
-
生物通官微
陪你抓住生命科技
跳动的脉搏
数字时代的空间协同效应:一种用于检测城市智慧城市建设中区域健康模式的地理分析框架
《BMC Public Health》:Spatial synergy in the digital era: a geo-analytics framework for detecting regional health patterns in urban smart city development
【字体: 大 中 小 】 时间:2026年05月26日 来源:BMC Public Health 3.6
编辑推荐:
摘要背景随着大规模健康和社会经济数据的数字化程度不断提高,这为智慧城市规划和公共卫生工作带来了新的机遇和挑战。越来越需要具备综合分析能力的框架,以便将这些数据转化为可操作的信息,以解决健康不平等问题。本文提出了一种地理空间分析模型——空间健康信息工具(SHIT),可用于研究美国县
随着大规模健康和社会经济数据的数字化程度不断提高,这为智慧城市规划和公共卫生工作带来了新的机遇和挑战。越来越需要具备综合分析能力的框架,以便将这些数据转化为可操作的信息,以解决健康不平等问题。本文提出了一种地理空间分析模型——空间健康信息工具(SHIT),可用于研究美国县级地区的健康不平等现象。
该框架基于CDC PLACES 2024数据构建,该数据涵盖了3,142个县和40项健康指标。为了确定健康结果的不利空间自相关性和地理热点,使用了全球Moran I指数、局部Moran I指数和Getis-Ord统计量等空间统计工具。DBSCAN算法被用来进行基于密度的聚类,以识别具有相似风险特征的县群。此外,还使用了随机森林回归模型来评估已识别风险因素与健康结果之间的预测关系,从而考虑导致健康不平等的各种因素的相对重要性。为了进一步编码相邻区域之间的空间关系,引入了图神经网络(GNN)来表示各县之间的空间关联。同时,通过将各项健康指标的得分汇总为标准化分数,计算出了综合健康脆弱性指数,以识别累积健康风险较高的县。为了增强分析结果的解释力,还采用了可解释人工智能(XAI)方法来确定健康不平等的最重要决定因素。这一机制使框架能够将空间健康模式与其社会经济或行为风险因素联系起来。该框架配备了交互式可视化模块,如等值线图、散点图、空间查询和三维患病率表面图,以支持探索性空间分析。
所提出的框架能够在美国县级层面发现具有统计显著性的健康不平等空间聚类,并识别出高疾病负担和高风险因素普遍性的特定地理模式。基于密度的聚类结果还显示了具有相似脆弱性特征的县群。随机森林分析表明,社会经济和行为风险因素与不良健康结果之间存在显著的预测关系,其中一些主要因素在特征重要性中始终名列前茅。图神经网络的预测结果也揭示了相邻县之间健康风险的空间相关模式,证明了区域健康不平等的存在。此外,健康脆弱性指数有助于识别同时存在多种健康风险因素的县,这为制定特定的公共卫生干预措施提供了依据。可解释人工智能分析进一步揭示了与不良健康结果相关的最重要决定因素,并解释了区域健康不平等的原因。交互式模块使利益相关者能够以直观且用户友好的方式查看这些模式和关系。
SHIT框架是一个强大的决策支持系统,它将开放的健康数据、空间统计方法、聚类技术和机器学习结合在一个交互式系统中,可用于研究健康不平等问题。该方法生成的与政策相关的细节可用于指导具体干预措施、资源均衡分配和基础设施规划。本研究展示了空间大数据分析在提升智慧城市管理计划以及改善人口健康质量方面的积极作用。
随着大规模健康和社会经济数据的数字化程度不断提高,这为智慧城市规划和公共卫生工作带来了新的机遇和挑战。越来越需要具备综合分析能力的框架,以便将这些数据转化为可操作的信息,以解决健康不平等问题。本文提出了一种地理空间分析模型——空间健康信息工具(SHIT),可用于研究美国县级地区的健康不平等现象。
该框架基于CDC PLACES 2024数据构建,该数据涵盖了3,142个县和40项健康指标。为了确定健康结果的不利空间自相关性和地理热点,使用了全球Moran I指数、局部Moran I指数和Getis-Ord统计量等空间统计工具。DBSCAN算法被用来进行基于密度的聚类,以识别具有相似风险特征的县群。此外,还使用了随机森林回归模型来评估已识别风险因素与健康结果之间的预测关系,从而考虑导致健康不平等的各种因素的相对重要性。为了进一步编码相邻区域之间的空间关系,引入了图神经网络(GNN)来表示各县之间的空间关联。同时,通过将各项健康指标的得分汇总为标准化分数,计算出了综合健康脆弱性指数,以识别累积健康风险较高的县。为了增强分析结果的解释力,还采用了可解释人工智能(XAI)方法来确定健康不平等的最重要决定因素。这一机制使框架能够将空间健康模式与其社会经济或行为风险因素联系起来。该框架配备了交互式可视化模块,如等值线图、散点图、空间查询和三维患病率表面图,以支持探索性空间分析。
所提出的框架能够在美国县级层面发现具有统计显著性的健康不平等空间聚类,并识别出高疾病负担和高风险因素普遍性的特定地理模式。基于密度的聚类结果还显示了具有相似脆弱性特征的县群。随机森林分析表明,社会经济和行为风险因素与不良健康结果之间存在显著的预测关系,其中一些主要因素在特征重要性中始终名列前茅。图神经网络的预测结果也揭示了相邻县之间健康风险的空间相关模式,证明了区域健康不平等的存在。此外,健康脆弱性指数有助于识别同时存在多种健康风险因素的县,这为制定特定的公共卫生干预措施提供了依据。可解释人工智能分析进一步揭示了与不良健康结果相关的最重要决定因素,并解释了区域健康不平等的原因。交互式模块使利益相关者能够以直观且用户友好的方式查看这些模式和关系。
SHIT框架是一个强大的决策支持系统,它将开放的健康数据、空间统计方法、聚类技术和机器学习结合在一个交互式系统中,可用于研究健康不平等问题。该方法生成的与政策相关的细节可用于指导具体干预措施、资源均衡分配和基础设施规划。本研究展示了空间大数据分析在提升智慧城市管理计划和改善人口健康质量方面的积极作用。