の主な予測因子が時間的に比較的安定していることが示唆された。
これらの知見は、COVID-19期間中の医療費の財務的脆弱性に関する人口レベルの評価を提供するとともに、解釈可能な統計モデリングと機械学習を組み合わせることの有用性を示している。研究結果は、将来の人口健康監視、リスク層別化、および医療への財務的障壁を減らすための医療政策研究に役立つ可能性がある。AIおよび医療政策の研究者にとって、この研究は動的な環境において過去のデータで訓練されたモデルの有効性を強調し、的を絞った介入の科学的根拠を提供するものである。