导言:糖尿病差异的长期挑战

糖尿病仍然是21世纪最紧迫的公共卫生挑战之一。根据疾病控制和预防中心[CDC],3,700多万美国人患有糖尿病,约9,600万成年人患有糖尿病。 虽然这种疾病影响到各行各业的人,但负担分配不均匀。 种族和族裔少数群体、社会经济地位较低的个人以及生活在农村或服务不足地区的人们始终遭受较高的发病率、更大的并发症和较差的结果。 这些差距――人口群体之间健康结果的可衡量差异――并非偶然的;它们反映了在获得保健服务、社会决定因素和系统性偏见方面根深蒂固的结构性不平等。

为了有效解决这些不平等,医疗保健领导人、决策者和研究人员必须超越广义的平均值,并研究汇总统计中隐藏的细微差别。 数据分类就成为不可或缺的。 分类是将卫生数据细分为更细小的分组的过程,按种族、族裔、年龄、性别、收入、地理、教育水平和其他变量分列,以揭示差异,否则这些差异将仍然隐而不见。 如果没有这种分镜,干预措施就有可能是无法惠及最需要帮助的人口的一揽子解决方案。

本条探讨了数据分类在识别和缓解糖尿病差距方面的关键作用,我们将研究如何将数据分类暴露出隐藏的不平等,讨论收集和分析分组数据的方法,审查成功的案例研究,并概述将分类数据纳入公共卫生战略的实际步骤,最后,应当明确,数据分类不仅是一项技术工作,而且是实现健康公平的一项道德义务。

数据遮盖为何存在重大差异

乍一看,使用综合数据(如全国糖尿病平均流行率)看来是有效的。 但是,平均数可能令人产生深刻的误解。 当数据汇集到不同人群中时,差异就会相互抵消。 例如,一个糖尿病总体流行率为10%的城市在富裕的白人社区实际上可能占5%,而低收入黑人社区则占20%。 总数掩盖了这种两相差,使决策者相信问题在什么情况下都是统一的。

想想现实世界的例证:美国糖尿病协会报告说,美国印第安人/阿拉斯加土著人成年人的糖尿病发病率最高(14.7%),其次是非西班牙黑人(12.5%)、西班牙裔(11.7%)和非西班牙裔白人(7.5%)。 虽然这些分类比率令人震惊,但全国平均数会掩盖土著和黑人社区的沉重负担。 此外,即使在广泛的种族类别中,也存在很大差异。 例如,在西班牙裔群体中,波多黎各人的糖尿病发病率几乎是古巴人的两倍。 没有按具体种族分类,这种差异就无人注意。

综合数据也掩盖了糖尿病并发症的差别,如低骨架截肢、肾衰竭和复发性病。 研究表明,即使控制了疾病的严重程度和保险状况,但黑人糖尿病患者接受低骨架截肢的可能性还是比白人患者高3-4倍。 然而,只有跟踪整个截肢率的医院可能无法识别这种深刻的不平等。 种族和族裔的分化是确定最迫切需要干预的地方的唯一方法。

社会决定因素的作用

糖尿病差异不是生物因素所预想的;它们在很大程度上是由健康的社会决定因素所决定的:收入、教育、住房、粮食安全、交通和获得医疗保健。 例如,生活在食物沙漠中、新鲜产品获取有限的人比资源充足的邻居面临更大的糖尿病管理挑战。 以拉链码或普查道分列的数据往往揭示出糖尿病的流行和并发症在贫困高和初级保健机会少的地区集中,这种地理透镜是资源分配的有力工具。

糖尿病数据分类的关键维度

有效的分类需要从多个方面收集和分析数据。虽然种族和族裔是常见的起点,但远远不够。

种族、族裔和祖籍

如上所述,按种族和族裔群体分类,最好按详细的分组(例如墨西哥、波多黎各、中国、越南)分类,发现差异风险,遗传因素,例如某些人群胰岛素抗药性较高,与社会和环境因素相互作用。 数据系统必须收集颗粒族裔数据,以便进行有意义的分析。

地理位置

糖尿病的流行程度因地区、州甚至邻里而异。 疾控中心的“糖尿病监测系统”[提供了县级估计数,显示东南部和阿巴拉契亚的热点。 按城市、郊区和农村状况分类也非常重要:农村居民面临诸如有限的特殊护理和较长出行距离等障碍。

社会经济地位

收入和教育水平是糖尿病结果的最强预测者之一。 收入最低人群患糖尿病的可能性比顶层人群高2至3倍。 按贫困程度或受教育程度进行分类有助于确定哪些社会经济阶层需要有针对性的支持,如糖尿病自我管理补贴方案。

年龄和性别

糖尿病的发病率随年龄而增加,但与年龄有关的模式因性别而异,例如,妇女可能因糖尿病而患上更大的心血管疾病;按年龄组(如18-44、45-64、65+)和性别进行分类,可以提供有针对性的筛查建议和治疗协议。

