热健康预警系统中识别阈值的机器学习方法
统计方法学
2021-10-22 v1
摘要
在过去二十年中，许多国家或城市建立了热健康预警系统，以便在某热指标超过预定阈值时向公共卫生当局发出警报。世界各地考虑了不同的方法来建立阈值，各有其优缺点。共同点是，当前方法基于暴露-反应函数估计，在许多情况下可能失效。本文旨在利用健康问题和环境指标的历史数据，提出若干数据驱动的方法来建立阈值。所提方法包括基于模型的回归树（MOB）、多元自适应回归样条（MARS）、患者规则归纳方法（PRIM）和自适应指数模型（AIM）。这些方法侧重于在指标与健康结局的关联中寻找相关分割点，但方式各异。一项模拟研究和真实案例研究在此比较了所讨论的方法。结果表明，所提方法在预测不良日方面优于当前阈值和基准方法。不过结果也表明，根据情景或案例，PRIM 总体上是更可靠、结果变异性较低的方法。
引用
@article{arxiv.2110.10625,
title = {Machine learning approaches to identify thresholds in a heat-health warning system context},
author = {Pierre Masselot and Fateh Chebana and Céline Campagna and Eric Lavigne and Taha B. M. J. Ouarda and Pierre Gosselin},
journal= {arXiv preprint arXiv:2110.10625},
year = {2021}
}