Integrating Machine Learning-Based Variable Selection into Heat Vulnerability Index Design

Dit onderzoek toont aan dat het integreren van machine learning-variabele selectie, met name met het Random Forest-algoritme, de prestaties van hittekwetsbaarheidsindices verbetert door de relatie met hittegerelateerde sterfte in Chicago nauwkeuriger te modelleren dan traditionele methoden.

De kern

De Hitte-Index: Een Slimme Zoektocht naar de Kwetsbaarste Buurten

Stel je voor dat Chicago een enorme, levende stad is, maar net als een mens kan hij ook 'ziek' worden van de hitte. Sommige buurten hebben het zwaarder te verduren dan andere. De vraag die deze onderzoekers zich stelden, was: Hoe vinden we precies die buurten die het hardst hulp nodig hebben, en welke factoren tellen het meest mee?

Vroeger was het een beetje zoals het raden van een recept zonder te proeven. Wetenschappers pakten een lijstje met mogelijke oorzaken (zoals armoe, ouderen, of gebrek aan airco) en gooiden ze in een grote blender (een statistische methode genaamd PCA). De blender draaide en gaf een 'Hittekwetsbaarheidsindex' (HVI) terug. Maar dit was een beetje blind: ze wisten niet zeker of de blender de juiste ingrediënten had gekozen.

Het Nieuwe Experiment: De Slimme Keuken

In dit onderzoek hebben de auteurs een nieuwe aanpak geprobeerd. Ze hebben de 'blender' vervangen door een slimme kok die gebruikmaakt van Machine Learning (kunstmatige intelligentie).

In plaats van alle ingrediënten blindelings te gebruiken, liet deze slimme kok eerst proeven: "Welke ingrediënten zorgen er echt voor dat de 'hitteziekte' (overlijdens door hitte) optreedt?" Ze testten verschillende methoden:

1. De oude manier: De standaard blender (onbeheerde PCA).
2. De traditionele kok: Gebruikmakend van simpele wiskunde (lineaire regressie).
3. De slimme koks: Machine Learning-algoritmen zoals Random Forest, Lasso en XGBoost.

Deze 'koks' keken naar de echte data van overleden mensen tijdens hittegolven in Chicago en leerden welke factoren het sterkst samenhangen met dat risico.

Wat bleek eruit? De Drie Grote Schurken

Na veel proeven en vergelijken, kwamen ze tot een verrassend duidelijk beeld. De slimme koks (vooral de Random Forest-methode) waren het meest accuraat. Ze identificeerden drie hoofdredenen waarom sommige buurten in Chicago het zwaarst te verduren hebben:

1. De Portemonnee (Armoede): Buurten waar mensen minder geld hebben, lopen het grootste risico.
2. De Koelkast (Gebrek aan Airco): Als je geen airconditioning hebt, is het in je huis een sauna tijdens een hittegolf. Dit is een enorme risicofactor.
3. De Leeftijd (Ouderen): Buurten met veel mensen van 65 jaar en ouder zijn kwetsbaarder.

Interessant detail: Factoren die je misschien zou verwachten, zoals "alleenwonend" of "diabetes", bleken in deze specifieke stad en op deze schaal minder belangrijk dan de drie bovenstaande. Het is alsof je denkt dat een auto snel is omdat hij een grote motor heeft, maar het blijkt dat de banden (de armoede en airco) het echte probleem zijn.

Waarom is dit belangrijk? De Kaart van de Stad

De onderzoekers hebben nieuwe kaarten gemaakt.

• De oude kaart (de blender) zag er een beetje vaag uit en miste soms de echte hotspots.
• De nieuwe kaart (gemaakt door de slimme AI) toonde heel duidelijk aan dat de zuidelijke en westelijke delen van Chicago het hardst getroffen worden.

Het verschil is als het verschil tussen een wazige foto en een scherpe foto. Met de scherpe foto weten de stadsmakers precies waar ze geld moeten investeren: meer airco's, meer groen, of hulpdiensten sturen naar die specifieke straten.

