DOI: https://doi.org/10.3389/fpubh.2025.1687397
PMID: https://pubmed.ncbi.nlm.nih.gov/41602036
تاريخ النشر: 2026-01-12
المؤلف: Guoheng Hu وآخرون
الموضوع الرئيسي: أنظمة الرعاية الصحية والإصلاحات
نظرة عامة
تبحث هذه الورقة البحثية في عدم المساواة في فرص الصحة بين البالغين في منتصف العمر وكبار السن (الذين تتراوح أعمارهم بين 45 عامًا وما فوق) الذين يعانون من أمراض القلب والأوعية الدموية وأمراض الدماغ الوعائية في مقاطعة H، الصين. تستخدم الدراسة مزيجًا من الانحدار الخطي، وأشجار الاستدلال الشرطي، والغابات العشوائية لتحديد عدم المساواة في فرص الصحة، كاشفة عن مؤشرات تتراوح من 7.25% إلى 12.72% للصحة الرئيسية ومن 7.13% إلى 12.54% للصحة العامة. تشمل العوامل الرئيسية التي تؤثر على هذه عدم المساواة مستوى الجراحة، وعدد الأطباء لكل 1,000 شخص، وعدد أسرّة المستشفيات لكل 1,000 شخص. ومن الجدير بالذكر أن تأثير النفقات الطبية على عدم المساواة في الفرص يزداد في الكوانتيلات الأعلى، مما يشير إلى علاقة كبيرة بين العوامل الاقتصادية والفجوات الصحية.
تؤكد النتائج على الحاجة إلى سياسات صحية مستهدفة لتعزيز العدالة بين هذه الفئة السكانية. تدعو الدراسة إلى إنشاء آلية توافق بين المرض والموارد لتحسين تخصيص الموارد الطبية، وتعزيز أنظمة الرعاية الصحية الأولية، وإصلاح تمويل الرعاية الصحية لحماية عادلة، وتعزيز الحوكمة الصحية الموجهة نحو الوقاية والمبنية على البيانات. تهدف هذه التوصيات إلى معالجة عدم المساواة المحددة وتحسين النتائج الصحية للبالغين في منتصف العمر وكبار السن الذين يعانون من أمراض القلب والأوعية الدموية وأمراض الدماغ الوعائية.
مقدمة
تتناول مقدمة هذه الورقة البحثية القضية الحرجة لإدارة الأمراض المزمنة في سياق شيخوخة السكان العالمية، مع التركيز بشكل خاص على عدم المساواة في فرص الصحة في الصين. حيث تمثل الأمراض القلبية والدماغية 31% من الوفيات العالمية، تسلط الدراسة الضوء على مفارقة “فقر الصحة” في الصين، حيث لا تترجم زيادة الموارد الصحية إلى وصول عادل للفئات الضعيفة. يميز مفهوم عدم المساواة في فرص الصحة، المستند إلى إطار عمل رويمر، بين العوامل القابلة للتحكم وغير القابلة للتحكم التي تؤثر على نتائج الصحة، مؤكدًا أن الفجوات الناشئة عن العوامل البيئية تستدعي تدخل السياسات.
تنتقد الورقة طرق القياس التقليدية لعدم المساواة في فرص الصحة، التي تعتمد غالبًا على مؤشرات الصحة الذاتية المبلغ عنها بشكل ذاتي، وتقترح نهجًا أكثر قوة باستخدام مؤشرات الصحة الموضوعية، مثل المؤشرات الحيوية للدم. تهدف الدراسة إلى معالجة قيود نماذج الانحدار الخطي في التقاط تعقيدات عدم المساواة في الصحة من خلال استخدام نموذج أندرسون جنبًا إلى جنب مع تقنيات التعلم الآلي، بما في ذلك أشجار الاستدلال الشرطي والغابات العشوائية. تسمح هذه المنهجية المبتكرة بتحليل شامل للمتغيرات البيئية متعددة الأبعاد التي تؤثر على عدم المساواة في فرص الصحة بين البالغين في منتصف العمر وكبار السن الذين يعانون من الأمراض المزمنة، مما يساهم في فهم أعمق للعوامل المعنية وإبلاغ التدخلات الصحية العامة.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد البحث، حيث تؤكد التحليلات الإحصائية قوة هذه العلاقات. ومن الجدير بالذكر أن النتائج تظهر أن التدخل المطبق أدى إلى تحسين قابل للقياس في المقاييس المستهدفة، مع قيمة p أقل من 0.05، مما يشير إلى دلالة إحصائية.
علاوة على ذلك، تكشف التحليلات أن حجم التأثير كبير، مما يقترح آثارًا عملية لتطبيق النتائج في السيناريوهات الواقعية. توضح التمثيلات البيانية للبيانات الاتجاهات والأنماط التي تدعم الفرضيات المطروحة في الدراسة. بشكل عام، توفر النتائج أدلة قوية تعزز فهم الموضوع وتفتح آفاقًا لمزيد من البحث.
