Модели машинного обучения выявляют детей, подверженных риску отравления свинцом: упреждающий подход фокусирует ограниченные ресурсы здравоохранения там, где они наиболее необходимы

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) внедрил 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 при 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.

Свинцовая краска для старых домов – 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 не поможет ребенку, который уже получил травму», – сказал Гани, который был руководителем исследования на факультете Чикагского университета. "Профилактика – единственный способ решить эту проблему. Возникает вопрос: можем ли мы активно выделять ограниченные ресурсы для проверки и исправления??"

По словам Гани, ранние попытки разработать прогнозирующие компьютерные модели, основанные на таких факторах, как жилье, экономический статус, раса и география, увенчались лишь ограниченным успехом. Напротив, модель машинного обучения, разработанная его командой, более сложна и учитывает больше факторов, в том числе 2.5 миллионов контрольных анализов крови, 70 000 исследований общественного здравоохранения, 2 миллиона разрешений на строительство и нарушений, а также возраст, размер и состояние жилья, а также социально-демографические данные из Соединенного Королевства.S.

Перепись.
Этот более изощренный подход позволяет правильно определить детей, подвергающихся наибольшему риску отравления свинцом 15.5% случаев – примерно вдвое больше, чем у предыдущих моделей прогнозирования. По словам Гани, это значительное улучшение. Конечно, большинство отделов здравоохранения в настоящее время не выявляют этих детей заранее, добавил он.

Исследование также показало, что модель машинного обучения выявляет этих детей из группы высокого риска справедливо. Это проблема нынешней системы, в которой дети чернокожего и латиноамериканского происхождения с меньшей вероятностью будут проверены на уровень свинца в крови, чем белые дети, сказал Гани.

Помимо Гани, в исследовательскую группу входили Эрик Поташ и Джо Уолш из Школы государственной политики им. Харриса Чикагского университета; Эмиль Йоргенсен, Ник Прачанд и Райд Манур из CDPH; и Корланд Лофф из Медицинского округа Южной Невады.

Фонд Роберта Вуда Джонсона поддержал это исследование.

Пластиковые машины