使用梯度增强机器预测医疗保健设施对气候的影响

科学领域:

• 环境科学环境科学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 医疗保健对美国温室气体 (GHG) 排放 (9-10%) 的贡献很大.
• 医院级温室气体排放监测对于行业脱碳至关重要.
• 准确收集排放估计数据是一个挑战,特别是对于较小的医院.

研究的目的:

• 探索梯度增强机 (GBM) 在归因医院温室气体排放计算缺少的资源消耗数据方面的有效性.
• 评估使用易于获取的行政数据用于此归算过程的可行性.

主要方法:

• 在实践绿色健康中使用了来自283家医院的2020年调查数据集.
• 使用梯度增强机 (GBM) 来计算电力,牛肉和德斯弗消耗的缺失值.
• 在归算模型中使用了大多数医院可以访问的行政数据.

主要成果:

• GBM成功预测了电力和牛肉消耗 (R2=0.82) 和德斯弗使用 (R2=0.51).
• 估计来自电力,牛肉和德斯弗的温室气体排放总量超过300万公的二氧化碳等价物 (MTCO2e) 在医院.
• 电力消费占最大的碳足迹 (2.4 MTCO2e),其次是牛肉 (0.6 万MTCO2e) 和脱氨酸 (0.03 万MTCO2e).

结论:

• 梯度增强机提供了一种可行的方法,用于归纳缺少的医院资源消耗数据以估计温室气体排放.
• 该方法可以帮助各个医院估计其总排放量,并完善数据收集策略.
• 该方法支持制定针对医疗保健部门脱碳的有针对性的干预措施.