DOI: https://doi.org/10.1038/s41598-025-04567-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40481030
تاريخ النشر: 2025-06-06
المؤلف: Siavash Ghorbany وآخرون
الموضوع الرئيسي: آثار الضوضاء وإدارتها
نظرة عامة
تبحث هذه الدراسة في تأثير البيئة المبنية على الصحة العقلية والبدنية والصحة العامة عبر 19 مدينة رئيسية في الولايات المتحدة، باستخدام مزيج من الشبكات العصبية التلافيفية ونماذج التعلم الآلي المختلفة، بما في ذلك XGBoost والانحدار باستخدام الدعم المتجه. تحدد الدراسة المتنبئات المهمة لنتائج الصحة الحضرية، مثل استخدام المواد البنائية التقليدية (الخشب والملاط)، والوصول إلى تكييف الهواء، والخطر المستمر للدهان المحتوي على الرصاص، الذي لا يزال مرتبطًا بتأثيرات صحية سلبية في أكثر من 30% من المباني المدروسة. حققت النماذج قيم R-squared مثيرة للإعجاب بلغت 0.75 و0.76 و0.82 للصحة العقلية والبدنية والعامة، على التوالي، مما يدل على قدرات تنبؤية قوية.
تؤكد النتائج على ضرورة التدخلات السياسية الحضرية المستهدفة، لا سيما في الأحياء عالية المخاطر، لمعالجة نقاط الضعف الصحية. تشمل التوصيات إعطاء الأولوية لإزالة الرصاص، وتعزيز الوصول إلى تكييف الهواء، وتحديث قوانين البناء لتفضيل المواد التي تعزز الصحة والرفاهية. كما تسلط الدراسة الضوء على أهمية النظر في كل من المحددات البدنية والاجتماعية للصحة في التخطيط الحضري، مشددة على أن التطورات الحديثة لا تؤدي بالضرورة إلى بيئات أكثر صحة. توفر هذه التحليل الشامل أساسًا لصانعي السياسات لتعزيز ظروف الحياة الحضرية الأكثر صحة من خلال التصميم والتنظيم المستنيرين.
الطرق
تم هيكلة منهجية هذه الدراسة في أربعة أقسام رئيسية. في البداية، تم دمج البيانات من مصادر مختلفة على مستوى منطقة التعداد لتشكيل مجموعة بيانات شاملة. كانت الخطوة الثانية تتضمن معالجة هذه البيانات لتقليل الأخطاء وسوء التفسير. بعد ذلك، تم إجراء تحليل وصفي لتقديم رؤى حول فرضية البحث وبنية البيانات الأساسية.
بعد ذلك، تم إجراء تحليل انحدار لتقييم العلاقة بين متغيرات البيئة المبنية ومشاكل الصحة المحددة. تم اختبار النموذج الناتج بدقة لضمان صلاحيته التنبؤية عبر مدن ومناطق مختلفة في الولايات المتحدة. في المرحلة النهائية، تم ضبط نماذج التعلم الآلي المختلفة لتحديد النموذج الأكثر فعالية، مما يعزز القدرة التنبؤية العامة للتحليل.
النتائج
في هذا القسم، يقدم المؤلفون نتائج اختبار نموذج الانحدار المتعدد الذي تم تطويره لتحليل نتائج الصحة في مدينتين متميزتين: مقاطعة كينغ، واشنطن (بما في ذلك سياتل) ومقاطعة برناليلو، نيو مكسيكو (بما في ذلك ألبوكيركي). تم اختيار هذه المواقع استراتيجياً للتحقق الخارجي بسبب اختلاف خصائصها الجغرافية والديموغرافية، مما يضمن أنها لم تكن مشابهة لمجموعة بيانات التدريب. تعزز هذه الطريقة من قابلية تعميم النموذج.
