机器学习模型识别有铅中毒风险的孩子

一项新的研究显示，机器学习可以帮助公共卫生官员识别最可能遭受铅中毒风险的儿童，使他们能够将有限的资源集中在预防中毒上，而不是在儿童血铅水平升高后才去修复家庭。

卡内基梅隆大学机器学习部门和亨氏信息系统和公共政策学院的杰出职业教授Rayid Ghani说，芝加哥公共卫生部门(CDPH)已经实施了一个基于新的干预计划机器学习model和芝加哥的医院也在做同样的事情。其他城市也在考虑复制该计划，以解决铅中毒问题。铅中毒在美国仍然是一个重大的环境健康问题。

在今天发表在杂志上的一项研究中《美国医学会杂志》网络开放美国芝加哥大学(University of Chicago)和CDPH的加尼及其同事报告称，他们的机器学习模型在识别高危儿童方面的准确率大约是以前更简单的模型的两倍，而且能够公平地识别儿童，而不考虑其种族或民族。

升高血铅水平会对儿童造成不可逆转的神经损伤，包括发育迟缓和易怒。老式房屋中的含铅涂料是铅中毒的典型来源。然而，标准的公共卫生做法是，等到儿童被确认铅含量升高后，再对其进行修复生活条件。

加尼说:“补救措施可以帮助其他将来会住在那里的孩子，但不能帮助已经受伤的孩子。”加尼在芝加哥大学任教时是这项研究的领导者。“预防是解决这个问题的唯一途径。问题变成了:我们能否主动分配有限的检查和补救资源?”

加尼说，早期基于住房、经济地位、种族和地理等因素设计预测计算机模型的尝试只取得了有限的成功。相比之下,他的团队设计了机器学习模型更加复杂和考虑更多的因素,其中包括250万监测血液测试,70000年公共卫生调查,200万建筑许可和侵犯,以及年龄,大小和住房条件,社会人口来自美国人口普查局的数据。

这种更复杂的方法正确地识别出高危儿童铅中毒时间的15.5%——大约是以前预测模型的两倍。这是一个显著的改善，加尼说。他补充说，当然，大多数卫生部门目前还没有主动确认这些儿童中的任何一个。

研究还表明，机器学习模型公平地识别出这些高危儿童。这是当前体系的一个问题，黑人和西班牙裔儿童接受血铅水平检测的可能性比白人儿童低孩子们,甘尼说。

除了加尼，研究小组还包括芝加哥大学哈里斯公共政策学院的埃里克·波塔什和乔·沃尔什;CDPH的Emile Jorgensen, Nik Prachand和Raed Manour;以及南内华达健康区Corland Lohff。罗伯特·伍德·约翰逊基金会支持这项研究。

---

---