腎臟疾病影響社會弱勢群體，社會因素對腎臟健康至關重要。多模式干預可應對社會決定因素，促進公平腎臟健康。腎臟醫療保健不平等源自國籍、種族等因素，需多方干預。多元利害關係人參與研究和護理是關鍵。 PubMed DOI

長期吸入來自英國農業排放的細微顆粒物（PM_2·5）可能導致許多成年人提早離世。最新研究指出，2019年因PM_2·5暴露而導致48,625名英國成年人提前死亡，尤其是65歲以上的長者，而倫敦地區死亡率最高。有針對性地改善農業排放等來源，將對公共健康帶來重大好處。 PubMed DOI

美國心血管疾病是重要死因之一。研究使用ChatGPT4探討數位素養和社會弱勢對心血管死亡率的影響。分析1999-2020年數據發現，考慮DL和SVI對預測至關重要。建議未來醫療政策需考慮網路可及性和這些因素，以提高準確性。 PubMed DOI

強調解決社會健康決定因素的重要性，特別是在COVID-19大流行時，以改善健康結果、減少健康不平等。討論數位健康和人工智慧在應對社會健康決定因素、增強疾病監測和病人照護的角色，如LLMs。提及數據標準化、基礎設施限制、數位素養和演算法偏見等挑戰，可能影響AI好處的公平獲取。建議採取多層次的數位包容作為社會健康決定因素的一部分，並全球性需要倫理AI框架，確保負責任的AI實踐。提出建議，彌合公平AI技術開發和實施之間的差距。 PubMed DOI

兒童的生存機率差異明顯，出生時及出生後不久的死亡風險最高。圍產期事件、營養、感染、家庭環境及健康服務的可獲得性等因素，對兒童死亡風險影響重大。目前的公共衛生計畫常忽略這些風險，導致護理和生存機會的改善受限。高風險兒童常被低估，治療未考量其特定需求；而低風險兒童則可能接受過度護理，浪費資源。隨著全球兒童死亡率下降速度放緩，需採取新方法，根據風險水平和死亡原因，針對性地進行干預。 PubMed DOI

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

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

這項研究顯示，腎臟醫療中，心理健康問題（如精神分裂症和雙相情感障礙）患者與其他患者有明顯差異。分析2006至2019年倫敦一腎臟單位的5,105名慢性腎病患者發現，只有2.2%有嚴重心理健康診斷。這些患者的平均壽命比其他人短13.1年，且CKD病情更嚴重。雖然腎衰竭和住院率相似，但他們急診和重症監護病房的入院率較高，接受腎臟移植或腹膜透析的機會也較低，且在血液透析中併發症更多。這強調了改善這群脆弱患者的腎臟護理和減少過早死亡的必要性。 PubMed DOI

這項研究評估了大型語言模型（LLMs），特別是GPT-3.5和GPT-4，在識別孕婦臨床筆記中的住房不安全性方面的效果。主要發現顯示，GPT-4在識別住房不穩定案例上表現優於GPT-3.5，回憶率達0.924，超過人類抽取者的0.702。雖然GPT-4的精確度低於人類，但在去識別筆記中略有提升。研究建議，雖然手動抽取準確性較高，LLMs如GPT-4提供了可擴展且具成本效益的選擇，適合半自動化抽取，但仍需人類審查以避免錯誤解釋。 PubMed DOI