تم تقييم أداء النموذج باستخدام مقاييس قياسية مثل متوسط الخطأ التربيعي (MSE)، وجذر متوسط الخطأ التربيعي (RMSE)، ومتوسط الخطأ المطلق (MAE). كما تم الإبلاغ عن إحصائية R²، مما يدل على نسبة التباين في نتائج الصحة التي يفسرها النموذج. أظهرت النتائج توافقًا وثيقًا بين هذه المقاييس الأداء بين مجموعات بيانات التدريب والاختبار، مما يؤكد قوة النموذج. بعد هذا التحقق، أعاد المؤلفون تدريب النماذج باستخدام مجموعة البيانات الكاملة لتحسين الأداء بشكل أكبر.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على الدور الحاسم للبيئة المبنية كمحدد لنتائج الصحة في الولايات المتحدة، لا سيما في سياق الفجوات الصحية الحالية ونقص التغطية الصحية الشاملة. يبرز المؤلفون أن عوامل مختلفة، بما في ذلك تصميم الأحياء، والتعرض للملوثات، والظروف الاجتماعية والاقتصادية، تؤثر بشكل كبير على قضايا الصحة مثل الصحة العقلية والبدنية. من الجدير بالذكر أن الدراسات أظهرت أن عناصر مثل ترابط الشوارع والضغوط البيئية يمكن أن تؤثر سلبًا على الصحة، لا سيما بين الفئات الضعيفة مثل الأطفال. على الرغم من البحث الواسع حول تأثير البيئة المبنية على الصحة، إلا أن هناك فجوة في الأساليب الكبيرة المدفوعة بالبيانات التي تقيم بشكل منهجي ميزات المباني ونتائجها الصحية.
يقدم المؤلفون مجموعة بيانات شاملة مستمدة من مصادر متعددة، بما في ذلك صور Google Street View ومخزون الهياكل الوطنية، لتحليل العلاقة بين خصائص البيئة المبنية ونتائج الصحة عبر 19 مدينة رئيسية في الولايات المتحدة. تكشف التحليلات الوصفية والانحدارية عن ارتباطات كبيرة بين ميزات المباني المختلفة—مثل وجود الدهان المحتوي على الرصاص، وحالة تكييف الهواء، ومواد البناء—ومقاييس الصحة. على سبيل المثال، يرتبط التعرض الأعلى للدهان المحتوي على الرصاص بزيادة مشاكل الصحة العقلية والبدنية، بينما يرتبط الوصول الأكبر إلى تكييف الهواء بتحسين نتائج الصحة. تشير النتائج إلى أن التنمية الحضرية الحديثة، التي تتميز بالبناءات الجديدة ومواد البناء المحددة، قد تفاقم مشاكل الصحة، مما يبرز الحاجة إلى التخطيط الحضري المدروس والتدخلات السياسية لتعزيز صحة المجتمع. تقترح الدراسة في النهاية إطارًا للاستفادة من بيانات البيئة المبنية لإبلاغ استراتيجيات التنمية الحضرية التي تعطي الأولوية لنتائج الصحة.
القيود
تقدم الدراسة عدة قيود قد تؤثر على نتائجها وقابلية تعميمها. أولاً، قد يؤدي استخدام البيانات المرئية من Google Street View، على الرغم من كونه مبتكرًا، إلى إدخال تحيزات بسبب اختلاف جودة الصور وحداثتها، مما قد يؤثر على دقة بيانات خصائص المباني. على الرغم من أن الباحثين استخدموا نماذج الشبكات العصبية التلافيفية المتقدمة (CNN) للتخفيف من هذه المشكلة، إلا أن التركيز على ميزات المباني الخارجية يستبعد العوامل البيئية الداخلية، مثل جودة الهواء الداخلي وتصميم الديكور، والتي لها أيضًا صلة بنتائج الصحة. علاوة على ذلك، تقتصر الدراسة على الولايات المتحدة، مما يحد من قابليتها للتطبيق في دول وسياقات أخرى.
بالإضافة إلى ذلك، قد لا يتضمن النموذج التنبؤي، على الرغم من قوته عبر مناطق المناخ المختلفة، المتغيرات الاجتماعية والاقتصادية مثل الدخل، والوصول إلى الرعاية الصحية، والتحصيل العلمي، والتي يمكن أن تعزز دقة التنبؤ ولكن قد تؤثر على قابلية تفسير النموذج فيما يتعلق بالبيئة المبنية. إن الاعتماد على بيانات الصحة المبلغ عنها ذاتيًا من مجموعة بيانات CDC PLACES يقدم إمكانية وجود تحيزات ذاتية وإبلاغ، حيث قد لا تعكس الحالة الصحية المبلغ عنها ذاتيًا الظروف السريرية بدقة. أخيرًا، بينما توفر نماذج المربعات الصغرى العادية (OLS) أساسًا قويًا لتحليل العلاقة بين البيئة المبنية والصحة، ينبغي أن تأخذ الأبحاث المستقبلية في الاعتبار استخدام تقنيات الانحدار المكاني لتحسين حساب الاعتماد المكاني بشكل أفضل.
DOI: https://doi.org/10.1038/s41598-025-04567-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40481030
Publication Date: 2025-06-06
Author(s): Siavash Ghorbany et al.