De Les voor de Toekomst

De belangrijkste boodschap van dit onderzoek is: Geen enkele stad is hetzelfde. Wat werkt in New York, werkt misschien niet in Chicago.

Je kunt niet zomaar een standaardrecept gebruiken voor elke stad. Je moet kijken naar de lokale situatie en de echte gevolgen (zoals overlijdens) gebruiken om te leren wat er echt gebeurt. Machine Learning helpt ons om die lokale 'recepten' veel slimmer en nauwkeuriger te maken dan ooit tevoren.

Kortom: Door slimme computers te gebruiken om naar de echte data te kijken, kunnen we nu veel beter zien wie er echt hulp nodig heeft tijdens een hittegolf, zodat we die hulp ook echt daar kunnen geven waar het het meest nodig is.

Technische samenvatting

Probleemstelling

Met de intensivering van klimaatverandering nemen de gezondheidsrisico's door extreme hitte toe. Het is cruciaal om hittekwetsbaarheid op een hoge ruimtelijke schaal nauwkeurig te beoordelen om effectieve aanpassingsstrategieën te ontwikkelen, vooral in sociaaleconomisch heterogene stedelijke omgevingen.
De huidige standaard voor het bepalen van hittekwetsbaarheid is de Heat Vulnerability Index (HVI), vaak gebaseerd op een onbewaakte (unsupervised) Principal Component Analysis (PCA) zoals voorgesteld door Reid et al. (2009). Deze methode heeft echter beperkingen:

1. Ze vertrouwt op vooraf geselecteerde, subjectieve indicatoren.
2. Ze valideert de index niet tegen daadwerkelijke gezondheidsuitkomsten (zoals sterftecijfers).
3. Ze gaat uit van lineaire relaties en kan complexe, niet-lineaire interacties tussen variabelen en gezondheidsrisico's niet volledig vastleggen.
   Dit leidt tot de vraag of onbewaakte HVIs de hittegerelateerde gezondheidsrisico's adequaat vastleggen en of geavanceerde, datagedreven methoden (zoals machine learning) de selectie van variabelen kunnen verbeteren.

Methodologie

De studie gebruikt Chicago, Illinois (VS) als casestudy, met data op het niveau van de 77 gemeenschapsgebieden (Community Areas - CAs). De onderzoekers vergeleken verschillende strategieën voor variabele selectie binnen het PCA-gebaseerde HVI-raamwerk.

Data:

• Meteorologie: Dagelijkse minimumtemperaturen en vochtigheid (1993–2019) om de "Heat Index" (HI) te berekenen. Hitte-dagen werden gedefinieerd als minimaal twee opeenvolgende dagen met een minimum HI > 70°F (21,1°C).
• Sterfte: Dagelijkse sterftecijfers (1993–2019) om hittegerelateerde excessieve sterfte te schatten (waargenomen sterfte op hitte-dagen minus verwachte sterfte).
• Kwetsbaarheidsindicatoren: 10 kandidaat-indicatoren gebaseerd op Reid et al. (2009), waaronder armoedepercentage, gebrek aan airconditioning (AC), ouderdom (>65 jaar), ras, opleidingsniveau, diabetesprevalentie en gebrek aan groen.

Aanpak:
De auteurs construeerden zes verschillende HVIs en vergeleken ze:

1. Onbewaakte HVI (Baseline): PCA toegepast op alle 10 vooraf geselecteerde indicatoren zonder gebruik van sterftedata.
2. Toezichtgebaseerde (Supervised) HVIs: Eerst variabele selectie uitgevoerd op basis van de relatie met hittegerelateerde excessieve sterfte, gevolgd door PCA op de geselecteerde subset. De gebruikte selectiemethoden waren:
   • Traditionele statistiek: Eenvoudige lineaire regressie (SLR) en Polynoom regressie (PR).
   • Machine Learning: Lasso-regressie, Random Forest (RF) en XGBoost.

