論文の概要: Who Became Financially Vulnerable After COVID-19? A Population-Level Machine Learning Analysis Using MEPS Data

• arxiv url: http://arxiv.org/abs/2607.15446v1
• Date: Thu, 16 Jul 2026 20:38:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.697903
• Title: Who Became Financially Vulnerable After COVID-19? A Population-Level Machine Learning Analysis Using MEPS Data
• Title（参考訳）: 新型コロナウイルス(COVID-19)後、誰が経済的に脆弱か?MEPSデータを用いた人口レベルの機械学習分析
• Abstract要約: 米国では医療費が問題となっている。 金融の脆弱性は貧困状態、保険保険、処方薬の消費と強く関連していた。
• 参考スコア（独自算出の注目度）: 0.043340169930181166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The cost of healthcare remains a concern in the United States and may have been influenced by disruptions associated with the COVID-19 pandemic. This study examines healthcare financial vulnerability before and after the pandemic using Medical Expenditure Panel Survey (MEPS) data from 2019 and 2021. High financial burden was defined as out-of-pocket healthcare expenditures exceeding 10% of family income. Survey-weighted subgroup analyses were performed to obtain nationally representative estimates across demographic and socioeconomic groups. Descriptive analyses were complemented by interpretable logistic regression and machine learning models. Logistic regression was used to estimate adjusted odds ratios, while random forest and gradient boosting models were used to evaluate predictive performance. Temporal generalization assessed whether models trained on pre-pandemic data remained predictive when applied to post-pandemic observations. Financial vulnerability was strongly associated with poverty status, insurance coverage, and prescription drug spending. Subgroup analyses indicated persistent disparities across population groups, with some evidence of increased burden among vulnerable populations in 2021. Despite these differences, models trained on pre-pandemic data exhibited only modest reductions in predictive performance when evaluated on post-pandemic data, suggesting that the principal predictors of healthcare financial vulnerability remained relatively stable over time. These findings provide a population-level assessment of healthcare financial vulnerability during the COVID-19 period and demonstrate the value of combining interpretable statistical modeling with machine learning for population health research. The results may support future population health surveillance, risk stratification, and healthcare policy research aimed at reducing financial barriers to care.
• Abstract（参考訳）: 医療費は米国内でも懸念されており、新型コロナウイルス(COVID-19)のパンデミックに伴う混乱の影響を受けている可能性がある。 本研究では,2019年と2021年の医療費パネルサーベイ(MEPS)データを用いて,パンデミック前後の医療財政の脆弱性について検討した。 高い財政負担は、家計収入の10%を超えるポケット外医療費と定義された。 人口統計群と社会経済群にまたがって全国的に代表される推定値を得るために,調査重み付きサブグループ分析を行った。 記述解析は、解釈可能なロジスティック回帰と機械学習モデルによって補完された。 ロジスティック回帰は調整されたオッズ比を推定するために使用され、一方、ランダム森林と勾配増進モデルは予測性能を評価するために用いられた。 時間的一般化は、パンデミック前のデータに基づいて訓練されたモデルが、パンデミック後の観察に適用されたときに予測的であったかどうかを評価する。 金融の脆弱性は貧困状態、保険保険、処方薬の消費と強く関連していた。 サブグループ分析は、2021年の弱い集団の負担が増大する証拠として、集団間での永続的な格差を示している。 これらの違いにもかかわらず、パンデミック前のデータに基づいてトレーニングされたモデルは、パンデミック後のデータで評価された場合、わずかに予測性能が低下しただけであり、医療金融の脆弱性の主な予測因子は、時間とともに比較的安定していたことが示唆された。 これらの結果は、新型コロナウイルス時代の医療金融の脆弱性を集団レベルで評価し、人口健康研究のための解釈可能な統計モデルと機械学習を組み合わせることの価値を実証する。 この結果は、将来の人口健康監視、リスク階層化、および医療の経済的障壁を減らすことを目的とした医療政策研究を支援する可能性がある。

関連論文リスト

• Can Zero-Shot LLMs Predict Child Malnutrition? A Fairness and Temporal Robustness Study [0.5442955439283729]
  子どもの栄養失調は、低所得国や中所得国、特に南アジアにおいて主要な公衆衛生上の課題である。 本研究は,子どものスタント予測のためのゼロショット設定において,事前訓練された大言語モデル(LLM)の有効性,公平性,時間的堅牢性を評価することを目的とする。
  論文  参考訳（メタデータ） (2026-07-31T07:06:22Z)
• Robust or Suggestible? Exploring Non-Clinical Induction in LLM Drug-Safety Decisions [5.347177139463896]
  大規模言語モデル (LLMs) は、生物医学領域にますます適用されているが、薬物安全性予測の信頼性は未解明のままである。 われわれはChatGPT-4oとBio-Medical-Llama-3.8Bの2つの最先端モデルを評価する。
  論文  参考訳（メタデータ） (2025-10-15T14:11:11Z)
• Investigating the effectiveness of multimodal data in forecasting SARS-COV-2 case surges [1.7265273723115717]
  新型コロナウイルス(COVID-19)のパンデミック対応は、ケースの頻度や死亡率などの重要な結果を予測するために、統計モデルと機械学習モデルに大きく依存した。 既存のほとんどのモデルは、伝統的な疫学データに基礎を置いているが、ゲノム情報や人間の行動から派生したデータセットの可能性を未発見のまま残している。 本研究は, 生物(突然変異など), 公衆衛生(事例数, 政策介入など), 人間の行動特性(移動性, ソーシャルメディアの会話など)の相対的効果を, 国レベルでのケースサージの予測において強調した。
  論文  参考訳（メタデータ） (2025-05-28T01:00:02Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• A fairness assessment of mobility-based COVID-19 case prediction models [0.0]
  予測モデルのトレーニングに使用されるモビリティデータのバイアスが、特定の人口集団に対して不当に精度の低い予測に繋がる可能性があるという仮説を検証した。 特に、モデルは大きく、高度に教育され、富裕な若者、都市、非黒人が支配する郡を好む傾向にある。
  論文  参考訳（メタデータ） (2022-10-08T03:43:51Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Backtesting the predictability of COVID-19 [0.0]
  我々は,2020年1月22日から6月22日までの253地域でのCOVID-19感染の歴史的データを用いている。 パンデミックの初期段階では予測誤差が著しく高く、データ不足によるものである。 いずれにせよ国が示すような確認ケースが多ければ多いほど、将来の確認ケースを予想するエラーは少なくなる。
  論文  参考訳（メタデータ） (2020-07-22T13:18:00Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。