获得保健服务和保险的情况

缺乏保险和未保险的个人不太可能接受定期检查、一致的药物和预防护理。 按保险类型(私人、医疗保障、医疗救助、无保险)分列的糖尿病数据揭示了卫生系统障碍如何导致差异。 比如,接受医疗救助的人往往面临供货短缺和高自付费用,即使有保险。

语言和文化因素

英语能力有限与健康知识水平较低和糖尿病结果更差有关,按主要语言进行分类,可以指导发展适合文化和语言的教育材料和口译服务。

如何识别隐藏的差别

分类的力量在于其能够显示将模糊汇总数据的模式,下面是几个具体的例子,说明分类如何消除了重大差距并导致有针对性地采取行动。

例1:筛选率的种族分类

在一个多样化的城市,一个社区卫生系统汇总了糖尿病筛查率,发现其总体为75%,看来可以接受,但是,如果按种族分列数据,黑人和西班牙裔患者的筛查率分别只有58%和61%,而邻里的进一步分析表明,以黑人和西班牙裔为主的社区的诊所的筛查事件较少,手术时间较短,这促使卫生系统在这些地区部署流动筛查单位并延长了晚上的工作时间,在一年内将筛查率提高20%。

例2:年龄和收入的交叉

西部州的公共卫生研究人员利用年龄和收入数据分析了糖尿病住院情况。 他们发现45-64岁的低收入成年人的糖尿病骨灰病住院率是同一年龄段高收入同龄人住院率的三倍。 这一洞察力导致一个目标明确的方案,为低收入中年成年人提供免费的葡萄酒和远程医疗指导。 18个月多的干预组中,糖尿病骨灰病住院率下降了35%。

例3:语言作为障碍

一个服务于越南语人口众多的医院系统注意到,越南语患者中与糖尿病有关的急诊访问量比英语患者高得多,即使在控制医疗复杂程度时也是如此. 语言分类显示,翻译糖尿病自我管理材料由于没有文化定制而很少被使用. 医院为此聘请了双语社区卫生工作者并发展了越南语的以视频为基础的教育,导致该人群的ED访问量减少了25%.

实施数据分类的实际步骤

将意图转变为实践需要系统地改变数据收集、分析和使用。 以下步骤为医疗保健组织、公共卫生部门和社区团体提供了路线图。 健康与健康是共同的。

1. 人口数据收集标准化

要想进行分类,首先需要高质量的颗粒人口数据。这意味着要超越典型的“种族/种族”下降,即把所有西班牙裔或所有亚洲人拼凑成一类。使用反映当地人口的详细分类,例如,对亚裔美国人患者来说,包括中国、菲律宾、印度、越南、朝鲜、日本等分组。 汇集关于收入、教育、初级语言和拉链码等额外变量的数据。 确保以文化敏感的方式收集数据;向患者解释为什么这一信息对于改善护理工作很重要。

2. 建设分析能力

分解需要能够处理小样本大小而又不损害隐私的统计方法。 对于非常小的分组,考虑随时间而汇总数据或使用巴伊西亚平滑来生成稳定的估计。在分层分析、物流回归和多层次模型化等技术方面培训数据分析员。 R 和 Python 等开源工具与小面积估计软件包相结合,是十分宝贵的。

3. 创建讲述故事的可视化

仅靠数据是不够的;必须有效地传播。 使用热图(地理分类 ) 、 分组条形图(按结果进行种族分类)和分层表格来突出差异。 允许用户通过人口统计过滤的板块可以赋予决策者权力。 疾控中心PLACES项目是一个很好的模型:它提供了按种族和贫困分列的县级糖尿病流行程度和其他慢性病的估计数。

4. 使社区参与解释

数据分类不应该在真空中进行。让社区成员和信任的领导人参与解释调查结果和共同设计解决方案。他们的经验提供了原始数字无法传达的背景。 比如,社区咨询委员会可以解释,某个Zip代码中的低筛选率是由于缺乏交通,而不是缺乏认识。

5. 将数据与行动联系起来

隔离只有在导致变化时才有价值。 制定明确程序,将已查明的差距转化为可采取行动的干预措施,这可能涉及向服务不足的地区分配资源(资金、工作人员和设备),修订临床规程(例如为住家病人提供家庭护理),或倡导政策变革(例如扩大医疗补助以涵盖糖尿病教育方案 ) , 设定可衡量的目标并用同样的分类数据跟踪长期进展。

克服数据分类的障碍

尽管数据分类有其好处,但面临若干挑战,承认并克服这些障碍对于持续实施至关重要。

数据质量和完整性

许多卫生系统的人口数据不完整或不一致,病人可能被记录为“未知”或“其他”种族/族裔。 投资于注册工作人员的培训[,并使用电子健康记录,以使用经核实的标准化问题收集数据。对于收入或教育,这些更敏感,在无法获得个人数据时,使用普查产生的邻里特征(地区措施)等替代措施。

