The Association Between Social Determinants of Health and Population Health Outcomes: Ecological Analysis
Notice bibliographique
Résumé
BACKGROUND: With the increased availability of data, a growing number of studies have been conducted to address the impact of social determinants of health (SDOH) factors on population health outcomes. However, such an impact is either examined at the county level or the state level in the United States. The results of analysis at lower administrative levels would be useful for local policy makers to make informed health policy decisions. OBJECTIVE: This study aimed to investigate the ecological association between SDOH factors and population health outcomes at the census tract level and the city level. The findings of this study can be applied to support local policy makers in efforts to improve population health, enhance the quality of care, and reduce health inequity. METHODS: This ecological analysis was conducted based on 29,126 census tracts in 499 cities across all 50 states in the United States. These cities were grouped into 5 categories based on their population density and political affiliation. Feature selection was applied to reduce the number of SDOH variables from 148 to 9. A linear mixed-effects model was then applied to account for the fixed effect and random effects of SDOH variables at both the census tract level and the city level. RESULTS: The finding reveals that all 9 selected SDOH variables had a statistically significant impact on population health outcomes for ≥2 city groups classified by population density and political affiliation; however, the magnitude of the impact varied among the different groups. The results also show that 4 SDOH risk factors, namely, asthma, kidney disease, smoking, and food stamps, significantly affect population health outcomes in all groups (P<.01 or P<.001). The group differences in health outcomes for the 4 factors were further assessed using a predictive margin analysis. CONCLUSIONS: The analysis reveals that population density and political affiliation are effective delineations for separating how the SDOH affects health outcomes. In addition, different SDOH risk factors have varied effects on health outcomes among different city groups but similar effects within city groups. Our study has 2 policy implications. First, cities in different groups should prioritize different resources for SDOH risk mitigation to maximize health outcomes. Second, cities in the same group can share knowledge and enable more effective SDOH-enabled policy transfers for population health.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».