解码城市—健康关联：可解释机器学习基于交织城市特征揭示癌症患病率
机器学习
2023-06-26 v2 计算机与社会
摘要
本研究探讨了社会人口统计、建成环境特征与环境污染暴露特征在决定社区层面癌症患病率中的相互作用。研究利用美国五个大都市统计区：芝加哥、达拉斯、休斯顿、洛杉矶和纽约的数据，采用XGBoost机器学习模型预测癌症患病率程度并评估不同特征的重要性。我们的模型表现出可靠性能，结果表明年龄、少数族裔地位和人口密度是癌症患病率最具影响力的因素之一。我们进一步探索可缓解癌症患病率的城市发展与设计策略，重点关注绿地、已开发区域与总排放量。通过一系列基于因果推断的实验评估，结果显示增加绿地、减少已开发区域与总排放量可缓解癌症患病率。本研究与发现增进了对城市特征与社区健康之间相互作用的理解，并展示了可解释机器学习模型在促进公共健康的综合城市设计中的价值。发现还为城市规划与设计提供了可操作的见解，强调需要通过综合城市设计策略以多面手法应对城市健康差异。
引用
@article{arxiv.2306.11847,
title = {Decoding Urban-health Nexus: Interpretable Machine Learning Illuminates Cancer Prevalence based on Intertwined City Features},
author = {Chenyue Liu and Ali Mostafavi},
journal= {arXiv preprint arXiv:2306.11847},
year = {2023}
}