Identifying Communities at Risk for Poor Health using Multidimensional vs. Unidimensional Neighborhood Disadvantage Indices

技术摘要：利用多维与单维邻里劣势指数识别健康风险社区

问题陈述
邻里劣势是公认的健康状况不佳的决定因素，通常通过汇总多个经济、社会和住房变量的综合指数来衡量。广泛使用的指数，如区域剥夺指数（ADI）、社会脆弱性指数（SVI）和社会匮乏指数（SDI），通常包含 7 到 29 个变量，以创建一个多维度的劣势度量。然而，是否有必要包含如此众多的变量尚未得到严格的质疑。此外，现有指数往往将“劣势”（disadvantage）与“富裕”（affluence）的概念混为一谈，这可能掩盖了资源匮乏与资源丰富对健康产生的不同影响。本研究调查了更具简约性的单维方法（专注于针对劣势的贫困/收入，或针对富裕的高收入/教育）是否比传统的多维指数在识别健康风险社区方面具有更高的精准度。

研究方法
这项全国性的横断面研究分析了 2022 年数据的 83,522 个美国人口普查区。研究人员比较了三个特定的邻里指数，这些指数均源自国家邻里数据档案库（NaNDA），基于美国社区调查（2018-2022）的五年估算值：

1. 多维劣势指数： 一个涵盖经济（贫困率、公共援助、低收入）、社会（失业率、受教育程度、单亲家庭）和住房（非业主居住）领域的七个变量的平均值。
2. 单维劣势指数： 三个严格属于经济领域的变量的平均值（贫困率、公共援助/食品券以及低于 40,000 美元的低收入）。
3. 单维富裕指数： 三个捕捉高社会经济资源的变量的平均值（学士学位或以上、专业/管理类就业以及高于 125,000 美元的高收入）。

邻里健康状况通过 2022 年 CDC PLACES 数据库获取，该数据库提供了肥胖症、糖尿病和冠心病患病率的模型化估算值。分析过程包括：

• 将所有指数分为五分位数。
• 构建列联表以检查各指数在分类上的对应关系。
• 计算交叉分类单元内的疾病患病率。
• 使用带有 logit 连接函数和 beta 分布的广义线性混合模型（GLMM）进行回归，对人口密度进行调整，并包含美国州的随机效应。

主要结果
研究发现，指数的选择会显著改变对高风险和低风险社区的识别：

• 梯度差异： 虽然所有指数都显示出随着劣势增加疾病患病率上升的梯度，但最不利与最有利五分位数之间的差异幅度有所不同。单维劣势指数和反向评分的富裕指数显示出更大的疾病患病率差距（例如，冠心病在不同五分位数之间的差异为 2.2–2.9%），而多维指数的差异仅为 1.0%。
• 分类错配： 多维指数经常在识别健康状况方面出现分类错误。
  • 它将约 18% 的人口普查区分类为“最劣势”（Q5），但根据单维指数，这些区域实际上属于较低劣势水平（Q1–Q4）；这些区域的冠心病患病率显著较低（5.7% 对比 7.9%）。
  • 相反，它将一些在单维指数中属于更劣势（Q2–Q5）的区域分类为“最有利”（Q1）；这些区域的疾病患病率较高（范围在 7.4% 至 9.1% 之间）。
• 回归发现： 广义线性混合模型显示，多维指数倾向于低估最劣势地区的疾病负担，并高估最有利地区的疾病负担。相比之下，单维劣势指数和富裕指数提供了更清晰的区分，当使用富裕指数衡量时，最有利的地区显示出最低的疾病患病率。

核心贡献

• 实证比较： 本研究提供了多维与简约单维指数在预测邻里层面慢性病患病率方面的直接、全国性比较。
• 概念区分： 研究强调了将“劣势”与“富裕”分开处理的重要性，而非将其视为同一个连续谱的两端，并证明单维富裕指数在识别低风险区域方面可能更为精准。
• “噪声”证据： 研究结果表明，在综合指数中加入社会和住房变量可能会引入噪声，从而削弱指数区分健康与不健康邻里的能力。

意义与主张
作者认为，在基于区域的劣势指数中包含多个社会、教育、住房和交通项目可能会损害其在人口健康方面的表现。他们声称，使用具有更简约项目的单维富裕或劣势指数，在识别面临健康风险的社区方面具有更高的精准度。

研究指出，依赖多维指数（如 CMS 项目中使用的社区匮乏指数）的现行公共卫生政策存在误导资源分配的风险。具体而言，使用多维指数可能会导致资源被错误地从约 4,000 个人口普查区（约 1,600 万人）转移走——这些区域实际上是高风险区，但被多维指标归类为低风险；或者将资源导向约 6,000 个人口普查区（约 2,400 万人）——这些区域被归类为高风险，但实际疾病患病率较低。作者主张转向更简单、更聚焦的指数，以改善医疗资源的投放目标。