Новое исследование показывает, что машинное обучение может помочь должностным лицам общественного здравоохранения выявлять детей, наиболее подверженных риску отравления свинцом, позволяя им сконцентрировать свои ограниченные ресурсы на предотвращении отравлений, а не на восстановлении дома только после того, как ребенок страдает повышенным уровнем свинца в крови.
Райид Гани, заслуженный профессор кафедры машинного обучения Университета Карнеги-Меллона и Колледжа информационных систем и государственной политики Хайнца, сказал, что Департамент общественного здравоохранения Чикаго (CDPH) реализовал программу вмешательства, основанную на новой модели машинного обучения, и больницы Чикаго находятся в посреди делать то же самое. Другие города также рассматривают возможность тиражирования программы по борьбе с отравлением свинцом, которое остается серьезной проблемой для здоровья окружающей среды в Соединенных Штатах.
В исследовании, опубликованном сегодня в журнале JAMA Network Open , Гани и его коллеги из Чикагского университета и CDPH сообщают, что их модель машинного обучения примерно в два раза точнее в идентификации детей из группы высокого риска, чем предыдущие, более простые модели, и справедливо идентифицирует детей независимо от своей расы или этнической принадлежности.
Повышенный уровень свинца в крови может вызвать у детей необратимые неврологические нарушения, включая задержку развития и раздражительность. Краска на основе свинца в старых жилищах - типичный источник отравления свинцом. Тем не менее, стандартная практика общественного здравоохранения заключалась в том, чтобы ждать, пока у детей будет выявлен повышенный уровень свинца, а затем исправлять условия их жизни .
«Реабилитация может помочь другим детям, которые будут жить там, но она не поможет ребенку, который уже получил травму», - сказал Гани, который был руководителем исследования, когда работал на факультете Чикагского университета. «Профилактика - единственный способ справиться с этой проблемой. Возникает вопрос: можем ли мы быть активными в выделении ограниченных ресурсов для проверки и восстановления?»
По словам Гани, ранние попытки разработать компьютерные модели для прогнозирования, основанные на таких факторах, как жилье, экономический статус, раса и географическое положение, увенчались лишь ограниченным успехом. Напротив, модель машинного обучения, разработанная его командой, более сложна и учитывает больше факторов, в том числе 2,5 миллиона контрольных анализов крови, 70000 исследований, проводимых общественным здравоохранением, 2 миллиона разрешений на строительство и нарушений, а также возраст, размер и состояние жилья. и социально-демографические данные переписи населения США.