Evaluatie:
De prestaties van de gegenereerde HVIs werden gevalideerd tegen de daadwerkelijke hittegerelateerde excessieve sterfte op CA-niveau. Metrieken omvatten:

• Continue metrieken: Spearman-correlatie, Mean Squared Error (MSE), Mean Absolute Error (MAE).
• Categorische metrieken: Nauwkeurigheid (Accuracy) en F1-score (naast indeling in kwartielen).
• Sensitiviteitsanalyses: Getest met alternatieve definities van hitte-dagen en leeftijdsgestandaardiseerde sterftecijfers om de robuustheid te verifiëren.

Belangrijkste Bijdragen

1. Methodologische Innovatie: De studie integreert systematisch machine learning-algoritmen (RF, XGBoost, Lasso) in het traditionele HVI-raamwerk voor variabele selectie, in plaats van alleen te vertrouwen op onbewaakte PCA of lineaire regressie.
2. Empirische Vergelijking: Het biedt een directe, datagedreven vergelijking van hoe verschillende selectiemethoden de voorspellende kracht van HVIs beïnvloeden wanneer ze worden getoetst aan real-world gezondheidsuitkomsten.
3. Locale Validatie: Het benadrukt dat er geen universele set van kwetsbaarheidsindicatoren bestaat; in plaats daarvan moeten indicatoren lokaal worden geselecteerd en gevalideerd op basis van specifieke gezondheidsuitkomsten.

Resultaten

• Beste Prestatie: De Random Forest (RF)-gebaseerde variabele selectie leverde de beste resultaten op. De daaruit voortvloeiende HVI had de hoogste Spearman-correlatie met excessieve sterfte ($\rho = 0,37$) en de beste classificatiemetingen (Accuracy = 0,49; F1-score = 0,51). Dit was significant beter dan de onbewaakte HVI ($\rho = 0,29$).
• Robuuste Indicatoren: Ongeacht de gebruikte selectiemethode bleken drie indicatoren consistent de belangrijkste determinanten van hittekwetsbaarheid in Chicago:
  1. Armoedepercentage (Poverty Rate).
  2. Gebrek aan airconditioning (No AC Access).
  3. Aandeel inwoners van 65 jaar en ouder (Age > 65).
• Minder Robuuste Indicatoren: Indicatoren zoals "Alleenwonend" (Living Alone) en "Latijns-Amerikaanse bevolking" werden door geen enkele methode consistent geselecteerd, wat suggereert dat deze op gemeenschapsniveau minder sterk correleren met hitte-sterfte in Chicago dan eerder werd gedacht.
• Ruimtelijke Patronen: Alle modellen identificeerden over het algemeen de zuidelijke en westelijke delen van Chicago als het meest kwetsbaar, maar de RF-gebaseerde kaart toonde de meest nauwkeurige ruimtelijke overeenkomst met de daadwerkelijke sterftecijfers.
• Sensitiviteit: De resultaten waren robuust onder verschillende definities van hitte-dagen en bij leeftijdsstandaardisering.

Betekenis en Conclusie

De studie concludeert dat toezichtgebaseerde (supervised) variabele selectie, met name met machine learning-algoritmen zoals Random Forest, de prestaties van Heat Vulnerability Indices aanzienlijk verbetert ten opzichte van traditionele onbewaarde methoden.

• Beleid en Toepassing: HVI-kaarten die worden gebruikt voor de toewijzing van middelen (zoals koelcentra, groenbeleid, huisvestingsverbeteringen) moeten worden gebaseerd op methoden die lokaal zijn gevalideerd tegen gezondheidsuitkomsten. Een "one-size-fits-all" aanpak is niet effectief.
• Machine Learning Potentieel: ML-methoden kunnen complexe, niet-lineaire relaties en interacties tussen sociaaleconomische factoren en gezondheidsrisico's beter vastleggen dan lineaire modellen.
• Aanbeveling: Onderzoekers en beleidsmakers moeten variabele selectiestrategieën systematisch evalueren in de context van hun specifieke stad en data. De resultaten tonen aan dat indicatoren die in de ene stad cruciaal zijn (bijv. ras of diabetes), in een andere stad minder voorspellend kunnen zijn, wat benadrukt dat lokale validatie essentieel is voor eerlijke en effectieve klimaatadaptatie.