样本大小和隐私问题

当数据被细分为许多小分组时,一些单元格的数字可能太小,无法报告,而不会冒个人身份风险。在这种情况下,汇总随时间推移(例如,合并多年数据)或使用更广泛的分类(例如,合并若干亚洲小分组)。 确保遵守HIPA 和其他隐私条例;不公布含有 < 10个计数的单元格。

抵制承认差异

一些组织可能不愿意强调差异,因为它们担心名誉受损或法律风险,然而,透明度是健康公平的基石,将差异作为系统性问题(而不是个别提供者的失败)和加强公平护理的任务,有助于克服阻力。 许多成功的倡议都公开分享其分类数据,作为改善的承诺。

资源限制

有意义的分类需要时间、专门知识和技术。 对较小的组织来说,与学术机构或公共卫生机构的伙伴关系可以提供分析支持。 此外,利用州一级数据(如州卫生部调查)可以补充内部数据。 投资的理由是有可能减少成本高昂、可预防的并发症和改善人口健康。

案例研究:糖尿病数据分类的成功故事

案例研究1:纽约市卫生局A1c登记处

纽约市卫生和精神卫生部为糖尿病患者建立了一个A1c登记簿,将实验室结果与邻里人口统计联系起来。 通过按区和邻里贫困程度分列,该部门发现,A1c的平均水平最高集中在南布朗克和布鲁克林中部地区,这些地区的贫困程度高,黑人和西班牙裔人口多。 之后,该部门向这些街区派遣了社区卫生工作人员,提供糖尿病自我管理课程和协调护理。 三年后,这些街区的平均A1c下降了0.5个百分点,超过了富裕地区的改善。

案例研究2:俄克拉荷马州预防美洲原住民糖尿病

俄克拉荷马州的印第安健康服务机构利用部落分类数据来确认切罗基人与其他部落群体相比糖尿病发病率特别高。 他们与部落领袖合作,推出了一个文化上适合的“糖尿病预防方案 ” , 其中包括切罗基人语言、传统食品和社区支持。 一项分类评估显示,参与者平均体重下降了5%,而该计划在两年内将新的糖尿病病例减少了28 % 。 成功取决于确定哪些部落社区最需要干预的数据。

案例研究3:凯泽永久的种族等级质量计量

Kaiser Permante是一个大型综合医疗体系,在2000年代中期开始按种族、族裔和语言划分质量标准(如糖尿病控制、视网膜考试、足科考试等)。 最初,数据显示黑人和西班牙裔成员实现糖尿病控制目标的可能性要小得多。 作为回应,Kaiser实施了全系统范围的改进措施,包括西班牙语的外联呼吁、文化上适应的营养咨询以及确保高绩效的诊所在社区分布均匀。 十年来,糖尿病控制方面的种族差距从10%缩小到3%。 关键是定期公开报告的分类数据,要求领导人负责。

政策影响:分类数据如何形成立法

数据分类不仅是医疗保健提供者的工具,它也为影响大的政策决策提供了信息。 比如,联邦一级的糖尿病预防和控制法案如果要求高风险分组进行分类报告,就可以更好地针对目标。 同样,州医疗救助计划可以使用分类数据来建立基于价值的支付模式,奖励在减少差距方面取得成功。 疾控中心的[国家糖尿病统计报告已经提供了一些分组数据,但更多的颗粒性(如由亚洲分组)可以使各州更有效地分配资金。

政策也可以解决数据基础设施问题。 《21世纪魔咒法》和地区卫生信息交流(HIEs)可以激励收集健康数据的标准社会决定因素,包括种族、族裔和语言。 一些州,如加利福尼亚州和华盛顿州,已经通过了要求将亚裔美国人和夏威夷土著/太平洋岛民的健康数据分类的法律。 这些立法行动创造了良性循环:更好的数据导致更好的干预,从而产生能够倡导持续投资的数据。

结论:从数据到公平

糖尿病差异是系统性不平等在健康结果中表现的鲜明例子。 然而,这些差异并非不可避免的。 数据分类是一个强有力的透镜,揭示了不平等的精确轮廓,能够采取有针对性的有效行动。 它让我们超越了统一性这一虚构,转向个人化、注重社区需求的护理。

但光靠数据是不够的。 数据必须配以政治意愿、社区参与和持续的资源。 接受分类的医疗保健组织 — — 并承诺按其发现采取行动 — — 将更有能力减少糖尿病并发症、改善生活质量和拯救各人口群体的生命。 实现健康公平的道路始于清晰的观察。 数据分类为我们提供了这一愿景。

如果您的组织还没有将分类数据纳入糖尿病护理,请从小开始。选择一个维度 — — 种族、种族或拉链码 — — 并检查一个关键衡量标准,比如A1c控制或应急部门的使用。你可能会对发现的事物感到惊讶。一旦你看到差异,你就可以开始解决这个问题。 走向分泌的每一个步骤都是向正义迈出的一步。