Reconstrucción de casos de lesiones de peatones mediante fusión de datos y aprendizaje automático

Área de la Ciencia:

• Seguridad Vial
• Ingeniería Biomecánica
• Ciencia de Datos

Sus antecedentes:

• Las lesiones de peatones por choques de vehículos de motor están aumentando en los EE. UU.
• Los datos policiales existentes carecen de detalles completos sobre choques y lesiones, lo que dificulta la investigación.
• Los datos precisos son cruciales para desarrollar estrategias efectivas de protección de peatones.

Objetivo del estudio:

• Desarrollar un enfoque de aprendizaje automático para imputar datos faltantes de choques en incidentes de peatones.
• Combinar datos de simulación y de campo para un mejor análisis de choques de peatones.
• Mejorar la precisión del modelado del riesgo de lesiones de peatones.

Principales métodos:

• Se generaron 9.000 simulaciones MADYMO con parámetros de choques variables.
• Se entrenaron modelos sustitutos de procesos gaussianos (GP) para predecir los riesgos de lesiones.
• Se utilizó la estimación de máxima verosimilitud para imputar las velocidades faltantes de los vehículos en los datos de trauma.

Principales resultados:

• La distribución de la velocidad del vehículo imputada coincidió estrechamente con el conjunto de datos del Pedestrian Crash Data Study (PCDS).
• Las velocidades reconstruidas de los vehículos en casos de CIREN mostraron una pequeña desviación promedio (9 kph) de los métodos basados en la física.
• Los riesgos de lesiones predichos se alinearon con los niveles observados de la Escala Abreviada de Lesiones (AIS).

Conclusiones:

• El aprendizaje automático reconstruye eficazmente los datos faltantes de choques, en particular la velocidad del vehículo.
• El enfoque propuesto mejora el modelado y el análisis del riesgo de lesiones de peatones.
• Este enfoque apoya los avances en la investigación de protección de peatones.