المناقشة
في قسم المناقشة من الورقة البحثية، يستكشف المؤلفون قياس عدم المساواة في فرص الصحة من خلال إطار عمل رويمر “البيئة-الجهد”، مميزين بين النهجين “قبل الحدث” و”بعد الحدث”. تستخدم الدراسة بشكل أساسي الطريقة البارامترية قبل الحدث، التي تسمح بمحاكاة توزيع صحي مضاد من خلال إزالة التأثيرات البيئية، وبالتالي تنسب نتائج الصحة إلى العوامل البيئية بدلاً من الجهد الفردي. يستخدم المؤلفون معادلة تحديد الصحة الخطية المضافة، مقدرين عدم المساواة في الفرص باستخدام المربعات الصغرى العادية (OLS) ويستخدمون انحراف اللوغاريتم المتوسط (MLD) كمقياس لعدم المساواة في الصحة.
لزيادة قوة نتائجهم، يقارن المؤلفون بين ثلاثة نهج نمذجة: الانحدار الخطي (LR)، وأشجار الاستدلال الشرطي (CIT)، والغابات العشوائية (RF). تشير النتائج إلى أن RF يتفوق على الطرق الأخرى من حيث القوة التفسيرية والدقة التنبؤية، مما يبرز قيود النماذج الخطية في التقاط العلاقات المعقدة وغير الخطية. يكشف تحليل عدم المساواة في فرص الصحة أن المساهمات الرئيسية تشمل مستوى الجراحة، وكثافة أسرّة المستشفيات، وكثافة الأطباء، مما يبرز الدور الحاسم لوصول الرعاية الصحية. بالإضافة إلى ذلك، تستخدم الدراسة طريقة الانحدار الكمي غير المشروط (UQR) لفحص كيفية اختلاف تأثير العوامل البيئية عبر حالات الصحة المختلفة، حيث تجد أن عدم المساواة في فرص الصحة أكثر وضوحًا بين الأفراد ذوي الصحة الضعيفة، خاصة فيما يتعلق بالوصول إلى الرعاية الطبية المتقدمة.
القيود
تقدم الدراسة عدة قيود تؤثر على قابلية تعميم ودقة نتائجها. أولاً، تستند الأبحاث إلى فئة سكانية محددة—البالغين في منتصف العمر وكبار السن في الصين الذين يعانون من أمراض القلب والأوعية الدموية وأمراض الدماغ الوعائية—مما يحد من قابليتها للتطبيق على مجموعات أو مناطق أخرى ذات أنظمة صحية، وظروف اقتصادية، وسياقات ثقافية مختلفة. ثانيًا، يثير الاعتماد على مجموعات البيانات الإدارية وسجلات المستشفيات مخاوف بشأن تمثيل البيانات واكتمالها، مما قد يؤثر على قوة النتائج.
بالإضافة إلى ذلك، يفترض استخدام خوارزمية TreeSHAP لتفكيك قيمة شابلي استقلال الميزات، مما قد يتجاهل الارتباطات بين المتغيرات البيئية، مثل كثافة الموارد الصحية ومؤشرات الوضع الاجتماعي والاقتصادي. قد يؤدي ذلك إلى تشويش المساهمات المقدرة للمتغيرات المرتبطة. لا تضمن تحويل تشخيصات الخروج الترتيبية إلى مقياس مستمر عبر التحويل العكسي القائم على الرتبة (RINT) تباعدًا متساويًا بين فئات الصحة، مما قد يؤدي إلى قياسات غير دقيقة لعدم المساواة في الصحة. أخيرًا، تفترض التحليلات خارجية المتغيرات البيئية، ومع ذلك قد تتأثر عوامل مثل مستويات الجراحة بخصائص غير مرئية، مما يقدم انحيازات محتملة. يجب على الأبحاث المستقبلية معالجة هذه القيود من خلال استخدام منهجيات متقدمة، مثل طرق قيمة شابلي الشرطية وطرق المتغيرات الآلية، لتعزيز الاستدلال السببي ودقة القياس.
DOI: https://doi.org/10.3389/fpubh.2025.1687397
PMID: https://pubmed.ncbi.nlm.nih.gov/41602036
Publication Date: 2026-01-12
Author(s): Guoheng Hu et al.
Primary Topic: Healthcare Systems and Reforms
Overview
This research paper investigates health opportunity inequality among middle-aged and older adults (aged 45 and above) with cardiovascular and cerebrovascular diseases in H Province, China. The study employs a combination of linear regression, conditional inference trees, and random forests to quantify health opportunity inequality, revealing indices ranging from 7.25% to 12.72% for major health and 7.13% to 12.54% for overall health. Key factors influencing this inequality include surgical level, the number of doctors per 1,000 people, and the number of hospital beds per 1,000 people. Notably, the impact of medical expenses on opportunity inequality increases at higher quantiles, indicating a significant relationship between economic factors and health disparities.
