Adresa Otkriva Rizik: Novi Model Procjenjuje Rizik Hospitalizacije Dece Po Svakoj Adresi

Roditelji znaju da na zdravlje deteta utiče mnogo faktora — od kvaliteta vazduha u kraju do uslova u kući. Međutim, gradskim službama je teže sistematski prepoznati koje tačno stambene adrese imaju povećan rizik od hospitalizacije deteta.

Istraživači iz Cincinnati Children’s razvili su novi alat koji procenjuje rizik hospitalizacije deteta za svaku pojedinačnu stambenu adresu u gradu Cincinnati. Model kombinuje medicinske zapise i javno dostupne podatke o nekretninama i okolini kako bi preciznije ukazao na kuće i zgrade povezane sa većim rizikom.

Researchers from Cincinnati Children's developed a tool that assesses child hospitalization risk at the address-level. Dr. Cole Brokamp and Carson Hartlage, respectively

Kako je istraživanje urađeno

Tim, na čelu sa Carson Hartlageom (doktorand) i dr Coleom Brokampom, pregledao je više od 10.000 elektronskih zdravstvenih kartona dece primljene u Cincinnati Children’s između jula 2016. i juna 2022. Te zapise povezali su sa 5.700 jedinstvenih stambenih adresa.

Istraživači su koristili javne izvore podataka: Hamilton County Auditor, Odeljenje za zgrade i inspekcije grada Cincinnati, policijske izveštaje, podatke iz popisa, Eviction Lab i matične knjige rođenih u Ohaju. Na oko 77.000 stambenih adresa u Cincinnatiju, 7,4% je imalo bar jednu hospitalizaciju u posmatranom periodu.

Hospitalizations by address in Cincinnati, unadjusted. Provided by Cincinnati Children's.

Koji faktori su najvažniji?

Modeli su identifikovali nekoliko ključnih faktora koji su najviše povezani sa rizikom hospitalizacije:

• Tržišna vrednost nekretnine — niža vrednost često je povezana sa višim rizikom.
• Kršenja stambenih propisa — npr. problemi sa grejanjem, vlagom ili drugim inspekcijskim zabeleškama.
• Nasilni zločini u blizini — blizina nasilnih događaja prediktivno utiče na povećan rizik.

Iako nijedan od ovih faktora samostalno ne objašnjava rizik, kombinacija više elemenata na istoj adresi povećava verovatnoću hospitalizacije. Primer: kuća sa niskom tržišnom vrednošću, više kršenja propisa i nasiljem u blizini predstavlja znatno veći rizik nego renovirana kuća pored nje.

Hospitalizations by address in Cincinnati, birth adjusted. Provided by Cincinnati Children's Hospital.

Dva modela, dve primene

Tim je razvio dva mašinsko-učenja modela:

• Model po adresi — procenjuje rizik za svaku adresu bez obzira na broj dece koja tu žive i može pomoći u planiranju gradskih intervencija.
• Model prilagođen rođenjima — uzima u obzir podatke o rođenjima kako bi preciznije procenio individualni rizik za dete sa poznatom adresom.

„Nije reč o kvartu kao celini, već o skupu domova sa određenim karakteristikama“, rekao je dr Cole Brokamp, ističući pomak sa širokih područja ka nivou pojedinačne adrese.

Ograničenja i buduće primene

Najveće ograničenje leži u podacima: izveštavanje i sprovođenje inspekcija ili prijavljivanje kriminala nisu uniformni i mogu odražavati sistemsku pristrasnost u dostupnim podacima. Ipak, okvir je fleksibilan i može se prilagoditi za druge ishode — npr. posete hitnoj pomoći, ciljane intervencije za astmu, identifikaciju vodovodnih cevi sa olovom ili prioritizaciju renoviranja starih kuća.

Dr Brokamp naglašava da ovi podaci mogu pomoći zdravstvenim sistemima, gradskim službama i organizacijama da preciznije ciljaju inspekcije, preventivne programe i podršku porodicama kojima je najpotrebnija.

Ovaj tekst je zasnovan na istraživanju objavljenom u Cincinnati Enquirer pod naslovom: „Your address holds clues to knowing your child's hospitalization risk“.