Уязвимость для групп риска выявлена в данных по гриппу в США

Новая система мониторинга вспышек гриппа в целом работает хорошо, но выявляет критическую нехватку данных для точного отслеживания заболеваемости в наиболее уязвимых сообществах. Сэмюэл В. Скарпино из Северо-Восточного университета в Бостоне и его коллеги из Техасского университета в Остине представили эти выводы в PLOS Computational Biology.

Люди с более низким социально-экономическим статусом имеют более высокий риск осложнений и госпитализации из-за гриппа, во многом из-за ограниченного доступа к медицинской помощи. Для улучшения мер общественного здравоохранения, направленных на устранение этого неравенства, необходима повышенная точность мониторинга и прогнозирования заболеваний.

Исследователи разработали новую систему мониторинга гриппа, которая объединяет традиционные данные амбулаторных клиник с данными электронных медицинских карт и интернет-поиска. Они использовали систему для прогнозирования уровня госпитализаций, связанных с гриппом, в метрополии Даллас-Форт-Уэрт в Техасе в период с 2007 по 2012 год и сравнили прогнозы с реальными показателями.

Новая система хорошо работала для групп с более высоким социально-экономическим статусом, но не смогла точно предсказать уровень госпитализаций для почтовых индексов с самым низким доходом в исследуемом районе. С учётом различий в численности населения и других ключевых факторов, жители этих районов имели в 2–3 раза более высокий уровень госпитализации из-за гриппа.

Расхождение в точности прогнозов, вероятно, связано со смещением или недостаточной выборкой данных, используемых для их формирования. Авторы предполагают, что неравенство, ограничивающее доступ к медицинской помощи, также увеличивает вероятность пробелов и смещений в данных.

"Понимание того, как и почему риск заболевания и нагрузка на здоровье различаются в зависимости от социально-экономического статуса, расы, этнической принадлежности, иммиграционного статуса и других факторов, необходимо для поддержания здорового и справедливого общества и экономики. В противном случае новые системы машинного обучения и работы с большими данными, вероятно, сохранят существующие предубеждения традиционных систем принятия решений", — говорит Скарпино.