論文の概要: Decoding Urban-health Nexus: Interpretable Machine Learning Illuminates
Cancer Prevalence based on Intertwined City Features
- arxiv url: http://arxiv.org/abs/2306.11847v1
- Date: Tue, 20 Jun 2023 18:56:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 15:55:38.715433
- Title: Decoding Urban-health Nexus: Interpretable Machine Learning Illuminates
Cancer Prevalence based on Intertwined City Features
- Title（参考訳）: 都市保健Nexusのデコード:都市間特徴に基づく解釈可能な機械学習イルミネート
- Authors: Chenyue Liu, Ali Mostafavi
- Abstract要約: 年齢、少数派、人口密度は、がんの流行の最も大きな要因である。
緑地の増加、開発途上国の減少、総排出量の削減は、がんの流行を緩和する可能性がある。
- 参考スコア（独自算出の注目度）: 1.4010916616909745
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study investigates the interplay among social demographics, built
environment characteristics, and environmental hazard exposure features in
determining community level cancer prevalence. Utilizing data from five
Metropolitan Statistical Areas in the United States: Chicago, Dallas, Houston,
Los Angeles, and New York, the study implemented an XGBoost machine learning
model to predict the extent of cancer prevalence and evaluate the importance of
different features. Our model demonstrates reliable performance, with results
indicating that age, minority status, and population density are among the most
influential factors in cancer prevalence. We further explore urban development
and design strategies that could mitigate cancer prevalence, focusing on green
space, developed areas, and total emissions. Through a series of experimental
evaluations based on causal inference, the results show that increasing green
space and reducing developed areas and total emissions could alleviate cancer
prevalence. The study and findings contribute to a better understanding of the
interplay among urban features and community health and also show the value of
interpretable machine learning models for integrated urban design to promote
public health. The findings also provide actionable insights for urban planning
and design, emphasizing the need for a multifaceted approach to addressing
urban health disparities through integrated urban design strategies.
- Abstract（参考訳）: 本研究は,社会階層間の相互作用,構築された環境特性,および地域レベルでのがんの有病率を決定する環境ハザード曝露の特徴について検討する。
米国内の5つの大都市圏(シカゴ、ダラス、ヒューストン、ロサンゼルス、ニューヨーク)のデータを利用して、研究はXGBoost機械学習モデルを実装し、がんの流行の程度を予測し、異なる特徴の重要性を評価する。
以上の結果から, 年齢, マイノリティ, 人口密度ががん罹患率に最も影響を及ぼす要因の1つであることが示唆された。
我々はさらに,グリーンスペース,先進地域,総排出量に焦点をあてて,がんの有病率を低減できる都市開発と設計戦略を探求する。
因果推論に基づく一連の実験的評価の結果, 緑地の増加と先進地域の減少, 総排出量の削減は, がんの有病率を緩和する可能性が示唆された。
この研究と知見は、都市の特徴と地域保健の相互作用をよりよく理解し、また、都市統合型デザインのための解釈可能な機械学習モデルが公衆衛生を促進する価値を示している。
この発見はまた、統合型都市デザイン戦略による都市の健康格差に対処するための多面的なアプローチの必要性を強調しながら、都市計画とデザインに効果的な洞察を提供する。
関連論文リスト
- ML4EJ: Decoding the Role of Urban Features in Shaping Environmental
Injustice Using Interpretable Machine Learning [1.616733806935934]
本研究は, 大気汚染, 都市熱, 洪水の3つの主要な危険因子の曝露格差に対する各種都市特性の影響を解析するために, 解釈可能な機械学習モデルを構築した。
この性能は、都市の特徴の変化が環境の危険度にどの程度の違いがあるかを測定するために用いられる。
本研究から得られた知見は, 都市の特徴と環境リスク曝露格差との相互作用について, 新たな視点を与えるものである。
論文 参考訳（メタデータ） (2023-10-03T22:48:58Z) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳（メタデータ） (2023-08-24T16:20:00Z) - Agent-Based Model: Simulating a Virus Expansion Based on the Acceptance
of Containment Measures [65.62256987706128]
比較疫学モデルは、疾患の状態に基づいて個人を分類する。
我々は、適応されたSEIRDモデルと市民のための意思決定モデルを組み合わせたABMアーキテクチャを提案する。
スペイン・ア・コルナにおけるSARS-CoV-2感染症の進行状況について検討した。
論文 参考訳（メタデータ） (2023-07-28T08:01:05Z) - Optimization of the location and design of urban green spaces [3.58439716487063]
この研究は、公園のアクセシビリティ、流通、デザインを改善するための意思決定者を支援するために、オペレーティング・リサーチからの古典的なツールの応用を紹介している。
都市の緑地計画において,都市レベルでの意思決定を支援するテンプレートモデルとして,2段階の公正な施設配置と設計モデルを提案する。
論文 参考訳（メタデータ） (2023-03-13T15:37:21Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳（メタデータ） (2022-11-18T03:26:31Z) - Graph Attention Networks Unveil Determinants of Intra- and Inter-city
Health Disparity [0.0]
複数の異質な都市の特徴は、都市や異なる都市の様々な地区で病気の流行を調節する可能性がある。
本研究は, 肥満, 糖尿病, 癌, 心臓病の4病型において, 人口動態, 人口動態, 人口移動, 都市内および都市間格差について検討した。
論文 参考訳（メタデータ） (2022-10-18T20:17:17Z) - An Urban Population Health Observatory for Disease Causal Pathway
Analysis and Decision Support: Underlying Explainable Artificial Intelligence
Model [0.966840768820136]
本研究は,既存の都市人口健康観測所(UPHO)を拡充することを目的としている。
機械学習とセマンティック/論理的推論を利用する凝集的なアプローチは、疾患につながる経路を明らかにする。
UPHOの応用は、健康格差を減らし、都市住民の健康を改善するのに役立つ。
論文 参考訳（メタデータ） (2022-07-26T15:59:22Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳（メタデータ） (2022-07-19T16:15:11Z) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳（メタデータ） (2022-04-24T07:38:37Z) - Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。
我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。
フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
論文 参考訳（メタデータ） (2021-04-30T12:47:52Z) - Exposure Density and Neighborhood Disparities in COVID-19 Infection
Risk: Using Large-scale Geolocation Data to Understand Burdens on Vulnerable
Communities [1.2526963688768453]
本研究では,高空間・時間分解能の近傍活動レベルを定量化する手法を開発した。
本研究では, 露光密度を, 特定地域における局所的な活動量と非居住地および屋外土地利用における活動量の比率の尺度として定義する。
論文 参考訳（メタデータ） (2020-08-04T15:41:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。