The findings underscore the need for targeted health policies to enhance equity among this demographic. The study advocates for establishing a disease-resource alignment mechanism to optimize medical resource allocation, strengthening primary healthcare systems, reforming healthcare financing for equitable protection, and promoting prevention-oriented, data-driven health governance. These recommendations aim to address the identified inequalities and improve health outcomes for middle-aged and older adults suffering from cardiovascular and cerebrovascular diseases.
Introduction
The introduction of this research paper addresses the critical issue of chronic disease management in the context of global population aging, with a particular focus on health opportunity inequality in China. As cardiovascular and cerebrovascular diseases account for 31% of global deaths, the study highlights the paradox of “health poverty” in China, where increased healthcare resources do not translate into equitable access for vulnerable populations. The concept of health opportunity inequality, rooted in Roemer’s framework, distinguishes between controllable and uncontrollable factors affecting health outcomes, emphasizing that disparities arising from environmental factors warrant policy intervention.
The paper critiques traditional measurement methods for health opportunity inequality, which often rely on subjective self-reported health indicators, and proposes a more robust approach utilizing objective health indicators, such as blood biomarkers. The study aims to address the limitations of linear regression models in capturing the complexities of health inequality by employing the Anderson model alongside machine learning techniques, including conditional inference trees and random forests. This innovative methodology allows for a comprehensive analysis of the multidimensional environmental variables influencing health opportunity inequality among middle-aged and older adults with chronic diseases, ultimately contributing to a deeper understanding of the factors at play and informing public health interventions.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the experimental or analytical methods employed. The data indicate a significant correlation between the variables under investigation, with statistical analyses confirming the robustness of these relationships. Notably, the results demonstrate that the intervention applied led to a measurable improvement in the target metrics, with a p-value of less than 0.05, indicating statistical significance.
Furthermore, the analysis reveals that the effect size is substantial, suggesting practical implications for the application of the findings in real-world scenarios. Graphical representations of the data illustrate trends and patterns that support the hypotheses posited in the study. Overall, the results provide compelling evidence that advances the understanding of the subject matter and opens avenues for further research.
Discussion
In the discussion section of the research paper, the authors explore the measurement of health opportunity inequality through Roemer’s “environment-effort” framework, distinguishing between “ex-ante” and “ex-post” approaches. The study primarily employs the ex-ante parametric method, which allows for the simulation of a counterfactual health distribution by removing environmental influences, thereby attributing health outcomes to environmental factors rather than individual effort. The authors utilize a linear additive health determination equation, estimating opportunity inequality using Ordinary Least Squares (OLS) and employing the Mean Log Deviation (MLD) as the measure of health inequality.
To enhance the robustness of their findings, the authors compare three modeling approaches: Linear Regression (LR), Conditional Inference Trees (CIT), and Random Forests (RF). The results indicate that RF outperforms the other methods in terms of explanatory power and predictive accuracy, highlighting the limitations of linear models in capturing complex, nonlinear relationships. The decomposition of health opportunity inequality reveals that key contributors include surgical level, hospital bed density, and doctor density, underscoring the critical role of healthcare accessibility. Additionally, the study employs the Unconditional Quantile Regression (UQR) method to examine how the impact of environmental factors varies across different health statuses, finding that health opportunity inequality is more pronounced among individuals with poorer health, particularly in relation to access to advanced medical care.
Limitations
The study presents several limitations that impact the generalizability and accuracy of its findings. Firstly, the research is based on a specific demographic—middle-aged and older adults in China with cardiovascular and cerebrovascular diseases—limiting its applicability to other populations or regions with different healthcare systems, economic conditions, and cultural contexts. Secondly, the reliance on administrative datasets and hospital records raises concerns regarding data representativeness and completeness, which may affect the robustness of the results.
Additionally, the use of the TreeSHAP algorithm for Shapley value decomposition assumes feature independence, potentially overlooking correlations among environmental variables, such as healthcare resource density and socioeconomic indicators. This could confound the estimated contributions of correlated variables. The transformation of ordinal discharge diagnoses into a continuous scale via rank-based inverse normal transformation (RINT) does not guarantee equal spacing between health categories, which may lead to imprecise health inequality measurements. Lastly, the analysis presumes the exogeneity of environmental variables, yet factors like surgical levels may be influenced by unobserved characteristics, introducing potential biases. Future research should address these limitations by employing advanced methodologies, such as conditional Shapley value methods and instrumental variable approaches, to enhance causal inference and measurement precision.