Primary Topic: Noise Effects and Management
Overview
This research investigates the impact of the built environment on mental, physical, and overall health across 19 major U.S. cities, utilizing a combination of convolutional neural networks and various machine learning models, including XGBoost and support vector regression. The study identifies significant predictors of urban health outcomes, such as the use of traditional building materials (wood and masonry), access to air conditioning, and the persistent hazard of lead paint, which remains correlated with adverse health effects in over 30% of the buildings studied. The models achieved impressive R-squared values of 0.75, 0.76, and 0.82 for mental, physical, and general health, respectively, demonstrating strong predictive capabilities.
The findings underscore the necessity for targeted urban policy interventions, particularly in high-risk neighborhoods, to address health vulnerabilities. Recommendations include prioritizing lead abatement, enhancing access to air conditioning, and updating building codes to favor materials that promote health and well-being. The research also highlights the importance of considering both physical and social determinants of health in urban planning, emphasizing that modern developments do not inherently lead to healthier environments. This comprehensive analysis provides a foundation for policymakers to foster healthier urban living conditions through informed design and regulation.
Methods
The methodology of this research is structured into four key sections. Initially, data from various sources were integrated at the census tract level to form a comprehensive union dataset. The second step involved processing this data to minimize errors and misinterpretations. Following this, a descriptive analysis was performed to provide insights into the research hypothesis and the underlying data structure.
Subsequently, regression analysis was conducted to evaluate the relationship between built environment variables and specific health issues. The resulting model was rigorously tested to ensure its predictive validity across different cities and regions in the United States. In the final phase, various machine learning models were fine-tuned to identify the most effective model, thereby enhancing the overall predictive capability of the analysis.
Results
In this section, the authors present the results of testing a multiple regression model developed to analyze health outcomes in two distinct cities: King County, Washington (including Seattle) and Bernalillo County, New Mexico (including Albuquerque). These locations were strategically selected for external validation due to their differing geographic and demographic characteristics, ensuring that they were not similar to the training dataset. This approach enhances the model’s generalizability.
The model’s performance was assessed using standard metrics such as Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE). The R² statistic was also reported, indicating the proportion of variance in health outcomes explained by the model. The results showed a close alignment of these performance metrics between the training and test datasets, confirming the robustness of the model. Following this validation, the authors retrained the models using the full dataset to optimize performance further.
Discussion
The discussion section of the research paper emphasizes the critical role of the built environment as a determinant of health outcomes in the United States, particularly in the context of existing health disparities and the lack of universal healthcare coverage. The authors highlight that various factors, including neighborhood design, exposure to pollutants, and socioeconomic conditions, significantly influence health issues such as mental and physical health. Notably, studies have shown that elements like street connectivity and environmental stressors can adversely affect health, particularly among vulnerable populations such as children. Despite the extensive research on the built environment’s impact on health, a gap exists in large-scale, data-driven approaches that systematically assess building-level features and their health outcomes.
The authors present a comprehensive dataset derived from multiple sources, including Google Street View images and the National Structure Inventory, to analyze the relationship between built environment characteristics and health outcomes across 19 major U.S. cities. Descriptive and regression analyses reveal significant correlations between various building features—such as the presence of lead paint, air conditioning status, and building materials—and health metrics. For instance, higher lead paint exposure correlates with increased mental and physical health issues, while greater access to air conditioning is associated with improved health outcomes. The findings suggest that modern urban development, characterized by newer constructions and specific building materials, may exacerbate health problems, underscoring the need for thoughtful urban planning and policy interventions to enhance community health. The study ultimately proposes a framework for leveraging built environment data to inform urban development strategies that prioritize health outcomes.
Limitations
The study presents several limitations that may affect its findings and generalizability. Firstly, the use of visual data from Google Street View, while innovative, could introduce biases due to the varying quality and recency of images, potentially impacting the accuracy of building characteristic data. Although the researchers employed advanced convolutional neural network (CNN) models to mitigate this issue, the focus on external building features excludes internal environmental factors, such as indoor air quality and interior design, which are also relevant to health outcomes. Furthermore, the research is confined to the United States, limiting its applicability to other countries and contexts.
Additionally, the predictive model, while robust across different climate zones, may not fully incorporate socio-economic variables like income, healthcare access, and educational attainment, which could enhance predictive accuracy but compromise the model’s interpretability regarding the built environment. The reliance on self-reported health data from the CDC PLACES dataset introduces potential subjectivity and reporting bias, as self-assessed health status may not accurately reflect clinical conditions. Lastly, while ordinary least squares (OLS) models provide a solid foundation for analyzing the relationship between the built environment and health, future research should consider employing spatial regression techniques to better account for spatial dependencies.