Large-scale assessment of socioeconomic, demographic and health system structures with US county excess mortality, 2020-2024
تكشف هذه الدراسة البيئية واسعة النطاق التي شملت 2,745 مقاطعة أمريكية أن الهياكل والتركيبات السكانية والاجتماعية والاقتصادية، وليس موارد النظام الصحي، كانت المحركات الرئيسية للوفيات الزائدة خلال سنوات الجائحة 2020-2021، مع تضاؤل هذه الارتباطات بشكل ملحوظ في السنوات اللاحقة.
المؤلفون الأصليون:Levitt, M., Marten, B., Oren, G., Ioannidis, J.
عندما تضرب الجائحة، فإنها لا تقع بقوة متساوية على كل المجتمعات. فبعض الأحياء تعاني من خسائر فادحة، بينما تشهد أحياء أخرى، غالباً على بعد أميال قليلة فقط، وفيات أقل بكثير. هذا النمط غير المتكافئ ليس عشوائياً؛ بل هو نتيجة لظروف عميقة وموجودة مسبقاً تشكل كيفية عيش الناس وعملهم ووصولهم إلى الرعاية. يطلق العلماء على هذه الظروف اسم المحددات الاجتماعية للصحة. وهي تشمل عوامل مثل مقدار المال الذي تكسبه الأسرة، وما إذا كان الشخص حاصلاً على درجة جامعية، وما إذا كان لديه تأمين صحي، وجودة السكن الذي يشغله. لسنوات، عرف الباحثون أن هذه العوامل مهمة، لكنهم عادة ما كانوا ينظرون إلى عدد قليل منها في كل مرة، محاولين تخمين أي عنصر واحد هو الأكثر أهمية. وظل السؤال قائماً: إذا استطعنا النظر إلى كل شيء في آن واحد، فماذا ستكشف الصورة الكاملة عن سبب معاناة بعض الأماكن أكثر من غيرها خلال الأزمة؟
لقد شرع فريق من الباحثين في الإجابة على ذلك من خلال فحص المشهد بأكمله للمقاطعات الأمريكية. لم يختاروا حفنة من المشتبه بهم للتحقيق معهم؛ بل جمعوا قائمة ضخمة تضم ما يقرب من ثلاثة آلاف حقيقة مختلفة عن كل مقاطعة في الولايات المتحدة. تراوحت هذه الحقائق من عدد الأطباء وأسرة المستشفيات إلى نسبة السكان العاطلين عن العمل، وحصة السكان الذين يعيشون في فقر، والتركيبة العرقية للمجتمع. ثم قارنوا هذه الحقائق بعدد الوفيات الزائدة في كل مقاطعة من عام 2020 حتى عام 2024. والوفيات الزائدة هي مقياس محدد يحصي عدد الأشخاص الذين ماتوا أكثر مما كان متوقعاً بناءً على تاريخ المقاطعة نفسه قبل الجائحة. ومن خلال إجراء هذه المقارنات، استطاع الباحثون رؤية أي خصائص المقاطعات كانت مرتبطة ارتباطاً وثيقاً بطفرة الوفيات.
رسمت النتائج صورة واضحة ومتسقة. فقد وُجدت أقوى الروابط مع معدلات الوفيات المرتفعة في النسيج الاجتماعي والاقتصادي للمجتمع، وليس في البنية التحتية الطبية. فالمقاطعات التي تعاني من معدلات أعلى من الفقر، ومستويات أقل من التعليم، والمزيد من الأشخاص الذين لا يملكون تأميناً صحياً، شهدت وفيات زائدة أعلى بشكل ملحوظ. في الواقع، وجد الباحثون أن حصة الأشخاص الذين يعيشون في فقر كانت أقوى مؤشر منفرد، تليها عن كثب نسبة البالغين الحاصلين على درجة جامعية وحصة الأسر ذات الدخل المرتفع. ومع ذلك، فإن أقوى متغير منفرد، رغم ذلك، شارك في أقل من 42% من التباين عبر المقاطعات في الوفيات الزائدة، مما يعني أنه لا يوجد متغير واحد قريب من أن يكون حتمياً. في المقابل، أظهر توفر الموارد الطبية، مثل عدد الأطباء لكل شخص أو عدد أسرة المستشفيات، روابط ضعيفة جداً مع عدد الوفيات. وقد أشارت البيانات إلى أن وجود المزيد من الأطباء أو أسرة المستشفيات لم يحمِ المجتمع بفعالية كما فعل وجود سكان مستقرين مادياً ومتعلمين.
