您现在的位置是:首页 >新闻频道 > 新闻 > 2020-09-17 09:33:16

机器学习模型识别有铅中毒风险的孩子

一项新的研究表明,机器学习可以帮助公共卫生官员识别出最有可能发生铅中毒的儿童,从而使他们能够将有限的资源集中于预防中毒,而不是仅在儿童的血铅水平升高后才对房屋进行补救。

卡耐基梅隆大学机器学习系和亨氏信息系统与公共政策学院杰出职业教授Rayid Ghani表示,芝加哥公共卫生部(CDPH)已基于新的机器学习模型实施了干预计划,芝加哥医院正在在做同样的事情。其他城市也正在考虑复制该计划以解决铅中毒问题,铅中毒问题在美国仍然是一个重要的环境健康问题。

在今天发表在《JAMA Network Open》杂志上的一项研究中,芝加哥大学的Ghani及其同事和CDPH报告说,他们的机器学习模型在识别高危儿童方面的准确度是以前的,更简单的模型的两倍,并且可以公平地识别儿童,无论他们的种族或种族。

高架血铅水平可导致儿童不可逆的神经损害,包括发育迟缓和烦躁。较老房屋中的含铅涂料是铅中毒的典型来源。然而,标准的公共卫生习惯是等到儿童被发现铅含量升高后再确定其生活条件。

芝加哥大学教授担任研究负责人的加尼说:“补救措施可以帮助住在这里的其他孩子,但并不能帮助已经受伤的孩子。” “预防是解决这个问题的唯一方法。问题是:我们可以主动分配有限的检查和补救资源吗?”

加尼说,早期基于住房,经济状况,种族和地理等因素设计预测性计算机模型的尝试仅获得了有限的成功。相比之下,他的团队设计的机器学习模型更加复杂,并考虑了更多因素,包括250万次监测血液测试,70000次公共卫生线索调查,200万次建筑许可和违规以及房屋的年龄,大小和状况以及来自美国人口普查的社会人口统计学数据。

这种更复杂的方法可以正确地识别出发生铅中毒风险最高的孩子,发生率是15.5%,大约是以前的预测模型的两倍。加尼说,这是一个重大的进步。他补充说,当然,大多数卫生部门目前都不会主动识别这些孩子中的任何一个。

研究还表明,机器学习模型可以公平地识别出这些高风险儿童。加尼说,这是当前系统的问题,在该系统中,黑人和西班牙裔儿童的血铅水平测试不如白人儿童。

除加尼外,研究团队还包括芝加哥大学哈里斯公共政策学院的埃里克·波塔什和乔·沃尔什。CDPH的Emile Jorgensen,Nik Prachand和Raed Manour;和内华达州南部卫生区的科兰·洛夫(Corland Lohff)。罗伯特·伍德·约翰逊基金会(Robert Wood Johnson Foundation)支持了这项研究。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。

相关文章