用人工智能发现美国被误记死因的新冠死亡病例

本研究采用机器学习方法，重新评估了美国在新冠疫情早期（2020年3月至2021年12月）的真实新冠死亡人数。研究人员以医院内死亡病例（此时新冠检测普遍且规范，死亡原因判定准确度高）为“黄金标准”训练模型，再用该模型预测医院外（如家中、临终关怀机构、急诊室等）发生的、未被正确归因为新冠的死亡。结果表明：全美新冠死亡总数应为约99.6万例，而官方仅报告84.0万例，存在15.5万例漏报（95%不确定性区间：15.0–16.1万例），相当于漏报率达19%。漏报并非均匀发生——在家中去世者漏报最严重（官方仅报告6.9万例，模型预测达18.1万例，漏报超11万例）；南部地区（如阿拉巴马州、俄克拉荷马州）、西班牙裔、非裔、印第安与阿拉斯加原住民、亚裔群体，以及教育程度低于高中、居住在低收入或基础健康状况较差县区的人群，漏报比例显著更高。研究指出，这种不均衡漏报并非偶然，而是暴露出美国死亡调查体系深层的结构性不公：资源分配不均（如法医资金不足、人员培训参差）、系统性偏见（如种族歧视、阶级歧视、残障歧视）、社区信任缺失及疫情污名化等因素共同导致弱势群体的新冠死亡更难被准确识别和登记。这一发现不仅修正了疫情死亡数据，更警示：若死亡统计本身存在系统性偏差，将掩盖真实健康不平等，进而削弱公共卫生响应的公平性与有效性。未来需加强死亡调查体系建设，推动制度性改革，而非仅依赖技术手段补救。