كان هذا النمط أكثر حدة خلال العامين الأولين من الجائحة، 2020 و2021، عندما لم تكن اللقاحات متاحة بعد وكان الفيروس أكثر فتكاً. خلال هذه الفترة، كانت الفجوة بين المقاطعات الأكثر حرماناً والمقاطعات الأكثر حظاً صارخة. قام الباحثون بإنشاء درجة واحدة تجمع أقوى العوامل الاجتماعية لتصنيف المقاطعات حسب مستوى امتيازها. ففي الخُمس الأكثر حرماناً من السكان، كانت الوفيات الزائدة أعلى بمقدار مرتين مقارنة بالخُمس الأكثر حظاً (0.274 مقابل 0.136). ومع انتقال الجائحة إلى عامي 2022 و2023 و2024، انخفض العدد الإجمالي للوفيات الزائدة، وضعفت الصلة بهذه العوامل الاجتماعية، وإن لم تختفِ تماماً. كما تحقق الباحثون من عملهم من خلال النظر إلى البيانات بطرق مختلفة، باستخدام سنوات مختلفة للمعلومات الخلفية وطرق إحصائية مختلفة، وظلت النتيجة الرئيسية كما هي: البيئة الاجتماعية كانت المحرك المهيمن على حصيلة الوفيات.
لقد كان الباحثون حذرين في ملاحظة أن دراستهم نظرت في مجموعات من الناس، وليس أفراداً، لذا لا يمكنها إثبات أن شخصاً معيناً مات لأنه فقير أو يفتقر إلى التأمين. ومع ذلك، فإن الحجم الهائل لمجموعة البيانات واتساق النتائج يشيران إلى واقع قوي. وتوحي النتياج بأن قدرة النظام الصحي على إنقاذ الأرواح مقيدة بشدة بالظروف التي يعيش فيها الناس. فلا يمكن للمستشفى أن يعوض بسهولة مخاطر الفقر، أو نقص التعليم، أو ضغوط عدم الاستقرار المالي. تشير الدراسة إلى أنه لفهم ومنع الأزمات الصحية المستقبلية حقاً، يجب علينا النظر إلى ما وراء جدران المستشفيات ومعالجة عدم المساواة الاقتصادية والاجتماعية الأساسية التي تترك بعض المجتمعات أكثر عرضة للخطر. تُظهر البيانات أن الطريقة الأكثر فعالية لحماية السكان قد لا تكون ببناء المزيد من الأسرة، بل برفع شأن المجتمعات التي تُرِكت خلف الركب.
بيان المشكلة كشفت جائحة كوفيد-19 عن تباين جغرافي كبير في معدلات الوفيات عبر المقاطعات الأمريكية، حيث تشير الأدبيات الحالية بشكل متكرر إلى أن الفقر، والعرق، ونقص التأمين، وضعف الوصول إلى الرعاية الصحية هي عوامل مرتبطة بالنتائج السلبية. ومع ذلك، كانت التحليلات السابقة مجزأة، حيث ركزت عادةً على عدد قليل من المتنبئات فقط. ويثير هذا التجزؤ مخاوف من أن الاستنتاجات قد تعتمد على خيارات تحليلية محددة بدلاً من الأنماط الجوهرية القوية. علاوة على ذلك، هناك حاجة لدراسة التعرضات الوبائية بشكل شامل على نطاق واسع، وتوسيع نموذج "الأوميكس" (omics) ليشمل المحددات الاجتماعية والبيئية والهيكلية، مع اختبار قوة النتائج في الوقت ذاته مقابل مختلف فترات البيانات، ومخططات الأوزان، ومقاييس الارتباط.
