Sebuah tim yang dipimpin oleh para peneliti di Weill Cornell Medicine telah menggunakan pendekatan berbasis AI untuk mengungkap pola mendasar di antara kondisi-kondisi di mana seseorang dilahirkan, tumbuh, hidup, bekerja, dan menua, yang disebut determinan sosial kesehatan (SDoH), dan kemudian dihubungkan. setiap pola terhadap hasil kesehatan anak-anak. Dibandingkan dengan pendekatan tradisional, strategi ini, pada prinsipnya, memberikan gambaran yang lebih obyektif dan komprehensif mengenai faktor-faktor sosial potensial yang mempengaruhi kesehatan anak, yang pada gilirannya, dapat memungkinkan intervensi yang lebih tepat sasaran.
Seperti yang dilaporkan pada 16 Oktober di JAMA Pediatrics, para peneliti menganalisis data lebih dari 10.500 anak-anak Amerika, di komunitas di 17 negara bagian AS. Dengan menghitung lebih dari 80 faktor SDoH di tingkat lingkungan untuk setiap anak, analisis ini mengungkap empat pola umum dalam sampel, termasuk kemakmuran, lingkungan dengan stigma tinggi, kekurangan sosial ekonomi yang tinggi, dan tingkat kejahatan dan penjualan narkoba yang tinggi ditambah dengan pendidikan yang lebih rendah dan wilayah yang padat penduduk. . Mereka menemukan hubungan statistik antara pola dan hasil yang berkaitan dengan kesehatan perkembangan anak, termasuk kesehatan mental, kognitif, dan fisik.
“Serangkaian faktor sosial yang kompleks dapat mempengaruhi kesehatan anak-anak, dan saya pikir hasil kami menggarisbawahi pentingnya menggunakan metode yang dapat menangani kompleksitas tersebut,” kata pemimpin penulis studi Dr. Yunyu Xiao, asisten profesor ilmu kesehatan populasi di Weill Cornell Medicine. .
Dr. Xiao ikut memimpin penelitian ini bersama Dr. Chang Su, yang juga merupakan asisten profesor ilmu kesehatan populasi. Keduanya berada di Divisi Informatika Kesehatan di Departemen Ilmu Kesehatan Kependudukan di Weill Cornell Medicine. Jyotishman Pathak dan Dr. Fei Wang, juga di Weill Cornell Medicine, adalah rekan penulis dalam penelitian bersama ini.
Para peneliti dari Weill Cornell Medicine bekerja sama dengan tim ahli multi-institusional dan multidisiplin untuk mempelajari potensi faktor penentu sosial dalam kesehatan untuk mendapatkan petunjuk mengenai penyebab terus-menerus dari hasil kesehatan yang buruk. Tim tersebut termasuk pakar psikiatri Dr. John Mann dari Universitas Columbia; Dr. Timothy Brown, Lonnie Snowden, dan Julian Chun-Chung Chow, masing-masing ahli di bidang ekonomi kesehatan, kebijakan kesehatan dan kesejahteraan sosial, di University of California; Berkeley School of Public Health, dan ahli epidemiologi sosial Dr. Alex Tsai dari Harvard Medical School. Mengidentifikasi faktor-faktor sosial yang mempengaruhi kesehatan juga dapat memandu kebijakan sosial yang bertujuan untuk meningkatkan kesehatan anak, seperti undang-undang yang mewajibkan makan siang gratis di sekolah untuk anak-anak dari keluarga berpenghasilan rendah ditambah dengan ketentuan layanan kesehatan holistik di sekolah dan lingkungan klinis, kata Dr. Xiao.
Pendekatan Baru terhadap Masalah Kompleks
Penelitian-penelitian sebelumnya dalam bidang ini cenderung berfokus pada serangkaian variabel sosio-ekonomi dan hasil kesehatan yang sempit, dan biasanya meneliti hasil-hasil yang dirata-ratakan pada wilayah geografis yang luas seperti kabupaten atau negara bagian.
