Predicting county-level diagnosed diabetes prevalence in the United States using explainable gradient boosting and geographic interpretation
Deze studie maakt gebruik van een uitlegbare LightGBM-framework geïntegreerd met diverse publieke databronnen om de prevalentie van gediagnosticeerde diabetes op county-niveau in de Verenigde Staten nauwkeurig te voorspellen en geografisch te interpreteren, waarbij armoede en voedselonzekerheid worden geïdentificeerd als dominante structurele drijfveren, terwijl wordt benadrukt dat de resulterende inzichten dienen als modelgebaseerde verklaringen en niet als causale effecten.