COVID-19後誰變得財務脆弱？基於MEPS數據的人羣級機器學習分析
這項研究利用2019年和2021年的醫療支出小組調查（MEPS）數據，評估了COVID-19大流行前後美國醫療財務脆弱性的變化。財務脆弱性定義為家庭自付醫療支出超過家庭收入的10%。研究發現，貧困狀況、保險覆蓋和處方藥支出是財務脆弱性的主要預測因素，且不同人羣之間的差異持續存在。儘管大流行後脆弱性有所增加，但基於大流行前數據訓練的模型在預測大流行後情況時性能下降幅度很小，表明主要預測因素相對穩定。
一項發表在arXiv預印本平台上的新研究，由Alexey Kresin等人完成，利用美國醫療支出小組調查（MEPS）數據，分析了COVID-19大流行前後人羣醫療財務脆弱性的變化。該研究尚未經過同行評審，但提供了重要的初步發現。
研究團隊將“高財務負擔”定義為家庭自付醫療支出超過家庭收入的10%，並使用2019年（大流行前）和2021年（大流行後）的MEPS數據進行比較。為了獲得具有全國代表性的估計，他們採用了調查加權子組分析，涵蓋不同人口和社會經濟羣體。此外，研究人員還結合了可解釋的邏輯迴歸模型和機器學習模型（隨機森林和梯度提升）來評估預測性能，並檢驗了時間泛化能力——即基於大流行前數據訓練的模型是否仍能有效預測大流行後的情況。
分析結果顯示，財務脆弱性與貧困狀況、保險覆蓋和處方藥支出密切相關。子組分析表明，不同人羣之間存在持續差異，特別是弱勢羣體在2021年的財務負擔有所增加。然而，儘管存在這些差異，基於大流行前數據訓練的模型在大流行後數據上的預測性能僅出現輕微下降，這表明醫療財務脆弱性的主要預測因素在時間上相對穩定。
這些發現不僅提供了COVID-19期間醫療財務脆弱性的人羣級評估，還展示了將可解釋統計建模與機器學習相結合在人羣健康研究中的價值。研究結果可能支持未來的人羣健康監測、風險分層以及旨在減少醫療財務障礙的醫療政策研究。對於AI和醫療政策領域的研究者而言，這項工作強調了在動態環境中利用歷史數據訓練模型的有效性，併為針對性干預措施提供了科學依據。