研究人员使用机器学习来预测福祉——不仅是客观的身体状况，还包括主观的整体健康——作为人口、社会经济和地理因素的函数。

在这个过程中，团队发现社会经济变量，尤其是工作不满和经济压力，具有特殊的预测能力，可以帮助解释个人层面的身体健康和整体健康之间的差距。

研究人员建议，这些见解可以为旨在避免不良结果的干预措施和其他护理决策提供信息。

该团队训练和测试他们的机器学习模型的亚群包括退伍。数据来源为盖洛普 2014 年至 2017 年每日跟踪调查。

该研究报告将在 6 月版的《生物与医学计算机》中发表。

作者写道，在临床环境中，在预测模型中适当加权社会经济变量“将提供创建实时和个性化反馈的机会，以帮助个人提高生活质量。”

他们表示，他们的发现可能适用于比退伍更广泛的弱势群体。

该研究的主要作者是斯坦福大学以人为本人工智能研究所和退伍事务部国家人工智能研究所的 Christos Makridis 博士。