健康与位置关系: 环境与人口统计数据的变量重要性及可解释机器学习
机器学习
2025-01-07 v1
摘要
健康结果取决于复杂的环境和人口统计因素，其影响随位置和时间而变。近期，细粒度的空间和时间数据变得可用于研究这些影响，具体指的是英语健康、环境和人口统计信息的 MEDSAT 数据集。利用这一新资源，我们使用多种变量重要性技术来稳健地识别多个健康结果中最具信息量的预测因子。然后，我们开发了一个基于广义可加模型(GAMs)和多尺度地理加权回归(MGWR)的可解释机器学习框架，用于分析每个变量在各种健康结果中的局部和全局空间依赖。我们的发现确定了 NO2 作为哮喘、高血压和焦虑的全局预测因子，以及与职业、婚姻和植被相关的其他结果特定预测因子。区域性分析揭示了空气污染和太阳辐射的局部变化，在疫情期间出现显著变化。这一全面的方法为解决健康差异提供了可操作的见解，主张在公共卫生领域整合可解释机器学习。
引用
@article{arxiv.2501.02111,
title = {How Your Location Relates to Health: Variable Importance and Interpretable Machine Learning for Environmental and Sociodemographic Data},
author = {Ishaan Maitra and Raymond Lin and Eric Chen and Jon Donnelly and Sanja Šćepanović and Cynthia Rudin},
journal= {arXiv preprint arXiv:2501.02111},
year = {2025}
}
备注
AAAI