Оценка уязвимости района к вспышкам передозировок и инфекционных заболеваний с помощью машинного обучения

Во многих районах Соединенных Штатов Америки (США) наблюдается высокий уровень передозировок и вспышек инфекций, передающихся через кровь, включая ВИЧ и вирус гепатита С (ВГС), из-за нестерильного употребления инъекционных наркотиков. Наша цель — выявить районы с повышенной уязвимостью к передозировкам и вспышкам инфекционных заболеваний в Род-Айленде, США. Основной целью было опробовать методы машинного обучения, чтобы определить, какие факторы на уровне района важны для создания «баллов оценки уязвимости» по всему штату. Вторичная цель заключалась в привлечении заинтересованных сторон для опробования интерактивного картографического инструмента и визуализации результатов.

Методы: С сентября 2018 года по ноябрь 2019 года мы провели оценку уязвимости на уровне района и осуществили процесс вовлечения заинтересованных сторон под названием «Проект VILLAGE» (Vulnerability Investigation of underlying Local risk And Geographic Events). Мы разработали модель прогнозного анализа с использованием методов машинного обучения (LASSO, Elastic Net и RIDGE) для выявления районов с повышенной уязвимостью к вспышкам передозировок, ВИЧ и ВГС, используя подсчеты смертей от передозировок на уровне переписных участков в качестве косвенного показателя моделей употребления инъекционных наркотиков и связанных с ними последствий для здоровья. Заинтересованные стороны проанализировали инструменты картирования на предмет достоверности и распространения в сообществе.

Результаты: Модели прогнозирования на основе машинного обучения подходят для оценки относительной уязвимости района к вспышке. Переменные, имеющие значение для модели, включали в себя: бремя расходов на жилье, предыдущие случаи смерти от передозировки, плотность застройки и уровень образования. Восемьдесят девять переписных участков (37%), в которых ранее не было смертей от передозировки, были определены как уязвимые для такой вспышки, и девять из них были определены как имеющие оценку уязвимости в пределах верхних 25%. Результаты были распространены в виде карты стратификации уязвимости и интерактивного картографического онлайн-инструмента.

Выводы: Методы машинного обучения хорошо подходят для прогнозирования районов с повышенной уязвимостью к вспышкам передозировок и инфекционных заболеваний. Эти методы перспективны в качестве инструмента для оценки структурной уязвимости и работы по предотвращению вспышек на местном уровне.

Вы можете прочитать статью полностью ПО ЭТОЙ ССЫЛКЕ.

Поделиться записью