COVID-19后谁变得财务脆弱？基于MEPS数据的人群级机器学习分析
这项研究利用2019年和2021年的医疗支出小组调查（MEPS）数据，评估了COVID-19大流行前后美国医疗财务脆弱性的变化。财务脆弱性定义为家庭自付医疗支出超过家庭收入的10%。研究发现，贫困状况、保险覆盖和处方药支出是财务脆弱性的主要预测因素，且不同人群之间的差异持续存在。尽管大流行后脆弱性有所增加，但基于大流行前数据训练的模型在预测大流行后情况时性能下降幅度很小，表明主要预测因素相对稳定。
一项发表在arXiv预印本平台上的新研究，由Alexey Kresin等人完成，利用美国医疗支出小组调查（MEPS）数据，分析了COVID-19大流行前后人群医疗财务脆弱性的变化。该研究尚未经过同行评审，但提供了重要的初步发现。
研究团队将“高财务负担”定义为家庭自付医疗支出超过家庭收入的10%，并使用2019年（大流行前）和2021年（大流行后）的MEPS数据进行比较。为了获得具有全国代表性的估计，他们采用了调查加权子组分析，涵盖不同人口和社会经济群体。此外，研究人员还结合了可解释的逻辑回归模型和机器学习模型（随机森林和梯度提升）来评估预测性能，并检验了时间泛化能力——即基于大流行前数据训练的模型是否仍能有效预测大流行后的情况。
分析结果显示，财务脆弱性与贫困状况、保险覆盖和处方药支出密切相关。子组分析表明，不同人群之间存在持续差异，特别是弱势群体在2021年的财务负担有所增加。然而，尽管存在这些差异，基于大流行前数据训练的模型在大流行后数据上的预测性能仅出现轻微下降，这表明医疗财务脆弱性的主要预测因素在时间上相对稳定。
这些发现不仅提供了COVID-19期间医疗财务脆弱性的人群级评估，还展示了将可解释统计建模与机器学习相结合在人群健康研究中的价值。研究结果可能支持未来的人群健康监测、风险分层以及旨在减少医疗财务障碍的医疗政策研究。对于AI和医疗政策领域的研究者而言，这项工作强调了在动态环境中利用历史数据训练模型的有效性，并为针对性干预措施提供了科学依据。