المنهجية أجرى المؤلفون تقييماً إيكولوجياً واسع النطاق لـ 2,745 متغيراً على مستوى المقاطعة مقابل الوفيات الزائدة المرجحة بالسكان والموحدة حسب العمر في المقاطعات الأمريكية من عام 2020 إلى 2024.
مصادر البيانات: استُمدت متغيرات المتنبئات من ملف موارد الصحة في المنطقة (AHRF)، باستخدام أعمدة البيانات الخام بدلاً من المؤشرات المركبة الجاهزة. وكانت النتيجة هي نسبة الوفيات الزائدة لكل سنة، والتي حُسبت بمقارنة الوفيات المرصودة بالوفيات المتوقعة المستمدة من معدلات الوفيات الخاصة بكل مقاطعة حسب العمر للفترة 2017-2019. تم استرداد بيانات الوفيات من (CDC WONDER) باستخدام طريقة الاستعلام المكمل لتجاوز قواعد الحجب للأعداد الصغيرة (1-9 وفيات).
معالجة المتغيرات: طبقت الدراسة قاعدة "الاحتفاظ بأحدث سنة"، حيث اختارت أحدث قيمة ما قبل الجائحة (متوسط عام 2018) لكل متغير. تم تطبيع المتغيرات لكل فرد وإعادة قياسها. كما تم ملء قيم المتغيرات المفقودة بمتوسط المقاطعة.
التجميع (Clustering): تم تنظيف أسماء المتغيرات وتضمينها باستخدام نموذج (MPNet sentence-transformer). وتم تجميع هذه التضمينات باستخدام التجميع الهرمي التجميعي (Ward's agglomerative clustering)، مما نتج عنه 120 عنقوداً دلالياً، والتي تم تجميعها لاحقاً في 11 "عنقوداً فائقاً" (مثل: اجتماعي واقتصادي، ديموغرافي، نظام صحي).
التحليل الإحصائي: تم حساب معاملات ارتباط بيرسون الموزونة (CC) بين كل متغير ونتيجة الوفيات الزائدة لكل سنة (2020-2024). وصُنفت الارتباطات كضعيفة (∣CC∣≤0.30)، أو متوسطة (0.30<∣CC∣≤0.45)، أو قوية (∣CC∣>0.45).
اختبارات المتانة: أجرت الدراسة تحليلات حساسية مكثفة، شملت:
استخدام فترات زمنية مختلفة للمتغيرات (بيانات حتى 2015 مقابل 2023-2024).
تغيير أوزان السكان (غير موزونة، الجذر التربيعي، قوة 0.75، إجمالي السكان).
مقارنة معامل ارتباط بيرسون مقابل معامل سبيرمان.
اختبار التبديل (10,000 عملية تبديل) لإنشاء توزيع صفري تجريبي والتحكم في اكتشافات الخطأ الزائفة.
النتائج الرئيسية
انتشار الارتباطات: بشكل عام، بلغت 24.1% من المتغيرات الـ 2,745 مستوى ارتباط متوسط على الأقل (∣CC∣>0.30) في سنة واحدة على الأقل، ووصلت 7.4% (202 متغير) إلى ارتباط قوي (∣CC∣>0.45).
الديناميكيات الزمنية: كان تركيز الارتباطات الهامة في أقصى درجاته في عام 2020 (11.4%) وعام 2021 (14.8%). وتضاءلت هذه الإشارة بشكل كبير في السنوات اللاحقة (3.3% في 2022، و1.3% في 2023، و4.1% في 2024)، لا سيما في الفئة العمرية دون 65 عاماً.
العوامل المهيمنة: لوحظت أقوى الارتباطات للمتغيرات الاجتماعية والاقتصادية والديموغرافية. وكانت أعلى ثلاثة متغيرات هي: حصة الفقر (+0.64 في 2021)، والتحصيل الجامعي ($-0.62في2021)،والدخلالمرتفع(-0.61في2021).ومنبين656متغيراًسجلت|CC| > 0.30$، ينتمي الغالبية العظمى منها إلى العناقيد الفائقة الاجتماعية والاقتصادية والديموغرافية.
