Un nouveau modèle montre une image plus réaliste de la violence conjugale
La sous-déclaration peut fausser les prévalences relatives observées et masquer les disparités en matière de santé. PURPLE est conçu pour estimer la prévalence relative tout en corrigeant la sous-déclaration. UN La sous-déclaration conduit à des prévalences relatives observées inexactes. Comprendre la prévalence relative d’un problème de santé entre les groupes g— par exemple, les hommes et les femmes — est important pour des soins médicaux efficaces. Cependant, ces estimations reposent souvent sur des diagnostics s (c’est-à-dire diagnostic positif ou absence de diagnostic) au lieu du véritable état du patient oui (malade ou pas malade). La sous-déclaration, qui varie selon les groupes démographiques, conduit à des estimations de prévalence relative inexactes qui peuvent masquer les groupes les plus touchés par une maladie. B PURPLE utilise des données sur les diagnostics des patients ssymptômes Xet l’appartenance à un groupe g pour estimer avec précision la prévalence relative d’une maladie. PURPLE estime d’abord la probabilité de diagnostic spécifique au groupe, p(s= 1∣oui= 1, g) et la probabilité de maladie,p(oui= 1∣ X ), jusqu’à facteurs multiplicatifs constants, puis combine ces estimations pour calculer la prévalence relative. Nous montrons que cela est possible sous trois hypothèses largement répandues : pas de faux positifs, diagnostic aléatoire au sein des groupes et constantep(oui = 1∣ X) entre les groupes. Crédit: npj Santé des femmes(2024). DOI : 10.1038/s44294-024-00011-5
La violence conjugale est notoirement sous-déclarée et correctement diagnostiquée dans les hôpitaux seulement environ un quart du temps, mais une nouvelle méthode donne une image plus réaliste des groupes de femmes les plus touchés, même lorsque leurs cas ne sont pas enregistrés.
PURPLE, un algorithme développé par des chercheurs de Cornell et du Massachusetts Institute of Technology, estime la fréquence à laquelle des problèmes de santé sous-déclarés surviennent dans différents groupes démographiques. En utilisant des données hospitalières, les chercheurs ont montré que PURPLE peut mieux quantifier les groupes de femmes les plus susceptibles de subir des violences conjugales par rapport aux méthodes qui ne corrigent pas la sous-déclaration.
La nouvelle méthode a été développée par Divya Shanmugam, ancienne doctorante au MIT qui rejoindra Cornell Tech en tant que chercheuse postdoctorale cet automne, et Emma Pierson, professeur adjoint Andrew H. et Ann R. Tisch d’informatique au Jacobs Technion- Cornell Institute de Cornell Tech et du Cornell Ann S. Bowers College of Computing and Information Science.
Les chercheurs décrivent leur approche dans « Quantifying Disparities in Intimate Partner Violence : a Machine Learning Method to Correct for Underreporting », publié dans npj Santé des femmes.
“Souvent, nous nous soucions de la fréquence d’apparition d’une maladie dans une population par rapport à une autre, car cela peut nous aider à cibler les ressources vers les groupes qui en ont le plus besoin”, a déclaré Pierson. “Le problème est que de nombreuses maladies sont sous-diagnostiquées. La sous-déclaration est intimement liée aux inégalités sociétales, car elle tend souvent à affecter davantage les groupes dont l’accès aux services de santé est plus difficile.”
Shanmugam s’est intéressé à la violence conjugale après que Pierson ait recommandé le livre « No Visible Bruises : What We Don’t Know About Domestic Violence Can Kill Us » de Rachel Louise Snyder. Elle s’est rendu compte que le problème omniprésent de la sous-déclaration était un problème que les méthodes statistiques pouvaient aider à résoudre. Le résultat a été PURPLE (Positive Unlabeled Relative PrevaLence Estimator), une technique d’apprentissage automatique qui estime la prévalence relative d’une maladie lorsque le nombre réel de personnes touchées dans différents groupes est inconnu.
Les chercheurs ont appliqué PURPLE à deux ensembles de données réels, l’un comprenant 293 297 visites aux urgences d’un hôpital de la région de Boston et le second avec 33,1 millions de visites aux urgences dans des hôpitaux du pays. PURPLE a utilisé des données démographiques ainsi que des diagnostics réels de violence conjugale et des symptômes associés, comme une fracture du poignet ou des ecchymoses, qui pourraient indiquer la maladie même lorsque le patient n’a pas été réellement diagnostiqué.
“Ces vastes ensembles de données, décrivant des millions de visites aux urgences, peuvent produire des prévalences relatives trompeuses en utilisant uniquement les diagnostics observés”, a déclaré Shanmugam. “Les ajustements de PURPLE peuvent nous rapprocher de la vérité.”
PURPLE a indiqué que les patients qui ne sont pas blancs, qui ne sont pas légalement mariés, qui bénéficient de Medicaid ou qui vivent dans des zones à faible revenu ou des zones métropolitaines sont tous plus susceptibles d’être victimes de violence conjugale. Ces résultats concordent avec les conclusions précédentes de la littérature, démontrant la plausibilité des résultats de PURPLE.
Les résultats montrent également qu’il est important de corriger la sous-déclaration pour produire des estimations précises. Sans cette correction, les ensembles de données hospitalières ne montrent pas de relation directe entre le niveau de revenu et les taux de victimisation. Mais PURPLE montre clairement que les taux de violence sont plus élevés chez les femmes appartenant aux tranches de revenus les plus faibles, une conclusion qui concorde avec la littérature.
Ensuite, les chercheurs espèrent voir PURPLE appliqué à d’autres problèmes de santé féminins souvent sous-estimés, tels que l’endométriose ou le syndrome des ovaires polykystiques.
“Il reste encore beaucoup de travail à faire pour mesurer dans quelle mesure ces résultats sont sous-diagnostiqués, et je pense que PURPLE pourrait être un outil pour aider à répondre à cette question”, a déclaré Shanmugam.
La nouvelle technique a également des applications potentielles au-delà des problèmes de santé. VIOLET pourrait être utilisé pour révéler la prévalence relative des fautes policières sous-déclarées dans les circonscriptions ou la quantité de discours de haine dirigés contre différents groupes démographiques.
Kaihua Hou, doctorant à l’Université de Californie à Berkeley, a contribué à l’étude. Pierson a également rendez-vous avec Weill Cornell Medicine.
Plus d’information:
Divya Shanmugam et al, Quantification des disparités en matière de violence conjugale : une méthode d’apprentissage automatique pour corriger la sous-déclaration,npj Santé des femmes(2024). DOI : 10.1038/s44294-024-00011-5
Fourni par l’Université Cornell
Citation: Un nouveau modèle montre une image plus réaliste de la violence conjugale (24 juin 2024) récupéré le 24 juin 2024 sur
Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni seulement pour information.