Multi-region models built with machine and deep learning for predicting several heat-related health outcomes
Notice bibliographique
Résumé
• Daily summer mortality and morbidity predicted for general and elderly populations. • Machine/deep learning models trained with weather, regional and temporal predictors. • Deep learning performed better globally and across regions than other ML models. • Ensemble tree-based models were more sensitive to weather variables and heatwaves. • Models provided new insights on heat-related health impacts in the two populations. As a result of climate change, populations worldwide will be exposed to more heat episodes. To ensure a sustainable future, cutting-edge tools must be developed to predict the health effects of heat and limit its consequences. However, current research has mainly focused on one health outcome in a single city/region, thus providing limited knowledge to improve society's resilience to extreme heat. In this study, a machine learning (ML) framework is introduced to predict several heat-related health outcomes in multiple regions simultaneously, using the province of Quebec (Canada) as a case study. Five ML models including penalized regression, ensemble tree-based models and deep neural networks were considered and compared. Models were trained to predict these health outcomes using various meteorological, regional and temporal predictors across all regions. Our results showed that deep learning models were the most promising, with out-of-sample R 2 of >60 % for most of the studied health outcomes. However, ensemble tree-based approaches also had the best performance for some health outcomes, and were more sensitive to weather variables and to heatwaves. By introducing novel ML-based tools for predicting heat risks in several regions, this study can guide climate change adaptation and help cities and society to become more healthy, resilient and sustainable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».