عوامل النظام الصحي: في المقابل، بلغت نسبة متغيرات النظام الصحي التي وصلت إلى عتبة الارتباط المتوسط 10.4% فقط (مقارنة بـ 42% للمتغيرات الاجتماعية والاقتصادية/الديموغرافية). ووصل متغيران فقط من متغيرات النظام الصحي إلى ارتباط قوي (∣CC∣>0.45): وهما "عدد العاملين من سن 16 عاماً فما فوق" ($-0.50)و"الطبيباتغيرالعاملات"(-0.46$).
الأنماط الجغرافية: أظهر "مؤشر الامتياز" الذي تم بناؤه من 200 متغير اجتماعي واقتصادي وديموغرافي حققت ∣CC∣>0.45 تدرجاً رتيباً: حيث سجلت المقاطعات الأكثر حرماناً نسبة وفيات زائدة قدرها 0.274 في 2020-2021، مقارنة بـ 0.136 في المقاطعات الأكثر امتيازاً. واستمر هذا التدرج في 2022-2024، وإن كان بحجم أقل.
المتانة: كانت النتائج النوعية قوية للغاية. فقد ظلت المتغيرات المرتبطة الرئيسية (الفقر، التأمين، التعليم) ثابتة عبر مختلف فترات البيانات، ومخططات الأوزان، وطرق الارتباط (بيرسون مقابل سبيرمان). وبينما تغير حجم الارتباطات مع الوزن المعطى للمقاطعات الكبيرة، ظل ترتيب المتغيرات الرائدة والتباين بين العوامل الاجتماعية والاقتصادية وعوامل النظام الصحي مستقراً.
الأهمية والادعاءات تدعي الورقة أنها تقدم "رؤية شاملة من منظور عين الطائر" للمتغيرات المرتبطة بالوفيات الزائدة، من خلال تجاوز اختيار عدد قليل من المتنبئات المحددة إلى فحص مجموعة شاملة من ما يقرب من 3,000 متغير.
التدرج الاجتماعي والاقتصادي: تخلص الدراسة إلى أن البنية الاجتماعية والاقتصادية والديموغرافية للمقاطعة ترتبط بالوفيات الزائدة بقوة أكبر من عرض أو قدرة النظام الصحي الأساسي. ويشير المؤلفون إلى أن الحرمان الاجتماعي والاقتصادي يعمل في جذور أعمق مما يمكن معالجته من خلال التدخلات التقليدية على مستوى المستشفيات.
الخصوصية الزمنية: كان الارتباط القوي بين العوامل الاجتماعية والاقتصادية والوفيات الزائدة أكثر بروزاً خلال المرحلة المبكرة من الجائحة (2020-2021)، قبل انتشار اللقاحات وظهور متحورات أقل فتكاً.
الطبيعة الإيكولوجية: يحذر المؤلفون صراحةً من الاستدلال السببي أو الاستدلالات على المستوى الفردي بسبب الطبيعة الإيكولوجية للبيانات (المغالطة الإيكولوجية). وهم يصيغون نتائجهم كفرضيات مستمدة من بيانات إيكولوجية بدلاً من كونها أدلة نهائية على آليات الخطر الفردية.
الفائدة: يقترح المؤلفون أن هذه الأنماط مفيدة للتخطيط للاستعداد، مشيرين إلى أن ترتيب المقاطعات بناءً على عدد الأسرة في المستشفيات أو إمدادات الأطباء لا يحدد بفعالية ترتيب المخاطر؛ وبدلاً من ذلك، توفر التدرجات الاجتماعية والاقتصادية مؤشراً أفضل لخطر الوفاة الزائدة. ويقترحون أن مثل هذه الدراسات واسعة النطاق لـ "المعرض الخارجي" (external exposome) يمكن أن توجه التحقيقات المستهدفة والمحددة في بنية المخاطر للنتائج الصحية الكبرى.