El entorno urbano construido como predictor de enfermedades coronarias: Un estudio transversal basado en aprendizaje automático

La relación entre las enfermedades coronarias (coronary heart disease, CHD) y los complejos entornos urbanos construidos sigue siendo objeto de considerable incertidumbre. El desarrollo de modelos predictivos mediante aprendizaje automático para explorar los mecanismos subyacentes de esta asociación, así como la formulación de políticas de intervención y estrategias de planificación, se ha convertido en un área fundamental de investigación.

Se recopiló un conjunto de datos transversales de ingresos hospitalarios por cardiopatía coronaria a lo largo de un año procedentes de un hospital de la ciudad de Dalian (China) y se compararon con datos de múltiples fuentes sobre el entorno construido a través de las direcciones residenciales. En este estudio se evalúan cinco modelos de aprendizaje automático, entre ellos el árbol de decisión (DT), el bosque aleatorio (RF), el eXtreme gradient boosting (XGBoost), el perceptrón multicapa (MLP) y la máquina de vectores de apoyo (SVM), y se comparan con modelos de regresión lineal múltiple.

Los resultados muestran que DT, RF y XGBoost tienen una capacidad de predicción superior, con valores R2 superiores a 0,70. El modelo DT obtuvo los mejores resultados, con valores R2 superiores a 0,70. El modelo DT obtuvo los mejores resultados, con un valor R2 de 0,818, y el mejor rendimiento se basó en métricas como MAE y MSE. Además, utilizando técnicas de IA explicable, este estudio revela la contribución de diferentes factores del entorno construido a la CHD e identifica los factores significativos que influyen en la CHD en regiones frías, clasificados como edad, Modelo Digital de Elevación (DEM), precio de la vivienda (HP), factor de vista al cieloEl factor de vista al cielo corresponde a un indicador que mide la fracción del cielo visible desde un punto determinado en la superficie del suelo. Se usa mucho en climatología urbana, arquitectura bioclimática y diseño... (SVFSVF es la sigla de "sky view factor" que al español se traduce como "factor de vista al cielo". Corresponde a un indicador que mide la fracción del cielo visible desde un punto determinado en la...) y factores de interacción.

Los análisis estratificados por edad y sexo muestran variaciones en los factores influyentes para los distintos grupos: para los menores de 60 años, la densidad de las carreteras es el factor más influyente; para el grupo de 61-70 años, el precio de la vivienda es el factor más importante; para el grupo de 71-80 años, la edad es el factor más significativo; para los mayores de 81 años, la altura del edificio es el factor principal; en los hombres, el PIB es el factor más influyente; y en las mujeres, la edad es el factor más influyente.

Este estudio explora la viabilidad y el rendimiento del aprendizaje automático en la predicción del riesgo de enfermedades cardiovasculares en el entorno construido de las regiones frías y proporciona una metodología y un flujo de trabajo completos para predecir el riesgo de enfermedades cardiovasculares basándose en factores refinados del entorno construido a nivel de barrio, ofreciendo apoyo científico para la construcción de ciudades saludables sostenibles.

Título Original:

"Urban Built Environment as a Predictor for Coronary Heart Disease—A Cross-Sectional Study Based on Machine Learning"

Autor/es: