這項研究指出現有腎臟健康公平研究的不足，特別是過於集中於晚期疾病，且使用區域貧困指標而非個別評估。研究分析了2011至2021年間蘇格蘭格蘭比安地區的腎臟健康數據，發現早期腎臟疾病患者的死亡率與家庭社會經濟地位有顯著差異。無技能或失業家庭的死亡風險高於專業家庭，且生活在貧困環境中的人健康狀況較差。研究強調社會經濟貧困對腎臟健康的影響複雜，需更深入理解腎臟疾病的健康公平問題。 PubMed DOI

在這個迷你系列的第二部分，我們探討了多種機器學習工具，這些工具能自動從龐大的獸醫臨床數據中提取資訊，像是小動物獸醫監測網絡（SAVSNET）和VetCompass的資料。由於數據量龐大，手動閱讀不切實際，而傳統文本挖掘方法也常因臨床筆記的複雜性而無法應對。 我們介紹了從簡單模型到先進語言模型的各種技術，特別是語言模型在記錄標註和主題識別中的應用。隨著模型的進步，研究人員與臨床醫生的合作變得更重要，以確保結果的可解釋性，增強對結論的信心。 PubMed DOI

這項研究強調在醫療照護中評估健康社會決定因素（SDoH）的重要性，以改善病患照護並縮小健康差距。研究探討了電子健康紀錄（EHRs）中SDoH數據不足的挑戰，主要因為缺乏標準化的診斷代碼。研究團隊使用大型語言模型（如BERT和RoBERTa）來分類無家可歸、食物不安全和家庭暴力等SDoH概念，並創建合成訓練數據集。結果顯示，這些模型能有效提取SDoH資訊，幫助醫療提供者識別高風險病患，進而實施針對性干預，支持減少健康差距的努力。 PubMed DOI

這項研究探討了機器學習在電子健康紀錄中識別社會和行為健康決定因素的效果。研究人員分析了MIMIC-III數據集中的超過200萬份臨床筆記，使用潛在語義索引（LSI）和GPT模型來預測SBDH類別。結果顯示，LSI的正向預測值超過83%，在多個SBDH類別的預測準確性上優於ICD-9編碼。雖然GPT-4表現稍佳，但LSI在成本效益和處理文件數量上更具優勢。整體而言，LSI是一種有效且實用的方法，適合應用於健康系統。 PubMed DOI

這項分析探討到2050年將過早死亡（70歲前死亡）減半的可能性，根據1970至2019年的數據。報告指出，全球過早死亡的概率從1970年的56%降至2019年的31%。在30個人口最多的國家中，有七個國家顯著改善，若持續增長，可能在2050年前達成目標。這些國家包括韓國、孟加拉國等。報告強調，實現目標需大量投資健康服務，特別是在改善較慢的國家。雖然減少過早死亡能帶來更健康的生活，但也需面對慢性疾病增加的挑戰。 PubMed DOI

近二十年前的「八個美國」研究揭示了美國健康上的重大不平等，根據地理、種族、收入等因素將人口分為八個群體。最新更新擴展至十個群體，並分析2000至2021年的預期壽命趨勢。結果顯示，群體間的預期壽命差距持續擴大，尤其因COVID-19疫情影響，最低與最高群體的差距從12.6年增至20.4年。研究強調了健康不平等的根本原因，呼籲針對性行動以改善弱勢群體的健康狀況，確保所有美國人都能享有健康長壽的生活。 PubMed DOI

這項研究針對法國失去寵物的飼主需求進行調查，特別是臨終和緩和醫療的部分。透過302位飼主的匿名線上調查，研究發現飼主在寵物臨終時的情感經歷，並將他們分為三個群體：高罪疚感群體、知情且獨立群體，以及能幹的疼痛評估者。雖然大多數飼主認為寵物在死亡時相對平靜，但臨終過程仍然充滿挑戰。研究強調提供個性化支持的重要性，並提出EPITO系統來訓練獸醫和護理人員，以更好地協助飼主面對失去的困難。 PubMed DOI

這項研究評估了九個大型語言模型在醫療領域的表現，分析了1,000個急診案例的170萬個輸出結果。結果顯示，標記為黑人、無家可歸者或自我認同為LGBTQIA+的案例，常被建議進行緊急護理或心理健康評估，且有時缺乏臨床正當理由。相對而言，高收入案例則較常建議進行高級影像檢查。這些偏差可能加劇健康不平等，強調了評估和減輕LLMs偏見的重要性，以確保醫療建議的公平性。 PubMed DOI

這項研究用transformer深度學習模型，分析美國29年健康與退休資料，預測年長者死亡率。模型涵蓋財務、身心健康等126項風險因子，預測準確度比傳統方法高出許多，平均精確度甚至提升一倍。結果顯示transformer模型在老化與死亡風險預測上很有潛力。 PubMed DOI

這項研究結合問卷和社群媒體分析，發現飼主最常注意到狗狗慢性腎臟病的症狀是尿多和口渴，且這兩者有中度相關。社群媒體還提到疼痛和臨終照護的情緒壓力。CKD和年紀大、母狗有關，但和品種、體重沒明顯關聯。這種研究方式有助更全面了解飼主的擔憂。 PubMed DOI