基于多污染物贝叶斯核机器回归和深度学习早期预警框架的空气质量健康指数的构建

科学领域:

• 环境健康 环境健康
• 公共卫生管理 公共卫生管理
• 数据科学在健康中的数据科学

背景情况:

• 传统的空气质量健康指数 (AQHI) 缺乏强大的污染物选择和共同变量考虑.
• 现有的AQHI方法无法捕捉复杂的污染物相互作用,限制了准确的健康风险评估.
• 公共卫生管理需要改进的工具,以有效地描述空气污染的健康风险和预警.

研究的目的:

• 使用机器学习和贝叶斯核机器回归 (BKMR) 开发一个优化的空气质量健康指数 (AQHI).
• 将增强的AQHI与传统指数在不同人群中表征健康风险方面的表现进行比较.
• 创建基于深度学习的早期预警模型,以更好地识别高风险空气污染事件.

主要方法:

• 利用来自武汉 (2017-2019) 的多源数据进行模型构建.
• 采用机器学习和BKMR来优化AQHI开发,包括共变量选择 (例如温度,NDVI) 和污染物相互作用分析 (PM2.5和NO2).
• 开发了一个早期预警系统的深度学习模型,将其性能与传统方法进行比较.

主要成果:

• 优化的AQHI显示,与标准AQHI和CRI-AQHI相比,非意外住院 (3.80%),心血管患者 (4.74%) 和老年人 (4.82%) 的风险表征优越.
• 确定了PM2.5和NO2之间的显著相互作用,以及关键的环境共变量.
• 早期预警模型显示了实质性的改进,R2从0.76增加到0.81,F1得分从0.32增加到0.79.

结论:

• 增强的AQHI在分析污染物相互作用,描述健康风险和识别高风险事件方面提供了卓越的能力.
• 研究结果支持制定基于证据的环境健康政策和优化公共卫生预警系统.
• 该研究为与空气污染相关的增强风险沟通策略提供了基础.