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

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

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

SBDH-Reader是一個創新的工具，利用大型語言模型從醫療筆記中提取社會和行為健康決定因素（SBDH）數據。這個工具基於7,225份MIMIC-III數據庫的醫療筆記訓練，並在UT Southwestern Medical Center的971份病人筆記上測試，專注於就業、住房、婚姻關係和物質使用等六個類別。性能指標顯示，SBDH-Reader在各類別中取得了0.85到0.98的宏觀平均F1分數，特別是在識別不良屬性方面表現優異。總體而言，這個工具能有效提升臨床研究和病人照護的數據提取能力。 PubMed DOI