El aprendizaje automático puede ayudar a los funcionarios de salud pública a identificar a los niños con mayor riesgo de intoxicación por plomo, lo que les permite concentrar sus recursos limitados en prevenir las intoxicaciones en lugar de remediar los hogares solo después de que un niño sufre niveles elevados de plomo en la sangre, según muestra un nuevo estudio.
Rayid Ghani, profesor de carrera distinguido en el Departamento de Aprendizaje Automático de la Universidad Carnegie Mellon y el Colegio de Sistemas de Información y Políticas Públicas de Heinz, dijo que el Departamento de Salud Pública de Chicago CDPH implementó un programa de intervención basado en el nuevo modelo de aprendizaje automático y los hospitales de Chicagoestán en medio de hacer lo mismo. Otras ciudades también están considerando replicar el programa para abordar el envenenamiento por plomo, que sigue siendo un importante problema de salud ambiental en los Estados Unidos.
en un estudio publicado hoy en la revista Red JAMA abierta , Ghani y sus colegas de la Universidad de Chicago y el CDPH informan que su modelo de aprendizaje automático es aproximadamente el doble de preciso para identificar a los niños en alto riesgo que los modelos anteriores más simples, e identifica de manera equitativa a los niños independientemente de su raza u origen étnico.
Los niveles elevados de plomo en sangre pueden causar daños neurológicos irreversibles en los niños, incluidos retrasos en el desarrollo e irritabilidad. La pintura a base de plomo en viviendas antiguas es la fuente típica de envenenamiento por plomo. Sin embargo, la práctica estándar de salud pública ha sido esperar hasta que los niños sean identificados conniveles elevados de plomo y luego arreglar sus condiciones de vida.
"La remediación puede ayudar a otros niños que vivirán allí, pero no ayuda al niño que ya ha sido lesionado", dijo Ghani, quien dirigió el estudio mientras estaba en la facultad de la Universidad de Chicago. "Prevenciónes la única forma de lidiar con este problema. La pregunta es: ¿Podemos ser proactivos en la asignación de recursos limitados de inspección y remediación? "
Los primeros intentos de diseñar modelos informáticos predictivos basados en factores como la vivienda, el estado económico, la raza y la geografía tuvieron un éxito limitado, dijo Ghani. Por el contrario, el modelo de aprendizaje automático que ideó su equipo es más complicado y tiene en cuenta más factores, incluidos 2.5 millones de análisis de sangre de vigilancia, 70,000 investigaciones de plomo de salud pública, 2 millones de permisos de construcción y violaciones, así como la edad, el tamaño y el estado de la vivienda, y datos sociodemográficos del Censo de EE. UU.
Este enfoque más sofisticado identificó correctamente a los niños con mayor riesgo de intoxicación por plomo el 15,5% de las veces, aproximadamente el doble de la tasa de los modelos predictivos anteriores. Esa es una mejora significativa, dijo Ghani. Por supuesto, la mayoría de los departamentos de salud actualmente no lo estánidentificando a cualquiera de estos niños de manera proactiva, agregó.
El estudio también mostró que el modelo de aprendizaje automático identificó a estos niños de alto riesgo de manera equitativa. Ese es un problema con el sistema actual, donde los niños negros e hispanos tienen menos probabilidades de someterse a pruebas de niveles de plomo en sangre que los niños blancos, dijo Ghani.
Además de Ghani, el equipo de investigación incluyó a Eric Potash y Joe Walsh de la Escuela de Políticas Públicas Harris de la Universidad de Chicago; Emile Jorgensen, Nik Prachand y Raed Manour de CDPH; y Corland Lohff del Distrito de Salud del Sur de Nevada. The RobertLa Fundación Wood Johnson apoyó esta investigación.
Fuente de la historia :
Materiales proporcionado por Universidad Carnegie Mellon . Original escrito por Byron Spice. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :