בארצות הברית ממשיכות אימהות ותינוקות למות בשיעורים חריגים בהשוואה למדינות מפותחות אחרות, ובקרב מבוטחות מדיקייד המצב חמור במיוחד, עם פערים גזעיים בוטים שמותירים נשים שחורות בסיכון גבוה בהרבה מנשים לבנות. תוכניות מדיקייד רבות מנסות להתמודד עם הבעיה באמצעות תוכניות טיפול משופר, אך נתקלות בקושי מרכזי: איך מזהים בזמן את הנשים שדווקא הן תרוויח הכי הרבה מהתערבות מוקדמת, כשרוב כלי הניבוי הקיימים מתבססים על היסטוריה רפואית ואשפוזים קודמים ולכן מפספסים נשים שלא מגיעות באופן קבוע למעקב הריון?
המאמר בוחן שאלה שנשמעת פשוטה אך יש לה השלכות דרמטיות: האם שילוב נתונים חברתיים, כמו הכנסה, נגישות לשירותי בריאות ותנאי מגורים, לתוך מודל למידת מכונה יחד עם נתונים קליניים, יכול לשפר את היכולת לזהות מבעוד מועד הריונות בסיכון, ובאותה נשימה לצמצם את הפערים הגזעיים בזיהוי הזה, ולא להעמיק אותם כפי שאלגוריתמים מבוססי נתונים נוטים לעשות לעיתים?
כדי לבחון זאת, נותחו נתונים רטרוספקטיביים של קרוב ל-190,000 נשים מבוטחות מדיקייד מ-26 מדינות ומוושינגטון די סי, ששולבו עם נתוני גורמים חברתיים ברמת המחוז. באמצעות אלגוריתם למידת מכונה מתקדם נבחנו שני מודלים, האחד המבוסס על נתונים קליניים בלבד והשני שמוסיף להם משתנים חברתיים, וההשוואה ביניהם נועדה לחשוף לא רק את מידת הדיוק בזיהוי מוקדם, אלא גם את השאלה העמוקה יותר בדבר הקשר בין דיוק סטטיסטי לצדק בריאותי.