Dalam studi baru ini, para peneliti mengambil pendekatan berbeda. Dr. Xiao dan Su ahli dalam penggunaan pembelajaran mesin dan teknik AI canggih lainnya yang memungkinkan analisis yang relatif tidak memihak dan terperinci terhadap kumpulan data besar. Dalam beberapa tahun terakhir, mereka telah menggunakan teknik “data besar” ini untuk mengatasi permasalahan epidemiologi sosial yang penting—misalnya, memeriksa faktor-faktor yang berpotensi memengaruhi kesehatan mental anak-anak selama pandemi COVID-19.
“Pendekatan kami berbasis data, sehingga memungkinkan kami melihat pola apa saja yang terdapat dalam kumpulan data berukuran besar, tanpa perlu adanya hipotesis sebelumnya dan bias lain,” kata Dr. Su.
Kumpulan data dalam studi baru ini dihasilkan oleh proyek yang disponsori oleh Institut Kesehatan Nasional (NIH) berbasis survei yang disebut Studi Perkembangan Kognitif Otak Remaja (ABCD). Penelitian ini mencakup kelompok yang terdiri dari 10.504 anak-anak, yang awalnya berusia 9-10 tahun, dan orang tua mereka di 21 lokasi di seluruh Amerika Serikat dari tahun 2016 hingga 2021. Campuran etnis dan ras sampel secara luas mencerminkan kondisi di Amerika Serikat secara keseluruhan.
Dalam analisisnya, setiap catatan anak dinilai berdasarkan 84 variabel SDoH berbeda yang berkaitan dengan sumber daya pendidikan, infrastruktur fisik, persepsi bias dan diskriminasi, pendapatan rumah tangga, kejahatan di lingkungan sekitar, dan narkoba. Algoritme pembelajaran mesin mengidentifikasi pola mendasar dalam profil SDoH anak-anak – dan juga mencari hubungan statistik antara pola-pola ini dan hasil kesehatan.
Hasil Kesehatan Anak Bervariasi Tergantung pada Faktor Penentu Sosial
Temuan utamanya adalah bahwa data dikelompokkan ke dalam empat pola SDoH yang luas: kelompok kaya; deprivasi sosial ekonomi yang tinggi; tingkat kejahatan perkotaan yang tinggi dan rendahnya tingkat pencapaian pendidikan dan sumber daya; dan stigma yang tinggi—stigma yang terakhir melibatkan ukuran bias dan diskriminasi yang lebih tinggi yang dilaporkan sendiri terhadap perempuan dan imigran serta kelompok lain yang kurang terwakili. Anak-anak kulit putih sangat banyak jumlahnya di daerah makmur dan mempunyai stigma tinggi; Anak-anak kulit hitam dan Hispanik di dua lainnya.
Masing-masing dari empat profil tersebut dikaitkan dengan pola hasil kesehatannya yang luas, pola “kekurangan sosial ekonomi yang tinggi” dikaitkan dengan rata-rata hasil kesehatan terburuk, termasuk lebih banyak tanda-tanda penyakit mental, kinerja kognitif yang lebih buruk, dan kesehatan fisik yang lebih buruk. Dua pola masyarakat tidak makmur lainnya secara umum juga dikaitkan dengan hasil yang lebih merugikan dibandingkan dengan pola masyarakat kaya.
Penelitian ini memiliki beberapa keterbatasan, termasuk data ABCD yang berbasis survei dan dilaporkan sendiri, yang umumnya dianggap kurang dapat diandalkan dibandingkan data yang diukur secara objektif. Selain itu, analisis epidemiologi seperti ini hanya dapat mengungkap hubungan antara faktor sosial dan hasil kesehatan—analisis tersebut tidak dapat membuktikan bahwa faktor sosial mempengaruhi faktor sosial. Meski begitu, kata para peneliti, hasil ini menunjukkan kekuatan pendekatan pembelajaran mesin yang relatif tidak memihak dalam mengungkap potensi hubungan yang bermakna, dan akan membantu menginformasikan penelitian di masa depan yang dapat menemukan mekanisme penyebab sebenarnya yang menghubungkan faktor sosial dengan kesehatan anak.
“Pendekatan multi-dimensi dan tidak memihak ini pada prinsipnya dapat menghasilkan intervensi kebijakan yang lebih tepat sasaran dan efektif seperti yang sedang kami selidiki dalam proyek yang didanai NIH saat ini,” kata Dr. Xiao.
